هافر(۱۹۸۰)، لسم( ۲۰۰۹)، همبریک و شکتر(۱۹۸۳)، تان و سی(۲۰۰۴)، بوین(۲۰۰۴)، رحمان سرشت و همکاران(۱۳۹۲) پیرس و رابینز(۱۹۹۳) و پیرس و رابینز(۲۰۰۶)، بروتن و همکاران(۲۰۰۳)، تنسی و همکاران(۲۰۱۳)، هو و همکاران(۲۰۱۰)، تی کی سی و همکاران(۲۰۱۱)، یاوسن(۲۰۰۹)، فرانسیس و دیزایی(۲۰۰۵)، کیتچینگ و همکاران(۲۰۰۹)

استراتژی کاهش

وقتی موقعیت رقابتی شرکت در همه یا بعضی از خطوط تولیدش به حدی ضعیف شود که باعث ضعیف شدن عملکرد آن می شود مدیران ترغیب می شوند استراتژی عقب نشینی را انتخاب کنند این استراتژی ها عبارتند از استراتژی تغییر جهت، استراتژی اسارت

هافر(۱۹۸۰)، لسم (۲۰۰۹)، بوین(۲۰۰۴)، رحمان سرشت و همکاران(۱۳۹۲)، کیتچینگ و همکاران(۲۰۰۹)، یاوسن(۲۰۰۹)، فرانسیس و دیزایی(۲۰۰۵)، لیتنن(۲۰۰۰).

۲-۲- مفاهیم کلی تصمیم گیری چند معیاره

تصمیم گیری فرایند یافتن بهترین موقعیت در میان گزینه­ های موجود است. تقریباً در اکثر مسائل تصمیم گیری به علّت کثرت معیارها، تصمیم گیرنده دچار مشکل می­ شود. از این رو برای اکثر مسائل، تصمیم گیرنده می­خواهد به بیش از یک هدف در راستای انتخاب نحوه اجرای فعالیت­ها دست یابد(زلنی^[۸۹]، ۱۹۸۲).

( اینجا فقط تکه ای از متن فایل پایان نامه درج شده است. برای خرید متن کامل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

در دو دهه اخیر محققان درتصمیم­گیری­های پیچیده، به مدل­های تصمیم ­گیری چند معیاره(MCDM^[90]) روی آورده­اند. در این گونه تصمیم ­گیری­ها، چندین معیار که گاه با هم در تضادند در نظر گرفته می­شوند که در زندگی روزمره نیز به طور مرتب با این گونه تصمیم گیری­ها روبرو می­شویم. روش­های تصمیم گیری چند معیاره به دو دسته کلی تقسیم می­شوند:
۱- مدل­های تصمیم گیری چند هدفه(MODM^[91]): در این مدل­های تصمیم ­گیری، چندین هدف به طور همزمان، جهت بهینه شدن مورد توجه قرار می­گیرند. مقیاس سنجش برای هر هدف ممکن است با مقیاس سنجش برای بقیه اهداف، متفاوت باشد. بهترین تکنیک تصمیم گیری چند هدفه برنامه ریزی آرمانی است که اوّلین بار توسط چارنز و کوپر^[۹۲] ارائه شده است.
۲- روش­های تصمیم ­گیری چند شاخصه(^[۹۳]MADM): در این مدل­ها، انتخاب یک گزینه از بین گزینه­ های موجود مدنظر است. در یک تعریف کلی، تصمیم گیری چند شاخصه به تصمیمات خاصی مانند ارزیابی، اولویت بندی و یا انتخاب از بین گزینه­ های موجود(که گاه باید بین چند شاخص متضاد انجام شود) اطلاق می­گردد. انواع روش­های تصمیم ­گیری MADM در شکل(۲-۴) مشخص شده است(آذر و رجب زاده، ۱۳۸۱).
در علم مدیریت کلاسیک، با بهره گرفتن از شیوه ­های عقلایی و سیستماتیک به تحلیل مسائل مدیریتی پرداخته می­ شود. از این رو بر داده ­های قطعی و سیستماتیک استوار بوده، داده ­های مبهم و فازی جایگاهی در مدلسازی ندارند و وزن معیارها کاملا ًشناخته شده است اما به دلیل وجود ابهام و عدم قطعیت در اظهارات تصمیم گیرنده، بیان داده ­ها به صورت قطعی نامناسب است. از آنجایی که قضاوت­های انسانی نمی ­توانند بوسیله مقادیر عددی دقیق برآورد شوند و معمولاً مبهم هستند نمی­ توان از روش­های تصمیم گیری سنتی برای اینگونه مسائل تصمیم گیری استفاده کرد(حق شناس کاشانی و سعیدی، ۱۳۹۰). در سال­های اخیر، تلاش­ های فراوانی برای رفع اینگونه ابهامات و عدم قطعیت­ها صورت گرفته است که نهایتاً به بکارگیری نظریه مجموعه­های فازی در روش­های ارزیابی چندمعیاره منجر گردیده است(چن و هوانگ^[۹۴]، ۱۹۹۲).

