Evaluating Supplier Performance Using DEA and Piecewise Triangular Fuzzy AHP
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data envelopment analysis (DEA) has been widely applied in evaluating multicriteria decision making problems, which have multi-input and multi-output. However, the traditional DEA method does neither take the decision maker’s subjective preferences to the individual criteria into consideration nor rank the selected options or decision making units (DMUs). On the other hand, Satty’s analytical hierarchy process (AHP) was established to rank options or DMUs under multi-input and multi-output through pairwise comparisons. However, in most cases, the AHP pairwise comparison method is not perfectly consistent, which may give rise to confusions in determining the appropriate priorities of each criterion to be considered. The inconsistency implicates the fuzziness in generating the relative important weight for each criterion. In this paper, a novel method, which employs both DEA and AHP methods, is proposed to evaluate the overall performance of suppliers’ involvement in the production of a manufacturing company. This method has been developed through modifying the DEA method into a weighting constrained DEA method by using a piecewise triangular weighting fuzzy set, which is generated from the inconsistent AHP comparisons. A bias tolerance ratio (BTR) is introduced to represent the varying but restrained weighting values of each criterion. Accordingly, the BTR provides the decision maker a controllable parameter by tightening or loosening the range of the weighting values in evaluating the overall performance of available suppliers, which in hence, overcomes the two weaknesses of the traditional DEA method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle