ORIGINAL_ARTICLE
پیکره شناسی تصمیمات راهبرد تولید و اولویت های رقابتی در سیستمهای تولیدی خطی (مطالعه موردی چندگانه)
بیشتر مطالعات راهبرد تولید روی محتوا و فرآیند راهبرد تولید متمرکز هستند وکمتر به بررسی پیکرهشناسی در این حوزه توجه دارند. مطالعه پیکرهبندی راهبرد تولید علاوهبر اینکه توصیف مناسبی از گروههای استراتژیک سازمان در اختیار قرار میدهد، زمینه لازم را برای مطالعات تخصصیتری چون بررسی عملکرد، شکل مناسب تصمیمات تولیدی در هر گروه و نظریهپردازی در آن را فراهم میکند. هدف اصلی این تحقیق شناسایی ویژگیهای اصلی سیستمهای تولیدی خطی در متغیرهای تصمیمات تولیدی و اولویتهای رقابتی آنها، بهوسیله بررسی نمونههایی موفق از کارخانهها با رویکرد مطالعه موردی چندگانه است. این تحقیق به روش کیفی انجام شده و برای جمعآوری اطلاعات، پروتکلهای ازپیشطراحیشده بهکار رفته است. برای تحلیل اطلاعات، از تطبیق با مبانی نظری و همچنین تحلیل میانموردی و درونموردی استفاده شده است. با توجه به تحلیل اطلاعات و گونهشناسی، دو گونه از سیستمهای تولیدی خطی شناسایی شد که با توجه به ویژگیهای هر گونه، یکی از آنها بازارگرا و دیگری ساختارگرا نامیده شده است. شناسایی گونهها با بررسی دو بعد تصمیمات تولیدی و اولویتهای رقابتی انجام شد.
https://jimp.sbu.ac.ir/article_87262_1a049d5c8820819bf9f75f6c4e8732c8.pdf
2015-05-22
9
30
تصمیمات تولیدی
اولویتهای رقابتی
پیکرهشناسی
سیستمهای تولیدی خطی
راهبرد تولید
علیرضا
پویا
alirezapooya@gmail.com
1
دانشیار، دانشگاه فردوسی مشهد.
LEAD_AUTHOR
امیر محمد
فکور
amf@um.ac.ir
2
استادیار، دانشگاه فردوسی مشهد.
AUTHOR
رضا
شاه حسینی
3
دانشجوی کارشناسی ارشد، دانشگاه فردوسی مشهد.
AUTHOR
1. پویا، علیرضا. (1391). سیستمهای تولیدی در ایران و عملکرد کسب و کار آنها. مدیریت تولید عملیات، 4.
1
2. داناییفرد، حسن؛ الوانی، مهدی؛ آذر، عادل (1383). روششناسی پژوهش کیفی در مدیریت (رویکردی جامع). تهران: صفار اشراقی.
2
3. دلاور، علی (1389). روششناسی کیفی. راهبرد، 19 (54).
3
4. قاضی نوری، سید سروش (1390). ارتباط پیکربندیهای توأم استراتژیهای تولید، تکنولوژی و کسب و کار با عملکرد سازمان، رساله دکتری، دانشگاه علامه طباطبایی،تهران.
4
5. گودرزی، غلامرضا؛ شیخزاده، محمد (1385). استراتژی تولید حرکت به سوی تولید در مقیاس جهانی. تهران: انتشارات سمت.
5
6. محقر، علی؛ پویا، علیرضا؛ منظری حصار، محمد (1384). مدیریت استراتژیک صنعتی. مشهد: گستر.
6
7. مهری، علی؛ خداداد حسینی، سیدحمید (1383). طراحی مدل اولویت رقابتی برای صنعت خودرو ایران. مدیریت و توسعه، 5 (20).
7
8. Anton, G. (2000). A Study of Competitive Advantage Services, Management Information Systems, C.A. Brebbia (Editor), www.witpress.com.
8
9. Appelbaum, Steven H. (2000). The Competitive Advantage of Organizational Learning. Journal of Workplace Learning, 12.
9
10. Barney, J.B. (1999). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17)1(.
10
11. Bhattacharya AK, Coleman JL. (1994). Linking manufacturing strategy to the design of a customized hybrid production control system. Comput Integr Manuf Syst 7:134–141
11
12. Choudhari SC, Adil GK, Ananthakumer U. (2011). Exploratorycase studies on manufacturing decision areas in the job production system. Int J Oper Prod Manag.
12
13. Cousins PD, Lawson B, Squire B. (2006). An empirical taxonomy of purchasing functions. Int J Oper and Prod Manag, 26(7), 775–794
13
14. Das, A. and Narasimhan, R. (2001). Process-technology fit and its implications for manufacturing performance. Journal of Operations Management, 19 (5), 521–540.
14
15. Fine, C.H., Hax, A.C. (1985). Manufacturing strategy: A methodology and illustration. Interfaces, 15 (6), 28-46.
15
16. Hayes, R.H., Wheelwright, S.C. (1984). Restoring our competitive Edje, competing
16
17. Hill, T.J. (1987). Teaching manufacturing strategy. Int. J. Operations & Production Management, 6(3), 10-20.
17
18. Hsiu- Fang Hsieh & Sara E. Shanon. (2005). Three Approaches to Content Analysis.Qualitativr Health Research, 15(9).
18
19. Johnson,burke.(1977). Examining the validity structure of qualitative research. Education, 118 (2).
19
20. Leong, K., Snyder, D., and Ward, P. (1990). Research in the process and content of manufacturing strategy. Omega, 18(2), 109–122.
20
21. Martín, M.L., Díaz, E. (2008). A taxonomy of manufacturing strategies in Spanish companies. International Journal of Operations &Production Management, 28(5), 455-477.
21
22. Miller, J.G., Roth, A. (1994). A taxonomy of manufacturing strategies. Management Science 40(3), 285–304.
22
23. Miltenburg, J. (1995). Manufacturing strategy. productivity Press, Portland, OR.
23
24. Miltenburg, J. (2005). Manufacturing strategy – how to formulate and implement a winning plan. Portland, OR: Productivity Press.
24
25. Narasimhan, R. and Das, A. (2001). The impact of purchasing integration and practices on manufacturing performance. Journal of Operations Management, 19(5), 593–609.
25
26. Olhager, J. and Rudbergy, M. (2002). Linking manufacturing strategy decisions on process choice with manufacturing planning and control systems. International Journal of Production Research, 40 (10), 2335–2351.
26
27. Olhager, J., Rudberg, M., and Wikner, J. (2001). Long-term capacity management: linking the perspectives from manufacturing strategy and sales and operations planning. International Journal of Production Economics, 69 (2), 215–225.
27
28. Olhager J, Rudberg M, Wikner J. (2001). Long-term capacity management: linking the perspectives from manufacturing strategy and sales and operations planning. Int J Prod Econ 69 (2), 215–225
28
29. Sadri, Golnaz & Lees, Brian. (2001). Developing Corporate Culture as a Competitive Advantage. Journal of Management Development, 20.
29
30. Safizadeh, M.H. and Ritzman, L.P. (1997). Linking performance drivers in production planning and inventory control to process choice. Journal of Operations Management, 15(4), 389–403.
30
31. Skinner, W. (1969). Manufacturing – missing link in corporate strategy, Harvard Business Review, 136–145.
31
32. Stenvenson, (2005). Operation management, mcgraw hill.
32
33. Through manufacturing. John Wiley and son, New York.
33
34. Zhao, X., Sum, C.C., Qi, Y., Zhang, H, Lee, T.S. (2006). A taxonomy of manufacturing strategies in China. Journal of Operations Management,24, 621–636.
34
ORIGINAL_ARTICLE
شناسایی ریسکهای زنجیره تأمین و انتخاب تأمینکننده با استفاده از فرآیند تحلیل شبکهای (مورد مطالعه: صنعت خودروسازی)
همانطور که بیشتر شرایط زندگی امروز بهدلیل تغییرات روزافزون جهان در قرن اخیر تغییر کرده است، شرایطی که زنجیرههای تأمین با آن روبهرو هستند و از آن تأثیر میپذیرند نیز دچار تغییر شده است. مدیران با شرایط ناشناختهتر و ریسکهای جدیدی روبهرو میشوند که لازم است خود را برای مدیریت فعال و مؤثر آنها آماده سازند؛ درنتیجه امروزه مدیریت ریسک زنجیره تأمین توجه زیادی را به خود جلب کرده است. در این پژوهش، در راستای مدیریت ریسک زنجیره تأمین، ریسکهای زنجیره تأمین خودروسازان ایران شناسایی شده است، سپس ریسکهای شناساییشده بهعنوان معیارهای انتخاب تأمینکننده درنظر گرفته شده و تأمینکنندگان شرکت خودروسازی زامیاد بهکمک روش تحلیل شبکهای اولویتبندی شدهاند؛ به عبارت دیگر، درنظر گرفتن ریسکهای زنجیره تأمین بهعنوان معیار برای انتخاب برترین تأمینکنندگان، رویکردی جدید درجهت مدیریت و کنترل ریسکها و کاهش آسیبپذیری زنجیره تأمین نسبتبه آنها بهشمار رفته است.
https://jimp.sbu.ac.ir/article_87263_898d060f9e50997e652453a883eaa4f9.pdf
2015-05-22
31
43
زنجیره تأمین
مدیریت ریسک
فرآیند تحلیل شبکهای
داوود
طالبی
d-talebi@sbu.ac.ir
1
استادیار، دانشگاه شهید بهشتی.
LEAD_AUTHOR
فاطمه
آیرون
2
دانشجوی کارشناسی ارشد، دانشگاه شهید بهشتی.
AUTHOR
1. عسگری، نسرین؛ زنجیرانی فراهانی، رضا (1385). مدیریت زنجیره تأمین. ویرایش اشتدلر و کیلگر، انتشارات دانشگاه صنعتی امیرکبیر، تهران.
1
2. Blackhurst, J. Wu, T. Chidambaram, V. (2006). A model for inbound supply risk analysis. Computers in Industry, 57, 350–365.
2
3. Chopra, S. Sodhi, S. (2004). Managing Risk to Avoid Supply-Chain Breakdown.
3
4. Christopher, M. (2003). Understanding supply chain risk: A self-assessment workbook, Department for Transport, Cranfield University.
4
5. Juttner, U. (2005) Supply chain risk management: Understanding the business requirements from a practitioner perspective. International Journal of Logistics Management, 16(1).
5
6. Kleindorfer, R. Saad, H. (2005). Managing Disruption Risks in Supply Chains. Production and Operations Management, 14(1), 53–68.
6
7. Saaty, T. L. Vargas, L. G. (2001). Models, methods, concepts and applications of the analytic hierarchy process, MA: Kluwer Academic Publishers, Boston.
7
8. Tang, C. S. (2006). Perspectives in Supply Chain Risk Management”, International Journal of Production Economics, 103(2), 451-488.
8
ORIGINAL_ARTICLE
طراحی و تبیین مدل ارزیابی عملکرد با رویکرد تلفیقی تحلیل پوششی دادهها، تحلیل عاملی و اوزان مشترک (مورد مطالعه: صنعت بیمه)
در عصر اطلاعات و محیطهای بسیار متغیر و پیچیده داخلی و بینالمللی، سازمانها با چالشهای بسیاری برای بهبود وضعیت و ارتقاء عملکرد مواجه هستند، در چنین شرایطی ارزیابی عملکردبرای سازمانها و صنایع از جمله صنعت بیمه، کاری بس دشوار خواهد بود. هدف اصلی این تحقیق ارائه مدلی بهبودیافته برای ارزیابی عملکرد و رتبهبندی شرکتهای بیمه با بهرهمندی از روشهای نوین کیفی و کمی است. با توجه به خصوصیات رویکرد کارت امتیازی متوازن (BSC)، از این روش در تعیین شاخصها و سنجههای یکپارچه ارزیابی عملکرد بهره برده میشود و برای تعیین جایگاه هر کدام از شرکتهای بیمه در میان رقبا، از رویکرد برنامهریزی ریاضی «تحلیل پوششی دادهها» (DEA) استفاده شده است. امتیاز این مطالعه نسبت به سایر مطالعات انتخاب روش تحلیل عاملی و تحلیل مؤلفههای اصلی(PCA) برای ایجاد استقلال بین شاخصها و کاهش مؤلفههای مورد بررسی و افزایش انعطاف مدل با دخالت اوزان تصمیمگیرندگان به روش آرمانی است. قدرت تفکیکپذیری و رتبهبندی نهایی حاصل از مدل اعتبار نتایج را میان تصمیمگیرندگان افزایش داد، چنانکه پس از تجزیهوتحلیل، رتبه 1 به شرکت بیمه 1 اختصاص یافت و شرکت های بیمه 6 و 12 در رتبه دوم و سوم قرار گرفتند.
https://jimp.sbu.ac.ir/article_87264_e16dcb0e99dc9de72e9042f79fabc5f2.pdf
2015-05-22
45
76
ارزیابی عملکرد
تحلیل پوششی دادهها
کارت امتیازی متوازن (BSC)
تحلیل مؤلفههای اصلی (PCA)
تحلیل عاملی (FA)
مریم
توکلی گلپایگانی
tavakoli.maryam@gmail.com
1
دانشجوی دکتری، دانشگاه شهید بهشتی.