شکل ۲-۵-مدل­های ارزیابی MADM(آذر و رجب زاده، ۱۳۸۱)
نظریه فازی در سال ۱۹۶۵ توسط پروفسور لطفی زاده نشر پیدا کرده است. این نظریه برای شرایط متغیر و شرایط غیر قابل مقایسه بودن مناسب است. با بهره گرفتن از علم مدیریت فازی، روش­های علم مدیریت کلاسیک در محیط فازی به کار گرفته می­شوند. علم مدیریت فازی می ­تواند مدل­هایی را طراحی نماید که نظیر انسان از توانایی پردازش اطلاعات کیفی بصورت هوشمند برخوردار باشد. بنابراین علم مدیریت فازی ضمن ایجاد انعطاف پذیری در مدل، داده­هایی نظیر دانش،‌ تجربه و قضاوت انسانی را در مدل وارد کرده و پاسخ­هایی کاملاً کاربردی ارائه می­دهد(عالم تبریز و باقر زاده آذر، ۱۳۸۹). قضاوت­های مردم عموماً به صورت مبهم مانند عبارات زبانی: مساوی، نسبتاً قوی، خیلی قوی و… با یک درجه اهمّیت می­باشند. نظریه فازی می ­تواند به کاهش ابهام موجود در عبارت­های زبانی نظر دهندگان کمک کند(حق شناس کاشانی و سعیدی، ۱۳۹۰). در تصمیم گیری­های فازی، مطلوبیت گزینه­ ها در مقایسه با همه معیارها معمولاً به صورت اعداد فازی بیان می­گردند که آن را مطلوبیت فازی می­نامند و با روش­های ارزیابی تصمیم گیری فازی سنجیده می­شوند. رتبه بندی گزینه­ ها بر اساس مطلوبیت فازی مربوطه است(یه و دنگ^[۹۵]، ۲۰۰۴).

۲-۲-۱- فرایند تحلیل شبکه­ ای(ANP) فازی

فرایند تحلیل سلسله مراتبی(AHP) یکی از معروفترین فنون تصمیم ­گیری چند معیاره است که توسط توماس. ال. ساعتی^[۹۶] در دهه ۱۹۷۰ ابداع گردید(آذر و فرجی، ۱۳۸۶). توانایی در تجزیه و تحلیل یک مسئله تصمیم ­گیری به یک ساختار رده­ای، زیربنای اساسی در استفاده از روش AHP است و لازمه داشتن یک ساختار رده­ای این است که ارجحیات ممکن از یک سطح موجود، بستگی به عناصر سطوح پایین­تر نداشته و از آن­ها مستقل باشد(اصغرپور، ۱۳۸۹). اما سطوح تصمیم همواره از یکدیگر مستقل نیستند و معمولاً با هم در تعاملند. با توجه به این مطلب، AHP ممکن است نتایج نا معتبری به دست دهد. به علّت آنکه روش AHP جامعیت لازم را نداشت ساعتی در سال ۱۹۸۰، روش گسترش یافته­ای تحت عنوان فرایند تحلیل شبکه­ ای(ANP) را ارئه نمود(نخعی کمال آبادی و باقری،۱۳۸۷). در واقع، ساعتیANP را به عنوان تعمیمی از AHP ارائه نمود. در دنیای واقعی، نمی­ توان بسیاری از مسائل تصمیم ­گیری چندمعیاره را به دلیل وابستگی­های درونی و بیرونی و روابط و تعاملات میان عناصر خوشه ­ها در سطوح تصمیم ­گیری، به صورت ساختار سلسله مراتبی در نظر گرفت. بنابراینANP با چارچوب جامع و فراگیر می ­تواند تمامی تعاملات و روابط میان سطوح تصمیم ­گیری را که تشکیل یک ساختار شبکه­ ای می­دهد در نظر بگیرد(ساعتی، ۲۰۰۴). در سال­های اخیر، روش ANP به صورت مشروح و مبسوطی در بحث تصمیم گیری­های چند منظوره و برای حل مسائل پیچیده تصمیم گیری مطرح شده است. رویکرد بازخوردیANP، ساختار سلسله مراتبی را با ساختار شبکه­ ای جایگزین کرده است چرا که ساختار سلسله مراتبی با روابط خطی بالا به پایین نمی­تواند در مورد سیستم­های پیچیده مناسب باشد. روش AHP برای حل مسائل در حالت استقلال بین گزینه­ ها و معیارها و روش ANP برای حل مسائلی که بین گزینه­ ها یا معیارها وابستگی وجود دارد پیشنهاد شده است. همانطور که AHP بستری را برای ساختارهای سلسله مراتبی با روابط یک سویه فرآهم می ­آورد ANP نیز روابط پیچیده داخلی بین سطح­های مختلف تصمیم و معیارها را اجازه می­دهد. تفاوت ساختاری ANP و AHP به شرح شکل(۲-۵)می­باشد(نجفی، ۱۳۸۹):

شکل ۲-۶-تفاوت ساختاری ANP و AHP(نجفی، ۱۳۸۹)
شکل(۲-۶) ساختار یک شبکه ANP را نشان می­دهد. خوشه ­ها معرف سطوح تصمیم ­گیری­اند و خطوط مستقیم یا کمان­ها تعاملات میان سطوح تصمیم ­گیری را نشان می­ دهند. جهت کمان­ها وابستگی را مشخص می­ کند و حلقه­ها نیز وابستگی درونی عناصر هر خوشه را نشان می­ دهند(دری و حمزه­ای، ۱۳۸۹):

