INTEGRISANI MODEL VREDNOVANJA DOBAVLJAČA U LANCIMA SNABDEVANJA

Transcription

1 UNIVERZITET U NOVOM SADU FAKULTET TEHNIČKIH NAUKA U NOVOM SADU Željko Stevć INTEGRISANI MODEL VREDNOVANJA DOBAVLJAČA U LANCIMA SNABDEVANJA DOKTORSKA DISERTACIJA Nov Sad, 2018.

2 UNIVERZITET U NOVOM SADU FAKULTET TEHNIČKIH NAUKA NOVI SAD, Trg Dosteja Obradov ća 6 KLJUČNA DOKUMENTACIJSKA INFORMACIJA Redn broj, RBR: Identfkacon broj, IBR: Tp dokumentacje, TD: Tp zapsa, TZ: Vrsta rada, VR: Autor, AU: Mentor, MN: Naslov rada, NR: Jezk publkacje, JP: Jezk zvoda, JI: Zemlja publkovanja, ZP: Uže geografsko područje, UGP: Monografska publkacja Tekstualn štampan materjal Doktorska dsertacja Željko Stevć dr Ilja Tanackov, dr Marko Vasljevć Integrsan model vrednovanja dobavljača u lancma snabdevanja Srpsk, latnca Srpsk, Englesk Srbja AP Vojvodna Godna, GO: 2018 Izdavač, IZ: Autorsk reprnt Mesto adresa, MA: Nov Sad, Trg Dosteja Obradovća 6 Fzčk ops rada, FO: (poglavlja/strana/ ctata/tabela/slka/grafka/prloga) Naučna oblast, NO: Naučna dscplna, ND: Predmetna odrednca/kqučne reč, PO: UDK Čuva se, ČU: Važna napomena, VN: Izvod, IZ: Datum prhvatanja teme, DP: 8/244/315/119/57/-/2 Saobraćajno Inženjerstvo Organzacje tehnologje transporta Lanac snabdevanja, dobavljač, všekrterjumsko odlučvanje, logstka, ntegrsan model Bbloteka Fakulteta Tehnčkh Nauka, Trg Dosteja Obradovća 6,Nov Sad, Srbja U ovom radu predložen je model za vrednovanje zbor dobavljača koj je razmatran u vše od deset razlčth prozvodnh oblast. Model se sastoj od dvadeset kvanttavnh kvaltatvnh krterjuma koj su prmenom fuzzy AHP (Analtčko Hjerarhjsk Proces) metode, a na osnovu ocenjvanja menadžera prozvodnh kompanja smanjen na ukupno devet. Verfkacja datog modela predstavljena je kroz vrednovanje zbor dobavljača u tr kompanje koje se bave razlčtom delatnošću. Pored doprnosa koj se ogleda u prmenjvost razvjenog modela u razlčtm lancma snabdevanja, velk doprnos ovog rada je razvoj novh prstupa u oblast všekrterjumskog odlučvanja koj može bt prmenjen u svm lancma snabdevanja, naročto u procesma u kojma vladaju nezvesnost nejasnoće što je detaljno objašnjeno kroz rad. Datum odbrane, DO: Članov komsje, KO: Predsednk: dr Ilja Ćosć, profesor emertus Član: dr Marnko Maslarć, docent Član: dr Dragan Pamučar, docent Potps mentora Član: mentor dr Ilja Tanackov, redovn profesor Član, mentor: dr Marko Vasljevć, vanredn profesor

3 UNIVERSITY OF NOVI SAD FACULTY OF TECHNICAL SCIENCES NOVI SAD, Trg Dosteja Obradovća 6 KEY WORDS DOCUMENTATION Accesson number, ANO: Identfcaton number, INO: Document type, DT: Type of record, TR: Contents code, CC: Author, AU: Mentor, MN: Ttle, TI: Language of text, LT: Language of abstract, LA: Country of publcaton, CP: Localty of publcaton, LP: Моnograph Textual prnted materal PhD Thess Željko Stevć Ilja Tanackov PhD, Marko Vasljevć PhD An ntegrated model for suppler evaluaton n supply chans Serban Serban, Englsh Serba Vojvodna Publcaton year, PY: 2018 Publsher, PB: Publcaton place, PP: Physcal descrpton, PD: (chapters/pages/ref./tables/pctures/graphs/appendxes) Scentfc feld, SF: Scentfc dscplne, SD: Autors reprnt Nov Sad 8/244/315/119/57/-/2 Traffc engneerng Organzatons and technologes of transport Subject/Key words, S/KW: UC Supply chan, suppler, Mult-crtera Decson Makng, logstcs, ntegrated model Holdng data, HD: Lbrary of Faculty of Techncal Scences, Trg Dosteja Obradovća 6, Nov Sad Note, N: Abstract, AB: Accepted by the Scentfc Board on, ASB: Defended on, DE: Defended Board, DB: Presdent: Member: In ths paper, a model for evaluaton and suppler selecton has been proposed, whch has been consdered n more than ten dfferent producton areas. The model conssts of twenty quanttatve and qualtatve crtera whch are reduced to a total of nne by the applcaton of the fuzzy AHP (Analytc Herarchy Process) method and the assessment of managers n producton companes. The verfcaton of the gven model s presented through the evaluaton and suppler selecton n three companes that deal wth dfferent actvtes. In addton to the contrbuton reflected n the applcablty of the developed model n varous supply chans, the great contrbuton of ths paper s the development of new approaches n the feld of mult-crtera decson makng that can be appled n all supply chans, especally n processes that are subject to uncertanty and vagueness, whch s explaned n detal through the work. Ilja Ćosć PhD, Professor emertus Marnko Maslarć PhD, Assstant Professor Member: Dragan Pamučar PhD, Assstant Professor Menthor's sgn Member: menthor Ilja Tanackov PhD, Full professor Member: menthor Marko Vasljevć PhD, Assocate Professor

4 SADRŽAJ SADRŽAJ SPISAK SLIKA... IV SPISAK TABELA... VI SPISAK SKRAĆENICA... X REZIME... XI ABSTRACT... XIII 1. UVODNA RAZMATRANJA PREDMET I CILJEVI ISTRAŽIVANJA Domen stražvanja Potreba predmet stražvanja Cljev stražvanja Hpoteze PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Plegled krterjuma za vrednovanje zbor dobavljača Pregled metoda za vrednovanje zbor dobavljača Potreba motv za unapređenje stanja u oblast TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Všekrterjumsko odlučvanje Teorja fuzzy skupova Trougaon fuzzy brojev Trapezodn fuzzy brojev Teorja grubh brojeva Operacje sa grubm brojevma Crsp AHP Fuzzy AHP Grub AHP Crsp TOPSIS Fuzzy TOPSIS Grub TOPSIS Crsp COPRAS Razvoj novog prstupa prmenom grubh brojeva COPRAS metode Grub DEMATEL Crsp MAIRCA Grub MAIRCA Crsp MABAC Grub MABAC I

5 SADRŽAJ Crsp EDAS Fuzzy EDAS Razvoj novog prstupa - Grub EDAS RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Prva faza - prkupljanje podataka prprema Druga faza - prmena Fuzzy AHP metode Treća faza - zbor devet krterjuma Građevnarstvo Prozvodnja predzolovanh cev Prozvodnja nameštaja Prozvodnja PVC stolarje Prozvodnja plastčnh kesa folja Prozvodnja žce Prozvodnja metalnh podloškh za automoblsku ndustrju Poljoprvredna oblast Ostalo Vrednovanje prema referentnm naučncma z oblast lanca snabdevanja Formranje modela TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Vrednovanje dobavljača u kompanj za prozvodnju nameštaja Određvanje težnskh vrednost krterjuma prmenom grubog AHP metoda Vrednovanje dobavljača prmenom grube TOPSIS metode Vrednovanje dobavljača u kompanj za prozvodnju plastčnh kesa folja Proračun težnskh vrednost krterjuma prmenom Fuzzy AHP metode Izbor dobavljača prmenom Fuzzy EDAS metode Vrednovanje dobavljača u građevnskoj kompanj Značaj vrednovanja zbora dobavljača u oblast građevnarstva Stanje u oblast građevnarstva sa aspekta prmene metoda VKO Model za zbor dobavljača u građevnskoj kompanj Proračun težna krterjuma prmenom Grube DEMATEL metode Izbor dobavljača prmenom grube EDAS metode DISKUSIJA I ANALIZA OSETLJIVOSTI Analza osetljvost u kompanj za prozvodnju nameštaja Analza osetljvost u kompanj za prozvodnju plastčnh kesa folja Analza osetljvost u građevnskoj kompanj ZAKLJUČNA RAZMATRANJA I PRAVCI BUDUĆIH ISTRAŽIVANJA II

6 SADRŽAJ 8.1. Najvažnj zadac koj su zvršen u radu Potvrda postavljenh hpoteza Naučn doprnos rada Pravc budućh stražvanja LITERATURA PRILOZI Prlog I - Ocenjvanje krterjuma podkrterjuma u razlčtm oblastma Prlog II - Prmer proračuna u Mcrosoft Excelu za koršćene metode Bografja autora sa bblografjom III

7 SPISAK SLIKA SPISAK SLIKA Slka 1.1. Šema lanca snabdevanja (Chrstopher, 1992)...4 Slka 1.2. Šema savremenog lanca snabdevanja sa procesma učesncma (autor)...4 Slka 1.3. Četr faze zbora dobavljača (autor)...8 Slka 3.1. Grubo pozconranje metoda odlučvanja u zboru dobavljača (Modfkovano prema De Boer dr., 2001) Slka 4.1. Trougaon fuzzy broj Slka 4.2. Trapezodn fuzzy broj Slka 4.3. Osnovn koncept teorje grubh skupova (Fazlollahtabar dr., 2017) Slka 4.4. Presek zmeđu Sa Sb (Chang, 1996) Slka 4.5. Zavsnost praga domnacje od broja alternatva (Pamučar dr., 2014) Slka 4.6. Prkaz gornje, donje grančne aproksmatvne oblast (Pamučar Ćrovć, 2015) Slka 5.1. Hjerarhjska struktura krterjuma za zbor dobavljača kao ulazn parametr modela (autor) Slka 5.2. Predložen korac za formranje modela za vrednovanje dobavljača (autor) Slka 5.3. Prkaz rangova krterjuma u oblast građevnarstva (autor) Slka 5.4. Rezultat prmene Fuzzy AHP metode za glavne krterjume u oblast prozvodnje predzolovanh cev (autor) Slka 5.5. Prkaz rangova krterjuma u oblast predzolovanh cev (autor) Slka 5.6. Rezultat proračuna krterjuma u oblast prozvodnje nameštaja (autor) Slka 5.7. Prkaz rangova krterjuma u oblast nameštaja (autor) Slka 5.8. Rezultat proračuna značaja krterjuma u oblast prozvodnje PVC stolarje (autor) Slka 5.9. Prkaz rangova krterjuma u oblast prozvodnje PVC stolarje (autor) Slka Prkaz rangova krterjuma u oblast prozvodnje plastčnh kesa folja (autor) Slka Rezultat proračuna značaja krterjuma u oblast prozvodnje žce (autor) Slka Prkaz rangova krterjuma u oblast prozvodnje žce (autor) Slka Vrednost svh krterjuma zražene u grubm brojevma (Stevć dr., 2017c) Slka Vrednost glavnh krterjuma dobjenh prmenom Fuzzy AHP Grube AHP metode (Stevć dr., 2017c) Slka Rangranje krterjuma prmenom Fuzzy AHP Grube AHP metode (Stevć dr., 2017c) Slka Rezultat proračuna važnost krterjuma u automoblskoj ndustrj (autor) Slka Prkaz rangova krterjuma u oblast automoblske prozvodnje (autor) Slka Vrednost svh krterjuma u grubm brojevma u oblast automoblske ndustrje (Fazlollahtabar dr., 2017) Slka Vrednost glavnh krterjuma prmenom AHP, FAHP G AHP (Fazlollahtabar dr., 2017) Slka Rangranje krterjuma prmenom tr razlčta oblka AHP metode (Fazlollahtabar dr., 2017) Slka Prkaz rangova krterjuma u poljoprvrednoj oblast (autor) IV

8 SPISAK SLIKA Slka Rezultat značaja krterjuma u oblast ostalo (autor) Slka Prkaz rangova krterjuma u oblast ostalo (autor) Slka Proračun značaja krterjuma prema referentnm naučncma (autor) Slka Prkaz rangova krterjuma prema referentnm naučncma (autor) Slka Ukupno rangranje krterjuma na osnove njhove prosečne vrednost u svm prozvodnm oblastma (autor) Slka Predložen model za vrednovanje zbor dobavljača za razlčte prozvodne lance snabdevanja (autor) Slka 6.1. Vrednost svh krterjuma zražene u grubm brojevma (autor) Slka 6.2. Predložen model za zbor dobavljača u građevnskoj kompanj (Stevć dr., 2017) Slka 6.3. Uzročno-posledčne veze zmeđu krterjuma - CERD (Stevć dr., 2017) Slka 7.1. Rezultat analze osetljvost u kompanj za prozvodnju nameštaja (autor) Slka 7.2. Smulrane vrednost krterjuma kroz formrane setove analze osetljvost (autor) Slka 7.3. Rezultat analze osetljvost u kompanj za prozvodnju plastčnh kesa folja (autor) Slka 7.4. Rang dobavljača u analz osetljvost (autor) Slka 7.5. Rangranje alternatva kroz scenarja (Stevć dr., 2017) Slka 7.6. Rangov alternatva u kombnacj sa G DEMATE G AHP (Stevć dr., 2017) Slka P.II.1. Prmer proračuna normalzovane matrce Fuzzy TOPSIS metode Slka P.II.2. Prmer proračuna Fuzzy TOPSIS metode nakon formranja normalzovane matrce Slka P.II.3. Prmer proračuna EDAS metode Slka P.II.4. Prmer proračuna Grube EDAS metode Slka P.II.5. Prmer proračuna Grube TOPSIS metode Slka P.II.6. Prmer proračuna Grube MABAC metode Slka P.II.7. Prmer proračuna MABAC metode Slka P.II.8. Prmer proračuna Grube MAIRCA metode Slka P.II.9. Prmer proračuna Grube MULTIMOORA Slka P.II.10. Prmer proračuna Grube COPRAS metode Slka P.II.11. Završn korac proračuna Grube DEMATEL metode V

9 SPISAK TABELA SPISAK TABELA Tabela 1.1. Hronološk prkaz defnsanja lanca snabdevanja (autor)...2 Tabela 3.1. Dksonov krterjum za evaluacju dobavljača (Dckson, 1966) Tabela 3.2. Ellramov krterjum za evaluacju dobavljača (Ellram, 1990) Tabela 3.3. Krterjum koj su utvrđen u (Webber dr., 1991) Tabela 3.4. Krterjum za vrednovanje dobavljača (Çeb Bayraktar, 2003) Tabela 3.5. Pregled metoda všekrterjumske analze (autor) Tabela 3.6. Pregled metoda za vrednovanje zbor dobavljača (autor) Tabela 4.1. Satjeva skala poređenja (Saaty, 1980) Tabela 4.2. Vrednost slučajnog ndeksa RI (Saaty Vargas, 2012) Tabela 4.3. Trougaona fuzzy skala (Chang, 1996) Tabela 5.1. Pregled krterjuma za zbor dobavljača kroz lteraturu (autor) Tabela 5.2. Ocenjvanje glavnh krterjuma u oblast građevnarstva (Stevć dr., 2017a) Tabela 5.3. Fuzzy težne krterjuma u oblast građevnarstva (Stevć dr., 2017a) Tabela 5.4. Defazfkacja vrednost krterjuma u oblast građevnarstva (Stevć dr., 2017a) Tabela 5.5. Ocenjvanje podkrterjuma grupe fnansje u oblast građevnarstva (autor) Tabela 5.6. Fuzzy težne podkrterjuma grupe fnansje (autor) Tabela 5.7. Vrednost dobjene nakon prvog koraka fuzzy AHP za podkrterjume grupe fnansje (autor) Tabela 5.8. Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe fnansje (autor) Tabela 5.9. Defazfkacja vrednost podkrterjuma grupe fnansje (autor) Tabela Ocenjvanje podkrterjuma grupe logstka u oblast građevnarstva (autor) Tabela Fuzzy težne podrterjuma grupe logstka (autor) Tabela Vrednost nakon prvog koraka fuzzy AHP za podkrterjume grupe logstka (autor) Tabela Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe logstka (autor) Tabela Defazfkacja vrednost podkrterjuma grupe logstka (autor) Tabela Ocenjvanje podkrterjuma grupe kvaltet u oblast građevnarstva (autor) Tabela Fuzzy težne podkrterjuma grupe kvaltet (autor) Tabela Vrednost nakon prvog koraka fuzzy AHP za podkrterjume grupe kvaltet (autor) Tabela Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe kvaltet (autor) Tabela Defazfkacja vrednost podkrterjuma grupe kvaltet (autor) Tabela Ocenjvanje podkrterjuma komunkacje poslovanje u oblast građevnarstva (autor) Tabela Fuzzy težne za podkrterjume grupe komunkacje poslovanje u građevnarstvu (autor) Tabela Vrednost dobjene nakon prvog koraka fuzzy AHP za podkrterjume grupe komunkacje poslovanje (autor) VI

10 SPISAK TABELA Tabela Vrednost dobjene nakon drugog koraka fuzzy AHP podkrterjuma grupe komunkacje poslovanje (autor) Tabela Defazfkacja vrednost podkrterjuma komunkacje poslovanje (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast građevnarstva (Stevć dr., 2017a) Tabela Ocenjvanje krterjuma u oblast prozvodnje predzolovanh cev (autor) Tabela Konačan rang u oblast prozvodnje predzolovanh cev (autor) Tabela Ocenjvanje krterjuma u oblast prozvodnje nameštaja (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje nameštaja (autor) Tabela Ocenjvanje krterjuma u oblast prozvodnje PVC stolarje (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje PVC stolarje (autor) 112 Tabela Ocenjvanje krterjuma u oblast prozvodnje plastčnh kesa folja (autor) Tabela Fuzzy težne krterjuma u oblast prozvodnje plastčnh kesa folja (autor) Tabela Vrednost dobjene nakon prvog koraka (autor) Tabela Vrednost dobjene nakon drugog koraka (autor) Tabela Defazfkacja vrednost krterjuma u oblast prozvodnje plastčnh kesa folja (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje plastčnh kesa folja (autor) Tabela Ocenjvanje krterjuma u oblast prozvodnje žce (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje žce (autor) Tabela Težnske vrednost svh krterjuma prmenom Fuzzy AHP G AHP (Stevć dr., 2017c) Tabela Ocenjvanje krterjuma u oblast automoblske ndustrje (autor) Tabela Konačan rang krterjuma podkrterjuma u oblast automoblske ndustrje (autor) Tabela Rezultat prmenom tr razlčte metode (Fazlollahtabar dr., 2017) Tabela Poređenje krterjuma u poljoprvrednoj oblast (autor) Tabela Fuzzy težne za krterjume u poljoprvrednoj oblast (Stevć, 2017) Tabela Defazfkacja vrednost krterjuma u poljoprvrednoj oblast (Stevć, 2017) Tabela Konačne težne svh krterjuma podkrterjuma u oblast poljoprvrede (Stevć, 2017) Tabela Ocenjvanje krterjuma u okvru oblast ostalo (autor) Tabela Konačn rezultat težne svh krterjuma podkrterjuma u oblast ostalo (autor) Tabela Ocenjvanje krterjuma u okvru oblast ekspertsko vrednovanje (autor) Tabela Konačne težne svh krterjuma podkrterjuma u oblast ekspertskog vrednovanja (autor) Tabela Prosečne vrednost svh krterjuma u svm oblastma vrednovanja (autor) Tabela 6.1. Grupna matrca poređenja (autor) Tabela 6.2. Otežana normalzovana gruba matrca sa PIS NIS (autor) Tabela 6.3. Relatvne blskost alternatva njhov rang (autor) VII

11 SPISAK TABELA Tabela 6.4. Poređenje devet krterjuma od strane tr donosoca odluke u kompanj za prozvodnju plastčnh kesa folja (autor) Tabela 6.5. Vrednost krterjuma prmenom geometrjske sredne posle prvog koraka (autor) Tabela 6.6. Ocenjvanje dobavljača na osnovu lngvstčke skale (autor) Tabela 6.7. Element prosečne matrce odlučvanja prosečna matrca rešenja (autor) Tabela 6.8. Konačn rezultat rang dobavljača (autor) Tabela 6.9. Ekspertsko poređenje krterjuma evaluacje (Stevć dr., 2017) Tabela Crsp vrednost vektora R crsp crsp C (Stevć dr., 2017) Tabela Grube vrednost vektora RN( R ) RN( C )(Stevć dr., 2017) Tabela Ocene alternatva prema krterjumma od strane sedam eksperata (Stevć dr., 2017). 158 Tabela Grupna gruba matrca (Stevć dr., 2017) Tabela Vrednost poztvnog rastojanja od prosečnog rešenja (Stevć dr., 2017) Tabela Vrednost negatvnog rastojanja od prosečnog rešenja (Stevć dr., 2017) Tabela Otežana matrca VP za poztvno rastojanje (Stevć dr., 2017) Tabela Otežana matrca VN za negatvno rastojanje (Stevć dr., 2017) Tabela Rezultat rangranje alternatva (Stevć dr., 2017) Tabela 7.1. Poređenje krterjuma od strane eksperata (Stevć dr., 2017) Tabela 7.2. Grupna gruba matrca (Stevć dr., 2017) Tabela 7.3. Uporedna analza rangova prmenom razlčth prstupa (Stevć dr., 2017) Tabela 7.4. Korelacja rangova testranh modela (Stevć dr., 2017) Tabela P.I.1. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje prezolovanh cev Tabela P.I.2. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje prezolovanh cev Tabela P.I.3. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje prezolovanh cev Tabela P.I.4. Ocenjvanje podkrterjuma grupe komnkacje poslovanje u oblast prozvodnje prezolovanh cev Tabela P.I.5. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje nameštaja Tabela P.I.6. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje nameštaja Tabela P.I.7. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje nameštaja Tabela P.I.8. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje nameštaja Tabela P.I.9. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje PVC stolarje Tabela P.I.10. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje PVC stolarje Tabela P.I.11. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje PVC stolarje Tabela P.I.12. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje PVC stolarje Tabela P.I.13. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje plastčnh kesa folja Tabela P.I.14. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje plastčnh kesa folja VIII

12 SPISAK TABELA Tabela P.I.15. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje plastčnh kesa folja Tabela P.I.16. Ocenjvanje podkrterjuma grupe komunkacja poslovanje u oblast prozvodnje plastčnh kesa folja Tabela P.I.17. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje žce Tabela P.I.18. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje žce Tabela P.I.19. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje žce Tabela P.I.20. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje žce Tabela P.I.21. Ocenjvanje podkrterjuma grupe fnansje u oblast automoblske ndustrje Tabela P.I.22. Ocenjvanje podkrterjuma grupe logstka u oblast automoblske ndustrje Tabela P.I.23. Ocenjvanje podkrterjuma grupe kvaltet u oblast automoblske ndustrje Tabela P.I.24. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast automoblske ndustrje Tabela P.I.25. Ocenjvanje podkrterjuma grupe logstka u poljoprvrednoj oblast Tabela P.I.26. Ocenjvanje podkrterjuma grupe kvaltet u poljoprvrednoj oblast Tabela P.I.27. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u poljoprvrednoj oblast Tabela P.I.28. Ocenjvanje podkrterjuma grupe fnansje u oblast ostalo Tabela P.I.29. Ocenjvanje podkrterjuma grupe logstka u oblast ostalo Tabela P.I.30. Ocenjvanje podkrterjuma grupe kvaltet u oblast ostalo Tabela P.I.31. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast ostalo Tabela P.I.32. Ocenjvanje podkrterjuma grupe fnansje u oblast ekspertsko vrednovanje Tabela P.I.33. Ocenjvanje podkrterjuma grupe logstka u oblast ekspertsko vrednovanje Tabela P.I.34. Ocenjvanje podkrterjuma grupe kvaltet u oblast ekspertsko vrednovanje Tabela P.I.35. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast ekspertsko vrednovanje IX

13 SPISAK SKRAĆENICA SPISAK SKRAĆENICA Skraćenca Pun nazv značenje SCM Supply Chan Management upravljanje lancem snabdevanja MCGP Mult-Choce Goal Programmng SAW Smple Addtve Weghtng-Metoda jednostavnh adtvnh težna AHP Analytc Herarchy Process- Analtčko Hjerarhjsk Proces ANP Analytc Network Process- Analtčko Mrežn Proces TOPSIS Technque for Orderng Preference by Smlarty to Ideal Soluton PROMETHEE Preference Rankng Organsaton Method for Enrchment Evaluatons ELECTRE ELmnaton and Choce Expressng Realty COPRAS COmplex PRoportonal Assessment VIKOR VIsekrterjumska optmzacja KOmpromsno Resenje MOORA Mult-Objectve Optmzaton on the bass of Rato Analyss MULTIMOORA Mult-Objectve Optmzaton by Rato Analyss plus Full Multplcatve Form ARAS Addtve Rato Assessment MABAC Mult-Attrbutve Border Approxmaton area Comparson EDAS Evaluaton Based on Dstance from Average Soluton MAIRCA MultAttrbutve Ideal-Real Comparatve Analyss CODAS COmbnatve Dstance-based Assessment DEMATEL DEcson MAkng Tral and Evaluaton Laboratory QFD Qualty Functon Deployment GIS Geographc Informaton System - Geografks nformacon sstem DEA Data Envelopment Analyss MSGP Mult-Segment Goal Programmng SCC Spearman coeffcent correlaton - Sprmanov koefcjent korelacje RN - GB Rough Number - Grub Broj BWM Best Worst Method SWARA Step-wse Weght Assessment Rato Analyss VKO Všekrterjumsko odlučvanje WASPAS Weghted Aggregated Sum Product Assessment TFN Trangular Fuzzy Number, Trapezod Fuzzy Number - trougaon trapezodn fuzzy broj CR Consstency Rato - Stepen konzstentnost CI Consstency Index - Indeks konzstentnost RI Random Index - Slučajn ndeks DO Donoslac odluke PIS Postve Ideal Soluton - poztvno dealno rešenje NIS Negatve Ideal Soluton - negatvno dealno rešenje CERD Cause-and-Effect Relatonshp Dagram - djagram uzroćno-posledčnh odnosa GAO Grančna Aproksmatvna Oblast PDA Postve Dstances (PDA) from the Average soluton NDA Negatve Dstances (NDA) from the Average soluton PVC Polyvnyl Chlorde SWOT Strengths, Weaknesses, Opportuntes, Threats - Snaga, Slabost, Mogućnost, pretnje X

14 REZIME REZIME Mudrost počnje željom za znanjem Ibn Gabrol Lanac snabdevanja predstavlja veoma kompleksan sstem u koj je uključen velk broj učesnka. Clj kompletnog lanca snabdevanja predstavlja nalaženje optmuma sa aspekta svh koj u njemu učestvuju, što nje nmalo jednostavan zadatak. Da b se mogao postć sveukupn optmum zadovoljstvo svh učesnka, neophodno je u njegovoj početnoj faz zvršt adekvatno vrednovanje zbor dobavljača. Proces donošenja odluka zahteva prethodno defnsanje spunjavanje određenh faktora, naročto kada su u ptanju kompleksne oblast kao što je upravljanje lancem snabdevanja. Jedna od najbtnjh stavk u početnoj faz lanca snabdevanja, koja tekako utče na njegov dalj tok, jeste donošenje odluke o najpovoljnjem dobavljaču. U ovom radu predložen je model za vrednovanje zbor dobavljača koj je razmatran u vše od deset razlčth prozvodnh oblast. Model se sastoj od dvadeset kvanttavnh kvaltatvnh krterjuma koj su prmenom fuzzy AHP (Analtčko Hjerarhjsk Proces) metode, a na osnovu ocenjvanja menadžera prozvodnh kompanja smanjen na ukupno devet. Početn model od dvadeset krterjuma formran je na osnovu detaljnog pregleda lterature drektnog razgovora sa rukovodocma na poslovma vezanm za dobavljače. Nakon razvoja modela zvršena je verfkacja stog kroz praktčne prmere. Verfkacja datog modela predstavljena je kroz vrednovanje zbor dobavljača u tr kompanje koje se bave razlčtom delatnošću. U kompanj za prozvodnju nameštaja prmenjena je kombnacja Grube AHP Grube TOPSIS (Technque for Orderng Preference by Smlarty to Ideal Soluton) metode. U kompanj za prozvodnju plastčnh kesa folja, za određvanje značaja krterjuma prmenjuje se fuzzy AHP metoda, a za vrednovanje zbor dobavljača fuzzy EDAS (Evaluaton based on Dstance from Average Soluton) metoda. Treć praktčan prmer kroz koj je razvjen model verfkovan predstavlja građevnsku kompanju. U datoj kompanj zvršen je zbor dobavljača na osnovu novog prstupa u oblast všekrterjumskog odlučvanja. Težnsk koefcjent krterjuma određen su prmenom DEMATEL (Decson Makng Tral and Evaluaton Laboratory) metode zasnovane na grubm brojevma. Vrednovanje zbor dobavljača zvršen je prmenom nove Grube EDAS metode koja predstavlja jednu od novjh metoda uovoj oblast. Nakon verfkacje modela kroz navedene prmere zvršena je analza osetljvost dskusja za svak prmer pojednačno. U kompanj za prozvodnju nameštaja analza osetljvost podrazumeva prmenu sledećh ntegrsanh prstupa: fuzzy AHP - TOPSIS prstup fuzzy AHP - fuzzy TOPSIS prstup u kojma se dokazuje stablnost dobjenh rezultata. Kada je u ptanju kompanja za prozvodnju plastčnh kesa folja dobjen rezultat su razmatran kroz analzu osetljvost u kojoj je formrano ukupno 15 razlčth scenarja gde je utvrđena stablnost modela, jer dobavljač br. jedan u svm slučajevma predstavlja najbolje rešenje. Formran scenarj predstavljaju promenu značaja krterjuma. Kada je u ptanju građevnska kompanja kako b se utvrdla stablnost modela prmenjvost predložene grube EDAS metode u radu je takođe zvršeno prošrenje COPRAS (COmplex PRoportonal Assessment) metode grubm brojevma XI

15 REZIME prkazan su rezultat uporedne analze. Pored novh prstupa zasnovanh na prošrenju grubm brojevma dobjen rezultat su upoređen sa Grubm MABAC (MultAttrbutve Border Approxmaton area Comparson) Grubom MAIRCA (MultAtrbutve Ideal-Real Comparatve Analyss). Pored toga, u analz osetljvost formrano je ukupno 18 razlčth scenarja u kojma krterjum menjaju svoju prvobtnu vrednost. Na kraju analze osetljvost zvršen je SKK (Spearmanov koefcjent korelacje) dobjenh rangova koj potvrđuje prmenjvost svh predloženh prstupa. Uz određenu modfkacju razvjen ntegrsan model b mogao bt prmenjen u skoro svm prozvodnm oblastma, bez obzra na tržšte na kojem prozvođač dobavljač egzstraju. U svom zvornom oblku preporučljv je za tržšta zemalja u razvoju, jer u okvru stog postoje krterjum koj su karakterstčn za navedena tržšta što u suštn predstavlja jedno od ogrančenja ovog modela. Fleksblnost modela se ogleda u tome što se njegova verfkacja može sprovest ntegracjom blo kojh metoda všekrterjumskog odlučvanja. Pored doprnosa koj se ogleda u prmenjvost razvjenog modela u razlčtm lancma snabdevanja, velk doprnos ovog rada je razvoj novh prstupa u oblast všekrterjumskog odlučvanja koj može bt prmenjen u svm lancma snabdevanja, naročto u procesma u kojma vladaju nezvesnost nejasnoće što je detaljno objašnjeno kroz rad. XII

16 ABSTRACT ABSTRACT Znanje je otrov koj u velkm kolčnama leč, a u malm ubja Jehud Menjuhn Supply chan presents a very complex system nvolvng a large number of partcpants. The am of the complete supply chan s fndng an optmum from the aspect of all partcpants, whch s a rather complex task. In order to ensure optmum satsfacton for all partcpants, t s necessary that the begnnng phase conssts of correct evaluatons and suppler selecton. A decson-makng process requres a pror defnton and fulfllment of certan factors, especally when t refers to complex felds such as supply chan management. One of the most mportant tems n the ntal stage of a supply chan, whch strongly nfluences ts further flow, s makng a decson on the most sutable suppler. In ths paper, a model for evaluaton and suppler selecton has been proposed, whch has been consdered n more than ten dfferent producton areas. The model conssts of twenty quanttatve and qualtatve crtera whch are reduced to a total of nne by the applcaton of the fuzzy AHP (Analytc Herarchy Process) method and the assessment of managers n producton companes. The ntal model of twenty crtera was formed on the bass of a detaled overvew of lterature and drect ntervews wth executves n feld of supply chan. After the development of the model, t was verfed through practcal examples. The verfcaton of the gven model s presented through the evaluaton and suppler selecton n three companes that deal wth dfferent actvtes. In the furnture manufacturng company, a combnaton of Rough AHP and Rough TOPSIS (Technque for Orderng Preference by Smlarty to Ideal Soluton) was appled. In company for the producton of plastc bags and fols, the fuzzy AHP method has been used to determne the sgnfcance of the crtera, and the fuzzy EDAS (Evaluaton based on Dstance from Average Soluton) to evaluate and select supplers. And the thrd practcal example through whch the developed model s verfed s the constructon company. In the gven company a suppler selecton was made based on the new approach n the feld of mult-crtera decson makng. Weght coeffcents were obtaned by DEMATEL (Decson Makng Tral and Evaluaton Laboratory) method, based on the rough numbers. Evaluaton and the suppler selecton were made on the bass of a new Rough EDAS method, whch presents one of the latest methods n ths feld. After verfcaton of the model through the above examples, the senstvty analyss and dscusson were conducted for each case ndvdually. In the furnture manufacturng company, the senstvty analyss mples the applcaton of the followng ntegrated approaches: the fuzzy AHP - TOPSIS approach and the fuzzy AHP - fuzzy TOPSIS approach n whch the stablty of the obtaned results s demonstrated. In company for the producton of plastc bags and fols the obtaned results have been consdered throughout a senstvty analyss n whch a total of 15 dfferent scenaros have been formed and where the stablty of the model has been determned, snce the suppler one s the best soluton n all the cases. The establshed scenaros represent a change n the weghts of the crtera. In constructon company n order to determne the stablty of the model and the applcablty of the proposed Rough EDAS method, an XIII

17 ABSTRACT extenson of the COPRAS (COmplex PRoportonal Assessment) method by rough numbers was also performed n ths study, and the fndngs of the comparatve analyss were presented. Besdes the new approaches based on the extenson by rough numbers, the results are also compared wth the Rough MABAC (MultAttrbutve Border Approxmaton area Comparson) and Rough MAIRCA (MultAttrbutve Ideal-Real Comparatve Analyss). In addton, n the senstvty analyss, 18 dfferent scenaros were formed, the ones n whch crtera change ther orgnal values. At the end of the senstvty analyss, SCC (Spearman Correlaton Coeffcent) of the obtaned ranges was carred out, confrmng the applcablty of the proposed approaches. Wth certan modfcatons, developed ntegrated model could be appled to almost all producton actvtes, regardless of the marketplace where the producers and supplers exst. In ts orgnal form t s recommended for the markets of developng countres, because wthn t there are crtera that are specfc for those markets, whch represents one of the lmtatons of ths model. In addton, the flexblty of the model s reflected n the fact that ts verfcaton can be carred out by ntegratng any of the multcrtera decson-makng methods. In addton to the contrbuton reflected n the applcablty of the developed model n varous supply chans, the great contrbuton of ths paper s the development of new approaches n the feld of mult-crtera decson makng that can be appled n all supply chans, especally n processes that are subject to uncertanty and vagueness, whch s explaned n detal through the work. XIV

18 UVODNA RAZMATRANJA 1. UVODNA RAZMATRANJA Koren učenja su gork, a plodov slatk Arstotel Prema Gunasekaran Nga, (2004) upravljanje lancem snabdevanja (SCM) je globalna strategja u 21. veku za postzanje konkurentske prednost, stoga nabavna logstka danas gra veoma važnu ulogu u lancu snabdevanja njenom optmzacjom postže se značajan efekat na celokupn logstčk sstem. Koncept lanca snabdevanja se vremenom menja, al u suštn zadržava svoj zvorn oblk (Slka ), dobja sve vše na značaju, pa tokom prve decenje ovog veka prema Petrovć dr., (2008) upravljanje kontrola lancem snabdevanja predstavljaju stratešk fokus vodećh prozvodnh kompanja. To je prouzrokovano veoma brzm promenama okruženja u kojm kompanje funkconšu, globalzacjom tržšta veoma vsokm zahtevma korsnka kojma vsok kvaltet prozvoda usluge postaje prortet. U današnjm lancma snabdevanja u kojma nabavka kao podsstem zbor adekvatnog dobavljača kao najvažnj proces u podsstemu nabavke predstavljaju ptanje od strateškog značaja za funkconsanje prozvodnh, a drugh kompanja, clj je modelrat lanac snabdevanja na takav načn koj će obezbedt proftablne zlaze za sve delove lanca snabdevanja njegove učesnke. Posmatrajuć jednu od defncja lanca snabdevanja, koj prema Monczka dr., (2015) predstavlja skup tr l vše organzacja koje su drektno povezane sa jednm l vše tokova prozvoda, usluga, fnansja nformaconh tokova od zvora do krajnjeg korsnka, u savremenm lancma snabdevanja veoma često potrebno je zvršt koordnacju aktvnost tokova u onoj mer koja prevalzal trenutne grance. Prema stm autorma upravljanje lancem snabdevanja podrazumeva proaktvno upravljanje, gde se poslovn rezultat ne očekuju, nego se njma upravlja. Upravljanje lancem snabdevanja ma ogroman utcaj na kvaltet prozvoda usluga, što prema Bal Demrhan (2013), povećava značaj odnosa zmeđu nabavke, eksternh dobavljača kvalteta. Sa povećanjem značaja ovh odnosa tež se zvršavanju optmzacje lanca snabdevanja koja prema Lysons Farrngton, (2006) ma za clj da uspešno kontrolše razlčte elemente unutar lanca, pod kojm se podrazumevaju učesnc, njhov međusobn kontakt odnos, al načn organzacje određenh nternh aktvnost. Iako postoj već broj cljeva koj se žel postć optmzacjom lanca snabdevanja, mogu se prema stm autorma zdvojt dva osnovna clja koja su snhronzacja svh učesnka aktvnost koj dodaju vrednost u prozvodnj l dstrbucj elmnacja onh aktvnost koj ne stvaraju l ne podržavaju stvaranje vrednost. Kolk je u suštn značaj lanca snabdevanja može se uočt z velkog broja publkacja konstantnog stražvanja velkog broja autora. On pokušavaju da njegov koncept što vše prblže realnm uslovma okruženja u kojma kompanje posluju defnšu ga na takav načn da se zvrš objednjavanje svh učesnka, aktvnost, procesa, ljudskh resursa koj učestvuju u njemu. Osnovn clj je optmzacja troškova, povećanje nvoa pružene usluge povećanje kvalteta prozvoda. Razlčt autor kroz razlčta vremenska 1

19 UVODNA RAZMATRANJA razdoblja defnšu lanac snabdevanja, stoga u nastavku (tabela 1.1) sled hronološk prkaz njegovog defnsanja. Autor() Stevens (1989) Lee Bllngton, (1992) Chrstopher, (1994) Chow dr., (1994) Stewart, (1995) Thomas Grffn, (1996) Beamon, (1998) Lummus Vokurka, (1999) Smch-Lev dr., (1999) Lambert Cooper, (2000). Mentzer dr., (2001) Tabela 1.1. Hronološk prkaz defnsanja lanca snabdevanja (autor) Defncja Lanac snabdevanja predstavlja sstem koj čne nz aktvnost u planranju, koordnacj kontrol materjala, komponent gotovh prozvoda od dobavljača do potrošača. Lanac snabdevanja predstavlja lanac vrednost tokom procesa promene srovog materjala do gotovog prozvoda za tržšte kojeg čne sposobnost za prozvodnjom, dstrbucjom, genersanjem usluga obezbeđenjem dodatnh aktvnost. Lanac snabdevanja predstavlja mrežu organzacja koje su povezane dvosmernm vezama, razlčtm procesma aktvnostma koje stvaraju vrednost u oblku prozvoda usluga za krajnjeg korsnka. Lanac snabdevanja obuhvata sve kompanje koje učestvuju u prozvodnj/prerad, prodaj dstrbucj prozvoda od zvoršta srovna do krajnjh korsnka. Lanac snabdevanja se sastoj z onh logstčkh nformaconh elemenata koj su prožet agregranm zahtevma tržšta sa jedne strane sporukom određenog prozvoda/usluge korsnku sa druge strane. Upravljanje lancem snabdevanja defnše kao upravljanje materjalnm nformaconm tokovma unutar zmeđu objekata, kao što su trgovačk, prozvodn montažn objekt dstrbutvn centr. Lanac snabdevanja defnše se kao ntegrsan proces u kome se nalaze brojn razlčt poslovn enttet (dobavljač, prozvođač, dstrbuter trgovc) koj rade zajedno sa cljem da: nabavljaju srovne, pretvaraju srovne u određene gotove prozvode, sporučuju gotove prozvode trgovcma. Lanac snabdevanja može se defnsat kroz sve aktvnost koje se odnose na sporuku prozvoda do korsnka, a u njh spadaju: snabdevanje srovnama delovma, prozvodnja montaža, skladštenje praćenje zalha, unos narudžbna upravljanje realzacjom narudžbne, dstrbucja duž svh kanala, sporuka korsncma, kao nformacon sstem koj su neophodn za praćenje svh ovh aktvnost. Upravljanje lancem snabdevanja predstavlja nz prstupa koj se korste za efkasno ntegrsanje dobavljača, prozvođača, skladšta maloprodajnh objekata, tako da se roba prozvod dstrbura u pravoj kolčn, na pravu lokacju u pravo vreme, sa cljem da se mnmzraju troškov u sstemu dok se zadovoljavaju zahtev za opslugom. Upravljanje lancem snabdevanja defnšu kao ntegracju ključnh poslovnh procesa od krajnjeg korsnka do početnh dobavljača koj obezbeđuju prozvode, usluge nformacje koje dodaju vrednost za korsnke ostale ulagače. Da b se zvršo clj upravljanja lancem snabdevanja koj predstavlja snhronzovanje zahteva korsnka sa tokom materjala od dobavljača potrebno je zvršt balansranje zmeđu onoga što se često vd kao konflktan 2

20 UVODNA RAZMATRANJA Autor() Defncja clj zmeđu vsokog nvoa opsluge korsnka, nskog nvoa zalha nskh jednčnh troškova. Mn Zhou, (2002) Frazelle, (2002) Hensher Brewer, (2004) Blanchard, (2007) Olugu Wong, (2009) Chrstopher, (2010) (Monczka dr., 2015) Chrstopher, (2016) Lanac snabdevanja posmatraju kao ntegrsan sstem koj snhronzuje nz zmeđu zavsnh poslovnh procesa u clju da se: nabavljaju srovne delov, ove srovne delov transformšu u gotove prozvode, dodaje vrednost ovm prozvodma, ov prozvod dstrburaju promovšu blo prodavcma blo korsncma, olakša razmena nformacja zmeđu razlčth poslovnh entteta (kao što su dobavljač, prozvođač, dstrbuter, logstčk davaoc usluga maloprodaja) Lanac snabdevanja vd kao mrežu objekata (skladšta, fabrka, termnala, luka, maloprodajnh objekata domaćnstava), transportnh sredstava (drumskh transportnh sredstava, vozova, avona okeanskh plovla) logstčkh nformaconh sstema koj su povezan preko dobavljačevh dobavljača korsnkovh korsnka. Smatraju da upravljanje lancem snabdevanja obuhvata celokupan nz poslovnh upravljačkh aktvnost koje se korste za pretvaranje ulaznh resursa u prozvode usluge. Kada bsmo htel lanac snabdevanja opsat sa četr reč, to b ble: planranje, nabavka, sporuka povrat. Btno je uočt da upravljanje lancem snabdevanja ntegrše snabdevanja obuhvata upravljanje unutar preko preduzeća. Lanac snabdevanja obuhvata globalnu mrežu dobavljača, preduzeća, skladšta, dstrbuconh centara trgovna kroz koju se nabavljaju srovne, transformšu sporučuju korsncma. Lanac snabdevanja je mreža organzacja koje su uključene povezane u oba smera u razlčtm procesma aktvnostma koje prozvode vrednost u oblku prozvoda usluga za krajnjeg korsnka. Lanac snabdevanja predstavlja skup tr l vše organzacja koje su drektno povezane sa jednm l vše tokova prozvoda, usluga, fnansja nformaconh tokova od zvora do krajnjeg korsnka. Lanac snabdevanja se defnše kao obostran odnos sa dobavljačma korsncma u clju obezbeđvanja veće bolje vrednost za korsnka uz što manje troškove kompletnog lanca snabdevanja. Iz tabele 1.1 se može zaključt da upravljanje lancem snabdevanja nje suštnsk menjalo svoj zvorn oblk da se od peroda njegovog nastanka, odnosno peroda početka razmatranja lanca snabdevanja kao mogućeg btnog faktora optmzacje poslovanja težlo što većoj ntegracj aktvnost u njemu, kako b se osguralo sgurno bezbedno odvjanje robnh tokova. Osnovn učesnc element u lancu snabdevanja u odnosu na vreme pojave njegovog koncepta danas su skoro st što se najbolje može vdet sa naredne dve slke, s tm što se sve vše pažnje posvećuje krajnjem korsnku usluge zadovoljavanju njhovh zahteva potreba. Da b se navedeno moglo spunt s jedne strane, a s druge strane ostvart dobt efkasno zvršavat skup aktvnost u lancu snabdevanja sa što manjm troškovma, potrebno je vodt 3

21 UVODNA RAZMATRANJA računa o načnu zbora dobavljača. Još 1990-h godna organzacone sposobnost su se dodatno poboljšale prema Monczka dr. (2015), menadžer su počel da shvataju da materjaln ulaz od dobavljača maju velk utcaj na njhovu sposobnost da odgovore na spunjenje potreba korsnka. Iz tog razloga sve već fokus se prdaje ponud dobavljačma kao btnom faktoru za formranje konačne cene prozvoda. Slka 1.1. Šema lanca snabdevanja (Chrstopher, 1992) Na slc 1.1 predstavljena je šema lanca snabdevanja proces koj prpadaju stom u samom početku njegovog nastanka. Sa slke se može uočt da su osnovn proces koj karakteršu lanac snabdevanja zbor dobavljača, podsstem nabavke, prozvodn proces, fzčka dstrbucja krajnj korsnc. Pored navedenh procesa za lanac snabdevanja su tekako btn nformacon tokov dodatne vrednost materjalnh tokova. Slka 1.2. Šema savremenog lanca snabdevanja sa procesma učesncma (autor) 4

22 UVODNA RAZMATRANJA Na slc 1.2 dat je šematsk prkaz savremenog lanca snabdevanja gde se trgovna pojavljuje kao veza zmeđu dstrbutera krajnjh korsnka. Osnovn učesnc u lancu snabdevanja danas su slčn kao u početku njegovog razvoja, s tm što je godnama logstka dobla mnogo na značaju u lancu snabdevanja danas, može se reć gra, ako ne ključnu, onda jednu od ključnh uloga pr efkasnom modelranju stog. Razvojem lanca snabdevanja mnogo vše pojedne aktvnost u određenm njegovm delovma dobjaju btnu ulogu tež se konstantno njegovoj optmzacj, ako to nje jednostavno, jer u kompletnom lancu javljaju se određen konflkt što je prkazano na slc 1.2. Potrebno je zadovoljt potrebe svh učesnka u lancu snabdevanja na takav načn da sv opažanjem pružene usluge l kvalteta prozvoda spune svoja očekvanja prtom da se ostvar željena dobt svh učesnka, osm naravno krajnjeg korsnka koj ma dugačj clj, a to je adkvatan prozvod usluga. Za razlku od lanca snadbevanja u početku, danas st mora bt prožet kako prozvodnm, tako nformaconm tokovma koj se kreću u oba smera u upravljanju lancem snabdevanja, dok se fnansjsk tokov kreću u smeru od krajnjeg korsnka. Sv ov tokov su tekako btn za sve učesnke do krajnjeg potrošača kada se lanac snabdevanja kreće u smeru ka krajnjem potrošaču. Takođe stu važnost maju za sve učesnke do prozvođača kada se lanac kreće u obrnutom smeru od potrošača do prozvođača. Ovo se dešava u četvrtoj faz logstke kada upotrebljen prozvod l ambalaža dolaze do prozvođača za uključenje u ponovn proces prozvodnje l zbog ostvarvanja nekog od drugh kanala povratne logstke. Kako je svrha postojanja lanca snabdevanja zadovoljenje potreba zahteva korsnka, u suštn clj savremenog lanca snabdevanja jeste ntegracja svh mogućh aktvnost procesa koje trebaju donet veću vrednost za krajnjeg korsnka. Nezostavan proces u današnjem upravljanju lancem snabdevanja je kontrola velkog broja aktvnost koj se zvršavaju u stom. Sa globalzacjom koja postala trend javljaju se veće drugačje potrebe, samm tm povećava se broj aktvnost koje je potrebno zvršavat tokom odvjanja lanca snabdevanja. Kompanje su prmorane u clju efkasnog poslovanja da se posvete samo ključnm aktvnostma, dok ostale manje važne aktvnost usmeravaju na druge kompanje koje mogu da h zvrše kvaltetnje, brže jeftnje. U prethodnom navedenom ogleda se značaj dstrbutera koj preuzmaju ulogu logstčkog provajdera vrše logstčk outsourcng za druge kompanje. Ovakav načn upravljanja lancem snabdevanja dovod do povećanja ne samo aktvnost, nego učesnka ljudskh resursa koj ostavljaju dvostran efekat na lanac snabdevanja. Ovakvm konceptom smanjuju se troškov, tež se povećanju kvalteta prozvoda zvršenh usluga kako b se dobo zadovoljan korsnk s jedne strane, dok s druge strane mogućnost kontrole nad celokupnm procesom se smanjuje, a povećava se rzk za mogućnošću prekda toka lanca snabdevanja. Da b se moglo adekvatno upravljat ovakvm lancem snabdevanja potrebno je saradnju zmeđu učesnka podć na najvš moguć nvo, zgradt poverenje među učesncma težt što većoj preglednost svh operacja. Na slc 1.2. takođe je dat prkaz osnovnh cljeva razlčth učesnka u lancu snabdevanja, gde se pouzdan dobavljač koj zvršava sve svoje ugovorne obaveze na adekvatan načn neometan tok robe mogu zdvojt kao jedn od najvažnjh cljeva od kojh umnogome može zavst kompletan tok lanca snabdevanja ostvarenja cljeva njegovh učesnka. Kvaltet usluge u velkoj mer zavs od vremena realzacje sporuke, a sporuka počnje dobavljačma, jer ako se roba sporuč u pravo vreme, 5

23 UVODNA RAZMATRANJA na pravo mesto, u pravom stanju, za pravog kupca postže se zadovoljstvo krajnjh korsnka, koje se drektno odražava na sam kvaltet usluge. U poslednjm decenjama, a naročto poslednjh godna vdljva je promena u pogledu uloge nabavke u poslovnoj strategj. Prema Kneževć dr., (2012) nabavka se tretra kao ntegrsana strateška poslovna funkcja koja ma za clj da poveže sve ostalo, da omoguć neometano zvođenje svh procesa aktvnost u kompanj, kao stvaranje veoma vsoke dodatne vrednost koja je utemeljena na odnosu sa dobavljačma. Iz prethodnog može se zaključt kolka je, u suštn, važnost nabavke, da će ona dalje rast kolko se ona vremenom menja. Nabavka današnjce budućnost treba da se zasnva na nternet tehnologjama, na povećanju ekološke svest delovanju u skladu s tm. Organzacje moraju zvršavat klasfkacju svojh dobavljača, gde će on koj budu daval kompletnju uslugu bt mnogo poželjnj u odnosu na druge. U današnjm savremenm lancma snabdevanja adekvatan zbor dobavljača predstavlja ptanje od strateškog značaja za celokupno poslovanje kompanja prema Lao Kao, (2011) ključn stratešk faktor. Značaj adekvatnog zbora dobavljača prepoznat je početkom poslednje decenje prošlog veka kada Davs, (1993) stče da je neuspeh dobavljača da spune obećanja očekvanja u vez sporuke jedan od tr glavna zvora nezvesnost koj opterećuju lanac snabdevanja. Kagncoglu, (2006) smatra da je zbor dobavljača krtčna aktvnost nabavke u upravljanju lancem snabdevanja zbog ključne uloge karakterstka dobavljača na cenu, kvaltet, sporuku servs u ostvarvanju cljeva lanca snabdevanja. Prema Gencer Gurpnar, (2007) zbor dobavljača je početn korak aktvnost u procesu stvaranja prozvoda predstavlja ključn faktor za kompanje koje žele bt uspešne u današnjm strogm uslovma tržšta, dok prema Shen Yu, (2013) efkasnost dobavljača je jedna od najvažnjh kompetencja za lanac snabdevanja. Uspeh kompletnog lanca snabdevanja, prema Jafarnejad Salm (2013), u velkoj mer zavs od zbora dobavljača, dok autor Sngh dr., (2012) u svom radu stču da je proces zbora dobavljača je jedan od najznačajnjh faktora koj ma drektan utcaj na performanse organzacje. Prema Lasch Janker, (2005) efkasno upravljanje dobavljačma koj počnje sa dentfkacjom potencjalnh dobavljača od ključnog je značaja za uspešno upravljanje lancem snabdevanja. Ghodsypour O Bren, (2001) smatraju da pravlan zbor dobavljača značajno utče na smanjenje troškova, koj prema Ghodsypour O Bren, (1998) predstavljaju do 70 % cene prozvoda povećanje konkurentnost. Önüt dr., (2009) potvrđuju navedeno dopunjuju sa zadovoljstvom krajnjh korsnka. Cavnato dr. (2006), Pooler dr. (2007) se bave ulogom nabavke u lancu snabdevanja. On su jasno naznačl da se uloga nabavke znatno promenla od 1970-h defnšu još neke specfčne cljeve nabavke: dobt najbolju nabavku - odgovarajuć kvaltet uz mnmalne troškove, platt razumno nske cene uz pregovaranje zvršavanje svh obaveza kompanje, razvjat zadovoljavajuće zvore snabdevanja održavat dobre odnose sa njma, 6

24 UVODNA RAZMATRANJA obezbedt optmalne performanse dobavljača, ponekad tražeć procese poboljšanja preko granca zmeđu trgovnskh partnera. Tradconalno poslovanje je podrazumevalo nekolko dobavljača srovnama, dok je danas stuacja drugačja prema Maslarć, (2014) kompanje se sve češće odlučuju za blžu saradnju samo sa jednm l dva dobavljača pre svega z razloga troškovne efektvnost. Poltka odnosa vrednovanja zvora nabavke ma stratešk karakter za kompletan podsstem nabavke. Ovaj podsstem može efkasno zvršt zadatke koj se odnose na snabdevanje kompanje, ukolko odabere dobavljača l dobavljače (manj broj) koj mogu zadovoljt zahteve koj se postavljaju u podsstemu nabavke. T zahtev se odnose na kvaltet, kolčnu, cenu, rokove sporuke robe druge rokove, pouzdanost, fleksblnost, kao ostale cljeve koje je potrebno spunt zadovoljavajuć druge krterjume koj su prkazan u nastavku rada koj su utvrđen pregledom lterature stražvanjem u prvrednom sstemu. Traženje dobavljača koj spunjavaju prethodno znete standarde je permanentan prmaran zadatak. U svrhu toga neophodno je kontnurano prkupljat obrađvat podatke o dobavljačma, s njma uspostavljat održavat adekvatne veze, zatm potrebno je razrađvat prmenjvat metode za evaluacju rangranje potencjalnh dobavljača. Nakon što je nabavka upoznata sa potrebama sredstava za prozvodnju prema svm karakterstkama kao što je kolčna, vrsta, trenutne zalhe td., ona dalje mora stražt zvore nabavke, te zabrat najpovoljnjeg dobavljača. U lteratur (Hofman 1999 Lukoszova 2004), postoje nek specfčn prstup pr zboru dobavljača, kao što su sledeć: naručlac ma obavezu da kup što je moguće jeftnje (što znač da cena kao faktor ma najveć značaj) naručlac ma subjektvn prstup (na prmer, naručlac nje stmulsan da se potrud da obezbed najpovoljnje uslove nabavke), naručlac pregovara subjektvno (stavlja već naglasak na lčnu korst nego na korst kompanja). Prema Hayes (2010) poželjn dobavljač treba da spune određene uslove: da konzstentno obezbeđuju kvaltet prozvoda utvrđen od strane kupca, da nude prozvode po prhvatljvoj cen, da spunjavaju sve rokove, da pružaju skorstvu podršku servs, da pružaju nformacje koje su korsne organzacj koja vrš nabavku, da preuzmaju odgovornost za probleme kada se pojave odgovara potrebama organzacje koju snabdeva, da nformšu kupca o eventualnm problemma porudžbne l sporuke, da užvaju stablnu fnansjsku pozcju, 7

25 UVODNA RAZMATRANJA da uporedo budu zanteresovan za obezbeđenje vrednost organzacj koju snabdevaju bez narušavanja kvalteta, da maju slčan sstem vrednost u pogledu etčkh norm u poslovanju, da daju naglasak na kvaltet, da zapošljavaju vsoko motvsane ljude kako b smanjl probleme prevelke fluktuacje radnka štrajkove, da maju skrene nterese da pomognu organzacj koju snabdevaju da dostgne svoj clj, da su prstupačn, što se najvše ogleda kroz jednostavnu komunkacju. Prema stom zvoru određvanje poželjnh dobavljača podrazumeva: komuncranje sa potencjalnm dobavljačma drugm lcma koja su mala skustva sa razmatranm dobavljačem, sopstveno stražvanje organzacje koja vrš nabavku, poseta dobavljaču, utvrđvanje reputacje dobavljača, procena dobavljača pre zbora. De Boer dr. (2001), su dentfkoval četr faze za zbor dobavljača koje su prkazane na slc 1.3. Slka 1.3. Četr faze zbora dobavljača (autor) Na sllc 1.3 je prkazan postupak zbora dobavljača kojeg su defnsal naveden autor koj počnje defnsanjem problema koj podrazumeva defnsanje potrebnh elemenata za zvšenje procesa nabavke, zatm formulsanje krterjuma koj su btn kompanj sa aspekta njenh trenutnh potreba zahteva koj se postavljaju pred njom na osnovu kojh će se vršt vrednovanje potencjalnh dobavljača. Treća faza je kvalfkacja dobavljača na osnovu njhovh katakterstka koje poseduju, a prema formranm krterjumma u prethodnoj faz. Na kraju, poslednja faza je zbor najpovoljnjeg dobavljača l vše njh u zavsnost od kompanje koja vrš zbor. 8

26 UVODNA RAZMATRANJA U svakodnevnom poslovanju donošenje odluka koje će s jedne strane obezbedt uštedu troškova, a s druge strane zadovoljenje potreba korsnka svakako predstavlja zazov. Prema tome, velku odgovornost pr modelranju lanca snabdevanja koj uključuje navedeno maju donosoc odluka. Njhov zadatak može se manfestovat kroz ostvarenje logstčkog trougla, kojeg čne troškov, vreme kvaltet. Zadovoljavanje ovh potreba koje se postavljaju pred donosoce odluka zahteva sstemsk prstup koj se ogleda u smanjenju troškova u svm podsstemma logstke, skraćenju vremena potrebnh za zvršavanje određenh operacja, kao ukupnog vremena potrebnog za realzacju sporuke robe. Pored toga, mora se težt povećanju kvalteta samog prozvoda kako b krajnj kupac bo zadovoljan postao lojalan korsnk. Upravo z navedenh razloga potrebno je u prvoj faz logstke, tj. nabavnoj logstc zvršt pravlno vrednovanje zbor dobavljača koj umnogome može utcat na formranje konačne cene prozvoda na taj načn ostvart značajan efekat u kompletnom lancu snabdevanja. (Stevć dr., 2016). Prethodno potvrđuju Groznk Maslarć, (2009) prema kojma je clj upravljanja lancem snabdevanja obezbeđenje velke brzne protoka kvaltetnh relevantnh nformacja koje omogućavaju dobavljačma obezbeđenje neprekdnh tokova materjala za korsnke. Navedeno je moguće postć ukolko se vrednovanje zvršava na osnovu všekrterjumskog odlučvanja koje uključuje velk broj krterjuma ekspertsku procenu njhovog relatvnog značaja, jer jedna od glavnh karakterstka všekrterjumskog odlučvanja je da krterjum ne mogu mat jednaku važnost (Stevć dr., 2015). 9

27 UVODNA RAZMATRANJA LITERATURA [1] Bal, M., Demrhan, A., (2013). Usng rough set theory for supply chan management process n busness. In Proceedngs of the XI Balkan conference on operatonal research (BALCOR 2013), Belgrade-Zlatbor, Serba (pp ). [2] Beamon, B. M. (1998). Supply chan desgn and analyss: Models and methods. Internatonal journal of producton economcs, 55(3), [3] Blanchard, D. (2007). Supply chans also work n reverse. Industry Week, 1, [4] Cavnato, L. J.; Flynn, A. E.; Kauffman, R. G. (2006). The Supply Management Handbook. 7th edton. McGraw-Hll. [5] Chow, G., Heaver, T. D., & Henrksson, L. E. (1994). Logstcs performance: defnton and measurement. Internatonal journal of physcal dstrbuton & logstcs management, 24(1), [6] Chrstopher, M. (1992). Logstcs and supply chan management: strateges for reducng costs and mprovng servces. Ptman, London. [7] Chrstopher, M. (1994). Logstcs and supply chan management. Fnancal Tmes, Irwn Professonal Publshng, New York [8] Chrstopher, M. (2010). Logstcs and Supply Chan Management. (4th ed.). Prentce Hall [9] Chrstopher, M. (2016). Logstcs & supply chan management. Pearson Hgher Ed. [10] Davs, T. (1993). Effectve supply chan management. Sloan management revew, 34(4), 35. [11] De Boer, L., Labro, E., & Morlacch, P. (2001). A revew of methods supportng suppler selecton. European journal of purchasng & supply management, 7(2), [12] Frazelle, E. (2002). Supply chan strategy: the logstcs of supply chan management. McGrraw Hll. [13] Gencer, C., & Gürpnar, D. (2007). Analytc network process n suppler selecton: A case study n an electronc frm. Appled mathematcal modellng, 31(11), [14] Ghodsypour, S. H., & O bren, C. (2001). The total cost of logstcs n suppler selecton, under condtons of multple sourcng, multple crtera and capacty constrant. Internatonal journal of producton economcs, 73(1), [15] Ghodsypour, S. H., & O'Bren, C. (1998). A decson support system for suppler selecton usng an ntegrated analytc herarchy process and lnear programmng. Internatonal journal of producton economcs, 56, [16] Groznk, A., & Maslarc, M. (2009). Investgatng The Impact Of Informaton Sharng In A Two- Level Supply Chan Usng Busness Process Modelng And Smulatons: A Case Study. In ECMS (pp ). [17] Gunasekaran, A., & Nga, E. W. (2004). Informaton systems n supply chan ntegraton and management. European Journal of Operatonal Research, 159(2), [18] Hayes, D. K. (2010). Purchasng: A gude for hosptalty professonals. Pearson Educaton Inda. [19] Hensher, D. A., Brewer, A. M. (2004) Transport and economcs and management perspectve. Oxford Unversty Press [20] Jafarnejad, A., & Salm, M. (2013). Grey Topss Method for Suppler Selecton wth Ltrature and Delph Crtara n an Auto Company. Academa Arena, 5(12),

28 UVODNA RAZMATRANJA [21] Kagncoglu, C. H. (2006). A fuzzy multobjectve programmng approach for suppler selecton n a supply chan. The Busness Revew, 6(1), [22] Knezevc, B., Delc, M., & Lovrc, S. (2012). Evaluaton Of Supplers As A Bass Of Strategc Procurement. Busness Logstcs n Modern Management, 12, [23] Lambert, D. M., & Cooper, M. C. (2000). Issues n supply chan management. Industral marketng management, 29(1), [24] Lasch, R., & Janker, C. G. (2005). Suppler selecton and controllng usng multvarate analyss. Internatonal Journal of Physcal Dstrbuton & Logstcs Management, 35(6), [25] Lee, H. L., & Bllngton, C. (1992). Managng supply chan nventory: ptfalls and opportuntes. Sloan management revew, 33(3), 65. [26] Lao, C. N., & Kao, H. P. (2011). An ntegrated fuzzy TOPSIS and MCGP approach to suppler selecton n supply chan management. Expert Systems wth Applcatons, 38(9), [27] Lukoszová, X. (2004). Nákup a jeho řízení: učebnce pro ekonomcké a obchodně podnkatelské fakulty. Computer Press. [28] Lummus, R. R., & Vokurka, R. J. (1999). Defnng supply chan management: a hstorcal perspectve and practcal gudelnes. Industral Management & Data Systems, 99(1), [29] Lysons, K., & Farrngton, B. (2006). Purchasng and supply chan management. Pearson Educaton. [30] Maslarć, M. (2014). Razvoj modela upravljanja logstčkm rzcma u lancma snabdevanja. Fakultet tehnčkh nauka, Unverztet u Novom Sadu, doktorska dsertacja [31] Mentzer, J. T., DeWtt, W., Keebler, J. S., Mn, S., Nx, N. W., Smth, C. D., & Zachara, Z. G. (2001). Defnng supply chan management. Journal of Busness logstcs, 22(2), [32] Mn, H., & Zhou, G. (2002). Supply chan modelng: past, present and future. Computers & ndustral engneerng, 43(1), [33] Monczka, R. M., Handfeld, R. B., Gunpero, L. C., & Patterson, J. L. (2015). Purchasng and supply chan management. Cengage Learnng. [34] Olugu, E. U., & Wong, K. Y. (2009). Supply Chan Performance Evaluaton: Trends and Challenges 1. [35] Önüt, S., Kara, S.S., and Işık, E, (2009) Long Term Suppler Selecton Usng a Combned Fuzzy MCDM Approach: A Case Study for a Telecommuncaton Company, Expert Systems wth Applcatons Vol. 36(2), [36] Petrovc, D., Xe, Y., Burnham, K., & Petrovc, R. (2008). Coordnated control of dstrbuton supply chans n the presence of fuzzy customer demand. European Journal of Operatonal Research, 185(1), [37] Pooler, V. H., Pooler, D. J., & Farney, S. D. (2007). Global purchasng and supply management: Fulfll the vson. Sprnger Scence & Busness Meda. [38] Shen, C. Y., & Yu, K. T. (2013). Strategc vender selecton crtera. Proceda Computer Scence, 17, [39] Smch-Lev, D., Smch-Lev, E., & Kamnsky, P. (1999). Desgnng and managng the supply chan: Concepts, strateges, and cases. New York: McGraw-Hll. 11

29 UVODNA RAZMATRANJA [40] Sngh, R., Rajput, H., Chaturved, V., & Vmal, J. (2012). Suppler selecton by technque of order preference by smlarty to deal soluton (TOPSIS) method for automotve ndustry. Int J Adv Technol Eng Res (IJATER), 2(2), [41] Stevens, G. C. (1989). Integratng the supply chan. Internatonal Journal of Physcal Dstrbuton & Materals Management, 19(8), 3-8. [42] Stevć, Ž., Tanackov, I., Vasljevć, M., Novarlć, B., & Stojć, G. (2016). An ntegrated fuzzy AHP and TOPSIS model for suppler evaluaton. Serban Journal of Management, 11(1), [43] Stevć, Ž., Veskovć, S., Vasljevć, M., & Tepć, G. (2015). The selecton of the logstcs center locaton usng AHP method. Unversty of Belgrade, Faculty of Transport and Traffc Engneerng, LOGIC, Belgrade, [44] Stewart, G. (1995). Supply chan performance benchmarkng study reveals keys to supply chan excellence. Logstcs Informaton Management, 8(2), [45] Thomas, D. J., & Grffn, P. M. (1996). Coordnated supply chan management. European journal of operatonal research, 94(1), [46] Tomek, J., & Hofman, J. (1999). Moderní řízení nákupu podnku. Management press. 12

30 PREDMET I CILJEVI ISTRAŽIVANJA 2. PREDMET I CILJEVI ISTRAŽIVANJA Učenje je svetlost Latnska poslovca 2.1. Domen stražvanja Domen stražvanja doktorske dsertacje predstavlja logstčk podsstem nabavke sa svm aktvnostma procesma koj se odvjaju u njemu, sa posebnm akcentom na kreranje baze potencjalnh dobavljača, utvrđvanje poželjnh dobavljača, te zvršavanje njhove evaluacje na osnovu određenog broja krterjuma koj su defnsan prkazan u nastavku rada. Dakle, domen stražvanja u okvru doktorske dsertacje obuhvata prve dve faze logstke: nabavku prozvodnju, koje svojm objednjavanjem čne logstku materjala. U prethodnom poglavlju uvodna razmatranja na slc 1.2 jasno su defnsan element, faze, učesnc cljev lanca snabdevanja. Ovde je btno naglast da u domen stražvanja koje pokrva ovaj rad spadaju dobavljač prozvođač, dok se drug delov lanca snabdevanja ne razmatraju drektno, nego samo kroz defnsan predmet stražvanja Potreba predmet stražvanja Sa povećanjem broja stanovnka na planet povećavaju se zahtev za materjalnm dobrma, koj generšu sve veće tokove u lancu snabdevanja. Kada se tome doda trend urbanzacje koj je postao naša svakodnevnca problem postaje još kompleksnj. Svet je globalzovan u velkoj mer zavs od efkasnog lanca snabdevanja, pa logstka u takvm uslovma dobja sve vše na značaju, a samm tm njen podsstem nabavke koj umnogome utče na celokupan lanac snabdevanja. U uslovma jake tržšne borbe velkog broja provajdera logstčkh usluga, da b se ostvarla željena konkurentska prednost na tržštu, potrebno je posedovat nformacje u pravo vreme, kako b se moglo adekvatno reagovat na određene promene zahteva ostvart efkasno poslovanje. To je moguće postć sstemskm prstupom koj podrazumeva dobru organzacju unutar ntegrsanog sstema. Integrsan sstem, pored fzčkh materjalnh resursa, čne logstčk kadrov koj moraju posedovat određen nvo znanja z oblast logstke nformaconh tehnologja, a u stom potrebno je zvršt raconalzacju svh aktvnost procesa kako b se postgao željen efekat. Problem stražvanja predstavlja efkasan načn zbora dobavljača pr realzacj logstke nabavke, koj podrazumeva uzmanje u obzr svh relevantnh faktora koj na drektan l ndrektan načn utču na efkasnost zvršavanja aktvnost procesa u podsstemu nabavke. Predmet stražvanja podrazumeva adekvatan načn vrednovanja zbora dobavljača u razlčtm prozvodnm oblastma prmenom odgovorajućh metoda prstupa koj čne ntegrsan model. Integrsan model razvjen u ovoj doktorskoj dsertacj odnos se na ntegracju metoda všekrterjumskog odlučvanja, teorje fuzzy skupova teorje grubh brojeva. Prmenjen je u 13

31 PREDMET I CILJEVI ISTRAŽIVANJA razlčtm prozvodnm oblastma lanca snabdevanja za vrednovanje selekcju dobavljača. Integrsan model, pored toga što se može prment u razlčtm prozvodnm delatnostma, što je detaljno prkazano u nastavku rada, može se prment u drugm fazama lanca snabdevanja kao što je dstrbutvna logstka Cljev stražvanja U savremenm uslovma poslovanja da b kompanje ostvarle pozcju na tržštu koja h čn konkurentnm, te da b sačuvale stu potrebno je konstantno vršt merenje praćenje sopstvenh performans. Ukolko postoj odstupanje (što je često slučaj) ostvarenh od planranh vrednost, potrebno je vršt određene korektvne mere koje obezbeđuje dostzanje većh vrednost. Međutm, bolj pravac pomoću kojeg je moguće ostvart efkasno poslovanje jeste proaktvn načn upravljanja, gde se poslovn rezultat ne očekuju, nego se njma upravlja. Zahvaljujuć stalnm promenama kojma je tržšte zloženo na kojem se postavljaju sve strožj zahtev svakako je zazov održat konkurentsku pozcju. To je moguće postć ukolko se ostvar adekvatna prozvodnja koja podrazumeva što nžu cenu prozvoda, što već kvaltet, velku tačnost sporuke krajnjm korsncma, pouzdanost, odgovor na specfčne zahteve koj postavljaju korsnc, fleksblnost, kao saradnja koja se ostvaruje kako sa kupcma, tako sa dobavljačma. Osnovn clj stražvanja podrazumeva mogućnost unapređenja logstčkog podsstema nabavke kroz dentfkacju potencjalnh dobavljača, utvrđvanje poželjnh dobavljača, te zvršavanje njhove evaluacje kroz razvoj ntegrsanog modela novh prstupa u oblast všekrterjumskog odlučvanja. Mogućnost unapređenja, odnosno clj rada će se postć stražvanjem u realnom sstemu koje podrazumeva montorng analzu pojednh prmera u prvrednom sektoru, prmenom dosadašnjh stečenh naučnh stručnh saznanja z oblast koja je predmet stražvanja, zatm prmenom teorje fuzzy skupova, grubh skupova razvojem adekvatnog modela za vrednovanje dobavljača. Istražvanje koje je sprovedeno u okvru doktorske dsertacje povezuje prve dve faze logstke: nabavku prozvodnju, koje svojm objednjavanjem čne logstku materjala. Efkasnm zvršavanjem aktvnost vezanh za ovaj sstem, koje uključuju optmalan zbor dobavljača znatno se utče na formranje same cene gotovog prozvoda, kao njegovog kvalteta koj u velkoj mer dktra položaj na tržštu. Pravlan zbor dobavljača u startu obezbeđuje mogućnost za pravovremenu, kontnuranu kvaltetnu prozvodnju kojom se postžu prethodno opsane prednost kojom data prozvodnja postaje konkurentna. Clj stražvanja usmeren je ka pronalaženju načna da se prethodno opsano postgne kako b se omogućlo efkasno poslovanje. Potrebno je ukazat na mogućnost koje ovaj podsstem logstke pruža prednost koje se mogu postć optmzacjom nabavke. Da b se postavljen cljev spunl potrebno je prment znanja z vše razlčth oblast, jer očgledno da je problem stražvanja veoma kompleksan multdscplnaran, s obzrom da obuhvata vše razlčth oblast kao što su teorja fuzzy skupova, teorja grubh skupova, pojedne oblast operaconh stražvanja, logstka, upravljanje kvaltetom, ljudsk resurs nformacone tehnologje. 14

32 PREDMET I CILJEVI ISTRAŽIVANJA Pored navedenog mogu se zdvojt sledeć veoma btn cljev. Prv od njh odnos se na unapređenje metodologje za tretranje neprecznost u oblast grupnog všekrterjumskog donošenja odluka kroz predstavljanje novog Grubog EDAS Grubog COPRAS algortma. Sledeć zdvojen clj ovog rada je popularzacja deje grubh brojeva (GB) kroz njhovu prmenu za donošenje odluka u stvarnom poslovnom prvrednom sstemu. I na kraju, treć zdvojen clj ovog rada je obogaćvanje metodologje za evaluacju zbor dobavljača kroz nov prstup u tretranju neprecznost koj se bazra na grubm brojevma. U skladu sa svm znesenm u ovom poglavlju mogu se zdvojt pojedn zadac: analza trenutnog stanja dosadašnjh stražvanja u oblast, kao analza dobjenh rezultata njhove prmenjvost u trenutnm uslovma koj vladaju u logstčkom podsstemu nabavke utvrđvanje mogućnost unapređenja logstčkog podsstema nabavke u pogledu vrednovanja zbora najboljeg dobavljača prmenom kombnacje metoda všekrterjumskog odlučvanja, teorje fuzzy skupova teorje grubh skupova; razvoj novog prstupa za vrednovanje dobavljača u lancma snabdevanja koj će omogućt smanjenje subjektvnost neprecznost koje se svakodnevno javljaju pr donošenju odluka. Razvoj opšteg modela za vrednovanje dobavljača koj podrazumeva određen set krterjuma koj se mogu prmenjvat u razlčtm oblastma Hpoteze S obzrom na prethodno navedene cljeve mogućnost unapređenja logstčkog podsstema nabavke kroz donošenje odluke o zboru dobavljača na osnovu kombnacje metoda všekrterjumskog odlučvanja, teorje fuzzy skupova teorje grubh skupova koje na veoma dobar načn vrše kvantfkacju kvaltatvnh krterjuma mogu se zdvojt sledeće hpoteze: Moguće je razvt model vrednovanja dobavljača koj će bt šroko prmenjv u kompanjama koje se bave razlčtom prozvodnom delatnošću uz mnmalnu modfkacju njegovh elemenata. Prmena razvjenog modela poztvno utče na formranje konačne cene gotovog prozvoda povećava konkurentsku pozcju na tržštu. Prmenom fuzzy grubh brojeva umesto crsp brojeva moguće je krerat efkasnj precznj model za donošenje odluka u vez sa vrednovanjem dobavljača. 15

33 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI 3. PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Pre nego se uzdgao nebu pod oblake, orao je na zemlj poskakvao Ruska narodna poslovca 3.1. Plegled krterjuma za vrednovanje zbor dobavljača U lteratur razlčtm publkacjama koje se bave stm l slčnm problemma kao što je u ovom radu može se nać velk broj krterjuma za vrednovanje dobavljača, međutm postavlja se ptanje kako zabrat prave z određenog skupa, pomoću kojh će se zabrat najbolje rešenje. Kao ponrom u ovoj oblast smatra se Dckson, (1966) koj je prv zvršo studju o evaluacj dobavljača u kojoj je defnsao set od 23 krterjuma na osnovu kojh b se moglo zvršt ocenjvanje zbor najpovoljnjeg dobavljača. U tabel 3.1 dat je prkaz svh 23 krterjuma koja su koršćena u navedenoj studj za zbor dobavljača. Tabela 3.1. Dksonov krterjum za evaluacju dobavljača (Dckson, 1966) R. br. Krterjum Važnost krterjuma 1. Kvaltet 2. Isporuka 3. Istorjske performance Veoma velka važnost 4. Garancja 5. Prozvodna postrojenja 6. Neto cena 7. Tehnčke sposobnost 8. Fnansjska pozcja 9. Proceduralna usklađenost 10. Komunkacon sstem Velka važnost 11. Reputacja pozcja u ndustrj 12. Volja za poslovanje 13. Menadžment organzacja 14. Operatvne kontrole 15. Servs popravk 16. Stav 17. Utsak 18. Veštna pakovanja 19. Odnos sa radnm osobljem Srednja važnost 20. Geografska lokacja 21. Prethodno poslovanje 22. Usavršavanje 23. Recpročn dogovor Mala važnost U svom radu Ellram, (1990) je pokušao da poveća značaj kvaltatvnh krterjuma koj b trebalo da obezbede dugoročnu saradnju zmeđu kompanje dobavljača. On je podelo krterjume u četr grupe: fnansjsk aspekt, organzacona struktura strateška ptanja, tehnološk faktor drug faktor (tabela 3.2). 16