LEAD_AUTHOR
اکبر
عالم تبریز
a-tabriz@sbu.ac.ir
2
استاد، دانشگاه شهید بهشتی.
AUTHOR
مقصود
امیری
amiri@atu.ac.ir
3
استاد، دانشگاه علامه طباطبائی.
AUTHOR
علیرضا
موتمنی
ar_motameni@yahoo.com
4
دانشیار، دانشگاه شهید بهشتی.
AUTHOR
1. امیری، مقصود؛ مظلومی، نادر؛ و حجازی، محسن (1390). کاربرد کارت امتیازی و رویکرد در رتبهبندی شرکتهای بیمه. پژوهشنامه بیمه.2(102)،ص144-105.
1
2. پورعینی، مریم (1391). ارائه یک مدل ترکیبی Promethee وFANP جهت ارزیابی عملکرد شرکت های بیمه و اولویتبندی آنها. پایان نامه کارشناسی ارشد. دانشگاه آزاد اسلامی واحد قزوین.
2
3. رحیمی، غفور (1385). ارزیابی عملکرد و بهبود مستمر سازمان. مجله تدبیر. 173،.ص45-41.
3
4. صالحی صدقیانی، جمشید؛ امیری، مقصود؛ رضوی، سید. حسین؛ هاشمی، شیده. سادات؛ و حبیبزاده، اصحاب (1388). ارائه مدل برنامهریزی آرمانی خطی برای محاسبه اوزان مشترک در مسائل تحلیل پوششی دادهها، نشریه مدیریت صنعتی. 1(2)،.ص89-104.
4
5. صفری، حسین؛ قاسمی، احمد رضا؛ عینیان، مجیده؛ پهلوانی، عبدالکریم؛ و منوچهری، مسعود (1390). نگاهی جامع بر نظام سنجش عملکرد، تهران، موسسه کتاب مهربان نشر.
5
6. عادلی، علیرضا (1384). "ارزیابی عملکرد نیروی انتظامی جمهوری اسلامی ایران در برقراری نظم و امنیت شهرستان بم" پایاننامه کارشناسیارشد، دانشگاه علوم انتظامی.
6
7. گلستانی، مژده (1386). بررسی روند کارایی شرکتهای بیمه دولتی ایران در سال84-1380 با استفاده از مدل تحلیل فراگیر دادهها، پایاننامه کارشناسیارشد؛ دانشگاه علامه طباطبایی.
7
8. مانلی، بی. اف. جی (1373). آشنائی با روشهای آماری چندمتغیّره؛ ترجمه مقدم، محمد؛ محمدی، سید ابواقاسم؛ آقایی سربرزه، مصطفی. تبریز، انتشارات پیشتاز علم.
8
9. محمدیان، زهره (1381). رتبهبندی نتایج حاصل از مدل تحلیل پوششی دادهها، پایاننامه کارشناسی ارشد؛ دانشکده مهندسی صنایع، دانشگاه علم و صنعت ایران، تهران.
9
10. موتمنی، علیرضا؛ فتاحی، وحید؛ و کریمی، سیدمحمد (1391). پژوهشنامه بیمه.3(107)،. ص69-51.
10
11. مومنی، منصور؛ خدایی، سمیه؛ و بشیری، مجتبی (1388). ارزیابی عملکرد سازمان تأمین اجتماعی با استفاده از مدل ترکیبی BSC و FDEA نشریه مدیریت صنعتی. 5(3)،. ص137-152.
11
12. مهرگان، محمدرضا؛ کامیاب، مقدس؛ امین، و کاظمی عالیه (1387). ارائه یک مدل برنامهریزی آرمانی جهت ارزیابی پالایشگاههای نفت کشور، دانش مدیریت 21(81)،. ص144-127.
12
13. میرفخرالدینی، سید حیدر؛ زنجیرچی، سید محمود؛ و عزیزی، فاطمه (1391). چارچوب پایش عملکرد شرکتهای فناور پارک علم و فناوری یزد با رویکرد ترکیبی DEA/GP نشریه بهبود مدیریت، 6(2).ص99-78.
13
14. نیلی پور طباطبایی، سیداکبر؛ باقرزاده؛ و نیری، مهدی (1388). طراحی مدل کاربردی ارزیابی متوازن عملکرد سیستمهای نگهداری و تعمیرات. چهارمین کنفرانس نگهداری و تعمیرات. دانشگاه اصفهان.
14
15. هومن، حیدر (1385). تحلـیل دادههای چندمتغـیره در پژوهـش رفتـاری، تهـران، پیـک فرهنـگ، ص 376-374.
15
16. Adler, A., & Yazhemsky, E. (2010). Improving Discrimination in Data Envelopment Analysis: DEA-PCA or Variable Reduction. European Journal of Operational Research, 202, 273-284.
16
17. Adler, N., & Golany, B. (2001). Evaluation of deregulated airline networks using data envelopment analysis combined with principal component analysis with an application to Western Europe. European Journal of Operational Research, 132(2), 260-273.
17
18. Amado, C.A.F., Santos, SP., & Marques, P. M. (2012). Integrating the data envelopment analysis and the balanced scorecard approaches for enhanced performance assessment.Omega, 40(3), 390-403.
18
19. Bussi, M. Bititci, U.S. (2005). Collaborative performance management: present gaps and future research, International Journal of productivity and performance management, 21(8), 1096-1115.
19
20. Chen, TY. Chen, LH. (2007). DEA performance evaluation based on BSC indicators incorporated: the case of semiconductor industry, International Journal of productivity and performance Management, 56(4), 335-357.
20
21. Chiang, C.Y., & Lin, B. (2009). An integration of balanced scorecards and data envelopment analysis for firm’s benchmarking management. Total Quality Management, 20(11), 1153-1172.
21
22. Cook, W.D & Zhu, J. (2007). Within-group common weights in DEA: an analysis of power plant efficiency, European Journal of Operational Research, Vol.178, No.1, 207-216.
22
23. Cravens, K., Piercy, N. & Cravens, D. (2000). Assessing the Performance of Strategic Alliances: Matching Metrics to Strategies, European Management Journal, 18(5).
23
24. Cummins, J.D. & Zi, H. (1998). ‘Comparison of frontier efficiency methods: An application to the U.S. life insurance industry’, Journal of Productivity Analysis, 10(2), 131–152.
24
25. Eling, M. & Luhnen, M. (2010). Frontier Efficiency Methodologies to Measure Performance in the Insurance Industry: Overview, Systematization, and Recent Developments, The International Association for the Study of Insurance Economics, 35, 217–265.
25
26. Folan, P. & Brown, J., (2005). “A Review of Performance Measurement: Towards Performance Management”, Computers in Industry, 56, 663-680.
26
27. Garcia-Valderama, T., Mulero-Mendigorri, E., & Revuelta-Bordoy, D. (2009). Relating the perspectives of the Balanced Scorecard for R&D by means of DEA. European Journal of Operation Research, 196, 1177-1189.
27
28. Hatami- Marbini, A. Tvana, M. Agrell, P. Hosseinzadeh Lotfi F., & Ghelej Beigi, Z. (2015). Computers & Industrial Engineering, 79,195-203.
28
29. Jui-Chi Wang. & Hsing-Wu Colleage, (2006). "Corporate Performance Efficiency Investigated by Data Envelopment Analysis and Balance Scorecard", Journal of American Academy of Business, Cambridge, 9(2), 312.
29
30. Kaplan, R. S., & Norton, D. P. (1992). The balance scorecard – measures that drive performance. Harvard Business Review, 70(1), 71–79.
30
31. Kaplan, R. S. & Norton, D. P. (1996). Using the balanced scorecard as a strategic management system, Harvard Business Review, 74(1), 75-85.
31
32. Kiani Mavi, R., Kazemi, S., & Jahangiri, J. M. (2013). Developing common set of weights with considering Non-discretionary Inputs and using Ideal point method, Journal of applied mathematics.
32
33. Lin, T.T., Lee, Ch-Ch., & Chiu, T-F. (2009). Application of DEA in analyzing a bank’s operating performance. Expert System with Applications, 36(5), 8883-8891.
33
34. Neely, A. Gregory, M. & Platts, Ken. (1995)."Performance measurement system design: A literature review and research agenda", International Journal of Operations & Production Management, 15(4), 80 – 116.
34
35. Neely, A.)1999(The performance measurement revolution: Why not and what next? International Journal of Operation & production management, University of Cambridge,Uk: MCB University press,19(2),205-228.
35
36. Oztaysi B., & Ucal I, (2009). Comparing MADM techniques for use in performance measurement, Journal of proceedings of the international symposium on the analytic hierarchy process.
36
37. Pock, T., Westlund, A., & Fahmi, F. (2004). Gaining bilateral benefit through holistic performance management and reporting. Total Quality Management & Business Excellence, 15(5), 557–567.
37
38. Poldaru, R. & Roots, Juri. (2013). A PCA-DEA approach to measure the quality of life in Estonian Counties, Socio-Economic Planning Sciences.1-9.
38
39. Rao A., Kashani, H. & Marie, A. (2010). Analysis of managerial efficiency in insurance sector in the UAE, An emerging Economy, International Journal of managerial finance, 6, 329-343.
39
40. Razavi Hajiagha,S.H., Hashemi, Sh.S.& Amoozad Mahdiraji, H.(2014). Dea with common set of weights based on a multi objective fractional programming problem.Internatonal Journal of Industrial Engineering & production research, 25(3), 207-214.
40
41. Serrano-Cinca, C., Fuertes-Callen, Y., & Mar–Molinero, C. (2005). Measuring Dea efficiency in internet companies. Decision Support Systems, 38(4), 557-73.
41
42. Shafiee, M., Hosseinzadeh Lotfi, F., & Saleh, H. (2014). Supply chain performance evaluation with data envelopment analysis and balanced scorecard approach, Applied Mathematical Modelling, 38, 5092-5112.
42
43. Shanmugam, R, & Johnson, C. (2007). At a crossroad of data envelopment and principal component analyses. Omega, 35(4), 351-364.
43
44. Sorayaei, A., Aghajanmir, S. S., Hosseinzadeh, M., Babaeishafei, R. & Mahdinia, M. (2014). Evaluation of the performance and ranking of parsian insurance company in Mazandaran by using combined model BSC & DEA, Journal of Indian Sci Res,6(1), 108-112.
44
45. Tone, K. & Sahoo, B. K. (2005). “Evaluating Cost Efficiency and Returns to Scale in the Life Insurance Corporation of India Using Data Envelopment Analysis”, Socio –Economic Planning Sciences, 39, 261-285.
45
46. Wang, J. (2006). Corporate performance efficiency investigated by Data Envelopment Analysis and Balanced Scorecard. The Journal of American Academy of Business, 9, 312-318.
46
47. Wen, H.J., Lim, B., & Huang, H.L. (2003). Measuring Ecommerce efficiency: A data envelopment analysis (DEA) approach. Industrial Management and Data Systems, 103(9), 703-710.
47
48. Wongrassamee, S. Gardiner, PD., & Simmons, JEL. (2003). Performance measurement tools, the Balanced Scorecard and EFQM Excellence Model. Measuring Business Excellence, 7(1), 14-29.
48
49. Wu, D., Yang, Z., Vela, S. & Liang, L. (2012). “Simulation Analysis of Production and Investments Performance of Canadian Life and Health Insurance Companies Using Data Envelopment Analysis”, Computer & Operation Research, Article in Press.
49
50. Yang, Z. (2006). ‘A two-stage DEA model to evaluate the overall performance of Canadian life and health insurance companies and computer’, Mathematical and Computer Modelling, 43(7), 910–919.
50
51. Zhu, J. (1998). Data envelopment analysis vs. Principal component analysis: an illustrative study of economic performance of Chinese cities. European Journal of Operation Research, 111, 50-61.
51
ORIGINAL_ARTICLE
تخصیص فضای انبارش کانتینرها در یک پایانه کانتینری تحت شرایط عدمقطعیت
امروزه، با جهانی شدن تجارت و گسترش ارتباطات، پایانههای گمرکی نقش مهمی در اقتصاد کشورها ایفا میکنند. بسیاری از کشورهای بزرگ و صنعتی رشد و شکوفایی خود را مدیون صنعت ترانزیت هستند. از آنجا که معیار جهانی ارزیابی کارایی پایانهها زمان ترخیص کالاها در این پایانهها است و به این زمان در سنجش عملکرد ساختار سازمانی و مدیریتی آنها توجه میشود، مدیران همواره بهدنبال راههایی برای کاهش زمان ترخیص هستند. بر این اساس، در این مقاله، یک مدل برنامهریزی ریاضی غیرخطی فازی و چندهدفه، تحت عدمقطعیت پارامترهای ورودی ارائه شده است که سعی دارد زمان ترخیص را از طریق تخصیص مناسب فضا به کانتینرها کاهش دهد. پس از حل مدل براساس رویکردسهمرحلهای پیشنهادی، مثال عددی با استفاده از روشهای دقیق وآزادسازی لاگرانژ بررسیشد. نتایج نشان میدهند که اگر تصمیمگیرنده بخواهد با ریسک کمتری با عدمقطعیت روبهرو شود، با وجود بدتر شدن تابع هدف، باید مینیمم درجه پذیرش بالایی را انتخاب کند.
https://jimp.sbu.ac.ir/article_87265_c2e72033f4b042f91d487359e824c6d9.pdf
2015-05-22
77
97
مسئله تخصیص فضای انبارش
عدمقطعیت
روش آزادسازی لاگرانژ
تحلیل حساسیت
حبیباله
جوانمرد
h-javanmard@iau-arak.ac.ir
1
دانشیار، دانشگاه آزاد اسلامی، واحد اراک.
LEAD_AUTHOR
حدیث
دریکوند
2
دانشجوی کارشناس ارشد، دانشگاه آزاد اسلامی، واحد اراک.
AUTHOR
1. رسول سرابی، ا؛ و بهرامینیا، غ (1388). بررسی علل رسوب کانتینر در اسکله شهید رجایی و ارائه راهکارها جهت حل مشکلات. یازدهمین همایش صنایع دریایی، جزیره کیش، 5-1.
1
2. کاظمی آسیابر، علیرضا؛ سعیدی، سید ناصر؛ و نورامین،امیر سعید (1390). بررسی آماری عوامل مؤثر بر ترخیص کانتینر در بنادر ایران. نشریه علمی و پژوهشی اقیانوس شناسی، سال دوم، شماره8.
2
3. (1389).کتابچه هزینه های مترتب با کشتی ها و کالاها در بنادر جمهوری اسلامی ایرانن. اداره کل ترانزیت و تعرفه های بندری سازمان بنادر و دریانوردی ایران.
3
4. کیانی مقدم، منصور؛ تهمک، حمیدرضا؛ مشایخی، افشین؛ و ایرانشاهی، سبحان (1391). مدلسازی عناصر اثرگذار بر زمان انتظار کشتی های تجاری با استفاده از تئوری تصمیم گیری MADM و روش سلسه مراتبی AHP. اولین همایش ملی توسعه مکران و اقتدار دریایی جمهوری اسلامی ایران.
4
5. Bazzazi, M., Safaei, N., & Javadian, N. (2009). A genetic algorithm to solve the storage space allocation problem. Computer & Industrial Engineering, 56, 44-52.
5
6. Chen, L., & Lu, ZH. (2012). the storage location assignment problem for outbound containers in a marine terminals. Int.J.Production Economics, 135, 73-80.
6
7. Deb, K. (2001). Multi-objective optimization using evolutionary algorithms. United States, John Wiley & Sons.
7
8. Fisher, M. L. (2004). The lagrangian relaxation method for solving integer programming problems. Manage. Sci, 50( 12), 1861–1871.
8
9. Ha, M.S. (2003). A comparison ports: Implications for Korean ports. J.Transport.Georger, 11(2), 131-137.
9
10. Hirashima,Y. (2008).A Q-Learning system for container transfer scheduling based on shipping order at container terminals. International Journal of Innovative Computing, 14.
10
11. Ing Hsu, C., Hung, H., & Wang, W. (2009). Applying RFID to reduce delay in import cargo customs clearance process. Journal of Computer and Industrial Engineering, 57, 506-519.
11
12. Jiménez, M., Arenas, M., & Bilbao, A. (2007). Linear programming with fuzzy parameters: an interactive method resolution. European Journal of Operational Research, 177(3), 1599-1609.
12
13. Kent, P.E. December (2003). A Tale of two ports.
13
14. Kim, K.H., Park, Y.M., & Ryu, K-R. (2000). Deriving decision rules to locate export containers in container yard. European Journal of Operation Research, 124(1), 89-101.
14
15. Llala-Ruiz, E.,Gonzalez-velarde, J., & Milian-Batista, B. (2014). Biased random key genetic algorithm for the Tactical Berth Allocation Problem. Applied soft computing, 22, 60-76.
15
16. Lee, D-H., Jin, J., & Chen, J. (2012). Terminal and yard allocation problem for a container transshipment hub with multiple terminals.Transportation Research, 48, part E, 516-528.
16
17. Le,Y., & Ieda, H. (2010). Evaluation dynamics of container ports system with a geo-Economic consentration. Asian Transport Studies, 11.
17
18. Lee,Y., & Lee, Y-J. (2009).A heuristic for retrieving containers from a yard.Computer & Operation Research, 37, 1139-1147.
18
19. Pishvaee, M. S., & Torabi, S. A. (2010). A possibilistic programming approach for closed-loop supply chain network design under uncertainty. Fuzzy sets and systems, 161(20), 2668-2683.
19
20. Romero, C., Tamiz, M., & Jones, D. F. (1998). Goal programming, compromise programming and reference point method formulations: linkages and utility interpretations. Journal of the Operational Research Society, 986-991.
20
21. Rudriguez-Molins, M., Salido, M.A., & Barber, F. (2012). Intelligent
21
planning for allocating containers in maritime terminals.Expert System with Applications, 39, 978-989.
22
22. Sharif, O., & Huyne, N. (2013). Storage space allocation at marine container terminals using ant-based control. Expert Systems with Applications, 40, 2323-2330.
23
23. Vacca, I., Bierlaire, M., & salani, M. (2007). Optimization at container terminals: status,trends and perspectives,swiss. Transport Research Conference.
24
24. Yu, M., & Qi, X. (2013). Storage space allocation models for inbound containers in an automatic container terminals. European Journal of Operation Research, 226, 32-45.
25
25. Zhang, C., Liu, J., Wan, Y-W., G.Murty, k., & J.Linn, R. (2003).Storage space allocation in container terminals. Transportation Research, 37, part B, 883-903.
26
26. Zhang, C., Chen, W., & Shi, l. (2010). A note on deriving decision rules to locate export containers on container yard.European Journal of Operation Research, 205(2), 483-485.
27
27. Zhang, C.,Wu,T., Kim, K.H., & Miao, L. (2014). Conservative allocation models for outbound containers in container terminals. European Journal of Operation Research, 238, 155-165.
28
ORIGINAL_ARTICLE
طراحی الگوی فرآیندی توسعه محصولات نرمافزاری با رویکرد مدلسازی ساختاری تفسیری
ادبیات موجود درزمینه توسعه محصول جدید بسیار به محصولات فیزیکی توجه کرده است و این در حالی است که محصولات نرمافزاری ویژگیهای منحصربهفردی دارند که باید به آنها در فرآیند توسعه محصول توجه شود. هدف این مقاله شناسایی مراحل توسعه محصولات نرمافزاری و تحلیل تعاملات میان این مراحل، با استفاده از رویکرد مدلسازی ساختاری تفسیری است. با مرور ادبیات و تحلیل عاملی اکتشافی، هشت مرحله توسعه محصولات نرمافزاری، شامل تحلیل فرصتهای بازار، ایدهپردازی، ایجاد مفهوم، توسعه طراحی، مهندسی نمونهای، بازبینی تولید، تولید انبوه و توسعه نسخههای اصلاحی شناسایی شدند. سپس این مراحل براساس قدرت وابستگی و قدرت نفوذ طبقهبندی شده است. مدل پیشنهادی این تحقیق به شناخت روابط و وابستگی مراحل توسعه محصول کمک میکند و نقشه راهی ارائه میدهد که میتواند احتمال موفقیت توسعه محصولات نرمافزاری را افزایش دهد.
https://jimp.sbu.ac.ir/article_87266_e2cb19518b1382bc344899d27f871290.pdf
2015-05-22
99
118
توسعه محصول جدید
توسعه نرمافزار
الگوی فرآیندی
مدلسازی ساختاری تفسیری
محمدجواد
نائیجی
m_naeiji@sbu.ac.ir
1
استادیار، دانشگاه شهید بهشتی.
LEAD_AUTHOR
1. اسماعیل پور، رضا.، و جباری، مریم. (1389). بررسی فرآیند توسعه محصول جدید از ایده یابی تا عرضه به بازار، چهارمین کنفرانسملیمدیریتتکنولوژیایران، تهران.
1
2. Adolph, S., Kruchten, P., & Hall, W. (2012). Reconciling perspectives: A grounded theory of how people manage the process of software development.Journal of Systems andSoftware, 85(6), 1269-1286.
2
3. Ambler, S.W. (2005). Quality in an agile world. Software Quality Professional, 7(4), 34-40.
3
4. Attri, R., Nikhil, D.N., & Sharma, V. (2013). Interpretive structural modeling (ISM) approach: an overview. Research Journal of Management Sciences, 2(2), 3-8.
4
5. Barclay, I., & Dann, Z. (2000). Management and Organizational Factors in New Product Development (NPD) Success, Concurrent Engineering, 8 (2), 115-132.
5
6. Barczak, G., & Kahn, K.B. (2012). Identifying new product development best practice, Business Horizons, 55, 293-305.
6
7. Boehm, B.W. (1988). A spiral model of software development and enhancement. Computer,May, 61-72.
7
8. Cho, S.H., & Eppinger, S.D. (2005). A Simulation-based Process Model for Managing Complex Design Projects, IEEE Transactions on Engineering Management, 52(3), 316-328.
8
9. Cockburn, A. (2001). Agile Software Development. 1st ed., Boston: Addison-Wesley.
9
10. Coenen, M., Kok, R.A.W. (2014). Workplace flexibility andnew product development performance: The role of telework and flexible work schedules, European Management Journal, 32(4), 564-576.
10
11. Coleman, G., & O'Connor, R.V. (2008). An investigation into software development process formation in software start‐ups. Journal of Enterprise Information Management, 21(6), 633-648.
11
12. Cooper, R.G. and Kleinschmidt, E.J. (1991). New product processes at leading industrial firms. Industrial Marketing Management, 20(2), 137-147.
12
13. Corallo, A., Laubacher, R., Margherita, A., & Turrisi, G. (2009). Enhancing product development through knowledge‐based engineering (KBE): A case study in the aerospace industry. Journal of Manufacturing Technology Management, 20 (8), 598-614.
13
14. Durrani, U.K., Pita, Z., & Richardson, J. (2014). Coexistence of agile and SCM practices: An exploratory study of Australian agile software development organizations. Journal of Information & Software Technology, 16(1), 20-39.
14
15. Engwall, M., Kling, R., & Werr, A. (2005). Models in action: how management models are interpreted in new product development. R & D Management, 35(4), 427-439.
15
16. Govindan, K., Palaniappan, M., Zhu, Q., & Kannan, D. (2012). Analysis of third party reverse logistics provider using interpretive structural modeling. International Journal of Production Economics, 140(1), 204-211.
16
17. Grunert, K.G., & van Trijp, H.C.M. (2014). Consumer-Oriented New Product Development. Encyclopedia of Agriculture and Food Systems, 2, 375-386.
17
18. Harmancioglu, N., McNally, R.C., Calantone, R.J. & Durmusoglu, S.S. (2007). Your new product development (NPD) is only as good as your process: an exploratory analysis of new NPD process design and implementation. R&D Management 37, 5, pp. 399-424.
18
19. Highsmith, J. (2004). Agile Project Management, Addison-Wesley, Boston, MA.
19
20 .Hoyer,W.D., Chandy, R., Dorotic, M., Krafft, M., and Singh, S.S. (2010). Consumer Cocreation in New Product Development, Journal of Service Research, 13(3), 283-296.
20
21. Krishnan, R.T., & Prabhu, G.R. (2002). Innovation in the Indian Information Technology Industry: A Study of the Software Product Development Process. Science, Technology and Society, 7 (1), 91-115.
21
22. Kettunen, J., Grushka-Cockayne, Y., Degraeve, Z., & De Reyck, B. (2015). New product development flexibility in a competitive environment. European Journal of Operational Research, 244(3), 892-904.
22
23. Luh, D-B., Ko, Y-T., & Ma, C-H. (2009). A Dynamic Planning Approach for New Product Development. Concurrent Engineering, 17 (1), 43-59.
23
24. Magdaleno, A.M., Werner, M, L., de Araujo, R.M. (2012). Reconciling software development models: A quasi-systematic review, Journal of Systems andSoftware, 85(2), 351-369.
24
25. Mandal, A. & Deshmukh, S. (1994). Vendor selection using interpretive structural modeling (ISM). International Journal of Operations and Production Management, 14(6), 52-59.
25
26.Martín, Y-l., & Yelmo, J.C. (2014). Guidance for theDevelopment of Accessibility Evaluation Tools Following the UnifiedSoftware Development Process. Procedia Computer Science, 27, 302-311.
26
27. Misra, S., Kumar,V., Kumar, U., Fantazy, K., Akhter, M. (2012). Agile software development practices: evolution, principles, and criticisms. International Journal of Quality & Reliability Management, 29(9), 972-980.
27
28. Misra, S., & Singh, V. (2015). Conceptualizing open agile software development life cycle (OASDLC) model, International Journal of Engineering & Technology, 32 (3), 214-235.
28
29. Nunnally, J.M. (1994). Psychometric Theory. Third edition, New York: McGraw-Hill.
29
30. Osborne, J.W. (2008). Best Practices in Quantitative Methods. SAGE Publications, Inc.
30
31. Pitta, D., & Pitta, E. (2012). Transforming the nature and scope of new product development. Journal of Product & Brand Management, 21(1), 35-46.
31
32. Raj, T., Shankar, R., & Suhaib, M. (2008). An ISM approach for modeling the enablers of flexible manufacturing system: the case for India.International Journal of Production Research, 46(24), 6883-6912.
32
33. Royce, W. (1970). Managing the Development of Large Software Systems. Institute of Electrical and Electronics engineers (IEEE), WESCON , 26, 1-9.
33
34. Smith, T.F.M. (1983). On the validity of Inferences from Non-random Samples. Journal of the Royal Statistical Society, 146, 394-403.
34
35. Toubia,O. (2007).Adaptive Idea Screening Using Consumers. Marketing Science, 26(3), 342-360.
35
36. Tzokas, N., Hultink, E.J., & Hart, S. (2004). Navigating the new product development process. Industrial Marketing Management, 33, 619-626.
36
ORIGINAL_ARTICLE
پیشبینی و کنترل بهینه ستادههای صنایع کشور با رویکرد مدلبندی فضای حالت و تبدیل لاپلاس
در این مقاله، از روش مدلبندی فضای حالت و تبدیل لاپلاس برای پیشبینی و کنترل بهینه ستادههای (ارزش افزوده و ارزش محصولات تولیدی) صنایع کشور استفاده شده است. برای این منظور، ابتدا همه گروههای صنعتی درقالب یک سیستم با دادهها و ستادههای مشخص در نظر گرفته شدند و براساس ارتباط بین دادهها و ستادهها طی سالهای 1390- 1374، معادلات فضای حالت با توجه به عملکرد صنایع کشور برآورد شد. سپس با انجام عملیات لاپلاس، رفتار هریک از گروههای صنعتی در تبدیل دادهها به ستادهها شناسایی و بر این اساس، برای پیشبینی و کنترل رفتار ستادههای هریک از گروههای صنعتی اقدام شد. نتایج حاصل از روش پیشنهادی نشان دادند که استفاده از این روش در کنترل و پیشبینی بهینة ستادهها درمقایسه با روشهای موجود، مخصوصاً تابع انتقال، بسیار کاراتر است؛ چون اولاً روش پیشنهادی برای سیستمهای دارای چندین ورودی و خروجی مناسبتر است و نتایج مطمئنتری را ارائه میکند و ثانیاً با توجه به معادلات فضای حالت تبدیل ورودیها به خروجیها، رفتار سیستم قابل شناسایی خواهد بود و با شناخت رفتار سیستم میتوان دادههای مورد نظر را به سیستم وارد کرد و بر این اساس، ستادهها را بهصورت بهینه پیشبینی و کنترل کرد.
https://jimp.sbu.ac.ir/article_87267_7459eed4625abc6d90d7b9b661cd9122.pdf
2015-05-22
119
135
فضای حالت
گروههای صنعتی
تبدیل لاپلاس
دادهها و ستادهها
احمد
رجبی
arajabi53@yahoo.co.uk
1
دانشآموخته دکتری، دانشگاه شیراز.
LEAD_AUTHOR
عبدالرضا
نداف
2
استادیار، دانشگاه شیراز.
AUTHOR
1. رجبی، احمد (1387). سنجش کارآیی صنایع استان فارس در مقایسه با کشور با استفاده از روش تحلیل پوششی دادهها (DEA). مجله علمیپژوهشی دانشگاه اصفهان، جلد 31، شماره3، 43-26.
1
2. رضایی، ابراهیم (1390).تحلیل اثرات عوامل نهادی بر رشد بهره وری کل عوامل در اقتصاد ایران با استفاده از مدل فضا حالت. مجله مدلسازی اقتصادی، شماره 6، 60-43
2
3. فرازمند، حسن, قربان نژاد، مجتبی و عبداله پورجوان (1392). تعیین قواعد سیاست پولی و مالی بهینه در اقتصاد ایران. مجله پژوهشها و سیاستهای اقتصادی، دوره 21 شماره 67، 88-69.
3
4. مرکز آمار ایران. سرشماری کارگاههای بزرگ صنعتی کشور،1390-1374.
4
5. Allen, S, & Pasupathy, M. (1997). A State Space Forecasting Model with Fiscal, Federal Reserve Bank of St Louis.USA.
5
6. Ansley, C, F & Kohn R,(1985). Estimation filtering and smoothing in state space models with incompletely specifed initial conditions, Annals of Statistics, 13, 1286-1316.
6
7. Aoki, M. (1990). State Space Modeling of Time Series, Springer Verlag.
7
8. Carlin B.P, Polson N.G & Stoffer D.S,(1992). A Monte Carlo Approach to Non Normal and Non Linear State Space Modelling, JASA, 87)418(.
8
9. Chan, N. H. (2002). Time series: application to Nance, John Wiley & Sons, New York.
9
10. Chiang, C. & Douglas R. K(1991). Forecasting the Treasury Bill Rate: A Time-Varying Coefficient Approach, The Journal of Financial Research, 4, 327-36.
10
11. Durbin, J. & Koopman, S. J. (2002). A simple and ancient smoother for state space time series analysis, Biometrical, 89, 603-616.
11
12. Harvey, A. C. (1993). Time Series Models, 2nd edn, Harvester Wheatsheaf, Hemel Hempstead.
12
13. Kim, C. J. & Nelson, C. R. (1999). State Space Models with Regime Switching, MIT Press, Cambridge, Massachusetts.
13
14. Kitagawa, G. (1987). Non Gussian State-Space Modeling of Nonstationary Time Series, Journal of the American Statiscal Association, 82 )400(,1032-1041.
14
15.Jong P. (1989). Smooting and Interpolation with the State Space Model, JASA, VOL. 84, NO,408.
15
16.Lindberg, B.M., & J.M. Monaldo. (2008). Annual Industry Accounts: Advanced Statistics on GDP by Industry for 2007, Survey of Current Business, 88(5), 38-50.