شکل ۲-۷-ساختار شبکه­ ای ANP(دری و حمزه­ای، ۱۳۸۹)
روشANP نیز به منظور نرخ گذاری و رتبه بندی ترجیحات، از ماتریس مقایسات زوجی استفاده می­ کند که داده ­های ورودی آن، اعداد قطعی است. در مواردی که داده ­های ورودی با ابهام روبرو هستند نمی­ توان از این ماتریس استفاده نمود. برای حل این مسئله، محققین مدلی را ارائه نمودند که از روش ANP در محیط فازی بهره می­گیرد. تفاوت مدل ارائه شده با روش ANP معمولی، در استخراج اوزان اهمّیت از ماتریس مقایسات زوجی می­باشد و سایر گام­های آن با روش ANP معمولی، یکسان است(نخعی کمال آبادی و باقری، ۱۳۸۷).
ANP فازی از چهار گام اصلی بوجود می ­آید:
گام اوّل: پایه ریزی مدل و ساخت شبکه
مسأله باید به شکل روشن بیان شده و مانند یک شبکه به یک سیستم عقلایی مجزا شوند. این ساختار شبکه­ ای می ­تواند توسط تصمیم گیرنده­ها در جلسات طوفان مغزی و یا به دیگر روش­ها تعیین شود(اکبرزاده، ۱۳۸۹).
گام دوّم: ماتریس مقایسات زوجی و بردارهای اولویت
در ANP نیز همانند روش AHP، اهمّیت نسبی زوج­های عناصر تصمیم گیری در هر خوشه، به طور مستقیم از طریق قضاوت­هایی با بهره گرفتن از مقایسات زوجی و تحت کنترل معیارهای مربوطه بدست می ­آید. از تصمیم گیرندگان در مورد یک سری از مقایسات زوجی دو عنصر یا دو خوشه بر حسب درجه اهمّیت ­شان در معیارهای سطح بالایی مختص آن­ها پاسخ دریافت می­ شود. بعلاوه، ارتباطات داخلی بین عناصر یک خوشه نیز باید به طور جفتی مورد آزمون قرار گیرد و تأثیر هر عنصر بر روی عنصر دیگر، توسط یک بردار ویژه نمایش داده شود. بدین ترتیب، با تشکیل ماتریس­های مقایسه زوجی به ازای هر عنصر و سپس محاسبه بردار ویژه متناظر با آن، میزان اهمّیت و همچنین تأثیر عناصر دیگر بر عنصر مورد نظر محاسبه می­ شود. همانند روش AHP، مقایسات زوجی در ANP نیز در چارچوب یک ماتریس انجام می­ شود(اکبرزاده، ۱۳۸۹). در روش ANP فازی، اهمّیت نسبی هر جفت از عناصر و ترجیحات تصمیم گیرنده با بهره گرفتن از اعداد فازی مثلثی نشان داده می­ شود. از طریق مقایسات زوجی، ماتریس قضاوت فازی A΄ شکل می­گیرد که ( ) = بیان کننده اهمّیت شاخصه­های مقایسه شده می­باشد(اهمّیت i نسبت به j )(بویوکوزکان و سیفسی،b 2011).
گام سوّم: تشکیل سوپرماتریس
در تکنیک ANP برای نشان دادن تعاملات و وابستگی­های بین سطوح تصمیم گیری و تعیین اهمّیت نسبی معیارها و اولویت بندی آلترناتیوهای مسئله، از سوپر ماتریس استفاده می­ شود. برای پر نمودن ماتریس­های مختلف موجود در سوپرماتریس، بردارهای اولویت مربوط به هر ماتریس مقایسه زوجی باید محاسبه گردد. هنگامی که از سازگاری مقایسات زوجی اطمینان حاصل شد وزن­های مربوط به اهمّیت نسبی هر ماتریس مقایسه زوجی محاسبه می­ شود. لازم به ذکر است که روش­های زیادی مانند لگاریتم حداقل مجذورات و روش تحلیل توسعه­ای چانگ برای محاسبه بردارهای اولویت وجود دارد که یکی به تناسب موقعیت انتخاب می­گردد تا اولویت­های کلی در یک سیستم با تأثیرات وابسته حاصل گردد. بردارهای اولویت محاسبه شده، در ستون مربوطه در سوپرماتریس جای می­گیرد. شکل (۲-۷) فرم کلی یک سوپر ماتریس با ساختار شبکه­ ای را نشان می­دهد(هاشمخانی، ۱۳۹۰).