34 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Tabela 3.2. Ellramov krterjum za evaluacju dobavljača (Ellram, 1990) R. br. Krterjum R. br. Podkrterjum 1. Fnansjsk aspekt 1.1. ekonomske performanse 1.2. fnansjska stablnost 2.1. poverenje 2.2. stav rukovodstva/pogled u budućnost 2.3. stratešk planov Organzacona kultura strateška 2.4. sposobnost rukovodstva 2. ptanja saradnja među razlčtm službama zmeđu 2.5. kupca dobavljača 2.6. dobavljačeva organzacona struktura kadrov 3.1. procena trenutnh prozvodnh mogućnost kapacteta 3. Tehnološka ptanja 3.2. procena budućh prozvodnjh kapacteta 3.3. dobavljačeve dzajnerske mogućnost 3.4. dobavljačeva brzna razvoja 4.1. zaštta sgurnost na radu 4. Drug faktor 4.2. poslovne reference 4.3. dobavljačev kljent Krterjum koj su prkazan u prethodnoj tabel maju za clj da podstaknu stvaranje dugoročnog partnerstva zmeđu kompanje dobavljača, kao da stvore mogućnost obezbeđenja zvora nabavke na duž vremensk perod. Da b se mogao prment ovakav prstup za ocenjvanje dobavljača, kompanja mora da zrad drugačju strategju za vrednovanje performans dobavljača. Zatm su odgovor na prethodno postavljeno ptanje pokušal dat autor krajem prošlog veka, pa Webber dr., (1991) su stražval krterjume za zbor dobavljača u prozvodnom maloprodajnom okruženju u 74 studuje objavljene od do godne. U tabel 3.3 dat je prkaz krterjuma koj su naveden autor utvrdl. Tabela 3.3. Krterjum koj su utvrđen u (Webber dr., 1991) R. br. Krterjum Važnost krterjuma 1. Neto cena 2. Isporuka Velka važnost 3. Kvaltet 4. Prozvodna postrojenja 5. Geografska lokacja 6. Tehnčke sposobnost 7. Menadžment organzacja Mala važnost 8. Reputacja pozcja u ndustrj 9. Fnansjska pozcja 10. Istorjske performanse 17

35 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Grupa autora je došla do zaključka da krterjum kvaltet, sporuka cena preovlađuju kao domnantn, dok geografska lokacja, fnansjsk položaj prozvodn kapactet spadaju u sekundarnu grupu faktora. Krterjum koje je defnsao Dckson, a kasnje modfkovao Webber dalje su šroko prhvaćen u razlčtm stražvanjma, međutm kroz vreme značaj pojednh krterjuma se menja što povrđuje rad (Cheragh dr., 2004) u kojem su autor obuhvatl preko 110 radova koj su razmatral problematku zbora dobavljača. Zatm, Verma Pullman, (1998) sprovel su stražvanje među velkm brojem menadžera sa cljem da sptaju na koj načn prave komproms prlkom zbora dobavljača. Njhovo stražvanje je ukazalo na to da menadžer najvše pažnje prdaju kvaltetu kao najvažnjem atrbutu dobavljača, a potom slede sporuka cena. Istražvanje o utcaju krterjuma u lancu snabdevanja nastavlja se početkom ovog veka, pa su Karpak dr., (2001) uzel pouzdanost sporuke kao krterjum za zbor, dok su Kraus dr., (2001) u svom stražvanju uočl potrebu da dodaju novacju kao nov ravnopravan krterjum. Prema Brch, (2001), pre nego što se počne sa defnsanjem najvažnjh krterjuma na osnovu kojh je potrebno ocent dobavljače, prvo se mora defnsat prstup koj podrazumeva odnos zmeđu kupca dobavljača. Zbog toga menadžer nabavke moraju prvo da se zvrše određene dogovore sa dobavljačma utvrde uslove za pregovore. Prema stom autoru krterjum za zbor dobavljača se mogu svrstat u pet razlčth kategorja: troškov, logstka, kvaltet, razvoj upravljanje, dok su Bhutta Huq, (2002 ) u svom stražvanju korstl četr krterjuma za evaluacju dobavljača: cenu, kvaltet, tehnologju uslugu. U stražvanju Çeb Bayraktar, (2003) su obrađval slčne krterjume kao što je bo slučaj u (Brch 2001) ovde su krterjum klasfkovan kao: logstka, tehnologja, poslovanje poslovna saradnja (tabela 3.4). Clj je bo stvort model koj prav razlku zmeđu kvaltatvnh kvanttavnh krterjuma. Tabela 3.4. Krterjum za vrednovanje dobavljača (Çeb Bayraktar, 2003) R. br. Krterjum R. br. Podkrterjum 1.1. vreme sporuke 1. Logstka 1.2. podrška lotovma 1.3. fleksblnost pr promen narudžbe 1.4. pouzdanost sporuke 2.1. kapactet za zadovoljenje potražnje 2. Tehnologja 2.2. učešće u stvaranju novh prozvoda 2.3. poboljšanje prozvoda procesa 2.4. sposobnost rešavanja problema 3.1. reputacja pozcja 3. Poslovanje 3.2. fnansjska stablnost 3.3. upravljačke sosobnost kompatblnost 4.1. jednostavna komunkacja 4. Odnos 4.2. prethodna skustva 4.3. poslovne reference kompetentnost 18

36 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Sledeć autor su, takođe, kao većna prethodnh u svom stražvanju korstl četr krterjuma: Guner dr., (2009) kvaltet, reputacju, blskost odnosa sa dobavljačma pouzdanost, Shen Yu, (2009) tehnčke kapactete, kvaltet, garantn rok novacju, a Boran dr., (2009) kvaltet, cenu, sporuku tačno na vreme blskost odnosa sa dobavljačma. Büyüközkan Çfç, (2011) korstl su vše krterjuma kao što su tehnčk kapactet, kvaltet, cena, fnansjska pozcja, prozvodne performanse td., dok su Junor dr., (2014) u svom radu korstl kvaltet, cenu, sporuku koja uključuje vreme pouzdanost, profl dobavljača koj uključuje reputacju fnansjsku pozcju odnos sa dobavljačem. Fnansjsk pokazatelj, kvaltet sporuka su u skoro svm stražvanjma prsutn kao krterjum za zbor dobavljača (Wnd dr., 1968; Lehmann O'shaughnessy,1974; Perreault Russ, 1976; Bllesbach dr., 1991; Mn Galle, 1999; P Low, 2005; P and Low, 2006; Teeravaraprug, 2008; Lao, 2010; Parthban dr., 2012; Mehralan dr., 2012; Crstea Crstea, 2017; Fallahpour dr., 2017). Ov krterjum se mogu posmatrat kao glavn krterjum koj se dalje dele na podkrterjume ukolko se razmatra već broj, l kao krterjum bez podkrterjuma kada je reč o vrednovanju dobavljača na osnovu manjeg skupa krterjuma Pregled metoda za vrednovanje zbor dobavljača Modern lanc snabdevanja zahtevaju spunjenje veoma strogh zahteva, pa se pred donosoce odluka postavlja veoma težak zadatak u pogledu pravlnog vrednovanja potencjalnh dobavljača koj će omogućt efkasnu prozvodnju formranje konačne cene prozvoda sa kojom će kompanja bt konkurenta na tržštu. Pored seta krterjuma za vrednovanje dobavljača potrebno je mat skustva znanja koje se odnose na poznavanje metoda za evaluacju dobavljača, pa u nastavku sled prkaz metoda všekrterjumskog odlučvanja u konvenconalnom oblku u kombnacj sa fuzzy logkom koje se najčešće korste u ovu svrhu. Metode na kojma će većnom bt akcenat u radu, odnosno metode na kojma se st zasnva su metode všekrterjumskog odlučvanja u kombnacj sa fuzzy logkom grubm brojevma koje daju relevantne rezultate danas se uvelko prmenjuju u svm oblastma nauke, a u poslednje vreme sve češće u oblast logstke. Zahvaljujuć ovm metodama kod problema gde postoj već broj rešenja prlkom kojh su formran određen krterjum, može se doć do valdnog rešenja. Prlkom koršćenja ovh metoda potrebno je nagalast da postoj određena doza subjektvnost donosoca odluka, al nju je moguće svest na mnmum prmenom fuzzy l grubh brojeva. U poslednje vreme oblast všekrterjumskog odlučvanja je u velkom razvoju, pre svega zahvaljujuć velkom broju publkacja koje se bave donošenjem određenh odluka na osnovu prmenjenh metoda koje prpadaju ovoj oblast. Ova oblast je jedna od najbrže rastućh oblast operaconh stražvanja pre svega, jer su mnoge metode razvjene još uvek se razvjaju. U tabel 3.5 prkazane su metode všekrterjumskog odlučvanja od njenog nastanka do danas. 19

37 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI Tabela 3.5. Pregled metoda všekrterjumske analze (autor) Autor MacCrmmon, (1968) Gabus Fontela, (1972) Saaty, (1980) Saaty, (1980) Hwang Yoon, (1981) Brans Vncke, (1985) Roy, (1991) Zavadskas dr., (1994) Chang, (1996) Oprcovć, (1998) Chen, (2000) Brauers Zavadskas, (2006) Brauers Zavadskas, (2010) Zavadskas Turkss, (2010) Turkss Zavadskas, (2010) Pamučar Ćrovć, (2015) Reza, (2015) Ghorabaee dr., (2015) Ghorabaee dr., (2016) Ggovć dr., (2016) Ghorabaee dr., (2016) Stevć dr., (2017b) Stevć dr., (2017a) Metoda SAW DEMATEL AHP ANP TOPSIS PROMETHEE ELECTRE COPRAS Fuzzy AHP VIKOR Fuzzy TOPSIS MOORA MULTIMOORA ARAS Fuzzy ARAS MABAC BWM EDAS Fuzzy EDAS MAIRCA CODAS Grub EDAS Grub SAW Velk je broj radova koj su nedavno objavljen, a koj prema Zavadskas dr., (2016) prmenjuju razlčte tehnke všekrterjumskog odlučvanja za rešavanje nženjerskh problema. Svakodnevno koršćenje metoda všekrterjumskog odlučvanja (Mardan dr., 2015; Gul dr., 2016) svakako je doprnelo rastu popularnost ove oblast (Zavadskas dr., 2014a). Mnogo je hbrdnh modela všekrterjumskog odlučvanja koj su predložen za rešavanje razlčth problema u nženjerstvu. U (Akkaya dr., 2015) predložen je ntegrsan fuzzy AHP fuzzy MOORA model za rešavanje problema u oblast ndustrjskog nženjerstva. Chen Yang,(2011) su korstl ogrančen Fuzzy AHP Fuzzy TOPSIS za zbor dobavljača. Ovakve ntegrsane metode su takođe koršćene za rešavanje sledećh problema: za zbor razvoj logstčkog partnera u povratnoj logstc (Prakash Barua 2016), rangranje ndustrjskh alternatva za potrfolo nvestcje (Dncer dr., 2016), za zbor opreme za rukovanje (Yazdan,2014), za zbor metode rudarstva u prozvođačkoj kompanj cnka u Iranu (Yazdan dr., 2012), l kombnacja vše metoda všekrterjumskog odlučvanja sa QFD metodom za zbor dobavljača u zelenom lancu snabdevanja (Yazdan dr., 2016), kombnacja AHP, GIS cljnog programranja za vrednovanje u povratnoj logstc (Acar dr, 2015), kombnacja fuzzy VIKOR AR-DEA metoda za zbor dobavljača (Mohaghar dr., 2013). Kao jedna od zastupljenh oblast u kojoj su ove metode našle svoju prmenu su lokacjsk problem, gde je moguće rangrat zabrat lokacje razlčth namena npr. lokacja za međunarodn turstčk hotel (Chou dr., 2008), lokacjsk problem za tekstlnu kompanju (Ertuğrul Karakaşoğlu, 2008), lokacja ntermodalnog teretnog logstčkog centra (Kaykc, 2010), teretnog sela (Yıldırım Önder, 2014), ndustjske lokacje (Rkalovć dr., 2014), 20

38 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI zbor lokacje gradlšta (Jelokhan-Narak Malczewsk, 2015; Tursks dr., 2015). Pored navedenog rešavaju se sledeć všekrterjumsk problem: zbor ntelgentnh sstema gradnje (Wong L, 2008), vrednovanje performans projekata u građevnarstvu (Zavadskas dr., 2014b), u oblast transporta (Svlevčus Maskelūnate, 2010; Pamučar Ćrovć 2015 Machars Bernardn, 2015), oblast nformaconh sstema (Abu-Sarhan, 2011). Još neke oblast u kojma je manje zastupljena prmena ovh metoda, al što ne znač da su manje značajne: rangranje opštnskh alternatva za tretman čvrstog otpada (Herva Roca, 2013; Soltan dr., 2015), zbor dzalce (Dalalah dr., 2010), vrednovanje ndustrjskh robotnh sstema (Kahraman dr., 2007), vrednovanje performans banaka (Stankevčenė Mencatė, 2012), zbor poltke održavanja u tekstlnoj ndustrj (Ilangkumaran Kumanan, 2009), zbor zvora ptke vode (Gutérrez dr, 2016), zbor tehnologje za prozvodnju elektrčne energje (Štremkenė dr., 2016), procena rzka od požara (Pushkna dr, 2015), zbor građevnskh rešenja za energetsk efkasne porodčne kuće (Motuzenė dr., 2016), zbor građevnskog projekta (Ulubeyl Kazaz, 2016), procena održvost stambenog tržšta (Nuuter dr., 2015), zbor varjante popravke zgrade (Bucoń Sobotka, 2015), td. Uzmajuć u obzr sve navedeno može se zaključt da ova oblast u poslednje vreme, naročto poslednjh nekolko godna dožvela ekspanzju, te velk broj problema se danas rešava korsteć metode koje prpadaju navedenoj oblast. Korste se za rešavanje problema razlčte prrode, a velku prmenu našle su u oblast menadžmenta logstke, gde se određene odluke donose upravo na baz všekrterjumskh metoda. Postoj velk broj metoda koj prpadaju oblast všekrterjumskog odlučvanja, što je prkazano u tabel 3.5. Najčešće koršćene, barem kada je u ptanju zbor dobavljača su AHP TOPSIS metoda, što se može uočt z tabele 3.6 gde je dat pregled najčešće koršćenh metoda všekrterjumskog odlučvanja u oblast koja se bav vrednovanjem zborom dobavljača, koje će se korstt u okvru ovog rada. U skorje vreme dolaz do razvoja novh metoda (ARAS, EDAS, CODAS, MABAC, MAIRCA td.) u ovoj oblast koje počnju grat velku ulogu u stražvanjma u razlčtm oblastma uključujuć oblast koja je predmet stražvanja. Učestalost prmene metode Analtčko Hjerarhjskog Procesa (AHP) vdljva je u sledećem kratkom pregledu.korštena je za rešavanje problema zbora dobavljača, blo u konvenconalnom oblku l u kombnacj sa fuzzy logkom, (Nydck Hll, 1992; Chen dr., 2006; Stevć dr., 2015c,), zbor dobavljača u ndustrj (Barbarasoglu Yazgac, 1997), zbor dobavljača za tekstlnu kompanju (Ertugrul Karakasoglu, 2006), oblast prozvodnje (Chan Kumar, 2007), zbor dobavljača za prozvođača TFT-LCD (Lee, 2009), elektronsku nabavku (Benyoucef Canbolat, 2007), u kompanj za veš mašne (Klncc Onal, 2011), u kompanj motornh zupčanka (Ayhan, 2013), dobavljača za prozvođača bele tehnke (Kahraman dr., 2003). Ho je zajedno sa koautorma u (Ho dr., 2010) zvršo pregled lterature za prmenu všekrterjumske analze u navedenoj oblast. Postoj znatan broj publkacja koje se bave upravo poređenjem klasčnog AHP fuzzy AHP kao što je (Davoud Sheykhvand, 2012 Özdağoğlu Özdağoğlu, 2007 Zhang, 2010 Kabr Hasn 2011 Noramn dr., 2012 Aggarwal Sngh, 2013 Stevć dr., 2015a). 21

39 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI AHP se veoma često korst u kombnacj sa drugm metodama o čemu svedoč (Stevć dr., 2015b), gde autor u radu AHP korste za procenu težna krterjuma, a TOPSIS metodu za dobjanje konačnog ranga alternatva l kombnacja fuzzy AHP TOPSIS metode (Ball dr., 2009; Mahmoodzadeh dr., 2007), kombnacja fuzzy AHP fuzzy TOPSIS (Sun, 2010; Zeydan dr., 2011), za vrednovanje performans dobavljača u kompanj koja prozvod nekolko vrsta elektronskh kartca (Eraslan Atalay, 2014). Shukla dr., (2014) pokazuju kako se može zvršt ntegracje ove dve metode u fuzzy oblku u clju obezbeđenja veće konzstentnost pr vrednovanju u proretzacj partnera u lancu snabdevanja. Bronja Bronja, (2015) korste kombnacju ovh metoda za zbor dobavljača alumnzanog lma. AHP se može kombnovat sa drugm metodama kao npr. sa COPRAS (Das dr., 2012 Stevć, 2016.), ARAS (Ghadkolae Esboue, 2014 Stevć dr., 2016). Sagledavajuć zneseno može se postavt ptanje kolku ulogu graju ove metode u procesu zboru dobavljača koje mesto zauzmaju u stom, što je prkazano na slc 3.1. Slka 3.1. Grubo pozconranje metoda odlučvanja u zboru dobavljača (Modfkovano prema De Boer dr., 2001) Na slc 3.1 moguće je uočt grubu pozcju metoda odlučvanja prlkom zbora dobavljača, a među njma označenu oblast všekrterjumskog odlučvanja koje zauzma veoma btno mesto pr kvalfkacj krajnjem zboru stog. Pored toga, veoma btnu ulogu pr formulsanju gra određvanju relatvne težne krterjuma na osnovu kojh se vrš ocenjvanje dobavljača, što je na slc 3.1 predstavljeno tankom strelcom što je dopunjeno u odnosu na zvorno pozconranje prema navedenm autorma. Do ove modfkacje došlo je jer se metode všekrterjumskog odlučvanja, kao što su AHP l DEMATEL, veoma često korste za određvanje značaja krterjuma sastavn su deo analza za zbor dobavljača kada se rangranje sth vrš nekm dugm metodama koje ne prpadaju ovoj oblast. Za zvršenje procesa vrednovanja dobavljača u okvru doktorske dsertacje korst se upravo kombnacja vše metoda všekrterjumskog odlučvanja. Za određvanje značaja krterjuma korst se fuzzy analtčko hjerarhjsk proces (FAHP) koj pored krterjume na osnovu fuzzy skala za poređenje, dok se za rangranje alternatva mogu korstt neke od 22

40 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI prethodno navedenh metoda. Pored toga, korst se DEMATEL metod za određvanje relatvne težne krterjuma. Kao što je već u prethodnom delu naglašeno u Tabel 3.6 dat je prkaz metoda za vrednovanje zbor dobavljača. Tabela 3.6. Pregled metoda za vrednovanje zbor dobavljača (autor) Izvor Oblast prmene Metode Kahraman dr., (2003) kompanje za prozvodnju bele tehnke Fuzzy AHP Zeydan dr., (2011) automoblska ndustrja Fuzzy AHP, fuzzy TOPSIS DEA Dulmn Mnnno, (2003) kompanje u oblast javnog drumskog zeleznčkog transporta PROMETHEE Lee, (2009) prozvodnja TFT-LCD Fuzzy AHP Asamoah dr., (2012) farmaceutska ndustrja AHP Khorasan Bafrue, (2011) farmaceutska ndustrja Fuzzy AHP Hruška dr., (2014) prozvodna kompanja u Češkoj AHP Tam Tummala, (2001) telekomunkacona kompanja AHP Önüt dr., (2009) telekomunkacona kompanja Fuzzy ANP Fuzzy TOPSIS Sngh dr., (2012) automoblska ndustrja TOPSIS Parthban dr., (2012) automoblska ndustrja AHP Lao Kao, (2011) prozvodnja satova Fuzzy TOPSIS MCGP Lao, (2010) prehrambena ndustrja DELPHI, AHP Taguch funkcja Junor dr., (2014) automoblska ndustrja Fuzzy AHP fuzzy TOPSIS Reza dr., (2014) avonska trgovnska ndustrja Fuzzy AHP Vnodh dr., (2011) elektronska ndustrja Fuzzy ANP Chamodrakas dr., (2010) Klncc Onal, (2011) Jaml dr., (2013) elektronska ndustrja kompanja za prozvodnju bele tehnke automoblska ndustrja Fuzzy AHP Fuzzy AHP Hudymáčová dr., (2010) prozvodnja mašnskh delova AHP Roostaee dr., (2012) automoblska ndustrja Fuzzy VIKOR Ghorabaee dr., (2016) prozvođač deterdženta Fuzzy EDAS Bronja Bronja, (2015) Ertugrul Karakasoglu, (2006) prozvodnja zduvnh sstema automobla kompanja za prozvodnju cementa AHP, Fuzzy AHP, TOPSIS fuzzy TOPSIS Fuzzy AHP Fuzzy TOPSIS Fuzzy AHP TOPSIS Eraslan Atalay, (2014) kompanja za prozvodnju elektronskh kartca Fuzzy AHP Fuzzy TOPSIS Chouy dr., (2011) elektronska ndustrja Fuzzy AHP Kang dr., (2012) prozvodnja ambalaže Fuzzy ANP Roshandel dr., (2013) prozvodnja deterdženta Fuzzy TOPSIS Hasheman dr., (2014) ndustrja mleka Fuzzy AHP fuzzy PROMETHEE Chatterjee Bose, (2013) vetrenjače ARAS-F COPRAS-F Lao Wu, (2016) kompanja za prozvodnju satova Fuzzy AHP, ARAS-F MSGP Almardan dr., (2013) automoblska ndustrja SWARA VIKOR Azar dr., (2011) automoblska ndustrja TOPSIS VIKOR Saad dr., (2016) automoblska ndustrja AHP fuzzy AHP Secundo dr., (2017) avo kompanja Fuzzy AHP Kar, (2014) prozvodnja čelka Fuzzy AHP Sngh, (2012) prozvodnja televzora TOPSIS Stevć dr., (2017b) građevnska kompanja Grub EDAS 23

41 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI 3.3. Potreba motv za unapređenje stanja u oblast Najveć broj dosadašnjh stražvanja bav se konkretnm problemma, te krterjum koj su u njma upotrebljen varraju u zavsnost od oblast u kojoj se prmenjuju. Nedostatak svega dosad znesenog predstavlja nepostojanje jednog unverzalnog opšteg modela koj podrazumeva skup krterjuma koj b uz veoma malu modfkacju u zavsnost od područja prmene mogao bt upotrebljen u razlčtm oblastma. Pored toga evdentan je nedostatak stražvanja u ovoj oblast na našem području stražvanja, koja b ukazala na trenutno stanje na domaćem tržštu uslove koje je potrebno spunt za efkasno odvjanje svh aktvnost procesa u podsstemu nabavke. Nek autor u regonu su se bavl oblašću nabavke (Bronja Bronja, 2015; Bobar, 2014), al kao što je rečeno na baz konkretnog slučaja, ne uzmajuć u obzr razlčtost koje postoje u lancu snabdevanja sa aspekta delatnost kompanja. Uprkos brojnm novm modelma koj su razvjen u všekrterjumskom odlučvanju (VKO), postavlja se ptanje koju metodu l koj prstup prment. Clj je omogućt donosocma odluke što jasnje zražavanje svoje preferencje, smanjt subjektvnost nezvesnost koje postoje u svakom procesu odlučvanja. U skladu s tm u ovom radu razvjen je nov prstup koj korst prednost grubh brojeva EDAS metode. Grub brojev predstavljaju modfkacju tradconalnh brojeva uvažavaju neodređenost kod donoslaca odluka koje se najčešće javljaju prlkom procene značaja alternatva l krterjuma. Grub brojev uvažavaju navedene neodređenost kroz mogućnost skazvanja preferencja za svaku alternatvu l krterjum. Takve preferencje se dalje pretvaraju u grube ntervale, čme se blže sa većom precznošću određuje preferencja. Područje na kojem se zvršava stražvanje podrazumeva tertorju Bosne Hercegovne okolnh država čje je tržšte veoma promenljvo. Još jedan dodatn razlog za formranje modela za vrednovanje dobavljača koj će bt šroko prmenjv jesu turbulencje nestablnost tržšta zazvane najčešće ekonomskom stuacjom. 24

42 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI LITERATURA [1] Abu-Sarhan, Z. (2011). Applcaton of analytc herarchy process (AHP) n the evaluaton and selecton of an nformaton system reengneerng projects, Internatonal Journal of Computer Scence and Network Securty, 11(1): [2] Acar, A. Z., Önden, İ., & Kara, K. (2015). Evaluatng the locaton of regonal return centers n reverse logstcs through ntegraton of GIS, AHP and nteger programmng. Internatonal Journal of Industral Engneerng, 22(4). [3] Aggarwal, R., & Sngh, S. (2013). AHP and extent fuzzy AHP approach for prortzaton of performance measurement attrbutes. World Academy of Scence, Engneerng and Technology, 73, [4] Akkaya, G., Turanoğlu, B., & Öztaş, S. (2015). An ntegrated fuzzy AHP and fuzzy MOORA approach to the problem of ndustral engneerng sector choosng. Expert Systems wth Applcatons, 42(24), [5] Almardan, M., Zolfan, S. H., Aghdae, M. H., & Tamošatenė, J. (2013). A novel hybrd SWARA and VIKOR methodology for suppler selecton n an agle envronment. Technologcal and Economc Development of Economy, 19(3), [6] Asamoah, D., Annan, J., & Nyarko, S. (2012). AHP approach for suppler evaluaton and selecton n a pharmaceutcal manufacturng frm n Ghana. Internatonal Journal of Busness and Management, 7(10), 49. [7] Ayhan, M. B. (2013). A Fuzzy AHP approach for suppler selecton problem: a case study n a gear motor company. Internatonal Journal of Managng Value and Supply Chans 4(3), (2013), pp [8] Azar, A., Olfat, L., Khosravan, F., & Jalal, R. (2011). A BSC method for suppler selecton strategy usng TOPSIS and VIKOR: A case study of part maker ndustry. Management Scence Letters, 1(4), [9] Ballı, S., & Korukoğlu, S. (2009). Operatng system selecton usng fuzzy AHP and TOPSIS methods. Mathematcal and Computatonal Applcatons, 14(2), [10] Barbarosoglu, G., & Yazgac, T. (1997). An applcaton of the analytc herarchy process to the suppler selecton problem. Producton and nventory management journal, 38(1), 14. [11] Benyoucef, M., & Canbolat, M. (2007). Fuzzy AHP-based suppler selecton n e-procurement. Internatonal Journal of Servces and Operatons Management, 3(2), [12] Bhutta, K. S., & Huq, F. (2002). Suppler selecton problem: a comparson of the total cost of ownershp and analytc herarchy process approaches. Supply Chan Management: An Internatonal Journal, 7(3), [13] Bllesbach T. J, Harrson A., and. Croom-Morgan S., (1991). Suppler performance measures and practces n JIT companes n the US and UK, Internatonal Journal of Purchasng and Materals Management, vol. 21, no. 4, pp , [14] Brch, D. (2001). Made for each other? Supply Management, pp [15] Bobar, V., Mandć, K., Delbašć, B., & Suknovć, M. (2015). An Integrated Fuzzy Approach to Bdder Selecton n Publc Procurement: Serban Government Case Study. Acta Polytechnca Hungarca, 12(2). 25

43 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [16] Boran, F. E., Genç, S., Kurt, M., & Akay, D. (2009). A mult-crtera ntutonstc fuzzy group decson makng for suppler selecton wth TOPSIS method. Expert Systems wth Applcatons, 36(8), [17] Brans, J. P., & Vncke, P. (1985). Note-A Preference Rankng Organsaton Method: (The PROMETHEE Method for Multple Crtera Decson-Makng). Management scence, 31(6), [18] Brauers, W. K. M., & Zavadskas, E. K. (2006). The MOORA method and ts applcaton to prvatzaton n a transton economy. Control and Cybernetcs, 35(2), 445. [19] Brauers, W. K. M., & Zavadskas, E. K. (2010). Project management by MULTIMOORA as an nstrument for transton economes. Technologcal and Economc Development of Economy, (1), [20] Bronja, H., & Bronja, H. (2015). Two-phase selecton procedure of alumnzed sheet suppler by applyng fuzzy AHP and fuzzy TOPSIS methodology. Tehnčk vjesnk, 22(4), [21] Bucoń, R., & Sobotka, A. (2015). Decson-makng model for choosng resdental buldng repar varants. Journal of Cvl Engneerng and Management, 21(7), [22] Büyüközkan, G., & Çfç, G. (2011). A novel fuzzy mult-crtera decson framework for sustanable suppler selecton wth ncomplete nformaton. Computers n Industry, 62(2), [23] Çeb, F., & Bayraktar, D. (2003). An ntegrated approach for suppler selecton. Logstcs nformaton management, 16(6), [24] Chamodrakas, I., Bats, D., & Martakos, D. (2010). Suppler selecton n electronc marketplaces usng satsfcng and fuzzy AHP. Expert Systems wth Applcatons, 37(1), [25] Chan, F. T., & Kumar, N. (2007). Global suppler development consderng rsk factors usng fuzzy extended AHP-based approach. Omega, 35(4), [26] Chang, D. Y. (1996). Applcatons of the extent analyss method on fuzzy AHP. European journal of operatonal research, 95(3), [27] Chatterjee, N., & Bose, G. (2013). Selecton of vendors for wnd farm under fuzzy MCDM envronment. Internatonal Journal of Industral Engneerng Computatons, 4(4), [28] Chen, C. T. (2000). Extensons of the TOPSIS for group decson-makng under fuzzy envronment. Fuzzy sets and systems, 114(1), 1-9. [29] Chen, C. T., Ln, C. T., & Huang, S. F. (2006). A fuzzy approach for suppler evaluaton and selecton n supply chan management. Internatonal journal of producton economcs, 102(2), [30] Chen, Z., & Yang, W. (2011). An MAGDM based on constraned FAHP and FTOPSIS and ts applcaton to suppler selecton. Mathematcal and Computer Modellng, 54(11), [31] Cheragh, S. H., Dadashzadeh, M., & Subramanan, M. (2011). Crtcal success factors for suppler selecton: an update. Journal of Appled Busness Research (JABR), 20(2). [32] Chouy, C. Y., Chou, S. H., & Yeh, C. Y. (2011). Usng fuzzy AHP n selectng and prortzng sustanable suppler on CSR for Tawan's electroncs ndustry. Journal of Informaton and Optmzaton Scences, 32(5), [33] Chou, T. Y.; Hsu, C. L.; Chen, M. C A fuzzy mult-crtera decson model for nternatonal tourst hotels locaton selecton, Internatonal journal of hosptalty management, 27(2):

44 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [34] Crstea, C., & Crstea, M. (2017). A mult-crtera decson makng approach for suppler selecton n the flexble packagng ndustry. In MATEC Web of Conferences (Vol. 94, p ). EDP Scences. [35] Dalalah, D.; Al-Oqla, F.; Hayajneh, M. (2010). Applcaton of the Analytc Herarchy Process (AHP) n mult-crtera analyss of the selecton of cranes, Jordan Journal of Mechancal and Industral Engneerng, 4(5): [36] Das, Mank Chandra, Bjan Sarkar, and Sddhartha Ray. (2012)."A framework to measure relatve performance of Indan techncal nsttutons usng ntegrated fuzzy AHP and COPRAS methodology." Soco-Economc Plannng Scences [37] De Boer, L., Labro, E., & Morlacch, P. (2001). A revew of methods supportng suppler selecton. European journal of purchasng & supply management, 7(2), [38] Dckson, G. W. (1966). An analyss of vendor selecton and the buyng process. Journal of Purchasng, 2(1), [39] Dncer, H., Hacoglu, U., Tatoglu, E., & Delen, D. (2016). A fuzzy-hybrd analytc model to assess nvestors' perceptons for ndustry selecton. Decson Support Systems, 86, [40] Dulmn, R., & Mnnno, V. (2003). Suppler selecton usng a mult-crtera decson ad method. Journal of Purchasng and Supply Management, 9(4), [41] Ellram, L. M. (1990). The suppler selecton decson n strategc partnershps, Journal of Purchasng and materals Management, 26(4): [42] Eraslan, E., & Atalay, K. D. (2014). A Comparatve Holstc Fuzzy Approach for Evaluaton of the Chan Performance of Supplers. Journal of Appled Mathematcs [43] Ertugrul, I., & Karakasoglu, N. (2006, August). The fuzzy analytc herarchy process for suppler selecton and an applcaton n a textle company. In Proceedngs of 5th nternatonal symposum on ntellgent manufacturng systems (pp ). [44] Ertuğrul, İ. Karakaşoğlu, N. (2008). Comparson of fuzzy AHP and fuzzy TOPSIS methods for faclty locaton selecton, The Internatonal Journal of Advanced Manufacturng Technology, 39(7-8): [45] Fallahpour, A., Olugu, E. U., & Musa, S. N. (2017). A hybrd model for suppler selecton: ntegraton of AHP and mult expresson programmng (MEP). Neural Computng and Applcatons, 28(3), [46] Gabus, A.; Fontela, E. (1972). World Problems an Invtaton to Further Thought wthn the Framework of DEMATEL. Battelle Geneva Research Centre, Swtzerland, Geneva. [47] Ghadkolae, A. S., & Esboue, S. K. (2014). Integratng Fuzzy AHP and Fuzzy ARAS for evaluatng fnancal performance. Boletm da Socedade Paranaense de Matemátca, 32(2), [48] Ghorabaee, M. K., Zavadskas, E. K., Amr, M., & Tursks, Z. (2016). Extended EDAS Method for Fuzzy Mult-crtera Decson-makng: An Applcaton to Suppler Selecton. Internatonal Journal of Computers Communcatons & Control, 11(3), [49] Ghorabaee, M. K., Zavadskas, E. K., Olfat, L., & Tursks, Z. (2015). Mult-Crtera Inventory Classfcaton Usng a New Method of Evaluaton Based on Dstance from Average Soluton (EDAS). Informatca, 26(3),

45 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [50] Ggovć, L., Pamučar, D., Bajć, Z., & Mlćevć, M. (2016). The Combnaton of Expert Judgment and GIS-MAIRCA Analyss for the Selecton of Stes for Ammunton Depots. Sustanablty, 8(4), 372. [51] Gul, M., Celk, E., Aydn, N., Gumus, A. T., & Guner, A. F. (2016). A state of the art lterature revew of VIKOR and ts fuzzy extensons on applcatons. Appled Soft Computng, 46, [52] Guner, A. F., Yucel, A., & Ayyldz, G. (2009). An ntegrated fuzzy-lp approach for a suppler selecton problem n supply chan management. Expert Systems wth Applcatons, 36(5), [53] Gutérrez, J. P. Delgado, L. G.; Van Halem, D.; Wessels, P.; Retveld, L. C. (2016). Multcrtera analyss appled to the selecton of drnkng water sources n developng countres: a case study of Cal, Colomba, Journal of Water Santaton and Hygene for Development, washdev [54] Hasheman, S. M., Behzadan, M., Samzadeh, R., & Ignatus, J. (2014). A fuzzy hybrd group decson support system approach for the suppler evaluaton process. The Internatonal Journal of Advanced Manufacturng Technology, 73(5-8), [55] Herva, M.; Roca, E., (2013). Rankng muncpal sold waste treatment alternatves based on ecologcal footprnt and mult-crtera analyss, Ecologcal Indcators, 25: [56] Ho, W., Xu, X., & Dey, P. K. (2010). Mult-crtera decson makng approaches for suppler evaluaton and selecton: A lterature revew. European Journal of Operatonal Research, 202(1), [57] Hruška, R., Průša, P., & Babć, D. (2014). The use of AHP method for selecton of suppler. Transport, 29(2), [58] Hudymáčová, M., Benková, M., Pócsová, J., & Škovránek, T. (2010). Suppler selecton based on mult-crteral AHP method. Acta Montanstca Slovaca, 15(3), 249. [59] Hwang, C. L., & Yoon, K. (1981). Lecture Notes n Economcs and Mathematcal Systems: Multple Attrbute Decson Makng: Methods and Appllcaton. Sprnger Verlag. [60] Ilangkumaran, M.; Kumanan, S. (2009). Selecton of mantenance polcy for textle ndustry usng hybrd mult-crtera decson makng approach, Journal of Manufacturng Technology Management, 20(7): [61] Jaml, N., Besar, R., & Sm, H. K. (2013). A Study of Multcrtera Decson Makng for Suppler Selecton n Automotve Industry. Journal of Industral Engneerng [62] Jelokhan-Narak, M., & Malczewsk, J. (2015). A group multcrtera spatal decson support system for parkng ste selecton problem: A case study. Land Use Polcy, 42, [63] Junor, F. R. L., Osro, L., & Carpnett, L. C. R. (2014). A comparson between Fuzzy AHP and Fuzzy TOPSIS methods to suppler selecton. Appled Soft Computng, 21, [64] Kabr, G., & Hasn, M. A. A. (2011). Comparatve analyss of AHP and Fuzzy AHP models for multcrtera nventory classfcaton. Internatonal Journal of Fuzzy Logc Systems, 1(1), [65] Kahraman, C., Cebec, U., & Ulukan, Z. (2003). Mult-crtera suppler selecton usng fuzzy AHP. Logstcs nformaton management, 16(6), [66] Kahraman, C. Çevk, S. Ates, N. Y. Gülbay, M. (2007). Fuzzy mult-crtera evaluaton of ndustral robotc systems, Computers & Industral Engneerng, 52(4): [67] Kang, H. Y., Lee, A. H., & Yang, C. Y. (2012). A fuzzy ANP model for suppler selecton as appled to IC packagng. Journal of Intellgent Manufacturng, 23(5),

46 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [68] Kar, A. K. (2014). Revstng the suppler selecton problem: An ntegrated approach for group decson support. Expert systems wth applcatons, 41(6), [69] Karpak, B., Kumcu, E., & Kasugant, R. R. (2001). Purchasng materals n the supply chan: managng a mult-objectve task. European Journal of Purchasng & Supply Management, 7(3), [70] Kaykc, Y. (2010). A conceptual model for ntermodal freght logstcs centre locaton decsons, Proceda-Socal and Behavoral Scences, 2(3): [71] Khorasan, O., & Bafrue, M. K. (2011). A fuzzy AHP approach for evaluatng and selectng suppler n pharmaceutcal ndustry. Internatonal Journal of Academc Research, 3(1). [72] Klncc, O., & Onal, S. A. (2011). Fuzzy AHP approach for suppler selecton n a washng machne company. Expert systems wth Applcatons, 38(8), [73] Krause, D. R., Pagell, M., & Curkovc, S. (2001). Toward a measure of compettve prortes for purchasng. Journal of Operatons Management, 19(4), [74] Lee, A. H. (2009). A fuzzy suppler selecton model wth the consderaton of benefts, opportuntes, costs and rsks. Expert systems wth applcatons, 36(2), [75] Lehmann, D. R., & O'shaughnessy, J. (1974). Dfference n attrbute mportance for dfferent ndustral products. The Journal of Marketng, [76] Lao, C. N. (2010, July). Suppler selecton project usng an ntegrated Delph, AHP and Taguch loss functon. In Probstat forum (Vol. 3, pp ). [77] Lao, C. N., & Kao, H. P. (2011). An ntegrated fuzzy TOPSIS and MCGP approach to suppler selecton n supply chan management. Expert Systems wth Applcatons, 38(9), [78] Lao, C. N., Fu, Y. K., & Wu, L. C. (2016). Integrated FAHP, ARAS-F and MSGP methods for green suppler evaluaton and selecton. Technologcal and Economc Development of Economy, 22(5), [79] MacCrmmon, K. R. (1968). Decson makng among multple-attrbute alternatves: a survey and consoldated approach (No. RM-4823-ARPA). rand corp santa monca ca. [80] Machars, C., & Bernardn, A. (2015). Revewng the use of Mult-Crtera Decson Analyss for the evaluaton of transport projects: Tme for a mult-actor approach. Transport Polcy, 37, [81] Mahmoodzadeh, S., Shahrab, J., Parazar, M., & Zaer, M. S. (2007). Project selecton by usng fuzzy AHP and TOPSIS technque. World Academy of Scence, Engneerng and Technology, 30, [82] Mardan, A., Jusoh, A., & Zavadskas, E. K. (2015). Multple crtera decson-makng technques and ther applcatons a revew of the lterature from 2000 to Economc Research- Ekonomska Istražvanja, 28(1), [83] Mehralan, G., Rajabzadeh Gatar, A., Morakabat, M., & Vatanpour, H. (2012). Developng a sutable model for suppler selecton based on supply chan rsks: an emprcal study from Iranan pharmaceutcal companes. Iranan Journal of Pharmaceutcal Research, 11(1), [84] Mn, H., & Galle, W. P. (1999). Electronc commerce usage n busness-to-busness purchasng. Internatonal Journal of Operatons & Producton Management, 19(9), [85] Mohaghar, A., Fath, M. R., & Jafarzadeh, A. H. (2013). A Suppler Selecton Method Usng AR- DEA and Fuzzy VIKOR. Internatonal Journal of Industral Engneerng: Theory, Applcatons and Practce, 20(5-6). 29

47 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [86] Nooramn, A. S., Kan Moghadam, M., Moazen Jahrom, A. R., & Sayareh, J. (2012). Comparson of AHP and FAHP for selectng yard gantry cranes n marne contaner termnals. Journal of the Persan Gulf, 3(7), [87] Nuuter, T., Lll, I., & Tupenate, L. (2015). Comparson of housng market sustanablty n European countres based on multple crtera assessment. Land Use Polcy, 42, [88] Nydck, R. L., & Hll, R. P. (1992). Usng the analytc herarchy process to structure the suppler selecton procedure. Journal of supply chan management, 28(2), 31. [89] Önüt, S., Kara, S.S., and Işık, E, (2009) Long Term Suppler Selecton Usng a Combned Fuzzy MCDM Approach: A Case Study for a Telecommuncaton Company, Expert Systems wth Applcatons Vol. 36(2), [90] Oprcovc, S. (1998). Multcrtera optmzaton of cvl engneerng systems. Faculty of Cvl Engneerng, Belgrade, 2(1), [91] Özdağoğlu, A., & Özdağoğlu, G. (2007). Comparson of AHP and fuzzy AHP for the multcrtera decson makng processes wth lngustc evaluatons. [92] Pal Sngh, A. (2012). Suppler selecton usng MCDM method n TV manufacturng organzaton. Global Journal of Research In Engneerng, 12(1-G). [93] Pamučar, D., & Ćrovć, G. (2015). The selecton of transport and handlng resources n logstcs centers usng Mult-Attrbutve Border Approxmaton area Comparson (MABAC). Expert Systems wth Applcatons, 42(6), [94] Parthban, P., Zubar, H. A., & Garge, C. P. (2012). A mult crtera decson makng approach for supplers selecton. Proceda Engneerng, 38, [95] Perreault, W. D., & Russ, F. A. (1976). Physcal dstrbuton servce n ndustral purchase decsons. Journal of marketng, 40(2), [96] P, W. N., & Low, C. (2005). Suppler evaluaton and selecton usng Taguch loss functons. The Internatonal Journal of Advanced Manufacturng Technology, 26(1-2), [97] P, W. N., & Low, C. (2006). Suppler evaluaton and selecton va Taguch loss functons and an AHP. The Internatonal Journal of Advanced Manufacturng Technology, 27(5-6), [98] Prakash, C., & Barua, M. K. (2016). An analyss of ntegrated robust hybrd model for thrd-party reverse logstcs partner selecton under fuzzy envronment. Resources, Conservaton and Recyclng, 108, [99] Pushkna, J., Jansons, V., & Ddenko, K. (2015). Applyng Mult-Crtera Analyss Methods for Fre Rsk Assessment. Safety of Technogenc Envronment, 7(1): [100] Rezae, J. (2015). Best-worst mult-crtera decson-makng method. Omega, 53, [101] Rezae, J., Fahm, P. B., & Tavasszy, L. (2014). Suppler selecton n the arlne retal ndustry usng a funnel methodology: Conjunctve screenng method and fuzzy AHP. Expert Systems wth Applcatons, 41(18), [102] Rkalovć, A. Cosć, I. Lazarevć, D. (2014). GIS based mult-crtera analyss for ndustral ste selecton, Proceda Engneerng, 69: [103] Roostaee, R., Izadkhah, M., Lotf, F. H., & Rostamy-Malkhalfeh, M. (2012). A mult-crtera ntutonstc fuzzy group decson makng method for suppler selecton wth VIKOR method. Internatonal Journal of Fuzzy System Applcatons (IJFSA), 2(1), [104] Roy, B. (1991). The outrankng approach and the foundatons of ELECTRE methods. Theory and decson, 31(1),

48 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [105] Saad, S. M., Kunhu, N., & Mohamed, A. M. (2016). A fuzzy-ahp mult-crtera decsonmakng model for procurement process. Internatonal Journal of Logstcs Systems and Management, 23(1), [106] Saaty, T. L. (1980). The Analytc Herarchy Process, Mc Graw Hll, NewYork [107] Secundo, G., Secundo, G., Magarell, D., Magarell, D., Esposto, E., Esposto, E., & Passante, G. (2017). Supportng decson-makng n servce suppler selecton usng a hybrd fuzzy extended AHP approach: A case study. Busness Process Management Journal, 23(1), [108] Shen, C. Y., & Yu, K. T. (2009). Enhancng the effcacy of suppler selecton decson-makng on the ntal stage of new product development: A hybrd fuzzy approach consderng the strategc and operatonal factors smultaneously. Expert Systems wth Applcatons, 36(8), [109] Shukla, R. K., Garg, D., & Agarwal, A. (2014). An ntegrated approach of Fuzzy AHP and Fuzzy TOPSIS n modelng supply chan coordnaton. Producton & Manufacturng Research, 2(1), [110] Sngh, R., Rajput, H., Chaturved, V., & Vmal, J. (2012). Suppler selecton by technque of order preference by smlarty to deal soluton (TOPSIS) method for automotve ndustry. Int J Adv Technol Eng Res (IJATER), 2(2), [111] Svlevčus, H. Maskelūnate, L. (2010). The crtera for dentfyng the qualty of passengers transportaton by ralway and ther rankng usng AHP method, Transport, 25(4): [112] Soltan, A., Hewage, K., Reza, B., & Sadq, R. (2015). Multple stakeholders n mult-crtera decson-makng n the context of muncpal sold waste management: a revew. Waste Management, 35, [113] Stankevčenė, J. Mencatė, E. (2012). The evaluaton of bank performance usng a multcrtera decson makng model: a case study on Lthuanan commercal banks, Technologcal and Economc Development of Economy, 18(1): [114] Stevć Ž., Tanackov I., Ćosć I., Veskovć S., Vasljevć M.,(2015a). Poređenje AHP Fuzzy AHP za procenu težne krterjuma V Međunarodn smpozjum Nov Horzont saobraćaja komunkacja, str [115] Stevć, Ž., Alhodžć, A., Božčkovć, Z., Vasljevć, M., & Vasljevć, Đ. (2015b). Applcaton of combned AHP-TOPSIS model for decson makng n management. In 5 th Internatonal conference Economcs and Management-based On New Technologes EMONT/Vrnjačka Banja, Serba (pp ). [116] Stevć, Ž., Božčkovć, Z., & Mćć, B. (2015c). Optmzaton of the mport of Chpboard-a case study. Internatonal Journal of Engneerng, Busness and Enterprse Applcatons, 14(1), [117] Stevć, Ž., Pamučar, D., Kazmeras Zavadskas, E., Ćrovć, G., & Prentkovsks, O. (2017a). The Selecton of Wagons for the Internal Transport of a Logstcs Company: A Novel Approach Based on Rough BWM and Rough SAW Methods. Symmetry, 9(11), 264. [118] Stevć, Ž., Pamučar, D., Vasljevć, M., Stojć, G., & Korca, S. (2017b). Novel Integrated Mult-Crtera Model for Suppler Selecton: Case Study Constructon Company. Symmetry, 9(11),

49 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [119] Stevć, Ž., Vasljevć, M., & Sremac, S., (2016). Fuzzy AHP and ARAS model for decson makng n logstcs. In 6 th Internatonal conference Economcs and Management-based On New Technologes EMONT/Vrnjačka Banja, Serba (pp ). [120] Stevć, Ž.,(2016). Suppler selecton usng AHP and COPRAS method, Strategc management and decson support systems n strategc management, Subotca, pp [121] Štremkenė, D., Šlogerenė, J., & Tursks, Z. (2016). Mult-crtera analyss of electrcty generaton technologes n Lthuana. Renewable Energy, 85: [122] Sun, C. C. (2010). A performance evaluaton model by ntegratng fuzzy AHP and fuzzy TOPSIS methods. Expert systems wth applcatons, 37(12), [123] Tam, M. C., & Tummala, V. R. (2001). An applcaton of the AHP n vendor selecton of a telecommuncatons system. Omega, 29(2), [124] Teeravaraprug, J. (2008). Outsourcng and vendor selecton model based on Taguch loss functon. W ras n Songkhl Nakharn, 30(4), 523. [125] Tursks, Z., & Zavadskas, E. K. (2010). A new fuzzy addtve rato assessment method (ARAS F). Case study: The analyss of fuzzy multple crtera n order to select the logstc centers locaton. Transport, 25(4), [126] Tursks, Z., Zavadskas, E. K., Antuchevcene, J., & Kosareva, N. (2015). A hybrd model based on fuzzy AHP and fuzzy WASPAS for constructon ste selecton. Internatonal Journal of Computers Communcatons & Control, 10(6), [127] Ulubeyl, S., & Kazaz, A. (2016). Fuzzy mult-crtera decson makng model for subcontractor selecton n nternatonal constructon projects. Technologcal and Economc Development of Economy, 22(2), [128] Verma, R., & Pullman, M. E. (1998). An analyss of the suppler selecton process. Omega, 26(6), [129] Vnodh, S., Ramya, R. A., & Gautham, S. G. (2011). Applcaton of fuzzy analytc network process for suppler selecton n a manufacturng organsaton. Expert Systems wth Applcatons, 38(1), [130] Weber, C. A., Current, J. R., & Benton, W. C. (1991). Vendor selecton crtera and methods. European journal of operatonal research, 50(1), [131] Wnd, Y.,. Green P. E, and Robnson P. J., (1968). The determnants of vendor selecton: the evaluaton functon approach, Journal of Purchasng, vol. 4, no. 3, pp , [132] Wong, J. K.; L, H Applcaton of the analytc herarchy process (AHP) n mult-crtera analyss of the selecton of ntellgent buldng systems, Buldng and Envronment, 43(1): [133] Yazdan, M.; Hashemkhan Z. S, Zavadskas, E.K. (2016). New ntegraton of MCDM methods and QFD n the selecton of green supplers, Journal of Busness Economcs and Management, [134] Yazdan-Chamzn, A. (2014). An ntegrated fuzzy mult crtera group decson makng model for handlng equpment selecton. Journal of Cvl Engneerng and Management, 20(5), [135] Yazdan-Chamzn, A., Haj Yakchal, S., & Kazmeras Zavadskas, E. (2012). Usng a ntegrated MCDM model for mnng method selecton n presence of uncertanty. Ekonomska stražvanja, 25(4),

50 PREGLED DOSADAŠNJIH ISTRAŽIVANJA U OBLASTI [136] Yıldırım, B. F. Önder, E. (2014). Evaluatng potental freght vllages İn stanbul usng mult crtera decson makng technques, Journal of Logstcs Management, 3(1): 1-10 [137] Zavadskas, E. K., Antuchevcene, J., Tursks, Z., & Adel, H. (2016). Hybrd multple-crtera decson-makng methods: A revew of applcatons n engneerng. Scenta Iranca. Transacton A: Cvl Engneerng, 23(1), [138] Zavadskas, E. K., Kaklauskas, A., & Sarka, V. (1994). The new method of multcrtera complex proportonal assessment of projects. Technologcal and Economc Development of Economy, 1(3), [139] Zavadskas, E. K., Tursks, Z., & Kldenė, S. (2014a). State of art surveys of overvews on MCDM/MADM methods. Technologcal and Economc Development of Economy, 20(1): [140] Zavadskas, E. K., Tursks, Z., & Vlutene, T. (2010). Multple crtera analyss of foundaton nstalment alternatves by applyng Addtve Rato Assessment (ARAS) method. Archves of cvl and mechancal engneerng, 10(3), [141] Zavadskas, E. K. Vlutenė, T. Tursks, Z. Šaparauskas, J. (2014b). Mult-crtera analyss of Projects' performance n constructon, Archves of Cvl and Mechancal Engneerng, 14(1): [142] Zeydan, M., Çolpan, C., & Çobanoğlu, C. (2011). A combned methodology for suppler selecton and performance evaluaton. Expert Systems wth Applcatons, 38(3), [143] Zhang, L. (2010). Comparson of classcal analytc herarchy process (AHP) approach and fuzzy AHP approach n multple-crtera decson makng for commercal vehcle nformaton systems and networks (CVISN) project. 33

51 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA 4. TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA 4.1. Všekrterjumsko odlučvanje Jednom kad prestanete da učte, počnjete da umrete Albert Ajnštajn Pshologja daje objašnjenje zašto pojednc često donose neraconalne odluke, dok je ekonomja obezbeđuje normatvne teorje (Morsell, 2015). Prema Trantaphyllou Mann, (1995) všekrterjumsko odlučvanje gra važnu ulogu u stvarnm žvotnm problemma, jer velk je broj svakodnevnh odluka koje treba donet, a koje uključuju velk broj krterjuma, dok prema Chen dr., (2015) všekrterjumsko odlučvanje je jedan efkasan sstemsk kvanttatvn načn rešavanja vtalnh problema z stvarnog žvota u prsustvu velkog broja alternatva nekolko (suprostavljenh) krterjuma. Kao što je prkazano u prethodnom poglavlju velk je broj metoda koje prpadaju ovoj oblast svakodnevno se prmenjuju za rešavanje razlčth problema. Za određvanje značaja krterjuma koršćene su DEMATEL AHP metoda, dok se za vrednovanje potencjalnh dobavljača korste metode TOPSIS, EDAS MABAC COPRAS MAIRCA čj su algortm detaljno predstavljen u nastavku Teorja fuzzy skupova Teorja fuzzy skupova je matematčka teorja koju je prv predstavo Zadeh, (1965). Teorja fuzzy skupova omogućava tretranje neprecznost nejasnoća koje postoje pr procesu donošenja odluka, al u drugm procesma. Prmena fuzzy skupova pruža donosocma odluka da na efkasan načn upravljaju neprecznostma. U klasčnoj teorj skupova, element u skupu se procenjuje na dva načna - element l prpada l ne prpada skupu, dok je osnovna deja teorje fauzzy skupova da element maju određen stepen prpadnost tom skupu, što znač da je fuzzy skup defnsan funkcjom prpadnost koja za svak element defnše stepen prpadnost određenom ntervalu, koj je občno [0, 1], što potvrđuje Xu Lao, (2014) prema kojm je fuzzy skup klasa objekata okaraktersana funkcjom prpadnost, u kome se svakom objektu dodeljuje stepen prpadnost na navedenom ntervalu. Ako je vrednost funkcje prpadnost 0, element ne prpada skupu, ako je 1, element u potpunost prpada skupu, dok ako je vrednost funkcje prpadnost unutar defnsanog ntervala, onda element delmčno prpada fuzzy skupu odnosno ma određen stepen prpadnost tom skupu. Teorja fuuzy skupova generalno korst Gausove, trougaone l trapezodne brojeve. Kada su u ptanju određene metode všekrterjumskog odlučvanja većna je prošrena sa trougaonm fuzzy brojevma (Fuzzy AHP, Fuzzy TOPSIS, Fuzzy WASPAS, Fuzzy COPRAS, Fuzzy MABAC td.), jer su za prmenu su pogodnj trouglast fuzzy brojev z razloga jednostavnjeg proračuna. Međutm u poslednje vreme sve vše se korste trapezodn fuzzy brojev što potvrđuje npr. metode Fuzzy EDAS Fuzzy CODAS koje korste ove brojeve u svom algortmu. 34

52 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Trougaon fuzzy brojev Trougaon fuzzy brojev (TFN) se označavaju kao (l j, m j, u j ). Parametr (l j, m j, u j ) su najmanja moguća vrednost, najperspektvnja vrednost najveća moguća vrednost koja opsuje nek fuzzy događaj, respektvno. Trougaon fuzzy brojev se takođe dosta prmenjuju u sledećm okolnostma (Mentes Helvacoglu, 2012): kada postoj veća kompleksnost zračunavanja kao posledca složenost funkcja, kada se pojednostavljuju fuzzy matematčke operacje usled koršćenja trougaonh fuzzy brojeva; kada se teže defnšu funkcje prpadnost kao posledca složenost fuzzy brojeva; kada trougaon fuzzy brojev efkasno reprezentuju procene koje su donete od strane većeg broja donoslaca odluka. Fuzzy broj na skupu realnh brojeva R je trougaon fuzzy broj, ako je njegova funkcja R [0,1] jednaka sledećoj jednačn (1): (1) Slka 4.1. Trougaon fuzzy broj Operacon zakon dva trougaona faz broja defnsan su na sledeć načn (Kauffman Gupta, 1991): Sabranje fuzzy brojeva: Množenje fuzzy brojeva: Oduzmanje fuzzy brojeva: (2) (3) 35

53 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Deljenje fuzzy brojeva: (4) (5) Recpročna vrednost fuzzy broja: (6) Trapezodn fuzzy brojev Na slc 4.2 prkazan je trapezodn fuzzy broj, a u nastavku defncje koje su btne za koršćenje trapezodnh fuzzy brojeva koj su sastavn deo metode Fuzzy EDAS koja se prmenjuje za rangranje potencjalnh dobavljača. Slka 4.2. Trapezodn fuzzy broj Defncja 1. Fuzzy podskup à u unverzalnom skupu X prema Zmmermann, (2010) može se defnsat funkcjom prpadnost µã(x) kao: gde x X označava elemente koj prpadaju unverzalnom skupu µã(x): X [0, 1]. Defncja 2. Fuzzy broj je specjalan slučaj konveksnog normalzovanog fuzzy podskupa (sup µã(x)=1), R µã(x): R [0, 1]. (Wang Lee, 2007). Defncja 3. Fuzzy broj à trapezodn fuzzy broj (TFN) ako je njegova funkcja prpadnost (Olcer Odabaş, 2005). (7) (8) 36

54 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Defncja 4. Crsp broj k može se predstavt kao fuzzy broj k =(k,k,k,k). Defncja 5. Pretpostavmo da su dva poztvna trapezodna fuzzy broja (a 1 0 b 1 > 0) k je crsp broj. Operacje sa ovm fuzzy brojevma su defnsane na sledeć načn: (Chen Hwang, 1992); Sabranje: Oduzmanje: Množenje: (9) (10) (11) (12) (13) (14) Deljenje: (15) (16) Defncja 6. Neka je trapezodn fuzzy broj. Onda, defazfkovana (crsp) vrednost ovog fuzzy broja može se defnsat na sledeć načn (Keshavarz Ghorabaee dr., 2014): (17) Defncja 7. Pretpostavmo da je trapezodn fuzzy broj. Funkcja nazvan ps (ψ), je defnsana na sledeć načn to da nađe maksmum zmeđu trapezodnog fuzzy broja nule. gde je = (0, 0, 0, 0) (18) Defncje prkazane u ovom poglavlju su btne, jer su u drektnoj vez sa metodom Fuzzy EDAS Teorja grubh brojeva Velk broj autora za eksploatacju neodređenost u procesu všekrterjumskog donošenja odluka korst fuzzy skupove u njhovoj osnovnoj postavc (Zadeh, 1965) l kroz razlčte vrste prošrenja fuzzy teorje: nterval-valued fuzzy setov (Vahdan dr., 2013; 37

55 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Szong Tao, 2009; Zywca, 2016), ntutonstc fuzzy setov (Atanassov, 1986; Ngan, 2017), nterval ntutonstc fuzzy setov (Nayagama, 2016; Nguyen, 2016), hestate fuzzy sets (Wang dr., 2015 Ngan, 2017) td. Pored toga što fuzzy skupov predstavljaju veoma snažan alat za predstavljanje neprecznost, zbor funkcje prpadnost fuzzy skupova zasnva se na subjektvnost vrš se na osnovu skustva ntucje (Zheng dr., 2016). Pored fuzzy teorje, veoma pogodan alat za tretranje nezvesnost bez utcaja subjektvzma je teorja grubh skupova, koju je prv put predstavo Pavlak (1982). Od nastanka do danas, teorja grubh skupova je evolurala kroz rešavanje brojnh problema prmenom grubh skupova (Khoo Zha, 2001; L dr., 2009; Lang dr., 2017) kroz prmenu grubh brojeva (Zha dr., 2008; Song dr., 2013a; Zhu dr., 2015; Twar dr., 2016 ). U procesu donošenja odluka ntencja ntervalne fuzzy tehnke je transfomacja crsp brojeva u fuzzy brojeve koj pomoću funkcje prpadnost prkazuju nezvesnost koje postoje u realnom okruženju. Za razlku od teorje fuzzy skupova čja prmena zahteva defnsanje parcjalne funkcje prpadnost bez jasnh granca skupa, u teorj grubh skupova se korst grančna oblast skupa za zražavanje nejasnoća. Za razlku od fuzzy teorje teorje verovatnoće u kojma se stepen neodređenost defnše na osnovu pretpostavke, u teorj grubh skupova neodređenost se određuje na osnovu aproksmacje koja predstavlja osnovn koncept teorje grubh skupova. U teorj grubh skupova se korste sključvo nterna znanja, odnosno operatvn podac nema potrebe za oslanjanjem na modele pretpostavk. Drugm rečma, u prmen grubh skupova, umesto razlčth dodatnh/spoljnh parametara, korst se sključvo struktura dath podataka (Duntsch Gedga, 1997). Duntsch Gedga (1997) smatraju da je osnovna logka teorje grubh skupova da upravo podac treba da govore sam za sebe. U grubm skupovma merenje neodređenost se vrš na osnovu nezvesnost koja je već sadržana u podacma (Khoo Zha, 2001). Tme se dolaz do objektvnh pokazatelja koj su sadržan u podacma. Osm toga, teorja grubh skupova je pogodna prmenu na skupovma koje karakterše mal broj podataka, a za koje statstčke metode nsu pogodne (Pavlak 1991, 1993) Operacje sa grubm brojevma U teorj grubh skupova blo koja maglovta deja može bt predstavljena kao par tačnh koncepata bazranh na donjoj gornjoj aproksmacj što je prkazano na slc 4.3. Slka 4.3. Osnovn koncept teorje grubh skupova (Fazlollahtabar dr., 2017) 38

56 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Pretpostavmo da je U unverzum koj se sastoj od svh objekata, Y je prozvoljan objekat od U, R je skup od t klasa (G 1 ;G 2 ;... ;G t ) koje uključuju sve objekte u U, R (G 1 ;G 2 ;... ;G t ). Ako su ove klase određene kao G 1 <G 2 <...<G t, onda donja aproksmacja, gornja aproksmacja grančn regon klase G q prema Zhu dr, (2015) defnsan je kao: (19) (20) (21) Onda G q može se prkazat kao grub broj, koj je određen odgovarajućm donjm lmtom gornjm lmtom, gde je: (22) (23) (24) gde su M L, M U brojev objekata koj se sastoje u, respektvno. Razlke zmeđu njh su zražene kao grub grančn nterval : (25) Operacje za dva gruba broja prema Zha dr., (2009) su: Sabranje (+) dva gruba broja ( ) ( ) Oduzmanje (-) dva gruba broja ( ) ( ) Množenje ( ) dva gruba broja ( ) ( ) Deljenje ( ) dva gruba broja ( ) ( ) Skalarno množenje grubog broja ( ), gde je vrednost razlčta od nule. (26) (27) (28) (29) (30) 39

57 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA 4.5. Crsp AHP Tvorac analtčko hjerarhjskog procesa je Tomas Saaty (Saaty, 1980) prema stom autoru (Saaty, 2008) AHP je teorja merenja kroz poređenje parova oslanja se na mšljenje stručnjaka za zvođenje prortetnh skala. Sa AHP prema Saaty, (1988) moguće je zvršt dentfkacju relevantnh čnjenca povezanost koje postoje među njma. Ova metoda se sastoj z dekompozcje problema, gde se clj nalaz na vrhu, zatm krterjum podkrterjum na kraju hjerarhje su potencjalna rešenja, detaljnje u (Saaty, 1990). U radu (Saaty, 1986) defnsan su aksom na kojma se AHP zasnva: Aksom recpročnost. Ako je element A n puta značajnj od elementa B, tada je element B 1/n puta značajnj od elementa A. Aksom homogenost. Poređenje ma smsla jedno ako su element uporedv npr. ne može se poredt težna komarca težna slona. Aksom zavsnost. Dozvoljava se poređenje među grupom elemenata jednog nvoa u odnosu na element všeg nvoa, tj. poređenja na nžem nvou zavse od elementa všeg nvoa. Aksom očekvanja. Svaka promena u struktur hjerarhje zahteva ponovno računanje prorteta u novoj hjerarhj. Neka su {A 1, A 2,..., A n } n alternatve, {w 1, w 2,...,w n } njene trenutne težne. Poređenje u parovma se vrš prmenjujuć Satjevu skalu (1 9), prkazanu u tabel 4.1. Tabela 4.1. Satjeva skala poređenja (Saaty, 1980) Značaj Defncja Objašnjenje 1 Istog značaja Dva elementa su dentčnog značaja u odnosu na clj 3 Slaba domnantnost Iskustvo l rasuđvanje neznatno favorzuju jedan element u odnosu na drug 5 Jaka domnantnost Iskustvo l rasuđvanje znatno favorzuju jedan element u odnosu na drug 7 Demonstrrana domnantnost Domnantnost jednog krterjuma potvrđena u praks 9 Apsolutna domnantnost Domnantnost najvšeg stepena 2, 4, 6, 8 Međuvrednost Potreban komproms l dalja podela Nek ključn osnovn korac u metodologj AHP prema Vadya Kumar, (2006) su: defnsat problem, prošrt problem uzmajuć u obzr sve aktere, clj shod, dentfkacja krterjuma koj utču na shod, strukturat problem u već objašnjenu hjerarhju, poredt svak element sa svakm na odgovarajućem nvou, pr čemu je ukupno potrebno nx(n-l)/2 poređenja, proračunat maksmalnu vrednost sopstvenog vektora, ndeks konzstentnost stepen konzstentnost. AHP na određen načn rešava problem subjektvnog utcaja donosoca odluke tako što mer stepen konzstentnost (CR) o tome obaveštava donosoca odluka. Ukolko je stepen konzstentnost u opsegu do 0,10 rezultat se smatraju se valdnm, nek autor uzmaju čak već stepen konzstentnost kao valdan što naravno nje preporučljvo. U zavsnost od velčne matrca preporučuje se vrednost ovog koefcjenta, pa se u (Lee dr, 40

58 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA 2008 Anagnostopoulos dr, 2007) može nać da je maksmaln dozvoljen stepen konzstentnost za matrce 3x3 0,05, za matrce 4x4 0,08, a za veće matrce 0,1. Ukolko zračunat CR nje zadovoljavajuće vrednost, potrebno je ponovo zvršt poređenje da b st bo u željenom opsegu (Saaty, 2003). Matrca poređenja u parovma je defnsana na sledeć načn: (31) Ova matrca A=[aj] predstavlja vrednost ekspertske preferencje kroz ndvdualne parove alternatva (A naspram Aj zasvako, j = 1,2,...,n). Nakon toga, donoslac odluke vrš poređenje parova alternatva za sve moguće parove. Bazrajuć se na tome matrca poređenja A je dobjena, gde element aj pokazuje preferencju težne A dobjenog u poređenju sa Aj. (32) Element aj procenjuju odnose w/wj, gde je w vektor trenutnh težna alternatva. Matrca ma recpročne osobne gde su aj=1/aj. Matrce koje su formrane nakon poređenja u parovma vektora težna w=[w1,w2,...,wn] su proračunate na osnovu Satjevog eugenvektora koj podrazumeva proceduru u dva koraka. Prvo, matrca poređenja u parovma, A = [aj]nxn, je normalzovana, onda su nakon toga težne zračunate. Normalzacja: za svako j = 1,2,..., n. proračun težna: za svako j = 1,2,..., n. Indeks konzstentnost za matrcu parova (CI) se proverava kako b blo valdno poređenje: (33) (34) (35) 41

59 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA gde je λmax važan parametar u AHP korst se kao referentn ndeks da prkaže nformacje za proračun stepena konzstentnost (CR) procenjenog vektora. CR se proračunava korsteć sledeću jednačnu: gde je RI slučajn ndeks konzstentnost prkazan u tabel 4.2 u zavsnost od n koj predstavlja broj krterjuma l alternatva. Tabela 4.2. Vrednost slučajnog ndeksa RI (Saaty Vargas, 2012) n RI Fuzzy AHP Kada je u ptanju donošenje odluka pomoću fuzzy AHP metode razvjen su razlčt prstup kao fuzzy prošrena AHP metoda koja se zasnva na fuzzy trougaonm brojevma (Chang, 1996; Zhu dr., 1999), fuzzy preference programmng kojeg je razvo Mkhalov (2003), logarthmc fuzzy preference programmng nastao z prethodno navedenog prstupa njegovm prošrvanjem, koj je razvjen od strane Wanga Chna, (2011). Chang-ova prošrena analza se pored radova (Wang dr, 2008; Fazlollahtabar dr, 2010) koj krtkuju ovu metodu, šroko prmenjuje u razlčtm oblastma za donošenje odluka. Kao jedan od nedostataka ove prošrene AHP analze smatra se prema Xu Lao, (2014) neuzmanje u obzr stepena konzstentnost odnosno neračunanje njegove vrednost, međutm ona se prema Mexner, (2009) može zračunat uzmanjem crsp vrednost. Jedan od načna provere stepena konzstentnost ove Fuzzy AHP metode je prmena Kvongovog metoda (Kwong Ba, 2003). Prvo što je potrebno uradt jeste trougaon broj koj je označen kao = (,, ), defazfkovat na sledeć načn: (36) (37) nakon čega se prmenjuje standardna procedura za proračun stepena konzstentnost prkazana u koracma klasčne AHP metode. Neka je X={x 1, x 2,...,x n } skup objekata, a U={u 1, u 2,...,u m } skup cljeva. Prema metodologj prošrene analze koju je postavo Chang za svak uzet objekat vrš se prošrena analza clja u j. Vrednost prošrene analze m za svak objekat mogu bt predstavljene na sledeć načn: gde su fuzzy trougaon brojev. Chang-ova prošrena analza sadrž sledeće korake: Korak 1: Vrednost faz prošrenja za -t objekat date su jednačnom: (38) (39) 42

60 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Da b se doblo zraz: potrebno je zvšt dodatne fuzzy operacje sa m vrednostma prošrene analze, što je predstavljeno sledećm zrazma: Zatm je potrebno zračunat nverzn vektor: Korak 2: Stepen mogućnost Sb>Sa je defnsan: (40) (41) (42) (43) (44) gde je d ordnata najvećeg preseka u tačk D zmeđu μsa μsb kao što je prkazano na slc 4.4. Slka 4.4. Presek zmeđu Sa Sb (Chang, 1996) Za poređenje S 1 S 2, potrebne su obe vrednost V(S 1 S 2 ) V(S 2 S 1 ). Korak 3: Stepen mogućnost da konveksn fuzzy broj bude već od k konveksnog broja S ( =1,2,...,k) može se defnsat zrazom: Težnsk vektor je dat sledećm zrazom: (45) (46) (47) 43

61 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Korak 4: Putem normalzacje, težnsk vektor se svod na zraz: gde W ne predstavlja faz broj. (48) Kroz prmenu fuzzy AHP metode ublažava se glavn nedostatak klasčne AHP metode, a to je prethodno navedena nedovoljno velka skala poređenja. U tu svrhu razvjene su razlčte skale poređenja na baz fuzzy trougaonh brojeva, gde donoslac odluke ma mogućnost da mnogo blže lakše ocen značaj krterjuma l alternatve na taj načn svoju subjektvnost koja je prsutna prlkom rešavanja ovh problema svede na mnmum. Tabela 4.3. Trougaona fuzzy skala (Chang, 1996) Lngvstčka skala Trougaona faz Trougaona faz skala recpročna skala Samo jednako (1, 1, 1) (1, 1, 1) Jednak značaj (1/2, 1, 3/2) (2/3, 1, 2) Malo važnje (1, 3/2, 2) (1/2, 2/3, 1) Strogo važnje (3/2, 2, 5/2) (2/5, 1/2, 2/3) Veoma strogo važnje (2, 5/2, 3) (1/3, 2/5, 1/2) Apsolutno važnje (5/2, 3, 7/2) (2/7, 1/3, 2/5) 4.7. Grub AHP Grub AHP se sastoj od sledećh koraka (Zha dr., 2009): Korak 1: Identfkacja clja stražvanja, nakon toga dentfkacja krterjuma potencjalnh rešenja. U ovom koraku potrebno je formranje hjerarhjske strukture kao što je slučaj kod klasčnog AHP-a. kao: Korak 2: Formranje grupne matrce poređenja u parovma od e th eksperata zražena (49) gde je relatvn značaj krterjuma g na krterjum h zražen od strane eksperta e, m predstavlja broj krterjuma, dok s predstavlja broj donoslaca odluke (DO) l eksperata. Proračunat maksmaln sopstven vektor konzstentnost. od B e, a zatm zračunat ndeks Izvuć z tabele (RI) u zavsnost od n zračunat stepen konzstentnost CR=CI/RI. Nakon toga, grupna matrca poređenja je zražena kao: 44

62 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA (50) gde je, sekvenca relatvnog značaja krterjuma g na krterjum h. Korak 3: U ovom koraku je potrebno formrat grubu matrcu poređenja. Sv element u moraju bt preveden u grub broj korsteć jednačne (19) - (24): (51) gde je donj lmt grubog broja, dok je gornj lmt grubog broja. Onda gruba sekvenca je predstavljena kao: (52) Nakon toga zvršava se konverzja u prosečan grub broj jednačne (25) - (29): prmenjujuć (53) (54) (55) gde je donj lmt grubog broja gornj lmt grubog broja. Onda, gruba matrca poređenja M zražena je kao: (56) Korak 4: Proračun grube težne wg za svak krterjum prmenjujuć naredne dve jednačne: (57) (58) gde je normalzovana težna krterjuma Crsp TOPSIS TOPSIS metoda je praktčna korsna tehnka za rangranje zbor jednog broja utvrđenh alternatva. Ova metoda alternatve vrednuje na osnovu njhove udaljenost u 45

63 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA odnosu na dealno antdealno rešenje. Najbolja je alternatva koja ma najmanje rastojanje u odnosu na dealno rešenje najveće rastojanje u odnosu na antdealno rešenje. Prvo što je potrebno odredt kod ove metode jeste orjentacja krterjuma, tako da h je potrebno mnmzrat l maksmzrat. U nastavku slede korac algortma za rešavanje všekrterjumskog modela TOPSIS metodom: X Polazna matrca: x j mn (59) Polaznu matrca kao kod drugh metoda všekrterjumskog odlučvanja čne vrednost alternatva u odnosu na defnsane krterjume na osnovu kojh je potrebno rangrat potencjalna rešenja. Korak 1: Normalzacja polazne matrce X R R Rj= r j mn m 1 Xj Xj 2 Korak 2: Otežavanje normalzovane matrce R V V v j W r ' j j, W ' j Wj, n W j1 Korak 3: Formranje dealnog ant-dealnog rešenja: j v j W r ' j A + - dealno rešenje, koje ma sve najbolje karakterstke po svm krterjumma: j (60) (61) (62) (63) (64) A max v j j K' mn v j j K'' v, v,..., v,..., v, 1, m K' K K' je podskup skupa K koga čne krterjum tpa max. K'' K K'' je podskup skupa K koga čne krterjum tpa mn A - ant-dealno rešenje, koje ma sve najlošje karakterstke po svm krterjumma: 1 2 j n (65) A mn vj j K' max vj j K'' 2 v, v,..., v,..., v, ( 1, ) 1 j n m Korak 4: Računanje udaljenost (eukldsko rastojanje) svake alternatve od dealnog antdealnog rešenja: (66) 46

64 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA n S (vj v j ) S j1 S 1 + S udaljenost alternatve od dealnog rešenja n 2 (vj v j ) j1 - udaljenost alternatve od ant-dealnog rešenja Korak 5: Računanje relatvne blskost alternatve dealnom rešenju: (67) (68) S S S C S S S, 0 C 1., 0 C 1. Korak 6: Rang alternatva: Rang vrednost C poređanh u opadajuć nz (od najveće do najmanje vrednost) odgovara rangu alternatva A (od najbolje do najlošje). Ako alternatva tež jednc predstavlja dealno rešenje, a ukolko tež nul predstavlja antdealno rešenje Fuzzy TOPSIS (69) (70) TOPSIS metodu su prv predložl Hwang Yoon, (1981), a fuzzy oblk ove metode kasnje su zvršl Chen Hwang, (1992). Algortam Fuzzy TOPSIS metode je opsan na sledeć načn: (Chen, 2000) Korak 1: Formrat odbor donoslaca odluke koj će vršt vrednovanje dentfkovanh krterjuma. Korak 2: Izabrat adekvatne lngvstčke promenljve za određvanje značaja težne krterjuma lngvstčke promenljve za rangranje alternatva prema krterjumma. Korak 3: Agregrat težne krterjuma da b se dobla agregrana fuzzy težna krterjuma C j, grupsat procene donoslaca odluke kako b se doblo agregrano fuzzy rangranje alternatve A prema krterjumu C j onda agregrano fuzzy rangranje može se zračunat prmenjujuć sledeće jednačne: Korak 4: Formrat fuzzy matrcu odlučvanja normalzovanu matrcu odlučvanja: (71) (72) (73) 47

65 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA (74) gde su B C setov beneftnh (korsnh) troškovnh krterjuma respektvno (75) (76) (77) (78) (79) Korak 5: Uzmajuć u obzr razlčt značaj svakog krterjuma, potrebno je formrat otežanu normalzovanu fuzzy matrcu odlučvanja prmenjujuć sledeće jednačne: gde W predstavlja otežan vektor vrednovanog krterjuma. (80) (81) Korak 6: Određvanje fuzzy poztvnog dealnog rešenja (FPIS) fuzzy negatvnog dealnog rešenja (FNIS) koje se prema Yu dr., (2011) dobja na sledeć načn prmenjujuć jednačne: gde su: B setov beneftnh (korsnh) C troškovnh krterjuma respektvno. (82) Korak 7: Izračunat dstancu za svaku alternatvu od FPIS FNIS, respektvno. Udaljenost svake alternatve od A * A može se zračunat kao: gde d(.;.) predstavlja meru udaljenost zmeđu dva fuzzy broja. Korak 8: Izračunat relatvnu blskost za svaku alterrnatvu. (83) (84) (85) Koefcjent relatvne blskost je defnsan kako b zračunao rang svh alternatva od za svaku alternatvu A(=1;2;m). Koefcjent relatvne blskost za svaku alternatvu računa se prema sledećoj jednačn. (86) Korak 9: Prema relatvnoj blskost vrš se rangranje alternatva prema opadajućm vrednostma. 48

66 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Grub TOPSIS Grub TOPSIS se sastoj od pet koraka: (Song dr., 2014) Korak 1: Formranje crsp matrce vrednovanja A (=1,2...,m) prema vrednovanm krterjumma C j (j=1,2...,n). Izabran ekspert korste konvenconalnu skalu (1,2,3,...,10) da b zvršl vrednovanje u odnosu na svak krterjum C j (j=1,2...,n). Pretpostavljajuć da tm ma l eksperata za donošenje odluke, može se razmotrt kao všekrterjumsk model zrazt u oblku matrce vrednovanja D na sledeć načn: (87) gde je k=1,2,...,l, x k j(=1,..,m) predstavlja procenu od k th eksperta za th u odnosu na krterjum j. Korak 2: Konvertovat crsp elemente x k j u grupnu matrcu odlučvanja. Matrcu konvertovat u formu grubh brojeva kako b se dobla grupna matrca odlučvanja R. Grub broj RN(x k j) od x k j može se dobt prmenom jednačna (19)-(24). U suštn procedura proračuna u ovom koraku dentčna je kao procedura trećeg koraka kod grubog Analtčko Hjerarhjskog Procesa. Korak 3: Proračunat otežanu normalzovanu matrcu odlučvanja u oblku grubh brojeva. Da b se zvršla transformacja razlčth skala krterjuma u kompatblnu skalu potrebno je prment sledeć normalzovan metod: predstavlja donj gornj lmt normalzovanog oblka ntervala (88) Metod normalzacje pomenut prethodno čuva osobnu prema kojoj rangov normalzovanog ntervalnog broja prpadaju [0, 1]. Nakon toga, može se zračunat otežana normalzovana matrca na sledeć načn: gde w j L w j U predstavljaju donj gornj lmt težne krterjuma u oblku grubog broja respektvno. (89) (90) Korak 4: Zatm, poztvno dealno rešenje (PIS) negatvno dealno rešenje (NIS) može se odredt na sledeć načn: (91) 49

67 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA (92) gde su v+(j) v-(j) vrednost PIS NIS prema krterjumu j. B C su označen kao korsn troškovn krterjum respektvno. Korak 5: U ovom koraku potrebno je zračuant Eukldsko rastojanje to prmenjujuć sledeće jednačne: Eukldsko rastojanje od PIS: (93) Slčno tome, Eukldsko rastojanje od NIS se računa prema jednačn: (94) Koefcjent relatvne blskost respektujuć svak krterjum defnsan je sledećom jednačnom: Crsp COPRAS (95) COPRAS (COmplex PRoportonal ASsessment) metod stvorl su (Zavadskas dr., 1994). Ops ove metode mogućnost njene prmene su publkovan u velkom broju radova (Zavadskas dr., 2001; Vlutene Zavadskas, 2003 Kaklauskas dr., 2006, Stevć, 2016). Rangranje alternatva prmenom COPRAS metode pretpostavlja drektnu proporconalnu zavsnost od značaja prorteta sptanh alternatva na sstemu krterjuma (Ustnovchus dr., 2007). Proračun značaja prorteta alternatva, može se preczno zrazt preko sledećh koraka: Korak 1: Formranje početne matrce X. (96) gde je xj procenjena vrednost -te u odnosu na j-t krterjum, m je broj alternatva n je broj krterjuma. Korak 2: Normalzacja početne matrce odlučvanja prmenom procedure lnearne normalzacje. U všekrterjumskom odlučvanju krterjum občno maju razlčte težnske vrednost. 50

68 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Pregled nekh najbtnjh metoda všekrterjumskog odlučvanja njhove normalzacje dat su u (Gnevcus, 2008). Za normalzacju u COPRAS metod korst se sledeća formula: Korak 3. Formranje otežane normalzovane matrce korsteć sledeću formulu: (97) (98) gde je rj normalzovana vrednost -te alternatve u odnosu na j-t krterjum wj je težna l značaj j-tog krterjuma. Suma otežanh normalzovanh vrednost za svak krterjum je uvek jednaka vrednost tog krterjuma: (99) Korak 4: U ovom koraku potrebno je proračunat sumu otežanh normalzovanh vrednost za obe vrste krterjuma, za korsne krterjume za troškovne korsteć sledeće jednačne: (100) (101) gde su y+j y-j otežane normalzovane vrednost za korsne troškovne krterjume, respektvno. Korak 5: Određvanje relatvnog značaja za svaku alternatvu. Relatvna težna tu alternatvu se računa prmenom sledeće jednačne: Q za -. (102) Jednačna (102) može se napsat u jednostavnjem oblku kao: (103) Korak 6: Određvanje prorteta alternatva. Prortet pr poređenju alternatva određuje se na baz njhove relatvne težne, gde se alternatv sa većom vrednošću relatvne težne daje već prortet l rang alternatva sa takvom najvećom vrednošću predstavlja najprhvatljvju alternatvu. A * A max Q (104) 51

69 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Razvoj novog prstupa prmenom grubh brojeva COPRAS metode Jedan od novh prstupa koj su razvjen u okvru ove doktorske dsertacje je upravo Grub COPRAS prstup koj se sastoj od šest koraka prkazanh u nastavku. Korak 1: Formranje početne matrce X. X C C... C 1 2 A1 RN( x11 ) RN( x12 )... RN( x1 n) A 2 RN( x21) RN( x22 ) RN( x2n ) A RN( x ) RN( x )... RN( x ) m m1 m2 mn m n n (105) gde je RN(xj) procenjena vrednost -te u odnosu na j-t krterjum, m je broj alternatva n je broj krterjuma. Korak 2: Normalzacja početne matrce odlučvanja prmenom procedure lnearne normalzacje. r j L U L U xj ; x j xj x j ; L U U L xj ; xj xj xj Korak 3: Formranje otežane normalzovane matrce korsteć sledeću formulu: (106) L U L L U U D dj ; d j wj xj ; wj x j (107) L U gde je dj ; d j normalzovana vrednost -te alternatve u odnosu na j-t krterjum wj je težna l značaj j-tog krterjuma. Suma otežanh normalzovanh vrednost za svak krterjum je uvek jednaka vrednost tog krterjuma: L U yj wj; w J (108) Korak 4: U ovom koraku potrebno je proračunat sumu otežanh normalzovanh vrednost za obe vrste krterjuma, za korsne krterjume za troškovne korsteć sledeće jednačne: S L U s ; s (109) j j 1xn S L U s ; s (110) j j 1xn L U gde sj ; s j L U sj ; s j predstavljaju otežane normalzovane vrednost za korsne troškovne krterjume, respektvno. Korak 5: Određvanje relatvnog značaja za svaku alternatvu. Relatvna težna Q za - tu alternatvu se računa prmenom sledeće jednačne: Q S S S 1 S (111) 52

70 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Q s Jednačna (102) može se napsat u sledećem oblku kao: L j ; s U j L U sj ; sj L U 1 1 sj ; s j, L U sj sj (112) Korak 6: Određvanje prorteta alternatva. Prortet pr poređenju alternatva određuje se na baz njhove relatvne težne, gde se alternatv sa većom vrednošću relatvne težne daje već prortet l rang alternatva sa takvom najvećom vrednošću predstavlja najprhvatljvju alternatvu. A * A max Q (113) Grub DEMATEL Metoda DEMATEL (eng. Decson-Makng Tral and Evaulaton Laboratory) je veoma pogodna za projektovanje analzranje strukturnog modela. To se postže kroz defnsanje uzročno posledčnh odnosa zmeđu kompleksnh faktora (Pamučar Ćrovć, 2015). Uzročno posledčn odnos dobjaju se na osnovu ukupnh drektnh ndrektnh utcaja koj su predat sa svakog faktora na ostale faktore, al prmljen od ostalh faktora. Koršćenjem DEMATEL metode razmatraju se zavsn faktor utvrđuje se stepen zavsnost zmeđu njh. Metod je zasnovan na teorj grafa omogućava vzuelno planranje rešavanje problema. Tako se relevantn faktor mogu podelt na uzročne posledčne u clju boljeg razumevanja međusobnh odnosa. Tme se postže bolje razumevanje kompleksne strukture razmatranog problema, određuju veze zmeđu faktora, veze zmeđu nvoa strukture jačne utcaja faktora (Ggovć dr., 2017a). U narednom delu prkazan su korac grubog DEMATEL metoda: Korak 1: Ekspertska analza faktora. Pod pretpostavkom da postoj m eksperata n faktora (krterjuma) koj se posmatraju, svak ekspert treba da odred stepen utcaja faktora na faktor j. Uporedna analza para -tog j-tog faktora od strane k-tog eksperta označava se sa x j e, pr čemu je: =1,..,n; j=1,...,n. Vrednost svakog para x j e uzma jednu celobrojnu vrednost sa sledećm značenjem: 0 - nema utcaja; 1 - mal utcaj; 2 - srednj utcaj; 3 - velk utcaj; 4 - veoma velk utcaj. Odgovor e-tog eksperta prkazuje se nenegatvnom matrcom ranga n n, a svak element e-te matrce u zrazu X e =[x e j] n n označava ceo nenegatvan broj x e j, pr čemu je 1 e m. e e 0 x12 x 1n e e e x21 0 x2n X ; 1, j n; 1 e m e e xn1 xn2 0 nxn (114) gde e x j predstavlja lngvstčke zraze z unapred defnsane lngvstčke skale kojma ekspert e predstavlja svoje poređenje u parovma krterjuma. 53

71 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Prema tome, matrce X 1, X 2,, X m su matrce odgovora svakog od m eksperata. Djagonaln element matrce odgovora svh eksperata uzmaju vrednost nula jer st faktor nemaju utcaja. Korak 2: Određvanje matrce prosečnh odgovora eksperata. Na osnovu matrca odgovora X e =[x e j] n n (1 e m) od strane svh m eksperata, dobjamo matrcu agregranh sekvenc eksperata X * X x, x,, x x ; x ; ; x,, x ; x,, x 1 2 m 1 2 m 1 2 m x n1, xn 1,, xn 1 xn2; xn2; ; xn2,, xnn; xnn,, xnn (115) 1 2 m 1 2 m 1 2 m n 1n 1n 1 2 m 1 2 m 1 2 m * x21, x21,, x21 x22; x22; ; x22,, x2n; x2n,, x2n 1 2 m gde xj xj, xj,, xj predstavljaju sekvence kojma se opsuje relatvn značaj krterjuma u odnosu na krterjum j. Prmenom zraza (19)-(24) sekvenca x e (1 e m) j e e e transformše se u grubu sekvencu RN x Lm( x ), Lm( x ), gde e Lm( x e j ) Lm( x j ) j j j RN x, e predstavljaju donju grancu (engl. upper lmt) gornju grancu grube sekvence j respektvno. Ovakve grube sekvence defnšu se u matrc (115). Tme dobjamo grube matrce X 1, X 2,, X m (gde m predstavlja broj eksperata). Tako za grupu grubh matrca X 1, X 2,, X m na pozcj (j) dobjamo grubu sekvencu: m m j Lm( j ), Lm( ), j Lm( j ), Lm( j ),..., Lm( j ), Lm( xj ) RN x x x x x x Prmenom zraza (116) dobjamo osrednjene grube sekvence 1 Lm( z ) RN z RN x x x 1 Lm( zj ) m m e j xj 1 2 m m e1 ( j ) ( j, j,..., j ) m e xj e1 gde e predstavlja e-tog eksperta ( e 1,2,..., m), a RN( z ) predstavlja grubu sekvencu. j (116) Tako dobjamo osrednjenu grubu matrcu prosečnh odgovora Z 0 RN( z12 ) RN( z1 n ) RN( z21) 0 RN( z2n ) Z RN( z ) RN( z ) 0 n1 n2 (117) Matrca Z prkazuje početne efekte koje faktor j prouzrokuje, kao početne efekte koje faktor j dobja od ostalh faktora. Suma svakog -tog reda matrce Z predstavlja ukupne drektne efekte koje je faktor predao ostalm faktorma, a suma svake j-te kolone matrce Z predstavlja ukupne drektne efekte koje je faktor j dobo od ostalh faktora. Korak 3: Normalzacja grupne drektne relacone matrce. Na osnovu matrce Z zračunava se normalzovana matrca prosečne percepcje (engl. ntal drect-relaton matrx) 54

72 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA D RN( d ), zraz (118). Normalzacjom svak element matrce D uzma vrednost zmeđu j nn nule jedan. Matrca D se dobja kada se svak element RN( zj ) matrce Z podel sa grubm brojem RN() s, zraz (118)-(121) 0 RN( d12 ) RN( d1 n ) RN( d21) 0 RN( d2n ) D RN( d ) RN( d ) 0 n1 n2 (118) gde se RN( d j ) dobja prmenom zraza (119) RN( z ) j Lm( zj ) Lm( zj ) RN( dj ) RN, s s s gde je (119) n n n 1 j j j1 j j1 j s max RN( z ) max Lm( z ), Lm( z ) odnosno n n j1 j j1 j s max max Lm ( z ),max Lm ( z ) (120) (121) Korak 4: Određvanje matrce ukupnh utcaja. Prmenom zraza (122) (123) zračunava se matrca ukupnh utcaja ( T RN( t ) ) (engl. total relaton matrx) ranga n n. Element RN( tj ) j nn predstavlja drektan utcaj faktora na faktor j, a matrca T odražava ukupne odnose zmeđu svakog para faktora. Pošto se svak grub broj sastoj od dve sekvence, odnosno od donje gornje aproksmacje, tada normalzovanu matrcu prosečne percepcje D RN( d ) možemo da L podelmo na dve podmatrce odnosno, L U D D, D, gde D Lm( d ) D U Lm ( d ) L Štavše, lm D lm m and lm m m m U O lm D m m O L 2L ml L I D D D I D U 2U mu U I D D D I D, gde O 1 1 predstavlja nultu matrcu. j nn j nn. j nn (122) Na osnovu toga matrca ukupnh utcaja T dobja se proračunom sledećh elemenata: L 2L ml L I D D D I D L 1 L T lm Lm( tj ) m nn and U U 2U mu U 1 U T lm I D D D I D Lm( tj ) m nn (123) 55

73 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA L gde je D Lm( d ) D U Lm( d ) Podmatrce j nn L T. j nn 'U T zajedno predstavljaju grubu matrcu ukupnh utcaja L U T T, T Na osnovu zraza (122) (123) dobja se gruba matrca ukupnh utcaja RN( t11 ) RN( t12 ) RN( t1 n ) RN( t21) RN( t22 ) RN( t2n ) T RN( t ) RN( t ) RN( t ). n1 n2 nn (124) gde je RN( tj ) Lm( tj ), Lm( tj ) grub broj kojm zražavaju ndrektn efekt faktora na faktor j. Tada matrca T odražava međuzavsnost svakog para faktora. Korak 5: Izračunavanje sume redova kolona matrce ukupnh utcaja T. U matrc ukupnh utcaja T suma redova suma kolona predstavljena je vektorma R C ranga n 1: RN( R ) RN( t ) t, t n n L n U j j1 j j1 j j1 n1 n1 (125) RN( C ) RN( t ) t, t n n L n U j 1 j 1 j 1 1 n 1n (126) Da b se efkasno odredla staknutost relacja suma redova R suma kolona C u matrc ukupnh utcaja T potrebno je zvršt konverzju u crsp oblk R crsp crsp C prmenjujuć jednačne (127)-(129) RN( R ) Lm( R ), Lm( R ) ^ Lm( R) mn Lm( R) Lm( R) max ( ) mn ( ) ^ ^ ^ ^ Lm R gde ^ Lm( R ) ^ ( ) Lm R Lm R Lm R ( ) mn Lm( R) Lm( R ) max ( ) mn ( ) Lm R Lm R (127) Lm( R ) predstavljaju donj gornj lmt grubog broja Lm( R ) su normalzovan oblc Lm( R ) ( ) Lm R. RN( R ), respektvno; Posle normalzacje možemo zračunat totalnu normalzovanu matrcu sa crsp vrednostma: ^ ^ ^ ^ Lm( R ) 1 Lm( R ) Lm( R ) Lm( R ) ^ ^ 1 Lm( R) Lm( R) (128) Konačan crsp oblk R crsp za RN( R ) se dobja prmenjujuć jednačnu (129) crsp R mn Lm( R ) max Lm( R ) mn Lm( R ) (129) crsp Vrednost R pokazuje ukupne drektne ndrektne efekte koje je krterjum crsp omogućo ostalm krterjumma. Vrednost C pokazuje ukupne drektne ndrektne efektne 56

74 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA crsp koje je krterjum j dobo od ostalh krterjuma. U slučaju kada je =j, tada zraz ( R + crsp C ) crsp crsp predstavlja značajnost krterjuma, a zraz ( R - C ) označava ntenztet utcaja krterjuma u odnosu na ostale (Pamučar Ćrovć, 2015). Korak 6: Određvanje grančne vrednost (α) (engl. threshold value) zrada djagrama uzočno-posledčnh odnosa (engl. cause-and-effect relatonshp dagram - CERD). Grančna vrednost (α) zračunava se zračunava kao prosek elemenata matrce T, zraz (130) n n 1 j 1 RN( tj ) N gde N predstavlja ukupan broj elemenata matrce (124). (130) CERD se zrađuje da b se vzuelno predstavl složen odnos pružle nformacje rad donošenja zaključka koj su faktor najvažnj kako utču jedn na druge. Faktor t j čja je vrednost veća od grančne vrednost α, braju se rad prkazvanja uzročno-posledčnh veza. Vrednost elemenata matrce T, koj maju všu vrednost u odnosu na grančnu vrednost crsp α zdvajaju se unose u djagram. U CERD-u x - osa predstavlja ( R + crsp crsp C ), y osa ( R - crsp C ). Ove vrednost služe za predstavljanje veze zmeđu dva faktora. Prlkom predstavljanja veza zmeđu faktora strelca uzajamno-posledčne veze se usmerava od faktora koj ma nžu vrednost u odnosu na α ka elementu koj ma všu vrednost u odnosu na α. Nakon određvanja odnosa krterjuma prkaza na CERD-u, u narednom koraku, proračunavaju se težnsk koefcjent krterjuma. Korak 7. Određvanje težnskh koefcjenata krterjuma. Težnsk koefcjent krterjuma određuju se prmenom zraza (131) (Ggovć dr., 2016) Lm( Wj ) Lm( R ) Lm( C ) Lm( R ) Lm( C ) RN( Wj ) Lm( Wj ) Lm( R ) Lm( C ) Lm( R ) Lm( C ) Normalzacja težnskh koefcjenta vrš se prmenom zraza (132) 2 (131) RN( Wj ) RN( wj ) max Lm( W ), Lm( W ) j w j j (132) Gde j predstavlja konačne težne krterjuma koj se korste u procesu donođenja odluka (Pamučar Ćrovć, 2015) Crsp MAIRCA MAIRCA (MultAtrbutveIdeal-RealComparatveAnalyss) metoda takođe spada u metode novjeg datuma. Matematčku formulacju MAIRCA metode razvo je Dragan Pamučar u Centru za stražvanja u oblast logstke odbrane Unverzteta odbrane u Beogradu prv put je predstavljena naučnoj javnost godne (Pamučar dr., 2014). Do danas je 57

75 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA našla šroku prmenu modfkacje u clju rešavanja brojnh problema z oblast všekrterjumskog odlučvanja. Osnovna postavka MAIRCA meotode ogleda se u određvanju jaza zmeđu dealnh emprjskh pondera. Sumranjem jaza po svakom krterjumu dobja se ukupan jaz za svaku posmatranu alternatvu. Na kraju se vrš rangranje alterantva, gde se za najbolje rangranu alternatvu uzma ona koja ma najmanju vrednost ukupnog jaza. Alternatva sa najmanjm ukupnm jazom predstavlja alternatvu koja je po najvećem broju krterjuma mala vrednost koje su ble najblže dealnm ponderma (dealnm vrednostma krterjuma). Metoda MAIRCA sprovod se kroz 6 koraka. Korak 1. Formranje početne matrce odlučvanja ( X ). U početnoj matrc odlučvanja (133) određuju se vrednost krterjuma ( x, 1,2,... n; j 1,2,... m) za svaku od posmatranh alternatva. C C... C 1 2 A1 x11 x12... x1 n A 2 x21 x22 x 2n X Am xm1 x22... xmn n j (133) Element matrce (133) dobjaju se na osnovu merenja, lčnh preferencja donosoca odluke l agregacjom ekspertskh odluka ukolko se rad o grupnom donošenju odluka. Korak 2. Određvanje verovatnoće zbora alternatve P A. Prlkom rangranja alternatva donoslac odluke (DO) je neutralan prema zboru alternatve, odnosno nema preferencje prema nekoj od ponuđenh alternatva. Polaz se od pretpostavke da DO ne vod računa o verovatnoćama zbora pojednh alternatva, odnosno da nema preferencje prema zboru alternatva. Tada može da posmatra alternatve kao da će svaka da se odgra sa podjednakom verovatnoćom, pa verovatnoća zbora jedneo d m mogućh alternatva znos m 1 PA ; PA 1, 1,2,..., m m 1 gde m predstavlja ukupan broj alternatva koje se braju. U tom slučaju verovatnoće zbora pojednh alternatva su jednake, odnosno P P... P A1 A2 A m gde m predstavlja ukupan broj alternatva koje se braju. (134) (135) Korak 3. Proračun elemenata matrce teorjskh pondera ( T p ). Formra se matrca teorjskh pondera ( T p ) formata n x m ( n predstavlja ukupan broj krterjuma, m predstavlja ukupan broj alternatva). Element matrce teorjskh pondera ( t pj ) proračunavaju se kao 58

76 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA prozvod verovatnoće zbora alternatve ( w, 1,2,..., n) PA težnskh koefcjenata krterjuma T p w1 w2... w w1 w2... w n n PA 1 t p t p... t p n PA PA w PA w PA w 1 n P A t 2 p21 t p22... t p2n PA 2 PA w 2 1 PA w PA w 2 n P t pm1 t pm2... t A pmn P m A P m A w m 1 PA w m 2... PA w m n (136) Pošto je DO neutralan u odnosu na početn zbor alternatve, tada su preferencje ( P ) ste za sve alternatve. Pošto su preferencje ( možemo da prkažemo u formatu nx 1: w w... w 1 2 n w w... w 1 2 P A ) ste za sve alternatve, tada matrcu (136) Tp P A t p t p t pn P A P A w P A w P A w n (137) n A gde n predstavlja ukupan broj krterjuma, t p predstavlja teorjsk ponder. Korak 4. Određvanje elemenata matrce stvarnh pondera ( T r ). T r C C... C 1 2 n A1 tr11 tr12... tr1 n A 2 tr 21 tr 22 t r 2n Am trm1 trm2... trmn (138) gde n predstavlja ukupan broj krterjuma, m predstavlja ukupan broj alternatva. Proračun elemenata matrce stvarnh pondera ( T ) vrš se množenjem elemenata r matrce teorjskh pondera ( T p ) elemenata početne matrce odlučvanja ( X ) prema zazu: t t rj rj x Za krterjume beneft tpa (veća vrednost krterjuma poželjnja) xj x tpj x x (139) Za krterjume cost tpa (manja vrednost krterjuma poželjnja) xj x tpj x x (140) gde x j, x x x defnšu kao: x max x, x,..., x 1 2 m predstavljaju elemente početne matrce odlučvanja ( X ), pr čemu se predstavlja maksmalne vrednost krterjuma po alternatvama. 59

77 x mn x, x,..., x TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA 1 2 m predstavlja mnmalne vrednost krterjuma po alternatvama. Korak 5. Proračun matrce ukupnog jaza ( G ). Element matrce G dobjaju se kao razlka (jaz) zmeđu teorjskh ( t pj ) stvarnh pondera ( t rj ), odnosno oduzmanjem elemenata matrce teorjskh pondera ( T p ) elemenata matrce stvarnh pondera ( T r ) g11 g12... g n t p tr t p tr t p1n tr1 n g g... g t t t t... t t g g... g t t t t... t t n p21 r 21 p22 r22 p2n r2n p r G T T m1 m2 mn pm1 rm1 pm2 rm2 pmn rmn (141) gde n predstavlja ukupan broj krterjuma, m predstavlja ukupan broj alternatva koje se braju. Jaz zrazu (142) gj uzma vrednost z ntervala gj 0, t pj trj, odnosno uzma vrednost prema g j 0, f t pj trj t pj trj, f t pj trj (142) Poželjno je da vrednost najmanju razlku zmeđu teorjskh ( t pj krterjum t C g tež nul ( g 0 ) pošto bramo alternatvu koja ma j j ) stvarnh pondera ( t rj ). Ukolko alternatva A za ma vrednost teorjskh pondera koja je jednaka vrednost stvarnh pondera ( pj trj ) tada jaz za alternatvu A krterjumu po krterjumu C je najbolja (dealna) alternatva ( A ). Ukolko alternatva A za krterjum C znos gj 0. Odnosno alternatva A po C ma vrednost teorjskh pondera koja znos t pj vrednost stvarnh pondera koja znos trj 0, tada jaz za alternatvu A znos gj tpj. Odnosno alternatva A alternatva ( A ). je po krterjumu C po krterjumu C najlošja (ant-dealna) Korak 6. Proračun vrednost krterjumskh funkcja ( Q ) po alternatvama. Vrednost krterjumskh funkcja dobjaju se sumranjem jaza ( g j ) po alternatvama, odnosno sumranjem elemenata matrce ( G ) po kolonama, zraz (143) n Q g, 1,2,..., m j1 j (143) Na osnovu dobjenh vrednost krterjumskh funkcja ( Q ) određuje se ncjaln rang alternatva ( R ntal ). Alternatva sa najmanjom vrednošću ukupnog jaza ncjalno prvorangrana, dok alternatva sa najvećom vrednošću jaza postaje poslednje rangrana alternatva. 60

78 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Korak 7. Određvanje ndeksa domnacje prvorangrane alternatve ( AD,1 j). Indeks domnacje prvorangrane alternatve određuje se rad utvrđvanja prednost prvorangrane alternatve u odnosu na ostale alternatve. Indeks domnacje određuje se prmenom zraza (144). Qj Q1 AD,1 j, j 2,3,.., m Q n gde Q predstavlja krterjumsku funkcju prvorangrane alternatve, 1 krterjumsku funkcju alternatve koja je poslednja po rangu, (144) Q predstavlja n Q j predstavlja krterjumsku funkcju alternatve sa kojom se prvorangrana alternatva pored, m predstavlja ukupan broj alterantva, a j predstavlja rang alternatve sa kojom se prvorangrana alternatva pored. Nakon određvanja ndeksa domnacje, prmenom zraza (145) određuje se prag domnacje I (Slka 4.5) D I D m 1 (145) 2 m gde m predstavlja ukupan broj alternatva Праг домонације (ID) Број алтернатива (m) Slka 4.5. Zavsnost praga domnacje od broja alternatva (Pamučar dr., 2014) U slučaju zbora zmeđu dve alternatve, prvorangrana alternatva treba dovoljno da domnra u odnosu na drugorangranu alternatvu, odnosno prag domnacje treba da bude najmanje Dalje se sa povećanjem broja alternatva, smanjuje vrednost praga domnacje prvorangrane alternatve, slka 4.5. Ukolko je spunjen uslov da je ndeks domnacje AD,1 j već l jednak pragu domnacje I (,1 D A I ), tada se zadržava dobjen rang. Međutm, ukolko je ndeks D j D domnacje AD,1 j manj od praga domnacje D A I (,1 I ), ne možemo da kažemo da D j D prvorangrana alternatva ma dovoljnu prednost nad alternatvom sa kojom se pored. Navedena ogrančenja mogu da se prkažu sledećom relacjom: 61

79 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA R fnal, j A I R R A I R R D,1 j D fnal, j ntal, j D,1 j D fnal, j ntal,1 (146) gde Rntal, j predstavlja ncjaln rang alternatve sa kojom se pored prvorangrana alternatva, R fnal, j predstavlja konačan rang alternatve sa kojom se pored prvorangrana alternatva, I predstavlja prag domnacje, a AD,1 j ndeks domnacje prvorangrane D alternatve u odnosu na posmatranu alternatvu. Kada je spunjen uslov A D,1 j ID, tada alternatv sa kojom se prvorangrana alternatva pored korgujemo rang, tako da se dalje posmatra kao prvorangrana dodeljujemo joj oznaku "1 * ". Tme naglašavamo da prvorangrana alternatva ma manju prednost od dozvoljene uslovom u odnosu na posmatranu alternatvu. Pretpostavmo npr. da se prvorangrana alternatva pored sa drugorangranom alternatvom da je A D,1 2 I, tada drugorangrana alternatva dobja rang "1 * ". Zatm D nastavljamo poređenje sa trećerangranom alternatvom. Ako za treću alternatvu važ da je A D,13 I, tada trećerangrana alternatva dobja rang "1 ** " tako dalje nastavljamo zvršmo D poređenje ostalh alternatva. Na kraju opsanog postupka zvršće se korekcje ncjalnh rangova ( R ntal ) za sve alternatve za koje je spunjen uslov A D,1 j ID, dok se rangov alternatva koje spunjavaju uslov A D,1 j ID ne menjaju. Tako dobjamo konačan rang alternatva ( R fnal ) koj se po pravlu predstavlja uporedo sa ncjalnm rangom alternatva ( Grub MAIRCA R ) z koraka 6. ntal Osnovna postavka metode Grube MAIRCA ogleda se u određvanju jaza zmeđu dealnh emprjskh procena (engl. assesment). Sumranjem jaza po svakom krterjumu dobja se ukupan jaz za svaku posmatranu alternatvu. Na kraju se vrš rangranje alterantva, gde se za najbolje rangranu alternatvu uzma ona koja ma najmanju vrednost ukupnog jaza. Alternatva sa najmanjm ukupnm jazom predstavlja alternatvu koja je po najvećem boroju krterjuma mala vrednost koje su ble najblže dealnm procenama (dealnm vrednostma krterjuma). Metoda MAIRCA sprovod se kroz 7 koraka (Pamučar dr., 2014 Ggovć dr., 2016): Korak 1. Formranje početne matrce odlučvanja ( X ). U početnoj matrc odlučvanja (147), na osnovu zraza (19)-(24) određuju se vektor A RN x, RN x,..., RN x RN( xj ) Lm( xj ), Lm( xj ) 1,2,..., m; j 1,2,..., n. 1 2 n predstavlja vrednost -te alternatve po, gde j -tom krterjumu 62

80 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA X C C... C 1 2 n A1 RN( x11 ) RN( x12 )... RN( x1 n) A 2 RN( x21) RN( x22 ) RN( x2n ) Am RN( xm 1) RN( xm2)... RN( xmn ) mn (147) Element matrce (147) predstavljaju grube brojeve određuju se na osnovu preferencja donosoca odluke l agregacjom ekspertskh odluka, zraz (19)-(30). Korak 2. Određvanje preferencje prema zboru alternatva P A. Prlkom zbora alternatva donoslac odluke (DO) je neutralan prema zboru alternatva, odnosno nema preferencje prema nekoj od ponuđenh alternatva. Tada može da posmatra alternatve kao da će svaka alternatva da se zabere sa pod jednakom verovatnoćom, pa tako preferencja prema zboru jedne od m mogućh alternatva znos m 1 PA ; PA 1, 1,2,..., m m 1 gde m predstavlja ukupan broj alternatva koje se braju. (148) Korak 3. Proračun elemenata matrce teorjskh procena ( T p ). Formra se matrca teorjskh procena ( T p ) formata n x m ( n predstavlja ukupan broj krterjuma, m predstavlja ukupan broj alternatva). Element matrce teorjskh procena ( t pj proračunavaju se kao prozvod preferencja prema zboru alternatva koefcjenata krterjuma (, 1, 2,..., T p w n RN( w1) RN( w2)... RN( wn ) PA ( 1 RN t p11) RN( t p12 )... RN( t p1n ) P A RN( t 2 p21) RN( t p22) RN( t p2n ) P RN( t ) RN( t )... RN( t ) ) su grub brojev P A težnskh ) koj se dobjaju prmenom G'DEMATEL metode A pm1 pm2 pmn m mn (149) gde P predstavlja preferencje prema zboru alternatva, RN( w ) težnske koefcjente A krterjuma evaluacje, a RN( t pj ) teorjsku procenu alternatve za posmatran krterjum evaluacje. Element matrce T p određuju se prmenom zraza (150) RN( t pj ) PA RN( w ) PA Lm( w ), Lm( w ) (150) Pošto je DO neutralan u odnosu na početn zbor alternatve, tada su preferencje ( P ) ste za sve alternatve. Pošto su preferencje ( P A ) ste za sve alternatve, tada matrcu (149) možemo da prkažemo u formatu nx 1 ( n predstavlja ukupan broj krterjuma). A 63

81 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA RN( w ) RN( w )... RN( w ) 1 2 T P P Lm( w ), Lm( w ) P Lm( w ), Lm( w )... P Lm( w ), Lm( w ) p A A 1 1 A 2 2 A n n nx1 (151) gde n predstavlja ukupan broj krterjuma, RN( w ) težnske koefcjente krterjuma evaluacje. P A preferencje prema zboru alternatva, Korak 4. Određvanje elemenata matrce stvarnh procena ( T ). Proračun elemenata r matrce stvarnh procena ( T ) vrš se množenjem elemenata matrce teorjskh procena ( T r p ) elemenata početne matrce odlučvanja ( X ) prema zrazu: RN( trj ) RN( t pj ) RN( xnj ) Lm( xpj ) Lm( xnj ), Lm( t pj ) Lm( xnj ) (152) gde RN( t pj ) predstavlja elemente matrce teorjskh procena, a RN( x nj ) predstavlja normalzovane elemente početne matrce odlučvanja (147). Normalzacja elemenata početne matrce odlučvanja (147) vrš se prmenom zraza (153) (154) Za krterjume beneft tpa (veća vrednost krterjuma poželjnja) L U xj x j xj x L U j RN( xnj ) Lm( xnj ), Lm( xnj ) xnj, x nj, x j x j x j x j (153) Za krterjume cost tpa (manja vrednost krterjuma poželjnja) U L xj x j xj x j RN( xnj ) Lm( xnj ), Lm( xnj ), x j x j xj x j gde x (154) x predstavljaju predstavlja mnmalne maksmalne vrednost grančnh ntervala posmatranog krterjuma, respektvno: L x mn Lm( x ) mn x j j j j j x max Lm( x ) max x U j j j j j n (155) (156) Korak 5. Proračun matrce ukupnog jaza ( G ). Element matrce G dobjaju se kao razlka (jaz) zmeđu teorjskh ( t pj ) stvarnh procena ( t rj ), odnosno oduzmanjem elemenata matrce teorjskh pondera ( T p ) elemenata matrce stvarnh pondera ( T ): r G T T RN( g11) RN( g12 )... RN( g1n ) RN( g ) RN( g )... RN( g ) RN( g ) RN( g )... RN( g ) n p r m1 m2 mn m n (157) gde n predstavlja ukupan broj krterjuma, m predstavlja ukupan broj alternatva koje se braju, a RN( gj ) predstavlja dobjen jaz alternatve po krterjumu j. Jaz RN( g j ) predstavlja grub broj dobja se prmenom zraza (158): 64

82 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA RN( gj ) RN( t pj ) RN( tr ) Lm( x ) ( ), ( ) ( ) j pj Lm trj Lm t pj Lm t rj (158) Poželjno je da vrednost RN( g j ) tež nul ( RN( gj ) 0) pošto bramo alternatvu koja ma najmanju razlku zmeđu teorjskh ( t pj za krterjum t ) stvarnh procena ( t rj ). Ukolko alternatva A C ma vrednost teorjskh pondera koja je jednaka vrednost stvarnh pondera ( pj trj ) tada jaz za alternatvu A krterjumu po krterjumu C je najbolja (dealna) alternatva. Ukolko alternatva A za krterjum vrednost stvarnh pondera koja tež nul, tada jaz za alternatvu RN( gj ) RN( t pj ). To znač da je alternatva A po krterjumu alternatva. C tež nul. Odnosno alternatva A po C ma vrednost teorjskh pondera koja znos t pj A po krterjumu C znos C najlošja (ant-dealna) Korak 6. Proračun konačnh vrednost krterjumskh funkcja ( Q ) po alternatvama. Vrednost krterjumskh funkcja dobjaju se sumranjem jaza z matrce (157) za svaku alternatvu po krterjumma evaluacje, odnosno sumranjem elemenata matrce ( G ) po kolonama, zraz (159) n RN( Q ) RN( g ), j 1,2,..., n; 1,2,..., m j1 j (159) gde n predstavlja ukupan broj krterjuma, a m predstavlja ukupan broj alternatva koje se braju. Rangranje alternatva može da se zvrš prmenom pravla za rangranje grubh brojeva l pretvaranjem grubh brojeva u realne brojeve. Pretvaranje grubog broja RN( Q ) Lm( Q ), Lm( Q ) u realan broj Q vrš se prmenom zraza (160) (161). Prmenom zraza (24) za svak grub broj određuje se grub grančn nterval (engl. rough boundary nterval). Grub grančn nterval IRBnd ( Q ) predstavlja nterval zmeđu donje gornje grance (engl. lmt). Grub grančn nterval korst se za određvanje ndkatora ( 0 1): IRBnd ( Q ) Lm( Q ) Lm( Q ) prevođenje grubog broja RN( Q ) u realan broj Q Lm( Q ) (1 ) Lm( Q ) (160) (161) Korak 7. Određvanje ndeksa domnacje prvorangrane alternatve ( AD,1 j). Indeks domnacje prvorangrane alternatve defnše njenu prednost u odnosu na ostale alternatve. Indeks domnacje određuje se prmenom zraza (162). 65

83 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Qj Q1 AD,1 j, j 2,3,.., m Q n gde Q predstavlja krterjumsku funkcju prvorangrane alternatve, 1 krterjumsku funkcju alternatve koja je poslednja po rangu, (162) Q predstavlja n Q j predstavlja krterjumsku funkcju alternatve sa kojom se prvorangrana alternatva pored m predstavlja ukupan broj alterantva. Nakon određvanja ndeksa domnacje, prmenom zraza (163) određuje se prag domnacje D I. I D m 1 2 m gde m predstavlja ukupan broj alterantva. (163) Ukolko je spunjen uslov da je ndeks domnacje AD,1 j već l jednak pragu domnacje I (,1 D A I ), tada se zadržava dobjen rang. Ukolko je ndeks domnacje D j D AD,1 j manj od praga domnacje D A I (,1 I ), ne možemo sa sgurnošću da kažemo da D j D prvorangrana alternatva ma dovoljnu prednost nad posmatranom alternatvom. Navedena ogrančenja mogu da se prkažu sledećom relacjom R fnal, j A I R R A I R R D,1 j D fnal, j ntal, j D,1 j D fnal, j ntal,1 (164) gde Rntal, j predstavlja ncjaln rang alternatve sa kojom se pored prvorangrana alternatva, R fnal, j predstavlja konačan rang alternatve sa kojom se pored prvorangrana alternatva, I predstavlja prag domnacje, a AD,1 jndeks domnacje prvorangrane D alternatve u odnosu na posmatranu alternatvu. Kada je spunjen uslov A D,1 j ID, tada alternatv sa kojom je prvorangrana alternatva poređena korgujemo rang tako što se dalje posmatra kao prvorangrana dodeljujemo joj oznaku "1 * ". Tme naglašavamo da prvorangrana alternatva ma manju prednost od dozvoljene uslovom (163) u odnosu na posmatranu alternatvu. Pretpostavmo npr. da se prvorangrana alternatva pored sa drugorangranom alternatvom da je A D,1 2 I, tada drugorangrana alternatva dobja rang "1* ". Zatm D nastavljamo poređenje sa trećerangranom alternatvom. Ako za treću alternatvu važ da je A D,13 I, tada trećerangrana alternatva dobja rang "1** " tako nastavljamo postupak do D alternatve koja je poslednja po ncjalnom rangu. 66

84 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Na kraju opsanog postupka zvršće se korekcje ncjalnh rangova ( R ntal ) za sve alternatve za koje je spunjen uslov A D,1 j ID, dok se rangov alternatva koje spunjavaju uslov A D,1 j ID ne menjaju. Tako dobjamo konačan rang alternatva ( R fnal ) koj se po pravlu predstavlja uporedo sa ncjalnm rangom alternatva ( Crsp MABAC R ) z koraka 6. ntal MABAC (Mult-Attrbutve Border Approxmaton area Comparson) metoda spada u metode novjeg datuma. MABAC metodu razvo je Dragan Pamučar u Centru za stražvanja u oblast logstke odbrane Unverzteta odbrane u Beogradu prv put je predstavljena naučnoj javnost godne (Pamučar Ćrovć, 2015). Do danas je našla veoma šroku prmenu modfkacje u clju rešavanja brojnh problema z oblast všekrterjumskog odlučvanja. Osnovna postavka metode MABAC ogleda se u defnsanju udaljenost krterjumske funkcje svake posmatrane alternatve od grančne aproksmatvne oblast. U narednom delu prkazan je postupak sprovođenja metode MABAC koj se sastoj z 6 koraka. Korak 1. Formranje početne matrce odlučvanja ( X ). Kao prv korak vrš se evaluacja m alternatva po n krterjuma. Alternatve prkazujemo vektorma 1 2 n A x, x,..., x, gde je xj vrednost -te alternatve po j -tom krterjumu ( 1,2,..., m; j 1,2,..., n ). X C C... C 1 2 n A1 x11 x12... x1 n A 2 x21 x22 x 2n Am xm1 xm2... xmn (165) gde m označava broj alternatve, a n označava ukupan broj krterjuma. Korak 2. Normalzacja elemenata početne matrce ( X ). C C... C 1 2 n A1 t11 t12... t1 n A 2 t21 t22 t 2n N Am tm1 tm2... tmn Element normalzovane matrce ( N ) određuju se prmenom zraza: Za krterjume "beneft" tpa (veća vrednost krterjuma poželjnja) (166) t j x x j x x (167) 67

85 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA t j x x j x Za krterjume "cost" tpa (manja vrednost krterjuma poželjnja) x (168) x x gde x j, x defnšu kao: x max x, x,..., x alternatvama. 1 2 x mn x, x,..., x alternatvama. 1 2 x predstavljaju elemente početne matrce odlučvanja ( X ), pr čemu se m m predstavlja maksmalne vrednost posmatranog krterjuma po predstavlja mnmalne vrednost posmatranog krterjuma po Korak 3. Proračun elemenata otežane matrce (V ). Element otežane matrce (V ) računaju se na osnovu zraza (169): vj w tj w (169) gde tj predstavljaju elemente normalzovane matrce ( N ), a w predstavlja težnske koefcjente krterjuma. Prmenom zraza (169) dobjamo otežanu matrcu V v11 v12... v1 n w1 t11 w1 w2 t12 w2... wn t1 n wn v21 v22 v 2n w1 t21 w1 w2 t22 w2... wn t2n w n V v v... v w t w w t w... w t w m1 m2 mn 1 m1 1 2 m2 2 n mn n gde n predstavlja ukupan broj krterjuma, a m predstavlja ukupan broj alternatva. Korak 4. Određvanje matrce grančnh aproksmatvnh oblast ( G ). Grančna aproksmatvna oblast (GAO) određuje se prema zrazu (170): g m j1 gde v j alternatva. 1/ m vj predstavljaju elemente otežane matrce (V ), a m Nakon proračuna vrednost g (170) predstavlja ukupan broj po krterjumma formra se matrca grančnh aproksmatvnh oblast G (171) formata nx 1 ( npredstavlja ukupan broj krterjuma po kojma se vrš zbor ponuđenh alternatva). C C... C 1 2 G g g... g 1 2 n n (171) Korak 5. Proračun elemenata matrce udaljenost alternatva od grančne aproksmatvne oblast ( Q ) 68

86 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA q11 q12... q1 n q21 q22 q 2n Q q q... q m1 m2 mn (172) Udaljenost alternatva od grančne aproksmatvne oblast ( q j ) određuje se kao razlka elemenata otežane matrce (V ) vrednost grančnh aproksmatvnh oblast ( G ). v11 v12... v1 n v v v v v... v n Q V G g1 g2... gn m1 m2 mn (173) v11 g1 v12 g2... v1 n gn q11 q12... q1 n v21 g1 v22 g2... v2n g n q21 q22 q 2n Q v g v g... v g q q... q m1 1 m2 2 mn n m1 m2 mn (174) gde g predstavlja grančnu aproksmatvnu oblast za krterjum elemente otežane matrce (V ), n Alternatva A C, vj predstavlja predstavlja broj krterjuma, m predstavlja broj alternatva. može da prpada grančnoj aproksmatvnoj oblast ( G ), gornjoj aproksmatvnoj oblast ( G ) l donjoj aproksmatvnoj oblast ( G ), odnosno A G G G. Gornja aproksmatvna oblast (G ) predstavlja oblast u kojoj se nalaz dealna alternatva ( A ), dok donja aproksmatvna oblast (G ) predstavlja oblast u kojoj se nalaz ant-dealna alternatva ( A ) (Slka 4.6) A3 A1 A A 2 A5 A6 A 7 A A 4 G Gornja aproksmatvna oblast G G Grančna aproksmatvna oblast Donja aproksmatvna oblast Slka 4.6. Prkaz gornje, donje grančne aproksmatvne oblast (Pamučar Ćrovć, 2015) Prpadnost alternatve zraza (175): A aproksmatvnoj oblast ( G, G l G ) određuje se na osnovu 69

87 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA G f qj g A G f qj g G f q g j (175) Da b alternatva A bla zabrana kao najbolja z skupa potrebno je da po što većem broju krterjuma prpada gornjoj aproksmatvnoj oblast ( G ). Ukolko npr. alternatva A po 5 krterjuma (od ukupno 6 krterjuma) prpada gornjoj aproksmatvnoj oblast, a po jednom krterjumu prpada donjoj aproksmatvnoj oblast ( G ) to znač da je po 5 krterjuma alternatva blska l jednaka dealnoj alternatv, dok je po jednom krterjumu blska l jednaka ant-dealnoj alternatv. Ukolko je vrednost 0 j alternatva q, odnosno qj G, tada je A blska l jednaka dealnoj alternatv. Vrednost qj 0, odnosno qj G, pokazuje da je alternatva A blska l jednaka ant-dealnoj alternatv. Korak 6. Rangranje alternatva. Proračun vrednost krterjumskh funkcja po alternatvama (176) dobja se kao suma rastojanja alternatva od grančnh aproksmatvnh oblast ( q ). Sumranjem elemenata matrce Q po redovma dobjamo konačne vrednost krterjumskh funkcja alternatva: n S q, j 1,2,..., n, 1,2,..., m j1 j gde n predstavlja broj krterjuma, a m predstavlja broj alternatva. (176) Grub MABAC MABAC (Mult-Attrbutve Border Approxmaton area Comparson) metoda spada u metode všekrterjumskog odlučvanja novjeg datuma (Ggovć dr., 2017). Do danas je našla šroku prmenu modfkacje u clju rešavanja brojnh problema z oblast všekrterjumskog odlučvanja (Yu dr., 2016; Xue dr., 2016; Peng Da, 2016; Roy dr., 2016; Sha dr., 2017). U narednom delu prkazan je postupak sprovođenja metode Grub MABAC koj se sastoj z 6 koraka. Korak 1. Formranje početne matrce odlučvanja ( X ). Kao prv korak vrš se evaluacja m alternatva po n krterjuma. Na osnovu zraza (19)-(25) određuju se vektor,,..., A RN x 1 RN x 2 RN xn, gde je RN( xj ) Lm( xj ), Lm( xj ) predstavlja vrednost -te alternatve po j -tom krterjumu ( 1,2,..., m; j 1,2,..., n). 70

88 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA X C C... C 1 2 n A1 RN( x11 ) RN( x12 )... RN( x1 n) A 2 RN( x21) RN( x22 ) RN( x2n ) Am RN( xm 1) RN( xm2)... RN( xmn ) mn (177) gde m označava broj alternatva, a n označava ukupan broj krterjuma. Korak 2. Normalzacja elemenata početne matrce ( X ). C C... C 1 2 n A1 RN( t11) RN( t12 )... RN( t1n ) A 2 RN( t21) RN( t22) RN( t2n) N Am RN( tm 1) RN( tm2)... RN( tmn ) mn (178) Element ( ) RN t j normalzovane matrce ( N ) određuju se prmenom zraza: Za krterjume beneft tpa (veća vrednost krterjuma poželjnja) L U xj x j xj x L U j RN( tj ) Lm( tj ), Lm( tj ) xj, x j, x j x j x j x j (179) Za krterjume cost tpa (manja vrednost krterjuma poželjnja) U L xj x j xj x j RN( tj ) Lm( tj ), Lm( tj ), x j x j xj x j (180) gde x j x j predstavljaju predstavlja mnmalne maksmalne vrednost grubh grančnh ntervala posmatranog krterjuma, respektvno: L x mn Lm( x ) mn x j j j j j U x max Lm( x ) max x j j j j j Korak 3. Proračun elemenata otežane matrce V RN( vj ) Lm( vj ), Lm( vj ) mn Element otežane matrce V računaju se na osnovu zraza (183): RN( v ) RN( w ) RN( t ) RN( w ) j j (181) (182) mn. (183) gde t j predstavljaju elemente normalzovane matrce ( N ), RN( w ) predstavlja težnske koefcjente krterjuma. Prmenom zraza (183) dobjamo otežanu matrcu V : 71

89 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA RN( v11) RN( v12)... RN( v1 n) RN( v21) RN( v22) RN( v2n ) V RN( v ) RN( v )... RN( v ) m1 m2 mn m n (184) gde n predstavlja ukupan broj krterjuma, a m predstavlja ukupan broj alternatva. Korak 4. Određvanje matrce grančnh aproksmatvnh oblast ( G ). Grančna aproksmatvna oblast (GAO) određuje se prema zrazu (185): 1/ m 1/ m 1/ m m m m RN( g ) RN( vj ) Lm( vj ), Lm( vj ) j1 j1 j1 alternatva. gde RN( vj ) (185) predstavlja elemente otežane matrce (V ), a m predstavlja ukupan broj Nakon proračuna vrednost RN( g ) po krterjumma formra se matrca grančnh aproksmatvnh oblast G (186) formata 1 n ( n predstavlja ukupan broj krterjuma po kojma se vrš zbor ponuđenh alternatva). C C... C 1 2 G RN( g ) RN( g )... RN( g ) 1 2 n 1 n n (186) Korak 5. Proračun elemenata matrce udaljenost alternatva od grančne aproksmatvne oblast ( Q ). Udaljenost alternatva od grančne aproksmatvne oblast RN( qj ) određuje se kao razlka elemenata otežane matrce (V ) vrednost grančnh aproksmatvnh oblast ( G ). RN( v11 ) RN( v12 )... RN( v1 n ) RN( v ) RN( v ) RN( v ) RN( v ) RN( v )... RN( v ) n Q V G RN( g1) RN( g2)... RN( gn ) 1n m1 m2 mn mn (187) RN( v11 ) RN( g1) RN( v12 ) RN( g2)... RN( v1 n ) RN( gn) RN( q11 ) RN( q12 )... RN( q1 n) RN( v21) RN( g1) RN( v22 ) RN( g2)... RN( v2n) RN( gn) RN( q21) RN( q22) Q RN( q2 ) n RN( vm 1) RN( g1) RN( vm2 ) RN( g2)... RN( vmn ) RN( gn) RN( qm 1) RN( qm2)... RN( qmn ) mn (188) gde RN( g ) predstavlja grančnu aproksmatvnu oblast za krterjum C, RN( v ) j predstavlja elemente otežane matrce (V ), n predstavlja broj krterjuma, a m predstavlja broj alternatva. Alternatva A može da prpada grančnoj aproksmatvnoj oblast ( G ), gornjoj aproksmatvnoj oblast ( G ) l donjoj aproksmatvnoj oblast ( G ), odnosno A G G G. Gornja aproksmatvna oblast (G ) predstavlja oblast u kojoj se nalaz 72

90 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA dealna alternatva ( A ), dok donja aproksmatvna oblast (G ) predstavlja oblast u kojoj se nalaz ant-dealna alternatva( A ). Ukolko je vrednost RN( q ) RN( g ), odnosno RN( q ) G, tada je alternatva A blska j l jednaka dealnoj alternatv. Vrednost RN( q ) RN( g ), odnosno RN( q ) je alternatva A j blska l jednaka ant-dealnoj alternatv. Da b alternatva j j G, pokazuje da A bla zabrana kao najbolja z skupa potrebno je da po što većem broju krterjuma prpada gornjoj aproksmatvnoj oblast ( G ). Korak 6. Rangranje alternatva. Vrednost krterjumskh funkcja po alternatvama (189) dobjaju se kao suma rastojanja alternatva od grančnh aproksmatvnh oblast ( ) RN q. Sumranjem elemenata matrce Q po redovma dobjamo konačne vrednost krterjumskh funkcja alternatva n RN( S ) RN( q ), j 1,2,..., n, 1,2,..., m j1 gde n predstavlja broj krterjuma, m predstavlja broj alternatva. (189) Pretvaranje grubog broja RN( S ) Lm( S ), Lm( S ) u realan broj S vrš se prmenom zraza (190) (191). Za svak grub broj određuje se grub grančn nterval (engl. rough boundary nterval). Grub grančn nterval IRBnd ( S ) predstavlja nterval zmeđu donje gornje grance (engl. lmt). Grub grančn nterval kosrst se za određvanje ndkatora (0 1) IRBnd ( S ) Lm( S ) Lm( S ) prevođenje grubog broja RN( S ) u realan broj (190) S Lm( S ) (1 ) Lm( S ) (191) Crsp EDAS EDAS metoda je razvjena od strane (Keshavarz Ghorabaee, dr., 2015) za všekrterjumsku klasfkacja zalha. Korac ove metode predstavljen su u nastavku: Korak 1: Izabrat najvažnje krterjume koj opsuju alternatve. Korak 2: Formrat početnu matrcu odlučvanja kao što je prkazano: (192) gde xj označava vrednost -te alternatve prema j-tom krterjumu. Korak 3: Određvanje prosečnog rešenja prema svm krterjuma kao što je prkazano: 73

91 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA (193) gde je (194) Korak 4: Proračunat poztvno rastojanje od prosečnh (PDA) negatvno rastojanje od prosečnh (NDA) matrca u zavsnost od tpa krterjuma (korsn l troškovn) prema sledećm zrazma: ako je krterjum korsnog tpa (beneftn), ako se rad o troškovnom krterjumu, (195) (196) (197) (198) (199) (200) gde PDAj NDAj označavaju poztvnu negatvnu udaljenost -te alternatve od prosečnog rešenja u skladu sa j krterjumom, respektvno. Korak 5: Određvanje otežane sume PDA NDA za sve alternatve kao što sled: gde je wj težna j-ogkrterjuma. Korak 6: Normalzacja vrednost SP SN za sve alternatve prema sledećm zrazma: Korak 7: Proračun procene (AS) za sve alternatve prema sledećem zrazu: gde je 0 AS 1. (201) (202) (203) (204) (205) Korak 8: Rangranje alternatva prema opadajućm vrednostma (AS). Alternatva sa najvećm AS je najbolj zbor među potencjalnm alternatvama. 74

92 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Fuzzy EDAS U fuzzy oblku EDAS metode donosoc odluka zražavaju težne krterjuma procenu alternatva prema svakom krterjumu korsteć lngvstčke promenljve. Ove lngvstčke promenljve kvantfkuju se prmenom trapezodnh fuzzy brojeva. Korac prošrene fuzzy EDAS metode predstavljen su u nastavku: (Keshavarz Ghorabaee dr., 2016). Korak 1: Formrat prosečnu matrcu odlučvanja kao što je prkazano: (206) (207) gde označava vrednost alternatve A (1 n) prema krterjumu c j (1 j m) označenu od strane p donosoca odluke (1 p k). Korak 2: Formrat matrcu težnskh vrednost krterjuma prema sledećem zrazu: gde donosoca odluke (1 p k). (208) (209) označava težnsku vrednost krterjuma c j (1 j m) označen od strane p Korak 3: Formranje matrce prosečnh rešenja prema jednačn: (210) (211) Element ove matrce av j predstavljaju prosečna rešenja prema svakom krterjumu. Zbog toga je dmenzja ove matrce jednaka dmenzj matrce relatvnh težna krterjuma. Korak 4: Pretpostavmo da je B set beneftnh krterjuma N je set nebeneftnh krterjuma. U ovom koraku matrce poztvne udaljenost od proseka (PDA) negatvne udaljenost od proseka (NDA) su proračunate u zavsnost tpa krterjuma odnosno da l su krterjum korsn l troškovn kao što je prkazano: (212) (213) (214) (215) 75

93 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA gde označavaju vrednost poztvne negatvne udaljenost -e alternatve od prosečnog rešenja prema uslovma j krterjuma, respektvno. Korak 5: Određvanje otežane sume PDA NDA za sve alternatve kao što sled: ) (216) (217) Korak 6: Normalzacja vrednost SP SN za sve alternatve prema sledećm zrazma: (218) (219) Korak 7: Proračun procene (AS) za sve alternatve prema sledećem zrazu: (220) Korak 8: Rangranje alternatva prema opadajućm vrednostma najvećm je najbolj zbor među potencjalnm alternatvama.. Alternatva sa Razvoj novog prstupa - Grub EDAS Jedan od najbtnjh zadataka koj je zvršen u radu je razvoj novog prstupa za vrednovanje dobavljača u lancma snabdevanja koj omogućava smanjenje subjektvnost neprecznost koje se svakodnevno javljaju pr donošenju odluka. Pored toga pokazana je dokazana prmenljvost razvjenog ntegrsanog modela za vrednovanje dobavljača pr trenutnm uslovma koj vladaju u lancma snabdevanja. Nov ntegrsan model predstavlja doprnos u lteratur všekrterjumskog odlučvanja. Razvjen nov ntegrsan model obezbeđuje objektvnu agregacju ekspertskh odluka uz potpuno uvažavanje neprecznost subjektvnost koja vlada prlkom grupnog donošenja odluka. Razvojem ovh modela dodatno se unapređuje lteratura koja razmatra teorjsku praktčnu prmenu všekrterjumskh tehnka. Pored opšth doprnosa koj se odnose na oblast VKO, predložen model doprnos unapređenju oblast zbora dobavljača u lancma snabdevanja. EDAS (Evaluaton based on Dstance from Average Soluton) metoda prpada grup novjh metoda všekrterjumskog odlučvanja kao što je već naglašeno. Za veoma kratko vreme našla je šroku prmenu u rešavanju kako nženjerskh problema, tako problema u oblast poslovnog odlučvanja. Ova metoda ma velk broj prošrenja, a prošrenje sa fuzzy logkom je zvršeno upravo u oblast lanca snabdevanja odnosno na zboru dobavljača. Nekolko radova je već objavljeno u razlčtm oblastma koj prmenjuju ovu metodu blo u njenom konvenconalnom l drugm oblcma (Tursks Juodagalvenė, 2016 Stevć dr., 2016a; Ghorabaee dr., 2017a; Kahraman dr., 2017; Ghorabaee dr., 2017b; Ecer, 2017; Peng Lu, 2017; Ghorabaee dr., 2017c; Zavadskas dr., 2017; Trnkūnenė dr., 2017). Predstavlja važnu podršku pr donošenju odluka u svakodnevnm konflktnm stuacjama. Procena alternatva u ovoj metod se zasnva na merenju poztvnh negatvnh rastojanja od prosečnog rešenja, koje se računa prema svm krterjumma. U ovom radu zvršeno je 76

94 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA prošrenje EDAS metode sa grubm brojevma. Nakon defnsanja problema formranja všekrterjumskog modela koj se sastoj od n alternatva m krterjuma, potrebno je defnsat skup od k eksperata koj će vršt procenu alternatva u odnosu na svak krterjum. Posle formulsanja všekrterjumskog modela od n alternatva m krterjuma sa k eksperata Rough EDAS se sastoj z sledećh koraka. Korak 1. Pretvaranje pojednačnh matrca u grupnu grubu matrcu. Svaku pojednačnu matrcu eksperata k 1,k 2,...,k n potrebno je pretvort u grubu grupnu matrcu prmenom jednačna (19)-(24): (221) Korak 2. Pronać prosečno rešenje u odnosu na sve krterjume kao što je prkazano: na osnovu sledeće jednačne (223) (222) (223) Korak 3. Odredt poztvno rastojanje RN(PDA) negatvno rastojanje RN(NDA) od prosečnog rešenja RN(AV) prema svm krterjuma prmenom jednačna (224)-(225). (224) (225) Ukolko krterjum prpada beneftnoj grup RN(PDA) RN(NDA) se računa na sledeć načn: (226) Ukolko krterjum prpada grup troškovnh onda je: (227) (228) (229) Pošto se rad o grubm brojevma koj maju donj gornj lmt, može se lako doć u stuacju da donj lmt grubog broja ma negatvnu vrednost, a gornj poztvnu l čak da su obe vrednost manje od nule. Pošto je potrebno ove vrednost svest na nulu l poztvnu vrednost potrebno je prment sledeće jednačne (230)-(232): 77

95 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA Iste jednačne se prmenjuju za RN(NDA). (230) (231) (232) Jednačne (230)-(232) podrazumevaju sledeće slučajeve. Ako je zbr donjeg gornjeg lmta (PDA) manj od nule, grub broj dobja vrednost nula. Ukolko je zbr ove dve vrednost već od nule prtom donj gornj lmt su već od nule onda (PDA) ostaje nepromenjen (zadržava svoju vrednost). Kada je zbr ove dve vrednost takođe već od nule, al donj lmt ma negatvnu vrednost onda grub broj (PDA) uzma svoju apsolutnu vrednost odnosno donj lmt postaje poztvna vrednost. Korak 4. Otežavanje matrce RN(PDA) RN(NDA) prmenom jednačne (233)-(234): (233) (234) gde je w j L donja granca, a w j U gornja granca težne krterjuma zražena kao grub broj. Korak 5. Određvanje sume prethodno otežane matrce. (235) Korak 6. Normalzacja vrednost RN(SP) RN(SN) za sve alternatve. (236) (237) (238) Korak 7. Proračun vrednost svh alternatva RN(AS) njhovo rangranje. (239) 78

96 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA LITERATURA [1] Anagnostopoulos, K. P., Gratzou, M., & Vavatskos, A. P. (2007). Usng the fuzzy analytc herarchy process for selectng wastewater facltes at prefecture level. European Water, 19(20), [2] Atanassov, K. T. (1986). Intutonstc fuzzy sets. Fuzzy sets and Systems, 20(1), [3] Chang, D. Y. (1996). Applcatons of the extent analyss method on fuzzy AHP. European journal of operatonal research, 95(3), [4] Chen, C. T. (2000). Extensons of the TOPSIS for group decson-makng under fuzzy envronment. Fuzzy sets and systems, 114(1), 1-9. [5] Chen, N., Xu, Z., & Xa, M. (2015). The ELECTRE I Mult-Crtera Decson-Makng Method Based on Hestant Fuzzy Sets. Internatonal Journal of Informaton Technology & Decson Makng, 14(3): [6] Chen, S. J., & Hwang, C. L. (1992). Fuzzy multple attrbute decson makng methods. In Fuzzy multple attrbute decson makng (pp ). Sprnger Berln Hedelberg. [7] Düntsch, I., & Gedga, G. (1997, August). The rough set engne GROBIAN. In Proc. 15th IMACS World Congress, Berln (Vol. 4, pp ). [8] Ecer, F. (2017). Thrd-party logstcs (3PLs) provder selecton va Fuzzy AHP and EDAS ntegrated model. Technologcal and Economc Development of Economy, [9] Fazlollahtabar, H., Eslam, H., & Salman, H. (2010). Desgnng a fuzzy expert system to evaluate alternatves n fuzzy analytc herarchy process. Journal of Software Engneerng and Applcatons, 3(4), 409. [10] Fazlollahtabar, H., Vasljevć, M., Stevć, Ž., Veskovć, S., (2017). Evaluaton of suppler crtera n automotve ndustry usng rough AHP. Internatonal Conference on Management, Engneerng and Envronment ICMNEE 2017, [11] Ghorabaee, K. M., Amr, M., Olfat, L., & Khatam Frouzabad, S. A. (2017a). Desgnng a mult-product multperod supply chan network wth reverse logstcs and multple objectves under uncertanty. Technologcal and Economc Development of Economy, 23(3), [12] Ghorabaee, M. K., Amr, M., Zavadskas, E. K., & Tursks, Z. (2017b). Mult-crtera group decson-makng usng an extended EDAS method wth nterval type-2 fuzzy sets [13] Ghorabaee, M. K., Amr, M., Sadaghan, J. S., & Goodarz, G. H. (2014). Multple crtera group decson-makng for suppler selecton based on COPRAS method wth nterval type-2 fuzzy sets. The Internatonal Journal of Advanced Manufacturng Technology, 75(5-8), [14] Ghorabaee, M. K., Zavadskas, E. K., Amr, M., & Tursks, Z. (2016). Extended EDAS method for fuzzy mult-crtera decson-makng: an applcaton to suppler selecton. Internatonal Journal of Computers Communcatons & Control, 11(3), [15] Ggovć, Lj., Pamučar, D., Bajć, Z., Mlćevć, M. (2016). "The combnaton of expert judgment and GIS-MAIRCA analyss for the selecton of stes for ammunton depot", Sustanablty, 8(4), artcle No. 372 pp [16] Ggovć, LJ., Pamučar, D., Božanć, D., Ljubojevć, S. (2017). "Applcaton of the GIS-DANP- MABAC mult-crtera model for selectng the locaton of wnd farms: A case study of Vojvodna, Serba". Renewable Energy, 103, pp

97 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA [17] Ggovć, Lj., Pamučar, D., Lukć, D., Markovć, S. (2016). Applcaton of the GIS - Fuzzy DEMATEL MCDA model for ecotoursm development ste evaluaton: A case study of Dunavsk ključ, Serba, Land use polcy, 58, pp [18] Gnevčus, R. (2008). Normalzaton of quanttes of varous dmensons. Journal of busness economcs and management, 9(1), [19] Hwang, C. L., & Yoon, K. (1981). Lecture Notes n Economcs and Mathematcal Systems: Multple Attrbute Decson Makng: Methods and Appllcaton. Sprnger Verlag. [20] Kahraman, C., Keshavarz Ghorabaee, M., Zavadskas, E. K., Cevk Onar, S., Yazdan, M., & Oztays, B. (2017). Intutonstc fuzzy EDAS method: an applcaton to sold waste dsposal ste selecton. Journal of Envronmental Engneerng and Landscape Management, 25(1), [21] Kaklauskas, A., Zavadskas, E. K., Raslanas, S., Gnevcus, R., Komka, A., & Malnauskas, P. (2006). Selecton of low-e wndows n retroft of publc buldngs by applyng multple crtera method COPRAS: A Lthuanan case. Energy and Buldngs, 38(5), [22] Kauffman, A., & Gupta, M. M. (1991). Introducton to Fuzzy Arthmetc, Theory and Applcaton. [23] Keshavarz Ghorabaee, M., Zavadskas, E. K., Olfat, L., & Tursks, Z. (2015). Mult-crtera nventory classfcaton usng a new method of evaluaton based on dstance from average soluton (EDAS). Informatca, 26(3), [24] Khoo, L. P., & Zha, L. Y. (2001). A prototype genetc algorthm-enhanced rough set-based rule nducton system. Computers n Industry, 46(1), [25] Kwong, C. K., & Ba, H. (2003). Determnng the mportance weghts for the customer requrements n QFD usng a fuzzy AHP wth an extent analyss approach. Ie Transactons, 35(7), [26] Lee, A. H., Chen, W. C., & Chang, C. J. (2008). A fuzzy AHP and BSC approach for evaluatng performance of IT department n the manufacturng ndustry n Tawan. Expert systems wth applcatons, 34(1), [27] L, Y., Tang, J., Luo, X., & Xu, J. (2009). An ntegrated method of rough set, Kano s model and AHP for ratng customer requrements fnal mportance. Expert Systems wth Applcatons, 36(3), [28] Lang, H., Ren, J., Gao, Z., Gao, S., Luo, X., Dong, L., Scpon, A. (2016). Identfcaton of crtcal success factors for sustanable development of bofuel ndustry n Chna based on grey decson-makng tral and evaluaton laboratory (DEMATEL), Journal of Cleaner Producton, 131, pp [29] Mexner, O. (2009). Fuzzy AHP group decson analyss and ts applcaton for the evaluaton of energy sources. Insttute of Marketng and Innovaton. Venna, Austra. [30] Mentes, A., & Helvacoglu, I. H. (2012). Fuzzy decson support system for spread moorng system selecton. Expert Systems wth Applcatons, 39(3), [31] Mkhalov, L. (2003). Dervng prortes from fuzzy parwse comparson judgements. Fuzzy sets and systems, 134(3), [32] Morsell, A. (2015). The decson-makng process between conventon and cognton. Economcs and Socology, 8(1), [33] Nayagam, V. L. G., Jeevaraj, S., & Svaraman, G. (2016). Complete Rankng of Intutonstc Fuzzy Numbers. Fuzzy Informaton and Engneerng, 8(2),

98 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA [34] Ngan, S. C. (2017). A unfed representaton of ntutonstc fuzzy sets, hestant fuzzy sets and generalzed hestant fuzzy sets based on ther u-maps. Expert Systems wth Applcatons, 69, [35] Nguyen, H. (2016). A new nterval-valued knowledge measure for nterval-valued ntutonstc fuzzy sets and applcaton n decson makng. Expert Systems wth Applcatons, 56, [36] Olcer, A.Y. Odabaş A.Y. (2005) A new fuzzy multple attrbutve group decson makng methodology and ts applcaton to propulson/manoeuvrng system selecton problem, European Journal of Operatonal Research, 166(1): [37] Pamučar, D., Ćrovć,G., (2015) The selecton of transport and handlng resources n logstcs centres usng Mult-Attrbutve Border Approxmaton area Comparson (MABAC), Expert Systems wth Applcatons, 42, pp [38] Pamučar, D., Vasn, L., & Lukovac, V. (2014, October). Selecton of Ralway Level Crossngs for Investng n Securty Equpment usng Hybrd Dematel-Marc Model. In Proceedngs of the XVI Internatonal Scentfc-expert Conference on Ralways, Ralcon, Nš, Serba [39] Pawlak, Z. (1982). Rough sets. Internatonal Journal of Computer & Informaton Scences, 11(5), [40] Pawlak, Z. (1991). Rough sets: Theoretcal aspects of reasonng about data Dordrecht & Boston: Kluwer Academc Publshers. [41] Pawlak, Z. (1993). Anatomy of conflcts, Bulletn of the European Assocaton for Theoretcal Computer Scence, 50, pp [42] Peng, X., & Da, J. (2016). Approaches to sngle-valued neutrosophc MADM based on MABAC, TOPSIS and new smlarty measure wth score functon. Neural Computng and Applcatons, [43] Peng, X., & Lu, C. (2017). Algorthms for neutrosophc soft decson makng based on EDAS, new smlarty measure and level soft set. Journal of Intellgent & Fuzzy Systems, 32(1), [44] Roy, J., Chatterjee, K., Bandhopadhyay, A., Kar, S. (2016). Evaluaton and selecton of Medcal Toursm stes: A rough AHP based MABAC approach, do: arxv: [45] Saaty, T.L. (1988). What s the analytc herarchy process? Sprnger Berln Hedelberg, [46] Saaty, T. L. (1980). The Analytc Herarchy Process, Mc Graw Hll, NewYork [47] Saaty, T. L. (1986). Axomatc foundaton of the analytc herarchy process. Management scence, 32(7), [48] Saaty, T. L. (1990). How to make a decson: the analytc herarchy process.european journal of operatonal research, 48(1), [49] Saaty, T. L. (2003). Decson-makng wth the AHP: Why s the prncpal egenvector necessary. European journal of operatonal research, 145(1), [50] Saaty, T. L. (2008). Decson makng wth the analytc herarchy process.internatonal journal of servces scences, 1(1), [51] Saaty, T. L., & Vargas, L. G. (2012). Models, methods, concepts & applcatons of the analytc herarchy process (Vol. 175). Sprnger Scence & Busness Meda. [52] Sh, H., Lu, H. C., L, P., & Xu, X. G. (2017). An ntegrated decson makng approach for assessng healthcare waste treatment technologes from a multple stakeholder. Waste Management, 59,

99 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA [53] Szong, G., & Tao, S. (2009). Interval-valued fuzzy number and ts expresson based on structured element. In Fuzzy Informaton and Engneerng Volume 2 (pp ). Sprnger, Berln, Hedelberg. [54] Song, W., Mng, X., & Wu, Z. (2013). An ntegrated rough number-based approach to desgn concept evaluaton under subjectve envronments. Journal of Engneerng Desgn, 24(5), [55] Song, W., Mng, X., Wu, Z., & Zhu, B. (2014). A rough TOPSIS approach for falure mode and effects analyss n uncertan envronments. Qualty and Relablty Engneerng Internatonal, 30(4), [56] Stevć, Ž., Tanackov I., Vasljevć, M., & Veskovć, S. (2016). Evaluaton n logstcs usng combned AHP and EDAS method. In XLIII nternatonal symposum on operatonal research, Serba pp [57] Stevć, Ž.,(2016). Suppler selecton usng AHP and COPRAS method, Strategc management and decson support systems n strategc management, Subotca, pp [58] Twar, V., Jan, P.K., Tandon, P. Product desgn concept evaluaton usng rough sets and VIKOR method, Advanced Engneerng Informatcs, 30, (2016) pp [59] Trantaphyllou, E., & Mann, S. H. (1995). Usng the analytc herarchy process for decson makng n engneerng applcatons: some challenges. Internatonal Journal of Industral Engneerng: Applcatons and Practce, 2(1), [60] Trnkūnenė, E., Podvezko, V., Zavadskas, E. K., Jokšenė, I., Vnogradova, I., & Trnkūnas, V. (2017). Evaluaton of qualty assurance n contractor contracts by mult-attrbute decson-makng methods. Economc Research-Ekonomska Istražvanja, 30(1), [61] Tursks, Z., & Juodagalvenė, B. (2016). A novel hybrd mult-crtera decson-makng model to assess a stars shape for dwellng houses. Journal of Cvl Engneerng and Management, 22(8), [62] Ustnovchus, L., Zavadkas, E. K., & Podvezko, V. (2007). Applcaton of a quanttatve multple crtera decson makng (MCDM-1) approach to the analyss of nvestments n constructon. Control and cybernetcs, 36(1), 251. [63] Vahdan, B., Tavakkol-Moghaddam, R., Mousav, S. M., & Ghodratnama, A. (2013). Soft computng based on new nterval-valued fuzzy modfed mult-crtera decson-makng method. Appled Soft Computng, 13(1), [64] Vadya, O. S., & Kumar, S. (2006). Analytc herarchy process: An overvew of applcatons. European Journal of operatonal research, 169(1), [65] Vlutenė, T., & Zavadskas, E. K. (2003). The applcaton of mult-crtera analyss to decson support for the faclty management of a resdental dstrct. Journal of Cvl Engneerng and Management, 9(4), [66] Wang, J., Wang, J. Q., Zhang, H. Y., & Chen, X. H. (2015). Mult-crtera decson-makng based on hestant fuzzy lngustc term sets: an outrankng approach. Knowledge-Based Systems, 86, [67] Wang, Y. J., & Lee, H. S. (2007). Generalzng TOPSIS for fuzzy multple-crtera group decson-makng. Computers & Mathematcs wth Applcatons, 53(11),

100 TEORIJSKI OKVIR PRIMENJENIH METODA I RAZVOJ NOVIH PRISTUPA [68] Wang, Y. M., & Chn, K. S. (2011). Fuzzy analytc herarchy process: A logarthmc fuzzy preference programmng methodology. Internatonal Journal of Approxmate Reasonng, 52(4), [69] Wang, Y. M., Luo, Y., & Hua, Z. (2008). On the extent analyss method for fuzzy AHP and ts applcatons. European Journal of Operatonal Research, 186(2), [70] Xu, Z., & Lao, H. (2014) Intutonstc fuzzy analytc herarchy process.fuzzy Systems, IEEE Transactons on, Vol. 22, No. 4, pp , [71] Xue, Y. X., You, J. X., La, X. D., & Lu, H. C. (2016). An nterval-valued ntutonstc fuzzy MABAC approach for materal selecton wth ncomplete weght nformaton. Appled Soft Computng, 38, [72] Yu, S. M., Wang, J., & Wang, J. Q. (2017). An nterval type-2 fuzzy lkelhood-based MABAC approach and ts applcaton n selectng hotels on a toursm webste. Internatonal Journal of Fuzzy Systems, 19(1), [73] Yu, X., Guo, S., Guo, J., & Huang, X. (2011). Rank B2C e-commerce webstes n e-allance based on AHP and fuzzy TOPSIS. Expert Systems wth Applcatons, 38(4), [74] Zadeh, L. A. (1965). Fuzzy sets. Informaton and control, 8(3), [75] Zavadskas, E. K., Cavallaro, F., Podvezko, V., Ubarte, I., & Kaklauskas, A. (2017). MCDM Assessment of a Healthy and Safe Bult Envronment Accordng to Sustanable Development Prncples: A Practcal Neghborhood Approach n Vlnus. Sustanablty, 9(5), 702. [76] Zavadskas, E. K., Kaklauskas, A., & Kvederytė, N. (2001). Multvarant desgn and multple crtera analyss of a buldng lfe cycle. Informatca, 12(1), [77] Zavadskas, E. K., Kaklauskas, A., & Sarka, V. (1994). The new method of multcrtera complex proportonal assessment of projects. Technologcal and economc development of economy, 1(3), [78] Zha, L. Y., Khoo, L. P., & Zhong, Z. W. (2009). A rough set based QFD approach to the management of mprecse desgn nformaton n product development. Advanced Engneerng Informatcs, 23(2), [79] Zha, L.Y., Khoo, L.P., & Zhong, Z.W. (2008). A rough set enhanced fuzzy approach to qualty functon deployment. Internatonal Journal of Advanced Manufacturng Technology, 37(5 6), pp [80] Zhang, Q., Xe, Q., & Wang, G. (2016). A survey on rough set theory and ts applcatons. CAAI Transactons on Intellgence Technology. [81] Zhou, X., Sh, Y., Deng, X., Deng, Y. (2017). D-DEMATEL: A new method to dentfy crtcal success factorsn emergency management. Safety Scence, 91, pp [82] Zhu, G.N., Hu, J., Q, J., Gu, C.C., Peng, J.H. (2015). An ntegrated AHP and VIKOR for desgn concept evaluaton based on rough number, Advanced Engneerng Informatcs, 29, pp [83] Zhu, K. J., Jng, Y., & Chang, D. Y. (1999). A dscusson on extent analyss method and applcatons of fuzzy AHP. European journal of operatonal research, 116(2), [84] Zmmermann, H. J. (2010). Fuzzy set theory. Wley Interdscplnary Revews: Computatonal Statstcs, 2(3), [85] Żywca, P., Stachowak, A., & Wygralak, M. (2016). An algorthmc study of relatve cardnaltes for nterval-valued fuzzy sets. Fuzzy Sets and Systems,294,

101 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 5. RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Neka tvoja ruka ne bude spružena rad uzmanja, već neka radje bude spružena rad davanja. Prepodobn Jefrem Srn Nakon zvršenog pregleda lterature koj je pokazao aktuelnost stražvanja u ovoj oblast, pregleda prmenjenh metoda, razvoja Grubog EDAS Grubog COPRAS prstupa što je jedan od doprnosa rada prstupa se dalje razvoju modela za vrednovanje dobavljača. Prvenstveno je zvršeno lterarno stražvanje najčešće koršćenh krterjuma za zbor dobavljača formrana je lsta od ukupno 20 krterjuma prkazanh na slc 5.1. Model je predstavljen kroz hjerarhjsku strukturu. Na prvom nvou odnosno vrhu hjerarhje je clj (zbor dobavljača), dok se glavn krterjum (fnansje, logstka, kvaltet komunkacja poslovanje) nalaze na drugom nvou hjerarhje. Na kraju su prkazan podkrterjum na trećem nvou hjerarhje. Slka 5.1. Hjerarhjska struktura krterjuma za zbor dobavljača kao ulazn parametr modela (autor) Na slc 5.1 prkazan su krterjum fnansje, logstka, kvaltet komunkacja poslovanje svak od ovh krterjuma sadrž po pet podkrterjuma. Sv krterjum su objašnjen u nastavku. Cena materjala označava novčanu vrednost robe koju utvrd dobavljač na osnovu ulaganja u oblku materjala, energje, rada sl. 84

102 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Fnansjska stablnost podrazumeva lkvdnost poslovanja kompanje odnosno mogućnost fnansjskog odgovora na sve postavljene zahteve. Metod plaćanja predstavlja načn l oblk plaćanja za sporučenu robu zmeđu ugovornh strana. Tokom stražvanja utvrđeno je plaćanje može bt avansno u kompletnom znosu, odgođeno uz garancju banke, procenat od ukupnog znosa avansno, a ostatak odgođeno što se može zrazt na sledeće načne: loše, prhvatljvo, dobro odlčno. Cena transporta predstavlja novčanu vrednost koju je potrebno da naručlac sptlat zvršocu, u ovom slučaju dobavljaču l nekom trećem lcu kojem je poveren transport. U stražvanju je utvrđeno da postoje sledeć slučajev: transport se posebno naplaćuje kada st zvršava dobavljač vlasttm transportnm sredstvma, transport se ne naplaćuje, tj. ulaz u cenu materjala ukolko je reč o kraćm rastojanjma na koja treba dostavt robu, transport se zvršava vozlma z sopstvenog voznog parka naručoca robe transport je poveren trećm lcma. Dodatn popust na kolčnu predstavlja mogućnost dobjanja nže cene po jednc prozvoda ukolko se kupuje veća kolčna robe. Vreme sporuke podrazumeva vremensk nterval zmeđu momenta davanja ponude za narudžbu dostupnost robe kod potrošača. Občno se zražava u danma, al može u drugm vremenskm jedncama. Pod pouzdanosću se podrazumeva verovatnoća ostvarvanja utvrđenog vremena sporuke naručene robe. Svako nepoštovanje prethodno dogovorenh uslova sporuke može uzrokovat određenu pometnju kod kupca, na prmer: prekd prozvodnje zbog nedostatka materjala, povećanja troškova td. Može se zrazt kao zadovoljavajuća, dobra odlčna. Fleksblnost označava sposobnost sstema sporuke da odgovor na posebne želje kupaca što obuhvata: kolčnu robe koju treba preuzet, trenutak sporuke, načn dostave, varjanta transporta, mogućnost sporuke po pozvu. Može se zrazt kao loša, prosečna dobra. Logstčk kapactet podrazumevaju sve aktvnost procese vezane za logstčke podssteme dobavljača, počev od organzacje prozvodnh procesa, zalha materjala koje poseduju u svakom momentu, kao prmenjenh tehnologja. Procenat spravne realzacje sporuke predstavlja broj slučajeva kada je sporuka zvršena u svm ugovorenm dogovorenm normatvma uključujuć vreme, stanje, cenu kompletnu prateću dokumentacju. Kvaltet materjala predstavlja nvo spunjenja zahteva propsa standarda, s jedne strane nvo spunjenja očekvanja kupca s druge strane. Može se zrazt kao dobar, veoma dobar, odlčan zvanredan. Garantn rok je predstavlja vreme za koje dobavljač garantuje spravnost odnosno kvaltet svog prozvoda. 85

103 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Sertfkacja prozvoda podrazumeva prateću dokumentacju odnosno posedovanje sertfkata za dat prozvod. Reputacja predstavlja ugled odnosno opšte mšljenje o dobavljaču koje je formrano na osnovu prethodno zvršenh poslova skustva drugh sa datm dobavljačem. Nagrade prznanja podrazumevaju dobjanje određenh prznanja od strane drugh nsttucja koje su verfkovane za davanje sth. Sstem komunkacja predstavlja ljubaznost osoblja, sposobnost pružanja potrebnh nformacja može se zrazt kao prhvatljv, prosečan, dobar, veoma dobar odlčan. Brzna odgovora na zahtev predstavlja vremensk perod od momenta dobjanja zahteva za određenom kolčnom robe do momenta odgovora na st. Reakcje na reklamacje podrazumevaju odnos koj dobavljač ma prema svojm korsncma sa aspekta rešavanja nastalh problema koj se tču robe, vremena realzacje, potrebne dokumentacje td. Informacone tehnologje podrazumevaju koršćenje određenh nformaconh tehnologja u svom poslovanju, kvaltet web strance obm poslovanja koj se zvršava elektronsk. Čstoća poslovanja podrazumeva poštovanje svh zakonskh propsa odnos prema žvotnoj sredn. U nastavku rada prkazan je tabelarn pregled navedenh krterjuma za zbor dobavljača, koj predstavlja ulazne parametre u model. Razlog za prkazvanje tabele 5.1 u ovom poglavlju jeste upravo čnjenca da predstavljaju potencjalne npute u model. Tabela 5.1 daje pregled svh prethodno navedenh krterjuma studje u kojma su koršćen. 86

104 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela 5.1. Pregled krterjuma za zbor dobavljača kroz lteraturu (autor) Krterjum Podkrterjum Referenca Cena materjala Fallahpour dr., 2017, Chan Kumar, 2007, Dckson, 1966, Gencer Gürpnar, 2007, Hruška dr., 2014, Jaml dr., 2013, Klc, 2013, Lee, 2009, Özbek, 2015, Smpson dr., 2002, Stevć dr., 2016, Tng Cho, 2008, Uygun dr., 2013, Wang dr., 2004, Weber dr., 1991, Wang, 2010, Sawk, 2010, Lam dr., 2010, Guo dr., 2009, Wang dr., 2017, Yücenur dr., 2011, Rezae dr., 2014, Balezents Balezents, 2011, Büyüközkan Göçer, 2017, Fnansje Fnansjska stablnost Çeb Bayraktar, 2003, Chan Kumar,2007, Dckson, 1966, Ellram, 1990, Gencer Gürpnar, 2007, Hruška dr., 2014, Jaml dr., 2013, Lee, 2009, Smpson dr., 2002, Tng Cho, 2008, Uygun dr., 2013, Weber dr., 1991, Wang, 2010, Lam dr., 2010, Guo dr., 2009, Yücenur dr., 2011, Rezae dr., 2014, Büyüközkan Göçer, 2017 Načn plaćanja Hruška dr., 2014, Hudymáčová dr., 2010, Stevć dr., 2016, Tng Cho, 2008, Lam dr., 2010, Balezents Balezents, 2011, Cena transporta Chan Kumar,2007, Hruška dr., 2014, Hudymáčová dr., 2010, Jaml dr., 2013, Kahraman dr., 2003, Lee, 2009, Tng Cho, 2008, Yücenur dr., 2011 Dodatn popust na kolčnu Jaml dr., 2013, Wang, 2010 Fallahpour dr., 2017, Chan Kumar,2007, Dckson, 1966, Gencer Gürpnar, 2007, Hruška dr., 2014, Jaml dr., 2013, Klc, 2013, Lee, 2009, Ln Chang, 2008, Özbek, 2015, Smpson dr., Vreme sporuke 2002, Stevć dr., 2016, Uygun dr., 2013, Wang dr., 2004, Weber dr., 1991, Sawk, 2010, Lam dr., 2010, Guo dr., 2009, Wang dr., 2017, Yücenur dr., 2011, Rezae dr., 2014, Balezents Balezents, 2011, Büyüközkan Göçer, 2017, Pouzdanost Çeb Bayraktar, 2003, Chan Kumar,2007, Gencer Gürpnar, 2007, Hudymáčová dr., 2010, Jaml dr., 2013, Lee, 2009, Wang dr., 2004, Yücenur dr., 2011, Büyüközkan Göçer, 2017 Logstka Fallahpour dr.,2017, Çeb Bayraktar, 2003, Chan Kumar,2007, Hudymáčová dr., 2010, Jaml Fleksblnost dr., 2013, Kannan Choon Tan, 2006, Uygun dr., 2013, Wang dr., 2004, Lam dr., 2010, Wang dr., 2017, Yücenur dr., 2011, Rezae dr., 2014 Fallahpour dr., 2017, Dckson, 1966, Ellram, 1990, Hruška dr., 2014, Jaml dr., 2013, Kahraman Logstčk kapactet dr., 2003, Kannan Choon Tan, 2006, Lee, 2009, Ln Chang, 2008, Smpson dr., 2002, Uygun dr., 2013, Weber dr., 1991, Zeydan dr., 2011, Sawk, 2010, Guo dr., 2009, Yücenur dr., 2011, Rezae dr., 2014 Procenat spravne realzacje sporuke Jaml dr., 2013, Tng Cho, 2008, Uygun dr., 2013, Wang dr.,

105 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Kvaltet Komunkacja poslovanje Fallahpour dr., 2017, Chan Kumar,2007, Dckson, 1966, Gencer Gürpnar, 2007, Hruška dr., 2014, Jaml dr., 2013, Kannan Choon Tan, 2006, Klc, 2013, Lee, 2009, Özbek, 2015, Smpson Kvaltet materjala dr., 2002, Stevć dr., 2016, Uygun dr., 2013, Weber dr., 1991, Zeydan dr., 2011, Wang, 2010, Lam dr., 2010, Guo dr., 2009, Wang dr., 2017, Balezents Balezents, 2011 Garantn rok Dckson, 1966, Smpson dr., 2002, Wang, 2010, Guo dr., 2009 Certfkacja prozvoda Hudymáčová dr., 2010, Jaml dr., 2013, Smpson dr., 2002, Tng Cho, 2008, Uygun dr., 2013, Çeb Bayraktar, 2003, Chan Kumar,2007, Dckson, 1966, Ellram, 1990, Klc, 2013, Lee, 2009, Reputacja Ln Chang, 2008, Özbek, 2015, Weber dr., 1991, Wang dr., 2017, Yücenur dr., 2011, Rezae dr., 2014 Nagrade prznanja Jaml dr., 2013 Çeb Bayraktar, 2003, Chan Kumar, 2007, Dckson, 1966, Kahraman dr., 2003, Lee, 2009, Ln Sstem komunkacja Chang, 2008, Özbek, 2015, Smpson dr., 2002, Uygun dr., 2013, Wang, 2010, Lam dr., 2010, Guo dr., 2009, Yücenur dr., 2011, Rezae dr., 2014 Jaml dr., 2013, Kahraman dr., 2003, Özbek, 2015, Tng Cho, 2008, Uygun dr., 2013, Wang Brzna odgovora na zahtev dr., 2004, Büyüközkan Göçer, 2017 Reakcje na reklamacje Özbek, 2015, Tng Cho, 2008, Zeydan dr., 2011 Informacone tehnologje Jaml dr., 2013 Čstoća poslovanja Jaml dr., 2013, Lee, 2009, Zeydan dr., 2011, Guo dr., 2009, Wang dr., 2017, Yücenur dr.,

106 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Iako se kvaltatvn krterjum sve vše prmenjuju, na osnovu prkazanog u Tabel 5.1, može se zaključt da se kvanttatvn krterjum dalje u velkoj mer prmenjuju u razlčtm stražvanjma. Cena materjala, kvaltet vreme sporuke su najčešće koršćen krterjum u razmatranm stražvanjma. Od ukupno 34 studje kolko je ovde razmatrano korste se kao krterjum u 27, publkacje respektvno. Fnansjska stablnost je predstavljena u 59% pregledanh studja, logstčk kapactetu 53%, dok su reputacja sstem komunkacja kao krterjum prmenjen u prblžno 40% publkacja. Krterjum koj se najređe korste su popust na dodatnu kolčnu, nagrade przananja, reakcje na reklamacje nformacone tehnologje. Proces donošenja odluka je uvek praćen nezvesnostma, naročto kada se rad o prmen konflktnh krterjuma, što je danas praktčno nemoguće zbeć. Stoga broj ulaznh parametara u model potrebno je smanjt zabrat samo one krterjume koj maju najveć utcaj na vrednovanje zbor alternatva. Clj kreranja modela za zbor dobavljača je svest ukupan broj krterjuma koj se razmatra na devet omogućt prmenu takvog modela u razlčtm prozvodnm oblastma lanca snabdevanja. Iz tog razloga pr kreranju stog razmatrano je vše od deset prozvodnh oblast u kojma su menadžer u podsstemu nabavke zvršaval ocenjvanje gore pomenuth krterjuma. Uslov za ocenjvanje krterjuma jeste dugogodšnje skustvo na poslovma vezanm za prozvodnu oblast lanca snabdevanja zvršavanje aktvnost vezanh za dobavljače. Razmatrane su sledeće prozvodne oblast: Građevnarstvo Prozvodnja predzolovanh cev Prozvodnja nameštaja Prozvodnja PVC stolarje Prozvodnja plastčnh kesa folja Prozvodnja žce Prozvodnja metalnh podloškh za automoblsku ndustrju Poljoprvredna oblast Ostalo U oblast ostalo spadaju kompanje koje se bave prozvodnjom toplotnh pump, ekspanzonh modula za grejanje prozvodnjom saobraćajnh znakova. Prva faza pr rešavanju zadataka z oblast donošenja odluka je kvaltetno prkupljanje podataka njhova prprema, koja umnogome može utcat na krajnj rezultat. Na slc 5.2 prkazan su korac razvrstan u faze za kreranje modela za vrednovanje dobavljača. Model se sastoj od tr faze koje čne ukupno 10 koraka velk broj podkoraka. 89

107 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka 5.2. Predložen korac za formranje modela za vrednovanje dobavljača (autor) 90

108 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 5.1. Prva faza - prkupljanje podataka prprema Prva faza predloženog modela sastoj se od četr koraka od kojh prv predstavlja formranje seta od dvadeset krterjuma na osnovu pregleda lterature što je prethodno detaljno predstavljeno dodatnog podkoraka koj podrazumeva mšljenje menadžera u prozvodnm oblastma. Nakon toga drug korak podrazumeva formranje strukture koju čne glavn krterjum: fnansje, logstka, kvaltet, komunkacje poslovanje. Svak od ova četr krterjuma se dalje del na po pet podkrterjuma, a svak od njh je prethodno detaljno objašnjen. Treć korak prve faze čne dva podkoraka koj podrazumevaju ocenjvanje svh krterjuma od strane menadžera u vše od 10 razlčth prozvodnh delatnost putem lngvstčkh promenljvh. Nakon toga završn korak ove faze jeste transformacja podataka koj su predstavljen lngvstčkm promenljvama u trougaone fuzzy brojeve. Pored ocenjvanja menadžera, kako b model bo valdnj u ocenjvanje uključen su naučnc ekspert u ovoj oblast koj maju velk broj publkacja objavljenh na ovu temu koj su godnama učestvoval u ovakvm stražvanjma. Ukupno osam eksperata z Ltvanje, Irana, Srbje, Bosne Hercegovne, Velke Brtanje, Indje, Slovenje vršl su procenu najvažnjh krterjuma za zbor dobavljača u lancma snabdevanja što je prkazano u podpoglavlju Druga faza - prmena Fuzzy AHP metode Prv korak druge faze odnosno pet korak modela podrazumeva agregranje pojednačnh odgovora eksperata predstavljene trougaonm fuzzy brojevma u grupne TFNs dobjene prmenom geometrjske sredne. Šest korak podrazumeva prmenu fuzzy AHP metode, a podkorac predstavljaju korake FAHP metode. Sedm korak podrazumeva proračun težnskh vrednost krterjuma. Da b se moglo prstupt sledećem osmom koraku modela potrebno je zvršt defazfkacju vrednost z koraka pet. Zatm prmenjujuć korake klasčne AHP metode vrš se provera konzstentnost dobjenh vrednost odnosno računa se stepen konzstentnost. Ukolko je CR u dozvoljenom opsegu prelaz se na sledeć korak odnosno u sledeću fazu. Ukolko to nje slučaj potrebno je uptnk za ocenjvanje dobavljača vratt menadžerma na ponovno popunjavanje. U tom slučaju potrebno je vratt se na korak tr nakon ponovnog ocenjvanja krterjuma ponovt sve dalje korake. Kao što se može prethodno vdet velk je broj krterjuma koj se korste za vrednovanje zbor dobavljača. Međutm u pojednm slučajevma, naročto kada je u ptanju koršćenje određenh međusobno konflktnh krterjuma manj broj predstavlja bolje rešenje. Stoga u nastavku rada je predložen model od dvadeset krterjuma koj su prkazan u tabel 5.1 smanjen na devet korsteć znanje menadžera prozvodnh kompanja, kao stroge zahteve koje tržšte postavlja pred njh Treća faza - zbor devet krterjuma Na st načn kao što je to prkazano u prethodnoj faz prmenjujuć opsanu metodologju u preko deset razlčth prozvodnh oblast dolaz se do rangranja krterjuma zdvajanja najvažnjh devet koj se korste dalje u radu. U nastavku rada prkazano je ocenjvanje krterjuma proračun za svaku prozvodnu oblast posebno. 91

109 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 5.4. Građevnarstvo U oblast građevnarstva zvršeno je stražvanje u kompanjama na tertorj Bosne Hercegovne tertorj Crne Gore. Moblnost stanovnštva, globalzacja trend preseljenja z manjh u veće gradove ma za posledcu ntenzvno građenje prošrenje gradova. Stoga vrednovanje dobavljača u ovoj oblast ma zuzetan značaj, jer konkuretnost je velka najmanje greške mogu dovest do prmetnh gubtaka. U nastavku rada je prkazan kompletan postupak proračuna težne krterjuma prmenom fuzzy AHP metode, uključujuć drug treć nvo hjerarhje odnosno glavne krterjume podkrterjume. Prvo su u Tabel 5.2 prkazane ocene glavnh krterjuma. Tabela 5.2. Ocenjvanje glavnh krterjuma u oblast građevnarstva (Stevć dr., 2017a) K 1 K 2 C 3 C 4 K 1 K 2 K 3 K 4 E 1 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) E 4 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 5 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 2 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 3 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) E 4 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 5 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 2 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 4 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 5 (1, 1, 1) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) E 4 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) Fuzzy težne za sve podkrterjume su proračunate prmenom geometrjske sredne prema odgovorma donosoca odluka (Lee dr., 2008) što je prkazano u Tabel 5.3. Tabela 5.3. Fuzzy težne krterjuma u oblast građevnarstva (Stevć dr., 2017a) K 1 K 2 K 3 K 4 K 1 1,000 1,000 1,000 0,660 1,176 1,683 0,574 1,000 1,383 0,944 1,465 1,974 K 2 0,594 0,850 1,516 1,000 1,000 1,000 0,850 1,000 1,320 0,699 1,176 1,783 K 3 0,723 1,000 1,741 0,758 1,000 1,176 1,000 1,000 1,000 0,660 1,176 1,683 K 4 0,506 0,683 1,059 0,594 1,000 1,783 0,594 0,850 1,516 1,000 1,000 1,000 proračunat Da b se odredlo fuzzy prošrenje kombnacja za svak krterjum, prvo je potrebno vrednost za svak red matrce. K 1 =( ; ; )=(3.178;4.641;6.040) K 2 =( ; ; )=(3.143;4.026;5.618) K 3 =( ; ; )=(3.141;4.176;5.600) 92

110 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA K 4 =( ; ; )=(2.695;3.533;5.358) vrednost su zračunate na sledeć načn: (3.178;4.641;6.040)+(3.143;4.026;5.618)+(3.141;4.176;5.600)+(2.695;3.533;5.358)=(12.157; ; ) Onda, : S 1 =(3.178;4.641;6.040)x(1/22.616;1/16.376;1/12.157)=(0.141;0.283;0.497) S 2 =(3.143;4.026;5.618)x(1/22.616;1/16.376;1/12.157)=(0.139;0.246;0.462) S 3 =(3.141;4.176;5.600)x(1/22.616;1/16.376;1/12.157)=(0.139;0.255;0.461) S 4 =(2.695;3.533;5.358)x(1/22.616;1/16.376;1/12.157)=(0.119;0.216;0.441) Sada, vrednost V (određvanje prorteta) računaju se pomoću drugog koraka, tj. jednačne (44) prkazano je u nastavku. Prortet težna su zračunat na sledeć načn: d'=(c 1 )mn(1; 1; 1)=1 d'=(c 2 )mn(0.895; 0.972; 1)=0.895 d'=(c 3 )mn(0.919; 1; 1)=0.919 d'=(c 4 )mn(0.816; 0.909; 0.885)=

111 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(1; 0.895; 0.919; 0.816) W=(0.275; 0.247; 0.253; 0.225) Dobjene težnske vrednost krterjuma označavaju da je prv krterjum fnansje najznačajnj, dok kvaltet predstavlja drug najznačajnj krterjum. Logstka ma nešto manju vrednost od krterjuma kvaltet, dok je četvrt krterjum komunkacja poslovanje sa najmanjom vrednošću. Nakon proračuna težnskh vrednost krterjuma potrebno je provert stepen konzstentnost. Prvenstveno je potrebno zvršt defazfkacju vrednost z prethodne tabele 5.3 korsteć jednačnu (37). Defazfkacja je prkazana u Tabel 5.4. Tabela 5.4. Defazfkacja vrednost krterjuma u oblast građevnarstva (Stevć dr., 2017a) K 1 K 2 K 3 K 4 K K K K Nakon defazfkacje koja je prkazana u prethodnoj tabel 5.4, prmenjujuć korake klasčnog AHP metoda, dobjaju se sledeće vrednost: λ max = 4.146; CI = 0.049; CR = 0.054, što znač da je stepen konzstentnost 0.054, koj je manj od maksmalnog dozvoljenog od 0.08 za ovu velčnu matrce. U Tabel 5.5 prkazane su ocene podkrterjuma grupe fnansje. Tabela 5.5. Ocenjvanje podkrterjuma grupe fnansje u oblast građevnarstva (autor) K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 1, 1) E 2 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) E 3 (1,1,1) (3/2, 2, 5/2) (2/3, 1, 2) (3/2, 2, 5/2) (2/3, 1, 2) E 4 (1,1,1) (3/2, 2, 5/2) (1/2, 2/3, 1) (1, 3/2, 2) (2/3, 1, 2) E 5 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) E 1 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) E 2 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 1, 1) E 3 (2/5, 1/2, 2/3) (1,1,1) (1/3, 2/5, 1/2) (1, 1, 1) (1/3, 2/5, 1/2) E 4 (2/5, 1/2, 2/3) (1,1,1) (2/7, 1/3, 2/5) (2/3, 1, 2) (1/3, 2/5, 1/2) E 5 (1, 3/2, 2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1/2, 1, 3/2) (2, 5/2, 3) (1,1,1) (2, 5/2, 3) (1, 1, 1) E 4 (1, 3/2, 2) (5/2, 3, 7/2) (1,1,1) (2, 5/2, 3) (1/2, 1, 3/2) E 5 (1, 3/2, 2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 2 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) E 3 (2/5, 1/2, 2/3) (1, 1, 1) (1/3, 2/5, 1/2) (1,1,1) (1/3, 2/5, 1/2) E 4 (1/2, 2/3, 1) (1/2, 1, 3/2) (1/3, 2/5, 1/2) (1,1,1) (2/5, 1/2, 2/3) E 5 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) E 1 (1, 1, 1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) E 2 (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) E 3 (1/2, 1, 3/2) (2, 5/2, 3) (1, 1, 1) (2, 5/2, 3) (1,1,1) E 4 (1/2, 1, 3/2) (2, 5/2, 3) (2/3, 1, 2) (3/2, 2, 5/2) (1,1,1) E 5 (1/2, 1, 3/2) (2/3, 1, 2) (2/3, 1, 2) (1, 3/2, 2) (1,1,1) 94

112 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Fuzzy težne su prkazane u Tabel 5.6. Tabela 5.6. Fuzzy težne podkrterjuma grupe fnansje (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,000 1,000 0,891 1,320 1,797 0,608 0,922 1,431 1,110 1,644 2,159 0,683 1,000 1,644 K 2 0,556 0,758 1,122 1,000 1,000 1,000 0,502 0,668 0,903 0,871 1,246 1,719 0,488 0,639 0,822 K 3 0,699 1,084 1,644 1,108 1,623 2,290 1,000 1,000 1,000 1,246 1,797 2,322 0,644 1,000 1,552 K 4 0,463 0,608 0,901 0,582 0,803 1,149 0,431 0,556 0,803 1,000 1,000 1,000 0,422 0,536 0,740 K 5 0,608 1,000 1,465 1,217 1,565 2,048 0,644 1,000 1,552 1,351 1,864 2,371 1,000 1,000 1,000 proračunat Da b se odredlo fuzzy prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. K 1 =( ; ; )=(4.293;5.885;8.031) td. vrednost su zračunate na sledeć načn: (4.293;5.885;8.031)+(3.417;4.311;5.565)+(4.697;6.504;8.808)+(2.897;3.504;4.592)+(4.820;6. 429;8.436)=(20.124;26.633;35.432) Onda, : S 1 =(4.293;5.885;8.031)x(1/35.432;1/26.633;1/20.124)=(0.121;0.221;0.399) td. U tabel 5.7 date su vrednost dobjene prmenom prvog koraka fuzzy AHP metode. Tabela 5.7. Vrednost dobjene nakon prvog koraka fuzzy AHP za podkrterjume grupe fnansje (autor) l m u K 1 4,293 5,885 8,031 0,121 0,221 0,399 K 2 3,417 4,311 5,565 0,096 0,162 0,277 K 3 4,697 6,504 8,808 0,133 0,244 0,438 K 4 2,897 3,504 4,592 0,082 0,132 0,228 K 5 4,820 6,429 8,436 0,136 0,241 0,419 Ʃ 20,124 26,633 35,432 Sada, vrednost V (određvanje prorteta) se računaju pomoću drugog koraka tj. jednačne (44) prkazano je u Tabel 5.8. Tabela 5.8. Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe fnansje (autor) V(S a S b ) V(S 1 S 2 ) V(S 2 S 1 ) V(S 1 S 3 ) V(S 2 S 3 ) V(S 1 S 4 ) V(S 2 S 4 ) V(S 1 S 5 ) V(S 2 S 5 ) V(S 3 S 1 ) V(S 4 S 1 ) V(S 3 S 2 ) V(S 4 S 2 ) V(S 3 S 4 ) V(S 4 S 3 ) V(S 3 S 5 ) V(S 4 S 5 ) V(S 5 S 1 ) V(S 5 S 3 ) V(S 5 S 2 ) V(S 5 S 4 )

113 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Prmer određvanja prorteta je: Prortet težna su zračunat na sledeć načn: d'=(c 1 )mn(1;0.920;1;0.928)=0.920 d'=(c 2 )mn(0.724;0.636;1;0.639)=0.636 d'=(c 3 )mn(1;1;1;1)=1 d'=(c 4 )mn(0.545;0.813;0.459;0.456)=0.456 d'=(c 5 )mn(1;1;0.990;1)=0.990 Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(0.920;0.636;1;0.456;0.990) W=(0.230;0.159;0.250;0.114;0.247) Dobjene težnske vrednost podkrterjuma grupe fnansje označavaju da je treć podkrterjum načn plaćanja najznačajnj. Nešto manju vrednost značaj ma pet podkrterjum dodatn popust na kolčnu. Treć najznačajnj podkrterjum koj je veoma blzu prva dva je cena materjala, dok podkrterjum fnansjska stablnost cena transporta maju najmanj značaj. Nakon proračuna težnskh vrednost krterjuma potrebno je provert stepen konzstentnost. Prvenstveno je potrebno zvršt defazfkacju vrednost z tabele 5.6 korsteć jednačnu (37). Defazfkacja je prkazana u Tabel 5.9. Tabela 5.9. Defazfkacja vrednost podkrterjuma grupe fnansje (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,328 0,955 1,641 1,054 K 2 0,785 1,000 0,680 1,262 0,644 K 3 1,113 1,648 1,000 1,793 1,033 K 4 0,633 0,824 0,577 1,000 0,551 K 5 1,012 1,587 1,033 1,863 1,000 Nakon defazfkacje koja je prkazana u prethodnoj tabel 5.9, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max = 5.107; CI = 0.027; CR = 0.024, što znač da je stepen konzstentnost 0.024, koj je manj od maksmalnog dozvoljenog ogrančenja. U Tabel 5.10 prkazane su ocene podkrterjuma grupe logstka. 96

114 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA K 1 K 2 K 3 K 4 K 5 Tabela Ocenjvanje podkrterjuma grupe logstka u oblast građevnarstva (autor) K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) E 2 (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) (1, 1, 1) E 3 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (1, 3/2, 2) E 5 (1,1,1) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) E 2 (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 1, 1) E 4 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 5 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 2 (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (1, 3/2, 2) (1, 3/2, 2) E 4 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (3/2, 2, 5/2) E 5 (1, 1, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) E 2 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1, 1, 1) E 5 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (1, 3/2, 2) (1,1,1) E 2 (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) E 3 (2/3, 1, 2) (1, 1, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1, 1, 1) (1,1,1) E 5 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) Fuzzy težne za sve podkrterjume su proračunate prmenom geometrjske sredne prema odgovorma donosoca odluka (Lee dr., 2008) što je prkazano u Tabel Tabela Fuzzy težne podrterjuma grupe logstka (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,000 1,000 0,561 0,922 1,552 0,644 1,000 1,552 0,922 1,383 2,000 0,803 1,176 1,644 K 2 0,644 1,084 1,783 1,000 1,000 1,000 0,715 1,059 1,496 0,944 1,380 1,760 0,715 1,149 1,532 K 3 0,644 1,000 1,552 0,668 0,944 1,398 1,000 1,000 1,000 0,758 1,246 1,864 0,871 1,246 1,821 K 4 0,500 0,723 1,084 0,568 0,725 1,059 0,536 0,803 1,320 1,000 1,000 1,000 0,758 0,977 1,380 K 5 0,608 0,850 1,246 0,653 0,871 1,398 0,549 0,803 1,149 0,725 1,024 1,320 1,000 1,000 1,000 proračunat Da b se odredlo fuzzy prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. K 2 =( ; ; )=(4.019;5.672;7.571) td. vrednost su zračunate na sledeć načn: (3,930;5,481;7,747)+(4.019;5.672;7.571)+(3,941;5,436;7,634)+(3,363;4,227;5,843)+(3,535;4, 547;6,112)=(18,789;25,364;34,907) Onda, : S 2 =(4.019;5.672;7.571)x(1/34.907;1/25.364;1/18.789)=(0.115;0.224;0.403) td. U tabel 5.12 date su vrednost dobjene prmenom prvog koraka fuzzy AHP metode. 97

115 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Vrednost nakon prvog koraka fuzzy AHP za podkrterjume grupe logstka (autor) l m u K 1 3,930 5,481 7,747 0,113 0,216 0,412 K 2 4,019 5,672 7,571 0,115 0,224 0,403 K 3 3,941 5,436 7,634 0,113 0,214 0,406 K 4 3,363 4,227 5,843 0,096 0,167 0,311 K 5 3,535 4,547 6,112 0,101 0,179 0,325 Ʃ 18,789 25,364 34,907 Sada, vrednost V (određvanje prorteta) računaju se pomoću drugog koraka, tj. jednačne (44) prkazano je u Tabel Tabela Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe logstka (autor) V(S a S b ) V(S 1 S 2 ) V(S 2 S 1 ) V(S 1 S 3 ) V(S 2 S 3 ) V(S 1 S 4 ) V(S 2 S 4 ) V(S 1 S 5 ) V(S 2 S 5 ) V(S 3 S 1 ) V(S 4 S 1 ) V(S 3 S 2 ) V(S 4 S 2 ) V(S 3 S 4 ) 1,000 V(S 4 S 3 ) V(S 3 S 5 ) V(S 4 S 5 ) V(S 5 S 1 ) V(S 5 S 3 ) V(S 5 S 2 ) V(S 5 S 4 ) Prortet težna su zračunat na sledeć načn: d'=(c 1 )mn(0.975;1;1;1)=0.975 d'=(c 2 )mn(1;1;1;1)=1 d'=(c 3 )mn(0.994;0.969;1;1)=0.969 d'=(c 4 )mn(0.800;0.775;0.806;0.943)=0.775 d'=(c 5 )mn(1;1;0.806;0.943)=0.806 Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(0.975;1;0.969;0.775;0.806) W=(0.213;0.219;0.212;0.170;0.186) Dobjene težnske vrednost podkrterjuma grupe logstka označavaju da su tr podkrterjuma koj podjednako mogu konkursat za najznačajnj logstčk podkrtrjum: vreme sporuke, pouzdanost fleksblnost, dok četvrt pet krterjum logstčk kapactet procenat spravne realzacje sporuke maju manje vrednost od prethodno navedenh. Nakon proračuna težnskh vrednost krterjuma potrebno je provert stepen konzstentnost. Prvenstveno je potrebno zvršt defazfkacju vrednost korsteć jednačnu (37). Defazfkacja je prkazana u Tabel

116 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Defazfkacja vrednost podkrterjuma grupe logstka (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 0,967 1,033 1,409 1,192 K 2 1,127 1,000 1,075 1,370 1,140 K 3 1,033 0,974 1,000 1,267 1,279 K 4 0,746 0,754 0,844 1,000 1,007 K 5 0,876 0,922 0,818 1,023 1,000 Nakon defazfkacje koja je prkazana u prethodnoj tabel 5.14, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max = 5.110; CI = 0.028; CR = 0.025, što znač da je stepen konzstentnost 0.025, koj je manj od maksmalnog dozvoljenog ogrančenja. U Tabel 5.15 prkazane su ocene podkrterjuma grupe kvaltet. Tabela Ocenjvanje podkrterjuma grupe kvaltet u oblast građevnarstva (autor) K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1, 3/2, 2) (5/2, 3, 7/2) E 2 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1/2, 1, 3/2) (5/2, 3, 7/2) E 3 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (2, 5/2, 3) E 4 (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) (2, 5/2, 3) E 5 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 2 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 4 (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 5 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 2 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (3/2, 2, 5/2) E 3 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 4 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 5 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 2 (2/3, 1, 2) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (2, 5/2, 3) E 3 (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) E 1 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 2 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1,1,1) E 3 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 4 (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 5 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) Fuzzy težne su proračunate na st načn kao prethodne što je prkazano u Tabel Tabela Fuzzy težne podkrterjuma grupe kvaltet (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,000 1,000 0,822 1,351 1,864 1,176 1,552 1,904 0,871 1,383 1,888 2,064 2,572 3,077 K 2 0,536 0,740 1,217 1,000 1,000 1,000 0,644 1,084 1,783 0,574 0,922 1,275 1,176 1,683 2,187 K 3 0,525 0,644 0,850 0,561 0,922 1,552 1,000 1,000 1,000 0,784 1,084 1,741 0,891 1,431 1,949 K 4 0,530 0,723 1,149 0,784 1,084 1,741 0,574 0,922 1,275 1,000 1,000 1,000 1,149 1,661 2,169 K 5 0,325 0,389 0,484 0,457 0,594 0,850 0,513 0,699 1,122 0,461 0,602 0,871 1,000 1,000 1,000 proračunat Da b se odredlo fuzzy prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. 99

117 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA K 3 =( ; ; )=(3.762;5.082;7.092) td. vrednost su zračunate na sledeć načn: (5,933;7,858;9,732)+(3,931;5,430;7,461)+(3.762;5.082;7.092)+(4,037;5,391;7,334)+(2,756;3, 284;4,327)=(20,419;27,044;35,947) Onda, : S 3 =(3.762;5.082;7.092)x(1/35.947;1/27.044;1/20.419)=(0,105;0,188;0,347) td. U tabel 5.17 su vrednost dobjene nakon prmene prvog koraka fuzzy AHP metode. Tabela Vrednost nakon prvog koraka fuzzy AHP za podkrterjume grupe kvaltet (autor) l m u K 1 5,933 7,858 9,732 0,165 0,291 0,477 K 2 3,931 5,430 7,461 0,109 0,201 0,365 K 3 3,762 5,082 7,092 0,105 0,188 0,347 K 4 4,037 5,391 7,334 0,112 0,199 0,359 K 5 2,756 3,284 4,327 0,077 0,121 0,212 Ʃ 20,419 27,044 35,947 Sada, vrednost V (određvanje prorteta) računaju se pomoću drugog koraka, tj. jednačne (44) prkazano je u Tabel Tabela Vrednost nakon drugog koraka fuzzy AHP podkrterjuma grupe kvaltet (autor) V(S a S b ) V(S 1 S 2 ) V(S 2 S 1 ) V(S 1 S 3 ) V(S 2 S 3 ) V(S 1 S 4 ) V(S 2 S 4 ) V(S 1 S 5 ) V(S 2 S 5 ) V(S 3 S 1 ) V(S 4 S 1 ) V(S 3 S 2 ) V(S 4 S 2 ) V(S 3 S 4 ) V(S 4 S 3 ) V(S 3 S 5 ) V(S 4 S 5 ) V(S 5 S 1 ) V(S 5 S 3 ) V(S 5 S 2 ) V(S 5 S 4 ) Prortet težna su zračunat na sledeć načn: d'=(c 1 )mn(1;1;1;1)=1 d'=(c 2 )mn(0.691;1;1;1)=0.691 d'=(c 3 )mn(0.640;0.949;0.954;1)=0.640 d'=(c 4 )mn(0.680;0.994;1;1)=0.680 d'=(c 5 )mn(0.217;0.564;0.617;0.561)=0.217 Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(1;0.691;0.640;0.680;0.217) 100