16
17. Mahdavian M.H. (2004). Investigation of Spatial Interpolation Methods to Determine the Minimum Error of Estimation case study، Temperature and Vapor Transpiration, Journal of the American Statistical Association, 74, 519-530.
17
18. Miller, T, W. & Sabbarese, D. (2012). An Economic Indicator for the State of the Economy in the Southeastern U.S., The journal of regional analysis and policy, NO: 42(1), 1-27.
18
19. Ogata, K. (1970). Modern Control Engineering, Prentice-Hall, Inc., Englewood Cliffs, New Jersey.
19
20. Ogata, K. (1997). System Dynamics , Prentice – Hall, 3rd Edition
20
21. Qina S. J. & Badgwell T. A. (2003). A Survey of Industrial Model Predictive Control Technology, Control Engineering Practice,11, 733-764.
21
22. West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models, 2nd edn, Springer-Verlag, New York.
22
23. Wolff, C, P. (1987). Time-Varying Parameters and the Out-of-Sample Forecasting Performance of Structural Exchange Rate Models, Journal of Business and Economic Statistics, 5, 87-97.
23
ORIGINAL_ARTICLE
سنجش هزینه رفاهی- اجتماعی بخش صنعت ایران برمبنای رویکرد هاربرگر و پوزنر
مطالعات انجامشده در بخش صنعت ایران مؤید این واقعیت است که در بیش از 50 درصد فعالیتهای بخش صنایع کارخانهای ایران، ساختار انحصار مؤثر حاکم است. هدف محوری این مقاله این است که بررسی شودچه میزان هزینه رفاهی ناشی از چنین ساختاری به جامعه تحمیل شده است.در این تحقیق، براساس شاخصهای هاربرگر و پوزنر، محاسبات مربوط به برآورد هزینة رفاهی انحصار در صنعت ایران در سال 1389 انجام شده است. در این تحقیق، جز اخلال قیمتی برمبنای دو سناریو محاسبه شده است. در سناریوی اول، از رویکرد راجر، باسو و فرنالد (1995) و در سناریوی دوم، جز اخلال قیمتی برمبنای رویکرد هاربرگر و با استفاده از نسبت سود به فروش محاسبه شده است.یافتههای تحقیق برمبنای نگرش هاربرگر و سناریوی اولنشان میدهند که هزینه رفاهی بیش از 7 درصد فروش صنایع انحصاری است. همچنین، اگر علاوهبر مثلث رفاه، مؤلفههای دیگر، مانند رانت اقتصادی و هزینههای صرفشده در راستای کسب قدرت انحصاری را درنظر بگیریم، هزینه رفاهی که صنایع انحصاری بر جامعه تحمیل میکنند درحدود 7/26 درصد فروش آنها است. همچنین، مقادیر هزینه رفاهی ناشی از انحصار برمبنای سناریوی دوم، برای شاخص هاربرگر و پوزنر بهترتیب درحدود 4/5 و 9/23 درصد فروش صنایع انحصاری است.
https://jimp.sbu.ac.ir/article_87268_34a4bac2fc32c526b739c3fd96d63b17.pdf
2015-05-22
137
156
هزینه رفاهی
هاربرگر
پوزنر
اخلال قیمتی
نورمحمد
یعقوبی
yaghoobi@hamoon.usb.ac.ir
1
دانشیار دانشکده مدیریت و اقتصاد دانشگاه سیستان و بلوچستان.
AUTHOR
محمدنبی
شهیکی تاش
mohammad_tash@eco.usb.ac.ir
2
دانشیار دانشکده مدیریت و اقتصاد دانشگاه سیستان و بلوچستان.
LEAD_AUTHOR
1. خداداد کاشی، فرهاد (1379 ). انحصار، رقابت و تمرکز در بازارهای صنعتی ایران. (73-1367) فصلنامه شماره 15 پژوهشنامه بازرگانی.
1
2. خداداد کاشی، فرهاد (1380 ). ارزیابی قدرت و حجم فعالیتهای انحصاری در اقتصاد ایران. موسسه مطالعات و پژوهشهای بازرگانی.
2
3.خداداد کاشی، فرهاد (1379). برآورد هزینه اجتماعی انحصار در بخش صنعت ایران. مجله پژوهشنامه بازرگانی، شماره 19.
3
4. شهبازی حبیب، کاوسی کلاشمی محمد (1388). برآورد رفاه از دسترفته ناشی از وجود انحصار در صنعت تولید شیر ایران. اقتصاد کشاورزی و توسعه.
4
5. شهیکی تاش، محمدنبی و فیوضی اختیاری، نسیم (1388). برآورد هزینه رفاهی در بخش صنعت بیمه ایران. فصلنامه پژوهشهای اقتصادی ایران، شماره 32.
5
6. Brown, R. A.(1975) The Social Cost of Monopoly and Regulation, The Journal of Political Economy, 83(4), Pp. 807-828.
6
7. Basu, S., and Fernald, J.G. (1995). Are Apparent Productive Spillovers a Figment of Specification Error?. Journal of Monetary Economics, 36, 165-88.
7
8. Chen, J (2011), The Quiet Life of Monopolist: the Efficiency Losses of Monopoly Reconsidered, Springer-Verlag, 6(3), 389-412.
8
9. Comanor, W. S., Leibenstein .H (1969). Allocative Efficiency, X-Efficiency and the Measurment of Welfare Losses, Economica, New Series, 36(143), 304-309.
9
10. Cowling, K. & Muller, D. (1978). The social cost of monopoly Power. Economic Journal, 88, 727-748.
10
11. Ferguson, P.R. & Ferguson, G.J. (1994). Industrial Economics. Macmillan.
11
13. Hall, R., (1988) “The Relation between Price and Marginal Cost in U.S. Industry. Journal of Political Economy, 96(5), 921-947.
12
14.Gisser, M,( 1986) Price Leadership and Welfare Losses in U.S. manufacturing. The American Economic Review, 76(4), 756-767.
13
15. Kamien M., Schwartz N., (1982). Market Structure and Innovation. Cambridge University Press.
14
16. Posner, R. (1975). The social cost of monopoly & Regulation. Journal of political Economy, 83(4).
15
17. Bergeson, A., (1973). On Monopoly Welfare loss. American Economic Review, 63(5), 853-70
16
18. Roeger, W., (1995). Can Imperfect Competition explain the Difference between Primal and Dual Productivity Measures? Estimates for US Manufacturing. Journal of Political Economy, 103, 316-30
17
19. Saving, Thomas R. (1970). Concentration and the Degree of Monopoly. International Economic Review, 11, 139-146.
18