شکل ۲-۸-سوپرماتریس با ساختار شبکه­ ای(دری و حمزه­ای، ۱۳۸۹)
یک سوپر ماتریس در حقیقت یک ماتریس جزء بندی شده است که در آن هر بخش از ماتریس، رابطه میان دو گره و یا سطح تصمیم را در کل مسئله تصمیم گیری نشان می­دهد که C بیانگر گره­ها و e بیانگر عناصر درون گره­هاست. بردارهای W درون ماتریس نیز، بردارهای وزنی حاصله از مقایسات زوجی عناصر گره­ها با یکدیگر است(دری و حمزه­ای، ۱۳۸۹).
گام چهارم- حل سوپرماتریس و انتخاب بهترین گزینه
در سوپرماتریس اوّلیه ممکن است بعضی از ستون­ها به صورت ستون­های احتمالی نبوده یا به عبارت ساده­تر حاصل­ جمع عناصرستون­ها برابر یک نباشد. در این حالت نمی­ توان گفت که تأثیر نهایی ملاک کنترلی مورد نظر بر تمامی عناصر به درستی نشان داده شده ­اند. برای جلوگیری از این حالت هر یک از عناصر ستون­ها بر مجموع عناصرستون مربوطه تقسیم می­گردد. ماتریس حاصله سوپرماتریس موزون یا تصادفی^[۹۷] نامیده می­ شود که در واقع از نرمال­سازی سوپرماتریس اوّلیه به­دست می ­آید. با استفاده ازسوپرماتریس تصادفی به دست آمده، می­توان سوپرماتریس نهایی^[۹۸] را محاسبه کرد و اولویت­های نهایی هرگزینه را به دست آورد. برای محاسبه سوپرماتریس نهایی، کافی است سوپرماتریس تصادفی را به توان بینهایت (یا عدد خیلی بزرگی) رساند(اکبرزاده، ۱۳۸۹). ساعتی با بهره گرفتن از ماتریس­های احتمالی و زنجیره­های مارکف اثبات می­ کند که وزن نهایی عناصر، از رابطه زیر به دست می ­آید(دری و حمزه­ای، ۱۳۸۹):
رابطه (۲-۱)
K ازمجموعه اعداد طبیعی بوده و مقدارآن می‌تواند به طوردلخواه افزایش یابد تا اینکه همگرایی حاصل شود یعنی کلیه عناصر موجود در یک سطر(یا ستون) یکسان شوند.
بردار اولویت گزینه­ ها در سطر سوپرماتریس نهایی یافت می­ شود. گزینه­ای که بیشترین وزن را کسب کرده است به عنوان گزینه مطلوب انتخاب می­ شود.

۲-۲-۱-۱-محاسبه‌ی سازگاری ماتریس‌های مقایسات زوجی فازی

در اولویت بندی عناصر و فعالیت­ها با توجه به معیارهای کنترلی، برای اینکه نتایج معتبری در دنیای واقعی به دست آید، درجه خاصی از سازگاری لازم است که سازگاری قضاوت­ها، توسط نرخ سازگاری محاسبه می­گردد(آذر و رجب زاده، ۱۳۸۱). نرخ سازگاری، سازوکاری است که سازگاری مقایسات را مشخص می­ کند و نشان می­دهد که تا چه اندازه می­توان، به اولویت­های حاصل از اعضای گروه و یا اولویت­های جداول ترکیبی، اعتماد نمود. اطلاع از سازگاری قضاوت­ها به این دلیل حائز اهمّیت است که احساس نشود این قضاوت­ها به صورت تصادفی اعمال شده ­اند(آذر و رجب زاده). نرخ سازگاری محاسبه شده باید کمتر از ۰٫۱ باشد در غیر اینصورت، قضاوت­ها ممکن است متضاد باشند و باید در آن­ها تجدید نظر صورت گیرد. محاسبه سازگاری قضاوت­ها در حالت فازی، با داده ­های قطعی متفاوت است. یکی از روش­های محاسبه سازگاری داده ­های فازی، روش گاگوس و بوچر است که شرح آن در زیر آمده است:
در این روش به منظور بررسی سازگاری، لازم است از هر ماتریس مقایسه زوجی _n˟n ، دو ماتریس مجزا تشکیل شود: A^m و A^g . ماتریس A^m از مقادیر میانی ترجیحات هر خبره (مقادیر میانی اعداد فازی مثلثی) حاصل می‌گردد،A^m = [a_ijm] . ماتریس دوّم نیز، A^g هست که از میانگین هندسی حد بالا و حد پایین اعداد فازی مثلثی ایجاد می‌شود:

رابطه (۲-۲)

برای یافتن نرخ سازگاری، بردار وزن هر یک از این دو ماتریس باید محاسبه شود. از آنجا که این ماتریس‌ها شامل داده‌های قطعی^[۹۹]‌ (غیر فازی) اند، می‌توان از روش ساعتی برای محاسبه‌ی بردار وزن استفاده نمود. لذا، بردار‌های اوزان، w^m و w^g، از روابط ذیل بدست می‌آیند: