@article { author = {Azizi, Hossein}, title = {New models for selecting third-party reverse logistics providers in the presence of multiple dual-role factors: Data envelopment analysis with double frontiers}, journal = {Journal of Decisions and Operations Research}, volume = {5}, number = {2}, pages = {221-232}, year = {2020}, publisher = {Ayandegan Institute of Higher Education, Tonekabon, Iran}, issn = {2538-5097}, eissn = {2676-6159}, doi = {10.22105/dmor.2020.235685.1158}, abstract = {Research has revealed that Data Envelopment Analysis (DEA) is an excellent method of data-‎based performance analysis for comparing decision-making units with multiple inputs and ‎outputs. Selecting inputs and outputs (performance measures) in DEA is a delicate task. In ‎principle, including a large number of inputs and outputs is a positive advantage. However, the ‎inclusion of multiple inputs and outputs might translate into a great deal more of additional ‎data being included, and this may lead to some decision-making units being considered and ‎designated as efficient simply because of their high performance in relation to a number of ‎redundant and useless variables. Elsewhere, in some situations, some performance measures ‎can play both an input and output role. These performance measures are called flexible ‎measures or dual-role factors. Even though models have been developed for working with such ‎dual-role factors, this paper proposes performance appraisal from both an optimistic and ‎pessimistic perspective for selecting a third-party reverse logistics provider in the presence of ‎multiple dual-role factors. A numerical example illustrates the application of the proposed ‎approach.‎}, keywords = {Data Envelopment Analysis,third-party reverse logistics provider,multiple dual-role factors,optimistic and pessimistic efficiencies}, title_fa = {مدل‌های جدیدی برای انتخاب ارائه دهندگان تدارکات معکوس طرف ثالث در حضور عوامل متعدد دارای نقش دوگانه: یک رویکرد تحلیل پوششی داده‌ها با مرز دوگانه}, abstract_fa = {مطالعات نشان داده است که تحلیل پوششی داده‌ها (‏DEA‏) یک روش عالی تحلیل کارایی مبتنی بر داده‌ها برای مقایسه‌ی ‏واحدهای تصمیم‌گیری دارای ورودی‌های متعدد و خروجی‌های متعدد است. انتخاب ورودی‌ها و خروجی‌ها (اندازه‌های ‏عملکردی) در ‏DEA‏ کار ظریفی است. اساساً ‏گنجاندن تعداد زیاد ورودی‌ها و خروجی‌ها کار ‏خوبی محسوب می‌شود. ولی ‏گنجاندن ورودی‌ها و خروجی‌های متعدد ممکن ‏است به معنای آن باشد که مقدار زیادی اطلاعات اضافی گنجانده ‏شده ‏است، و این ممکن است منجر به آن شود که برخی از واحدهای تصمیم‌گیری ‏صرفاً به خاطر اینکه از نظر برخی از متغیرهای ‏زاید عملکرد بالایی ‏دارند، به‌عنوان کارا محسوب شوند. از طرفی، در برخی از موقعیت‌ها، بعضی اندازه‌های عملکردی ‏می‌توانند هم نقش ورودی و هم نقش خروجی را ‏ایفا ‏کنند. به این اندازه‌های عملکردی، اندازه‌های انعطاف‌پذیر یا عوامل ‏دونقشی می‌گویند. گرچه مدل‌هایی برای کار با اینگونه عوامل دونقشی ابداع شده‌اند، اما این مقاله ارزیابی عملکرد را از دو ‏دیدگاه خوشبینانه و بدبینانه برای انتخاب ارائه دهنده‌ی تدارکات معکوس طرف ثالث در حضور عوامل دونقشی متعدد ‏پیشنهاد می‌کند. یک مثال عددی کاربرد رویکرد پیشنهادی را نشان می‌دهد.‏}, keywords_fa = {تحلیل پوششی داده‌ها,ارائه دهنده‌ی تدارکات معکوس طرف ثالث,عوامل دونقشی متعدد,کارایی‌های خوشبینانه و بدبینانه}, url = {https://www.journal-dmor.ir/article_119937.html}, eprint = {https://www.journal-dmor.ir/article_119937_523089fb9d62eccb82b693e3a8e5f283.pdf} }