文摘
战略是组织长期增长的主要来源,如果不成功实现,即使采用适当的,过程是徒劳的。平衡计分卡,侧重于对学习和成长等四个方面,内部流程、客户和金融被认为是一个全面的框架,评估性能和策略的进展。此外,数据包络分析是最好的数学方法计算效率的组织。这两种技术的结合是一个重要的定量测量组织的性能。然而,在现实世界中,有限与无限的信息存在。从今以后,不确定的问题是不可避免的,必须考虑绩效评估。Neutrosophic数量是一个有用的工具来处理不确定和不完整的信息。在本文中,我们提出一个新的模型的数据包络分析neutrosophic数字环境。此外,我们尝试将新模型与平衡计分卡等级不同的决策单位。最后,说明了该方法的实证研究涉及20银行分支机构。 The results show the effectiveness of the proposed method and indicate that the model has practical outcomes for decision-makers.
1。介绍
所有的政府或私人组织是否都需要一个有效的绩效评估的发展,增长,可持续发展在今天的竞争激烈的世界。换句话说,高级主管经理一直寻求一个解决方案,以确保他们的执行策略,因此,选择性能评价方法作为工具来实现自己的战略。
引入了平衡计分卡(BSC)的综合性能评估框架和发展战略,平衡短期和长期的目标,金融和非金融措施,内部和外部表现,内部和外部利益相关者,和发生进步nonprogressive性能指标。平衡计分卡是一个证明框架,描述了组织的战略和运作1]。
数据包络分析(DEA)是一种数学编程测量均匀决策单元的相对效率(研究)不知道生产函数,利用输入和输出信息(2,3]。第一个模型DEA的CCR和BCC模型中每个DMU的效率获得的最大加权输出比加权输入主题的所有研究的相似率小于或等于12,3]。DEA技术已经被有效地连接在不同的情况下,如广播公司(4),银行机构(5- - - - - -8)、研发组织(9,10),卫生保健服务(11)、制造业(12,13)、电信(14)、供应链管理(15]。
二元同步通信的缺点之一是缺乏定量测量组织的性能使用数学方法。因此,集成BSC-DEA方法可以用来提供macrogoals性能测量的数学模型,这比单独完成模型(16]。在混合BSC-DEA技术,利用平衡计分卡作为设计工具性能的评价指标,而DEA作为绩效评估的工具。这种方法吸引了一些研究人员的注意,在很短的时间内。
埃拉特et al。17- - - - - -19)首次BSC-DEA方法用于研发项目。分钟et al。20.)应用平衡计分卡模型和DEA方法韩国酒店的效率。陈等人。21,22),基于平衡计分卡的四个方面,DEA的帮助下定量工具,进行效率评价在台湾半导体产业合作信贷银行。马赛et al。23]应用混合BSC-DEA模型在巴西银行分支机构的性能测量6索引。Garcia-Valderrama et al。24)提出了一个框架,用于分析平衡计分卡的四个方面之间的关系,利用发达的几个不同的模型DEA效率。蒋介石et al。25]试图开发一个集成框架包含二元同步通信和DEA测量管理性能和选择汽车和商业银行行业作为实证调查的目标。阿马多et al。26)提出了一个概念性的框架的发展旨在从多个角度评估研究。提出的概念框架结合了二元同步通信与DEA方法通过使用各种互联模型,试图封装平衡计分卡的四个方面。吴和廖27)提出了一个集成DEA-BSC模型评估航空公司的运营效率。适应这个模型中,38世界主要航空公司被选来评估他们的相对性能。在[28),信息技术(IT)项目评估通过使用混合DEA-BSC模型。这种方法使用平衡计分卡作为一个综合框架定义项目评估标准及使用DEA作为一种非参数技术排名IT项目。插图的相对于其他研究已执行评估组织的效率利用DEA和二元同步通信,请参考[29日- - - - - -32]。
然而,现实世界中的数据不精确和模糊的,和的一个主要工具的描述这类数据是模糊数。自从德(33)提出模糊集(FS)、模糊理论已经应用有效地在一个广泛的各种各样的学科领域(34- - - - - -37]。一些研究者还考虑BSC-DEA模型在模糊环境下(38- - - - - -42]。由于模糊集合只考虑隶属程度和没有nonmembership的程度,Atanassov [43)增强了克服这个弱点,提出了直觉主义的模糊集(IFS)组成的隶属程度和nonmembership的程度。有各种各样的DEA模型和仿射(见[44- - - - - -46])。然而,如果没有考虑不确定性的程度。我们知道,不完整、不确定的和不一致的信息在现实生活中常常存在。由于缺乏数据,估算错误,或决策者的知识和有限的注意力,在许多情况下,获得的信息可能是部分的坚定性和/或部分不确定性。因此模糊和直觉主义的模糊集不能表示数据确定和不确定数据。
表达这种信息,Smarandache [47- - - - - -49]最初建立neutrosophic逻辑,推广了经典的概念集合,模糊集,区间值模糊集和直觉模糊集。这种逻辑分为两类neutrosophic集(NSs)和neutrosophic数字(NNs)。
neutrosophic集(NSs)是由truth-membership学位,indeterminacy-membership学位,falsity-membership学位和有一些子类,如单值neutrosophic集(50- - - - - -60),间隔neutrosophic集(61年- - - - - -65年),和简化neutrosophic集(64年,66年- - - - - -68年]。一套neutrosophic在特点是truth-membership函数T一个(x),一个indeterminacy-membership函数我一个(x),一个falsity-membership函数F一个(x)。的函数T一个(x),我一个(x),F一个(x)是真实的标准或非标准的子集 也就是说,T一个(x): 我一个(x): 和F一个(x): 没有限制的总和T一个(x),我一个(x),F一个(x),所以
neutrosophic数量(NN)引入了不确定性概念,用 ,并由其决定性的部分和它的不确定的部分 在最坏的情况,可以是未知的,我。e。, 。然而,当没有相关的不确定性 ,在最好的情况下,只有其决定性的一部分,我。e。, Smarandache也细化分解得到的不确定性等不同类型的不确定性 ,和扩展neutrosophic精制neutrosophic数量(数量69年,70年]。
值得一提的是,neutrosophic集(NSs)不能处理决策问题neutrosophic数字,如neutrosophic NSs和NNs是两个不同的分支理论和显示不同形式和概念的信息。
很明显,得到非常实用,传递信息不确定的评估在复杂的决策问题。例如,你们(71年)提供了一个neutrosophic数量多属性群决策的工具得到(MAGDM)问题。他提出了一个de-neutrosophication方法和可能度排序法NNs作为方法论的支持群体决策问题。另外,你们(72年)开发了一种双向投影NNs MAGDM问题的措施。一个神经网络环境下,陈和你们73年NNs)提出了一种投影模型及其粘土砖的选择问题的决策方法。香港et al。74年)提出了一个NNs和应用之间的距离测量和余弦相似性的汽油发动机失火故障诊断。此外,Smarandache [75年]介绍的概念neutrosophic语言符号(NLN)人数neutrosophic理论。基于这个概念,你们(76年)提出了基本操作nln定律。Zhang et al。77年)提出了一个扩展TODIM方法处理多属性群决策问题的评价得到表达的信息。郑et al。78年)提出了一些基于NNs聚合操作符,用于处理MAGDM问题。此外,在这种环境下,刘,刘79年]提出了广义加权力量聚合运算符用于更有效地处理MAGDM问题。江你们(80年)定义了一个新的概念neutrosophic数函数的工程优化设计问题的目标函数和约束有限与无限的信息和获得了桁架结构设计的一般神经网络优化模型。克服复杂计算和困难解决问题的方法(80年你们],[81年)提出了一种改进的神经网络优化方法和应用到three-bar平面桁架结构设计与不确定的信息。此外,你们et al。82年]使用neutrosophic数量函数研究不定节理粗糙度系数的各向异性和规模效应(JRC),这是一个相当重要的参数来确定岩石力学的剪切强度。神经网络环境下最近,一些学者也提出了一些模型等各种优化问题的线性规划(83年),多目标规划84年),非线性规划(85年),和二层线性规划问题86年]。
第一个模型的DEA NS建立了Edalatpanah [87年),和额外的调查一直在访问(88年- - - - - -95年]。然而,这些模型是专为NSs制定。在现实生活中,一些输入/输出的DEA也可能是不确定的和不一致的,并考虑neutrosophic数量为每个输入/输出的研究有助于决策者获得更好的解释信息。此外,通过使用DEA中的NNs,分析师可以通过考虑所有方面获得更好的表现现实的决策过程。不幸的是,在当前的文学,没有研究的数据包络分析(DEA)模型以及BSC-DEA方法在神经网络环境中。很明显,传统的模糊集不能表达neutrosophic DEA确定和不确定的信息。因此,有必要提出一种新的方法基于neutrosophic数字BSC-DEA方法。本文的主要目的如下:(1)开发一种新的DEA模型中神经网络环境和(2)结合新模式和二元同步通信等级不同的决策单位。通常有许多定性的方法来评估一个组织的性能。这些工具之一是平衡计分卡的方法,分离的组织运作的观点。 By examining the organization using this segmentation, one can usually gain an understanding of organizational performance, but in quantitative terms, approaches are always needed to evaluate activities separately and to provide accurate benchmarks for different decisions. Data envelopment analysis approach is one of the tools that can be helpful and provides a little understanding of the various points of the scorecard. Understanding the need and the precise relationship between these two concepts illustrates the importance of the subject and led us to present this hybrid model for ranking the decision-making units in the organization.
这种混合模型提出了一种创新的方式和展示了重要的关系二元同步通信的定性概念和定量概念在数据包络分析决策策略,最终提高组织绩效的目的。
剩下的纸是组织如下:部分2提出了一些关于neutrosophic数字和二元同步通信基本概念和DEA模型。部分3提出了一种新的DEA模型在neutrosophic数字环境。部分4一个混合BSC-DEA模型与海军新闻解释说。实证研究涉及20银行分支机构和结论给出了部分5和6,分别。
2。初步的概念
在本节中,我们提出一些基本讨论关于neutrosophic数字,平衡计分卡和数据包络分析。
2.1。Neutrosophic数概念
neutrosophic数量(NN)表示 ,在哪里和分别是有限与无限的部分;例如,考虑一个神经网络 。然后,它表明,其定值是3,及其不确定的值 。假设的不确定性被认为是这样一个可能的区间[0,2],然后,它相当于吗 ,在哪里时间间隔内 。最好的情况下,我们有 和可以表示为决定性的部分 ,而在最坏的情况下 和表示为不确定的情况下, 为了方便起见,我们所有得到的集合,然后,用神经网络 为 和 。
定义1。(见[80年,83年])。
让
和
为
,和
两个海军新闻,那么它们包含下列运算法则:
定义2。(见[81年])。一个神经网络函数n变量和域被定义为 在那里, 和 。此外,我不确定性和 可以是一个神经网络的线性/非线性函数;例如, 为 是一个神经网络的线性函数。
2.2。平衡计分卡(BSC)
卡普兰和诺顿提出的平衡计分卡模型作为一种方法来评估一个组织的性能。传统的绩效评估系统是基于财务指标更加突出,而成功的公司不仅依靠财务指标来评估他们的表现,但他们也从其他三个二元同步通信的角度考虑他们的表现;即。,customer, internal processes, learning, and growth [96年,97年]。二元同步通信方法是一个性能度量框架,它提供了一个完整的概述一个组织的性能与一组金融和非金融鳞片。二元同步通信模式已经在制造、利用有效地服务,nonprofitable和政府组织。许多应用平衡计分卡从业务的角度定义了(98年,99年]。在图1平衡计分卡的四个方面描述。
根据图2,我们必须为我们的客户创造价值(客户角度)为了实现金融(金融视角)。这不会是可行的,除非我们擅长操作流程和适应他们客户的需求(内部流程角度)。不可能获得卓越运营和流程的价值,除非我们创建适合员工的工作环境,加强创新和创造力在学习和增长(学习和成长的角度)。
2.3。数据包络分析(DEA)
数据包络分析(DEA)是一种线性规划方法来评估决策单元的效率和生产率(研究)。在传统DEA文学,各种著名的DEA方法可以找到CCR和BCC模型(如2,3]。DMU的效率,建立了比例的权重和加权输出和输入,经过1和0之间发生。输出和输入,输入和输出的加权值选择以这样一种方式,DMU的效率最大化。
让我们假设nDMU的存在{DMUj:j= 1,……,n}, which utilize米输入 生产年代输出 。在这里, 和 的重量吗th输入和输出。然后,CCR模型如下:
我们解决模型(3) - - - - - -倍的效率研究。如果 ,我们说DMU的p是有效的;否则,它是低效的。
3所示。新的DEA模型神经网络环境
在本节中,我们提出一个新的模型的DEA neutrosophic数字环境。让我们考虑CCR模型(3)的环境下neutrosophic号码。然后,我们有 在哪里 和 是neutrosophic数字输入和输出的吗th DMU也 。我们提出一个新的模型来解决(4)。
定理1。模型(4)始终是可行的和有界。此外,其最优目标函数是1。
证明。与解决方案 和 ,很容易看到,模型(11)总是可行的。因此,无论输入和输出的值,总有至少一个可行的解决方案模型(11)。另一方面,通过这个解决方案,我们拥有的 因为上面的解决方案是可行的目标函数模型(4)是最大化,最好的关于目标函数值肯定是等于1。
4所示。一个混合BSC-DEA Neutrosophic数字模型
在本节中,我们尝试将新的neutrosophic DEA模型提出了部分3二元同步通信的等级不同的研究。自平衡计分卡模型评估一个组织的性能在macrogoals和DEA模型neutrosophic数字也是一个方法来衡量效率或性能与不确定的信息,因此,通过结合two-abovementioned测量方法,性能测量和与战略目标保持一致。混合的DEA和二元同步通信模型,利用平衡计分卡作为性能指标的评估工具和neutrosophic DEA模型作为一种工具来评估这个模型的效率。整个结构的混合DEA-BSC模型如图3。
图4也表示二元同步通信的性能的四个方面具体的组织策略,在每个领域中,已定义的相对指标。许多这些索引可以输入或输出。下面的图4,我们定义了两个领域的“推动者”和“结果”。
的推动者的领域,它由两部分的“学习与成长”和“内部流程”,是一个区域,每一个组织都应该为了建立强大和投资动机的人员与安全的过程。的结果的字段包括“客户”和“金融”是一个指示器,它提供了客户的利益实现财务目标。毫无疑问,组织的利润和亏损领域的决心结果,但创建一个利润率肯定的收益率和投资领域的努力推动者。
索引和绩效评估的步骤使用两种技术BSC和DEA可以表示如下:(我)组织识别:在这个阶段,确定组织的目标和战略,创建和使用二元同步通信技术指标以平衡的方式与不同的观点。(2)平衡计分卡绩效评估:评估指标的分类两个地区的推动者和结果,并且每个区域分为输入和输出所使用的组织和neutrosophic DEA在水平评估(加班时间)或垂直评估(相比,类似的研究。(3)修正和改善路径设计:neutrosophic DEA,路径为每个指标确定修正和改进。(iv)目标的确定下一阶段的目标。
的目标设定的指标,neutrosophic DEA设置为下一个阶段的目标指标的二元同步通信的实现。在这种方法中,每次执行二元同步通信,我。e,在每一个时期组织的数据输入到二元同步通信系统,结果,neutrosophic DEA模型评估组织和指标确定的目标在未来时期。如果目标是满足,该组织将会达到预期的和预期的效率。在下一段绩效评估,组织的条件是与预期相比条件从之前的时期和新效率决定。定期执行该方法,每个实现之后,经理将带领组织所需的最优效率。
5。数值实验
节4阶段,必须考虑设计的混合二元同步通信和DEA系统解释道。在本节中,该组合系统的案例研究,20日已执行的分支之一的伊朗银行,将描述。值得强调的是,由于隐私政策,不共享这些分支机构的名称。此外,对于每一个分支机构的银行,我们收集相关的数据记录单元,伊朗的统计中心,可靠的图书馆、网上资源和一些专家的判断。收集数据之后,我们发现信息有时是不一致的,不确定的,不完整的。提到银行的调查显示,一些改革等问题导致了相当大的不确定性和不确定性的数据。因此,我们确认得到。根据提出的模型,信息已经聚集在两个域的推动者和结果。表1和2显示指标及其信息在这两个领域。可以看到,银行服务的比例和服务的增长速度已大幅增加。
根据算法1,我们可以获得相对效率的研究。在本文中,我们考虑 和我= [0,1.2]。例如,在推动者”阶段,相对效率DMU1可以使用如下: ,
现在,通过解决以上问题,我们可以看到,所有的值 ,的相对效率DMU1就是其中之一。此外,所有研究的相对效率 和我=[0,1.2)计算,获得的结果在表3和4。
为了更好的理解,在图5,我们显示研究的相对效率我=[0,1.2)和不同
(一)
(b)
形式表3- - - - - -4和图5,可以看出,获得最优结果取决于投资和精力推动者部门;直到“学习与成长”和“内部流程”部分不工作得很好,取得成功无疑是不可能的。然而,对于一个组织的成功,计划应该在这两个领域的推动者和结果,但它可以明确表示,“结果”部门需要适当措施领域的推动者。换句话说,效率领域的结果取决于推动者的效率。查看图5,我们可以推断出以下几点:(我)研究1、4、10和15日在推动者是有效的部门,也能够有效的在结果部分,他们获得了使用功能。可以说,领域的效率条件结果推动者部门的效率。(2)其他研究,没有高效的推动者部门不能有效的结果。(3)研究3、5、12、16、17日,18日和20日,尽管努力和获得特权接近有效研究领域的结果,不能高效的推动者部门由于弱点。可以预测,这些研究将有效结果行业领域的有效推动者。与此同时,DMU18很有趣的行为。(iv)在计算之前,预期推动者的低效部门会结果行业最无效的结果。这些内容在研究8、9、13、14、17日和18个领域的效率水平的结果,低于推动者部门的效率。
验证提出的效率,提出了效率较脆的效率CCR模型(3),或者在我们的模型 )鉴于在图5。在这个图中,研究发现较小的效率比脆CCR模型。有趣的是,DMU11和DMU18脆DEA有效,但他们使用新模型是低效的。因此,新的neutrosophic DEA是更现实的而不是脆CCR。同时,脆CCR和新neutrosophic DEA可能对某些数据给出同样的效率。然而,脆CCR模型并不处理不确定,不确定的,不协调的信息。因此,新模型更有效,而不是脆CCR。
6。结论
指定各种绩效评估模型和适当的利用这些模型在组织中是一个至关重要的问题。在本文中,我们提出了一种新的DEA模型在neutrosophic数字环境,结合该模型和二元同步通信等级不同的决策单位。最后,说明了该方法的实证研究涉及20银行分支机构。结果提供了一个更现实的框架,考虑不确定信息的各个方面。此外,尽管此处提出的新模型,结果证明我们的方法的有效性,它也可能被认为是在其他类型的DEA模型如银行网络DEA和他们的应用程序、供应商选择、警察局、医院、税收办公室、监狱、学校和大学。然而,开发基于plithogenic集,数据包络分析模型的泛化neutrosophic集,和其他视角的neutrosophic集是另一个领域进行进一步的研究。作为未来的研究,我们打算研究这些问题。
缩写
| 二元同步通信: | 平衡计分卡 |
| DEA: | 数据包络分析 |
| DMU: | 决策单元 |
| CCR模型: | Charnes,库珀和罗兹模型 |
| BCC模型: | 银行家、Charnes和库珀模型 |
| MAGDM: | 多属性群决策 |
| 联合研究中心: | 节理粗糙度系数 |
| FS: | 模糊集 |
| 假设: | 直觉模糊集 |
| NS: | Neutrosophic集 |
| 神经网络: | Neutrosophic数量 |
| NLN: | Neutrosophic语言数量。 |
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的伊斯兰自由大学。