118 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA W=(0.310;0.214;0.198;0.211;0.067) Dobjene težnske vrednost podkrterjuma grupe kvaltet označavaju da je prv podkrterjum kvaltet materjala najvažnj, a drug, treć četvrt podkrterjum garantn rok, sertfkacja prozvoda reputacja maju manje vrednost, al predstavljaju značajne podkrterjume ove grupe, dok je podkrterjum nagrage prznanja praktčno beznačajan sa veoma malom vrednošću od Defazfkacja je prkazana u Tabel Tabela Defazfkacja vrednost podkrterjuma grupe kvaltet (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,348 1,548 1,382 2,571 K 2 0,786 1,000 1,127 0,923 1,682 K 3 0,659 0,967 1,000 1,144 1,427 K 4 0,762 1,144 0,923 1,000 1,661 K 5 0,394 0,614 0,738 0,623 1,000 Nakon defazfkacje, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max =5.107, CI=0.027, CR=0.024, što znač da je stepen konzstentnost 0,024, koj je manj od maksmalnog dozvoljenog ogrančenja. U Tabel 5.20 je prkazano ocenjvanje podkrterjuma grupe komunkacje poslovanje Tabela Ocenjvanje podkrterjuma komunkacje poslovanje u oblast građevnarstva (autor) K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1/3, 2/5, 1/2) E 2 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 3 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) E 4 (1,1,1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/3, 2/5, 1/2) E 5 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1, 1, 1) (2/5, 1/2, 2/3) E 1 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (2/3, 1, 2) E 2 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) (1/2, 1, 3/2) E 3 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) E 4 (2, 5/2, 3) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 1, 1) E 5 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) E 1 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (2/3, 1, 2) E 2 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (1, 1, 1) E 3 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 4 (3/2, 2, 5/2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 5 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 1 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (2/7, 1/3, 2/5) E 2 (2/3, 1, 2) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) E 3 (3/2, 2, 5/2) (1, 1, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 4 (1/2, 1, 3/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 5 (1, 1, 1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 1 (2, 5/2, 3) (1/2, 1, 3/2) (1/2, 1, 3/2) (5/2, 3, 7/2) (1,1,1) E 2 (1, 3/2, 2) (2/3, 1, 2) (1, 1, 1) (3/2, 2, 5/2) (1,1,1) E 3 (1, 3/2, 2) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) E 4 (2, 5/2, 3) (1, 1, 1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) E 5 (3/2, 2, 5/2) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) Fuzzy težne za sve podkrterjume ove grupe su prkazane u Tabel

119 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Fuzzy težne za podkrterjume grupe komunkacje poslovanje u građevnarstvu (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 1,000 1,000 0,422 0,536 0,740 0,478 0,629 0,922 0,582 0,871 1,246 0,407 0,513 0,699 K 2 1,351 1,864 2,371 1,000 1,000 1,000 0,500 1,000 1,500 1,246 1,623 1,974 0,644 1,000 1,552 K 3 1,084 1,589 2,091 0,667 1,000 2,000 1,000 1,000 1,000 1,024 1,552 2,064 0,784 1,000 1,516 K 4 0,803 1,149 1,719 0,506 0,616 0,803 0,484 0,644 0,977 1,000 1,000 1,000 0,414 0,530 0,750 K 5 1,431 1,949 2,460 0,644 1,000 1,552 0,660 1,000 1,275 1,334 1,888 2,414 1,000 1,000 1,000 proračunat Da b se odredlo fuzzy prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. K 4 =( ; ; )=(3.208;3.939;5.248) td. vrednost su zračunate na sledeć načn: (2.888;3.550;4.607)+(4.741;6.487;8.398)+(4.559;6.141;8.671)+(3.208;3.393;5.248)+(5.069;6. 837;8.701)=(20,465;26.953;35.625) Onda, : S 4 =(3.208;3.939;5.248)x(1/35.625;1/26.953;1/20.465)=(0.090;0.146;0.256) td. U tabel 5.22 date su vrednost dobjene prmenom prvog koraka fuzzy AHP metode. Tabela Vrednost dobjene nakon prvog koraka fuzzy AHP za podkrterjume grupe komunkacje poslovanje (autor) l m u K 1 2,888 3,550 4,607 0,081 0,132 0,225 K 2 4,741 6,487 8,398 0,133 0,241 0,410 K 3 4,559 6,141 8,671 0,128 0,228 0,424 K 4 3,208 3,939 5,248 0,090 0,146 0,256 K 5 5,069 6,837 8,701 0,142 0,254 0,425 Ʃ 20,465 26,953 35,625 Sada, vrednost V (određvanje prorteta) računaju se pomoću drugog koraka, tj. jednačne (44) prkazano je u Tabel Tabela Vrednost dobjene nakon drugog koraka fuzzy AHP podkrterjuma grupe komunkacje poslovanje (autor) V(S a S b ) V(S 1 S 2 ) V(S 2 S 1 ) V(S 1 S 3 ) V(S 2 S 3 ) V(S 1 S 4 ) V(S 2 S 4 ) V(S 1 S 5 ) V(S 2 S 5 ) V(S 3 S 1 ) V(S 4 S 1 ) V(S 3 S 2 ) V(S 4 S 2 ) V(S 3 S 4 ) V(S 4 S 3 ) V(S 3 S 5 ) V(S 4 S 5 ) V(S 5 S 1 ) V(S 5 S 3 ) V(S 5 S 2 ) V(S 5 S 4 ) Prortet težna su zračunat na sledeć načn: 102

120 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA d'=(c 1 )mn(0.458;0.503;0.903;0.404)=0.404 d'=(c 2 )mn(1;1;1;0.954)=0.954 d'=(c 3 )mn(1;0.958;1;0.916)=0.916 d'=(c 4 )mn(1;0.566;0.611;0.515)=0.515 d'=(c 5 )mn(1;1;1;1)=1 Prmenjujuć jednačnu (48) dobjaju se normalzovane težnske vrednost krterjuma: W=(0.107;0.252;0.242;0.136;0.264) Dobjene težnske vrednost podkrterjuma grupe komunkacje poslovanje označavaju da je pet podkrterjum čstoća poslovanja najvažnj, a drug treć podkrterjum brzna odgovora na zahtev reakcje na reklamacje maju manje vrednost, al predstavljaju značajne podkrterjume ove grupe, dok su podkrterjum sstem komunkacja nformacone tehnologje najmanje značajn. Defazfkacja je prkazana u Tabel Tabela Defazfkacja vrednost podkrterjuma komunkacje poslovanje (autor) K 1 K 2 K 3 K 4 K 5 K 1 1,000 0,551 0,653 0,885 0,526 K 2 1,863 1,000 1,000 1,618 1,033 K 3 1,589 1,111 1,000 1,549 1,050 K 4 1,186 0,629 0,673 1,000 0,547 K 5 1,948 1,033 0,989 1,883 1,000 Nakon defazfkacje, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max =5.097, CI=0.024, CR=0.022, što znač da je stepen konzstentnost 0.022, koj je manj od maksmalnog dozvoljenog ogrančenja. Nakon kompletnog proračuna koj je zvršen prethodno prkazan dobjaju se težnske vrednost krterjuma podkrterjuma na osnovu kojh se može zvršt rangranje sth što je prkazano u Tabel Tabela Konačan rang krterjuma podkrterjuma u oblast građevnarstva (Stevć dr., 2017a) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0,247 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,230 0, Fnansjska stablnost 0,159 0, Načn plaćanja 0,250 0, Cena transporta 0,114 0, Dodatn popust na kolčnu 0,247 0, Vreme sporuke 0,213 0, Pouzdanost 0,219 0, Fleksblnost 0,212 0, Logstčk kapactet 0,170 0, Procenat spravne realzacje sporuke 0,186 0,

121 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 3. Kvaltet 0, Komunkacja poslovanje 0, Kvaltet materjala 0,310 0, Garantn rok 0,214 0, Sertfkacja prozvoda 0,198 0, Reputacja 0,211 0, Nagrade prznanja 0,067 0, Sstem komunkacja 0,107 0, Brzna odgovora na zahtev 0,252 0, Reakcje na reklamacje 0,242 0, Informacone tehnologje 0,136 0, Čstoća poslovanja 0,264 0, U tabel 5.25 prkazane su težne glavnh krterjuma okvru glavnh krterjuma težne podkrterjuma što predstavlja njhove lokalne težne. Pored toga prkazane su globalne težne koje podrazumevaju težne svh 20 krterjuma posmatrano bez glavnh krterjuma. Globalne težne podkrterjuma dobjaju se kada se lokalne težne podkrterjuma pomnože sa težnskm vrednostma glavnh krterjuma kao npr.: težnska vrednost krterjuma logstka je 0.247, a težne podkrterjuma vreme sporuke, pouzdanost, fleksblnost, logstčk kapactet procenat spravne realzacje sporuke 0.213, 0.219, 0.212, respektvno. Sve navedene vrednost množe se sa vrednošću dobjaju se globalne težne. Na osnovu lokalnh globalnh težna formra se lokaln globaln rang što je takođe prkazano u tabel 5.25 slc 5.3. Slka 5.3. Prkaz rangova krterjuma u oblast građevnarstva (autor) Na slc 5.3 može se vdet da lokaln rang označen plavom bojom globaln rang označen bordo bojom. Posmatrajuć njhovo rangranje može se uvdet da kada je u ptanju krterjum fnansje najveć značaj ma podkrterjum načn plaćanja, jer pretežno se rad o odgođenom plaćanju u ovoj oblast, zatm dodatn popust na kolčnu, obzrom da su u ptanju velke kolčne materjala koje se nabavljaju od jednog dobavljača. Tek na trećem mestu 104

122 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA dolaz cena materjala, a fnansjska stablnost cena transporta koje u određenm slučajevma ulaze u samu cenu prozvoda tj. pada na teret dobavljača zauzmaju četvrto peto mesto. Najvažnj logstčk krterjum jeste pouzdanost sa lokalnom težnom globalnom 0.054, a nakon njega krterjum vreme sporuke koj su međusobno povezan mogu mat značajan utcaj na kompletan tok zvršenja gradnje. Fleksblnost predstavlja krterjum koj je treć po važnost ma nešto manju globalnu težnu od prethodna dva, dok su procenat spravne realzacje sporuke robe logstčk kapactet manje važnj. U okvru krterjuma kvaltet, njegov prv podkrterjum kvaltet materjala predstavlja naznačajnj podkrterjum posmatrajuć njegovu lokalnu težnu, dok uzmajuć globalnu težnu takođe predstavlja najznačajnj krterjum u ukupnom poređenju svh 20 krterjuma. Garantn rok reputacja predstavljaju podkrterjume koje slede nakon kvalteta materjala, dok su najmanje važn sertfkacja prozvoda nagrade prznanja. Kada je u ptanju krterjum komunkacje poslovanje podkrterjum čstoća poslovanja predstavlja najznačajnj krterjum u budućnost je za očekvat sve šru prmenu ovog pod/krterjuma obzrom na ekološku svest današnjce, a naročto budućnost sve strožje kontrole u pogledu zakonskh propsa koj se moraju poštovat. Brzna odgovora na zahtev je drug najznačajnj podkrterjum u okvru ove grupe. U većem broju slučajeva njanse odlučuju o dobavljačma sa aspekta ovog krterjuma, jer sv se trude u što kraćem roku odgovort na zahtev, zahvaljujuć u dobroj mer nformaconm tehnologjama koje pak u ovom slučaju zauzmaju četvrtu pozcju. Sstem komunkacja je najmanje važan krterjum u okvru ove grupe, al u ukupnom rangranju zajedno sa krterjumom nagrade prznanja. Kao što je već pomenuto kvaltet materjala je najvažnj krterjum sa težnom 0.078, načna plaćanja drug sa težnom 0.069, a dodatn popust na kolčnu treć sa Prema zvršenom proračunu sledeć krterjum pored tr navedena konkuršu za ulazne parametre modela, a on su cena materjala, čstoća poslovanja, brzna odgovora na zahtev, reakcje na reklamacje, garantn rok, vreme sporuke reputacja Prozvodnja predzolovanh cev Pošto je u prethodnom poglavlju detaljno predstavljen proračun za sve krterjume postupno u nastavku slede samo prkaz proračuna za glavne krterjume. U skladu s tm samo su prkazane ocene koje se odnose na glavne krterjume dok su ostale ocene prkazane u prlogu. Istražvanje u ovoj oblast odnose se na tertorju Bosne Hercegovne. Tabela Ocenjvanje krterjuma u oblast prozvodnje predzolovanh cev (autor) K 1 K 2 K 3 K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 2 (1,1,1) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 3 (1,1,1) (2/3, 1, 2) (1, 1, 1) (1, 3/2, 2) E 4 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 5 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 2 (1, 1, 1) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 3 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 4 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 5 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 2 (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) 105

123 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA K 4 E 3 (1, 1, 1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 4 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 5 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 2 (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) E 3 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 3/2, 2) (1,1,1) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 5 (2/3, 1, 2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) Pošto se rad o dentčnom proračunu za ostale delatnost kao što je detaljno prkazano u prethodnom delu u nastavku će bt prkazan rezultat na slkama koje podrazumevaju proračun zvršen u programu Mcrosoft Excel. Sv proračun, kao razvoj novh prstupa zvršen je u ovom programu preko nove krerane aplkacje IMSES (Integrated Model for Suppler Evaluaton n Supply chans). Aplkacja IMSES podrazumeva kompletan proračun svh metoda koje su koršćene tokom zrade ovog rada, a nazv prostče z naslova doktorske dsertacje na engleskom jezku. Kreranjem pomenute aplkacje omogućen je lakš brž proračun dobjanje rezultata. U prlogu II dat su prkaz pojednh koraka svh metoda kroz aplkacju IMSES. Slka 5.4. Rezultat prmene Fuzzy AHP metode za glavne krterjume u oblast prozvodnje predzolovanh cev (autor) Na slc 5.4 može se vdet da je u oblast prozvodnje predzolovanh cev najvažnj krterjum kvaltet koj za njansu ma veću vrednost od krterjuma logstka fnansje koj maju skoro dentčne vrednost. Najmanju vrednost ma krterjum komunkacje poslovanje. Nakon sprovedenog proračuna za krterjume podkrterjume prema prethodnoj tabel 5.26 tabelama u prlogu koje označavaju ocenjvanje podkrterjuma u ovoj oblast dobjene su konačne vrednost svh krterjuma prkazane u Tabel Tabela Konačan rang u oblast prozvodnje predzolovanh cev (autor) Krterjum wj Podkrterjum 1. Fnansje 0,265 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,245 0, Fnansjska stablnost 0,145 0, Načn plaćanja 0,270 0, Cena transporta 0,131 0, Dodatn popust na kolčnu 0,209 0,

124 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 2. Logstka 0, Kvaltet 0, Komunkacja poslovanje 0, Vreme sporuke 0,277 0, Pouzdanost 0,212 0, Fleksblnost 0,168 0, Logstčk kapactet 0,185 0, Procenat spravne realzacje sporuke 0,158 0, Kvaltet materjala 0,330 0, Garantn rok 0,196 0, Sertfkacja prozvoda 0,258 0, Reputacja 0,216 0, Nagrade prznanja 0,000 0, Sstem komunkacja 0,159 0, Brzna odgovora na zahtev 0,237 0, Reakcje na reklamacje 0,220 0, Informacone tehnologje 0,206 0, Čstoća poslovanja 0,179 0, Tabela 5.27 je dentčna kao tabela 5.25 koja predstavlja konačne rezultate u oblast građevnarstva sa aspekta podataka koje prkazuje. Postupak dobjanja globalnh lokalnh težna krterjuma podkrterjuma zvršen je na prethodno opsan načn, odnosno kao u prethodnoj oblast. Stoga u nastavku nema potrebe za detaljnm objašnjenjem tabele konačnh rezultata težna krterjuma podkrterjuma. Na osnovu lokalnh globalnh težna formra se lokaln globaln rang što je takođe prkazano u tabel slc 5.5. Slka 5.5. Prkaz rangova krterjuma u oblast predzolovanh cev (autor) Na slc 5.5 može se vdet da je lokaln rang označen plavom, a globaln rang bordo bojom. Posmatrajuć njhovo rangranje može se uvdet da kada je u ptanju krterjum fnansje najveć značaj ma podkrterjum načn plaćanja, jer pretežno rad se o odgođenom plaćanju u ovoj oblast, zatm cena materjala, te dodatn popust na kolčnu, s obzrom da su u ptanju velke kolčne materjala koje se nabavljaju od jednog dobavljača. Fnansjska stablnost cena transporta zauzmaju četvrto peto mesto. Najvažnj logstčk krterjum je vreme sporuke robe sa lokalnom težnom globalnom 0.073, dok je pouzdanost sa lokalnom težnom globalnom na drugom mestu. Logstčk kapactet 107

125 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA predstavljaju krterjum koj je treć po važnost ma nešto manju globalnu težnu od prethodna dva, dok su fleksblnost procenat spravne realzacje sporuke manje važn. U okvru krterjuma kvaltet, njegov prv podkrterjum kvaltet materjala predstavlja naznačajnj podkrterjum posmatrajuć njegovu lokalnu težnu, dok uzmajuć globalnu težnu, takođe, predstavlja najznačajnj krterjum u ukupnom poređenju svh 20 krterjuma sa težnom Sertfkacja prozvoda reputacja predstavljaju podkrterjume koje slede nakon kvalteta materjala, dok su najmanje važn garantn rok nagrade prznanja. Kada je u ptanju krterjum komunkacje poslovanje podkrterjum brzna odgovora na zahtev predstavlja najznačajnj krterjum sa lokalnom težnom Reakcje na reklamacje nformacone tehnologje su nešto manjeg značaja zauzmaju drugo treće mesto respektvno, dok preostala dva podkrterjuma čstoća poslovanja sstem komunkacja predstavljaju najmanje značajne krterjume u okvru krterjuma komunkacje poslovanje. Prema zvršenom proračunu sledeć krterjum konkuršu za ulazne parametre modela: kvaltet materjala, vreme sporuke robe, načn plaćanja, sertfkacja prozvoda, cena materjala, reputacja, pouzdanost, dodatn popust na kolčnu garantn rok Prozvodnja nameštaja Prozvodnja nameštaja predstavlja oblast koja je dožvela velku ekspanzju, te se na današnjem tržštu može nać velk broj kompanja koje se bave ovom vrstom prozvodnje. Stoga vrednovanje dobavljača u ovoj oblast ma zuzetan značaj, jer konkurentnost je velka o čemu svedoč čnjenca da nje redak slučaj da već broj kompanja bude locran na malom geografskom prostoru l čak da kompanje budu locrane jedna pored druge. U okvru ove delatnost pet donoslaca odluka je vršlo vrednovanje dobavljača, što se može vdet u Tabel 5.28 za glavne krterjume. Tabela Ocenjvanje krterjuma u oblast prozvodnje nameštaja (autor) K 1 K 2 K 3 K 4 K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 2 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 1, 3/2) E 3 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 4 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 5 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 3 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 4 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 5 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 2 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 3 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 4 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 5 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 1 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 2 (2/3, 1, 2) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 5 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) 108

126 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Na slc 5.6 prkazan je postupak proračuna rezultat, odnosno težnske vrednost krterjuma u ovoj oblast. Sa slke se može uočt da sv krterjum maju značajnu ulogu u donošenju odluka u obalst prozvodnje nameštaja. Čak, prv treć krterjum fnansje kvaltet maju dentčne vrednost, dok je drug krterjum logstka samo za njansu slabj. Krterjum komunkacje poslovanje sa vrednošću nalaz se na poslednjem mestu, al ma velkog utcaja u procesu odlučvanja. Slka 5.6. Rezultat proračuna krterjuma u oblast prozvodnje nameštaja (autor) Nakon sprovedenog proračuna za krterjume podkrterjume prema prethodnoj tabel 5.28 tabelama u prlogu koje označavaju ocenjvanje podkrterjuma u ovoj oblast dobjene su konačne vrednost svh krterjuma prkazane u Tabel Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje nameštaja (autor) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0, Kvaltet 0, Komunkacja poslovanje 0,214 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,290 0, Fnansjska stablnost 0,190 0, Načn plaćanja 0,183 0, Cena transporta 0,155 0, Dodatn popust na kolčnu 0,182 0, Vreme sporuke 0,251 0, Pouzdanost 0,195 0, Fleksblnost 0,168 0, Logstčk kapactet 0,158 0, Procenat spravne realzacje sporuke 0,229 0, Kvaltet materjala 0,287 0, Garantn rok 0,209 0, Sertfkacja prozvoda 0,244 0, Reputacja 0,261 0, Nagrade prznanja 0,000 0, Sstem komunkacja 0,155 0, Brzna odgovora na zahtev 0,198 0, Reakcje na reklamacje 0,218 0, Informacone tehnologje 0,205 0, Čstoća poslovanja 0,225 0,

127 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Posmatrajuć rangranje glavnh krterjuma u Tabel 5.29 može se uočt njhov rang: kvaltet materjala, fnansje, logstka, komunkacje poslovanje sa težnama 0.273, 0.263, respektvno. Slka 5.7. Prkaz rangova krterjuma u oblast nameštaja (autor) Posmatrajuć rangranje podkrterjuma prkazano na slc 5.7 može se uočt da kada je u ptanju krterjum fnansje najveć značaj ma podkrterjum cena materjala, a zatm fnansjska stablnost, dok načn plaćanja dodatn popust na kolčnu na trećem mestu sa jednakom lokalnom težnom. Cena transporta je najslabje rangran podkrterjum u okvru navedene grupe. Najznačajnj logstčk krterjum je vreme sporuke robe, dok je na drugom mestu procenat uspešne realzacje sporuke. Pouzdanost se nalaz na trećem mestu, dok se fleksblnost logstčk kapactet sa najmanjm vrednostma nalaze na poslednjm mestma. U okvru krterjuma kvaltet, njegov prv podkrterjum kvaltet materjala predstavlja naznačajnj podkrterjum posmatrajuć njegovu lokalnu težnu, dok uzmajuć globalnu težnu predstavlja drug najznačajnj krterjum u ukupnom poređenju svh 20 krterjuma. Reputacja sertfkacja prozvoda predstavljaju podkrterjume koje slede nakon kvalteta materjala, dok je na četvrtom mestu garantn rok, a kao u ostalm dosada posmatranm oblastma nagrade prznanja su najslabje rangran. Kada je u ptanju krterjum komunkacje poslovanje podkrterjum čstoća poslovanja predstavlja najznačajnj krterjum u budućnost je za očekvat sve šru prmenu ovog podkrterjuma s obzrom na ekološku svest današnjce, a naročto budućnost sve strožje kontrole u pogledu zakonskh propsa koj se moraju poštovat. Reakcje na reklamacje je drug najznačajnj podkrterjum u okvru ove grupe. Informacone tehnologje se nalaze na trećoj pozcj, a brzna odgovora na zahtev na četvrtom mestu. Na poslednjoj pozcju u okvru ove grupe je podkrterjum sstem komunkacja. Prema zvršenom proračunu sledeć krterjum konkuršu za ulazne parametre modela: cena materjala, kvaltet materjala, reputacja, vreme sporuke, sertfkacja prozvoda, procenat spravne realzacje sporuke, garantn rok, pozdanost fnansjska stablnost. 110

128 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 5.7. Prozvodnja PVC stolarje Na tržštu egzstra velk broj prozvođača PVC stolarje koje nude raznovrsnu ponudu z svog šrokog asortmana. Skoro svak poslovn objekat poseduje PVC l alumnjumsku stolarju. Kada se tome dodaju prvatn objekt potražnja za ovom vrstom robe je zuzetno velka s jedne strane, dok je konkurencja takođe velka s druge strane. Korsnc žele kvaltetan prozvod po što nžoj cen uz vsok nvo usluge. Na tržštu postoje kompanje koje vrše nabavku materjala po veoma nskm cenama njhov konačan prozvod je u velkoj mer jeftnj od ostalh. Međutm posledca toga je nekvaltetan prozvod koj nakon prvh tr do pet godna pokazuje svoje nedostatke. S druge strane kompanje koje korste kvaltetnj materjal za svoju prozvodnju daju duž garantn rok na svoje prozvode. U ovom stražvanju uzete su u obzr obe vrste kompanja. U Tabel 5.30 prkazane su ocene krterjuma u ovoj oblast K 1 K 2 K 3 K 4 Tabela Ocenjvanje krterjuma u oblast prozvodnje PVC stolarje (autor) K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 2 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 1, 3/2) E 3 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 2 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 3 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 1 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 2 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 3 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 2 (2/3, 1, 2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) E 3 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) Na slc 5.8 prkazan su sv korac proračuna težnskh vrednost krterjuma u oblast prozvodnje PVC stolarje. Slčna je stuacja kao u prethodnoj oblast gde krterjum maju poprlčno ujednačene vrednost. U ovom slučaju najvažnj krterjum je kvaltet sa vrednošću 0.286, dok je logstka na drugom mestu sa vrednošću Treć krterjum je fnansje koj ma vrednost može btno utcat u procesu donošenja odluka o zboru dobavljača u ovoj oblast. Na kraju najmanje važan krterjum je komunkacje poslovanje sa vrednošću od Slka 5.8. Rezultat proračuna značaja krterjuma u oblast prozvodnje PVC stolarje (autor) 111

129 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Nakon sprovedenog proračuna za krterjume podkrterjume prema prethodnoj tabel 5.30 tabelama u prlogu koje označavaju ocenjvanje podkrterjuma u ovoj oblast dobjene su konačne vrednost svh krterjuma prkazane u Tabel 31. Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje PVC stolarje (autor) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0, Kvaltet 0, Komunkacja poslovanje 0,202 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,203 0, Fnansjska stablnost 0,260 0, Načn plaćanja 0,187 0, Cena transporta 0,114 0, Dodatn popust na kolčnu 0,236 0, Vreme sporuke 0,209 0, Pouzdanost 0,243 0, Fleksblnost 0,211 0, Logstčk kapactet 0,181 0, Procenat spravne realzacje sporuke 0,157 0, Kvaltet materjala 0,274 0, Garantn rok 0,217 0, Sertfkacja prozvoda 0,245 0, Reputacja 0,193 0, Nagrade prznanja 0,072 0, Sstem komunkacja 0,174 0, Brzna odgovora na zahtev 0,201 0, Reakcje na reklamacje 0,232 0, Informacone tehnologje 0,127 0, Čstoća poslovanja 0,266 0, Slka 5.9. Prkaz rangova krterjuma u oblast prozvodnje PVC stolarje (autor) 112

130 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Na slc 5.9 posmatrajuć rangranje krterjuma može se uvdet da prema zvršenom proračunu sledeć krterjum konkuršu za ulazne parametre modela: kvaltet materjala, sertfkacja prozvoda, pouzdanost, fnansjska stablnost, garantn rok, dodatn popust na kolčnu, vreme sporuke, fleksblnost čstoća poslovanja Prozvodnja plastčnh kesa folja Prozvodnja plastčnh kesa l vrećca kao srovnu korst poletlen vsoke gustne u razlčtm dmenzjama bojama, sa mogućnošću štampe takođe u bojama. Korste se u trgovačkm centrma za reklamne svrhe. Zatm, kese folje od poletlena nske gustne upotrebljavaju se za pakovanje ndustrjskh prozvoda koje štte prozvod od vlage ostalh vremenskh utcaja. Odlkuju se vsokom čvrstoćom prozrnošću. Izrađuju se u razlčtm dmenzjama, u zavsnost od želje kupaca, sa mogućnošću štampe u šest boja. Pored toga prozvodnja folja namenjenh za pakovanje svh vrsta PET ambalaže, boca lmenk. Najvše se prmenjuje u pakovanju pća. Ima zašttnu ulogu od prašne, prljavštne vremenskh utcaja. Štt prozvode od oštećenja omogućava lakše rukovanje prlkom transporta. Odlkuje se vsokom čvrstoćom prozrnošću. Tabela Ocenjvanje krterjuma u oblast prozvodnje plastčnh kesa folja (autor) K 1 K 2 K 3 K 4 K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) E 2 (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (3/2, 2, 5/2) E 3 (1,1,1) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) E 2 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1/2, 1, 3/2) E 3 (1, 1, 1) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) E 2 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (2, 5/2, 3) E 3 (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (1/3, 2/5, 1/2) (1,1,1) E 3 (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) Fuzzy težne za sve podkrterjume su proračunate prmenom geometrjske sredne prema odgovorma donosoca odluka (Lee dr., 2008) što je prkazano u Tabel Tabela Fuzzy težne krterjuma u oblast prozvodnje plastčnh kesa folja (autor) K 1 K 2 K 3 K 4 K 1 1,000 1,000 1,000 0,794 1,145 1,442 0,667 1,000 2,000 1,145 1,651 2,154 K 2 0,693 0,874 1,260 1,000 1,000 1,000 0,511 0,693 1,101 0,630 1,145 1,651 K 3 0,500 1,000 1,500 0,909 1,442 1,957 1,000 1,000 1,000 1,651 2,154 2,657 K 4 0,464 0,606 0,874 0,606 0,874 1,587 0,376 0,464 0,606 1,000 1,000 1,000 proračunat Da b se odredlo faz prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. K 1 =( ; ; )=(3.605; 4.796; 6.597) td. vrednost su zračunate na sledeć načn: 113

131 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA (3.605; 4.796; 6.597)+(2.834; 3.172; 5.012)+(4.060; 5.597; 7.114)+(2.446; 2.943; 4.067)=(12.945; ; ) Onda, : S 1 =(3.605; 4.796; 6.597)x(1/22.789;1/17.047; 1/12.945)=(0.158; 0.281; 0.510) td. U tabel 5.34 prkazane su vrednost dobjene nakon prvog koraka fuzzy AHP metode. Tabela Vrednost dobjene nakon prvog koraka (autor) l m u K 1 3,605 4,796 6,597 0,158 0,281 0,510 K 2 2,834 3,712 5,012 0,124 0,218 0,387 K 3 4,060 5,597 7,114 0,178 0,328 0,550 K 4 2,446 2,943 4,067 0,107 0,173 0,314 Ʃ 12,945 17,047 22,789 Sada, vrednost V (određvanje prorteta) računaju se pomoću drugog koraka, tj. jednačne (44) prkazane su u Tabel Tabela Vrednost dobjene nakon drugog koraka (autor) Prmer određvanja prorteta je: V(S a S b ) V(S 1 S 2 ) 1,000 V(S 2 S 1 ) V(S 1 S 3 ) 0,876 V(S 2 S 3 ) V(S 1 S 4 ) 1,000 V(S 2 S 4 ) V(S 3 S 1 ) 1,000 V(S 4 S 1 ) V(S 3 S 2 ) 1,000 V(S 4 S 2 ) V(S 3 S 4 ) 1,000 V(S 4 S 3 ) Prortet težna su zračunat na sledeć načn: d'=(c 1 )mn(1; 0.876; 1)=0.876 d'=(c 2 )mn(0.783; 0.654; 1)=0.654 d'=(c 3 )mn(1; 1; 1)=1 d'=(c 4 )mn(0.589; 0.808; 0.466)=0.466 Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(0.876; 0.654; 1; 0.466) W=(0.292; 0.218; 0.334; 0.156) Dobjene težnske vrednost krterjuma označavaju da je treć krterjum kvaltet materjala najznačajnj, dok fnansje predstavljaju drug najznačajnj krterjum. Logstka ; 114

132 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA ma nešto manju vrednost od krterjuma fnansje, dok je četvrt krterjum komunkacja poslovanje sa najmanjom vrednošću. Nakon proračuna težnskh vrednost krterjuma potrebno je provert stepen konzstentnost. Defazfkacja je prkazana u Tabel Tabela Defazfkacja vrednost krterjuma u oblast prozvodnje plastčnh kesa folja (autor) K 1 K 2 K 3 K 4 K 1 1,000 1,136 1,111 1,651 K 2 0,908 1,000 0,731 1,143 K 3 1,000 1,439 1,000 2,154 K 4 0,627 0,948 0,473 1,000 Nakon defazfkacje koja je prkazana u prethodnoj tabel 5.36, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max = 4.105; CI = 0.035; CR = 0.039, što znač da je stepen konzstentnost 0.039, koj je manj od maksmalnog dozvoljenog ogrančenja od 0.08 za ovu velčnu matrce. Nakon sprovedenog proračuna za krterjume podkrterjume dobjene su konačne vrednost svh krterjuma prkazane u Tabel Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje plastčnh kesa folja (autor) Krterjum wj Podkrterjum 1. Fnansje Logstka Kvaltet Komunkacja poslovanje Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,297 0, Fnansjska stablnost 0,206 0, Načn plaćanja 0,117 0, Cena transporta 0,119 0, Dodatn popust na kolčnu 0,261 0, Vreme sporuke 0,229 0, Pouzdanost 0,203 0, Fleksblnost 0,194 0, Logstčk kapactet 0,183 0, Procenat spravne realzacje sporuke 0,192 0, Kvaltet materjala 0,354 0, Garantn rok 0,179 0, Sertfkacja prozvoda 0,207 0, Reputacja 0,206 0, Nagrade prznanja 0,054 0, Sstem komunkacja 0,149 0, Brzna odgovora na zahtev 0,196 0, Reakcje na reklamacje 0,238 0, Informacone tehnologje 0,172 0, Čstoća poslovanja 0,246 0, U tabel 5.37 prkazane su sve lokalne globalne vrednost svh krterjuma, njhov lokaln globaln rang proračunat CR za sva zvršena poređenja. Sv proračuant CR se nalaze u dozvoljenm grancama, što znače da je u procesu donošenja odluke subjektvnost veoma mala što je u suštn clj. 115

133 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka Prkaz rangova krterjuma u oblast prozvodnje plastčnh kesa folja (autor) Na slc 5.10 posmatrajuć rangranje krterjuma može se vdet da prema zvršenom proračunu sledeć krterjum konkuršu za ulazne parametre modela: kvaltet materjala, cena materjala, dodatn popust na kolčnu, sertfkacja prozvoda, reputacja, fnansjska stablnost, garantn rok, vreme sporuke pouzdanost Prozvodnja žce Kada je u ptanju prozvodnja žce određvanje težnskh vrednost krterjuma je zvršeno prmenom fuzzy AHP Grube AHP metode što je prkazano u nastavku. U tabel 5.38 prkazane su ocene krterjuma u ovoj oblast. Tabela Ocenjvanje krterjuma u oblast prozvodnje žce (autor) K 1 K 2 K 3 K 4 K 1 K 2 K 3 K 4 E 1 (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) E 2 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (1,1,1) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1, 3/2, 2) E 2 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 3 (1, 1, 1) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 1, 1) E 2 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 3 (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (1/2, 2/3, 1) (1, 1, 1) (1,1,1) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 3 (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) 116

134 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka Rezultat proračuna značaja krterjuma u oblast prozvodnje žce (autor) Na slc 5.11 dat je proračun glavnh krterjuma sa koje se može uočt da je drug krterjum logstka najvažnj sa nešto većom vrednošću od prvog krterjuma fnansje, dok se krterjum kvaltet nalaz na trećem, odnosno komunkacje poslovanje na četvrtom mestu. Posle zvršenog kompletnog proračuna rangov krterjuma prkazan su u Tabel Tabela Konačan rang krterjuma podkrterjuma u oblast prozvodnje žce (autor) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0, Kvaltet 0, Komunkacja poslovanje 0,207 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,258 0, Fnansjska stablnost 0,224 0, Načn plaćanja 0,293 0, Cena transporta 0,158 0, Dodatn popust na kolčnu 0,067 0, Vreme sporuke 0,242 0, Pouzdanost 0,200 0, Fleksblnost 0,190 0, Logstčk kapactet 0,217 0, Procenat spravne realzacje sporuke 0,151 0, Kvaltet materjala 0,290 0, Garantn rok 0,240 0, Sertfkacja prozvoda 0,247 0, Reputacja 0,162 0, Nagrade prznanja 0,061 0, Sstem komunkacja 0,159 0, Brzna odgovora na zahtev 0,296 0, Reakcje na reklamacje 0,216 0, Informacone tehnologje 0,159 0, Čstoća poslovanja 0,169 0,

135 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka Prkaz rangova krterjuma u oblast prozvodnje žce (autor) Nakon proračuna težnskh vrednost krterjuma koj su prethodno prkazan detaljno objašnjen u nastavku prkazan je proračun njhovog značaja prmenom grubog AHP metoda. Prvo je potrebno zvršt ndvdualno poređenje formrat grupnu matrcu poređenja u parovma. Indvdualne matrce poređenja za podkrterjume grupe logstka su: Potrebno je zračunat stepen konzstentnost za svakog donosoca odluke nakon toga zvršt ntegracju ndvdualnh matrca poređenja u grupnu matrcu. Kao što se može vdet z prethodnog proračuna očgledno je da je stepen konzstentnost za svakog donosoca odluke u željenom opsegu, odnosno manj od Grupna matrca je prkazana u nastavku. 118

136 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Nakon ntegrsanja ndvdualnh matrca u grupnu potrebno je zvršt transformacju elemenata matrce u grube brojeve to na sledeć načn: Na prmer Onda, se može zrazt kao grub broj: Prema jednačnama (53) - (55) Onda gruba sekvenca u je transformsana u grub broj. Zatm, dobjena je gruba matrca poređenja: Nakon toga, potrebno je proračunat grube težne krterjuma prmenjujuć jednačne (57) (58). Grube težne glavnh krterjuma su: pa težne podkrterjuma grupe logstka maju sledeće konačne vrednost: 119

137 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Nakon opsane metodologje proračunate su vrednost za svh 20 krterjuma što je prkazano na slc Slka Vrednost svh krterjuma zražene u grubm brojevma (Stevć dr., 2017c) Na slc 5.13 može se uočt da su načn plaćanja, vreme sporuke robe, kvaltet materjala logstčk kapactet najvažnj krterjum u ovoj oblast. Objašnjenje za ovakvo rangranje krterjuma njhovu važnost se može nać u čnjenc da se rad o zvozu ove vrste prozvoda na međunarodno tržšte. Na petom mestu je krterjum cena materjala, dok se sertfkacja prozvoda, pouzdanost garantn rok nalaze na šestom, sedmom osmom mestu respektvno, dok su ostal krterjuma manjeg značaja. Nakon dobjenh rezultata zvršeno je poređenje značaja krterjuma prmenom dve prethodno objašnjenje metode: fuzzy AHP grub AHP, Slka Slka Vrednost glavnh krterjuma dobjenh prmenom Fuzzy AHP Grube AHP metode (Stevć dr., 2017c) Na slc 5.14 prkazane su vrednost glavnh krterjuma korsteć navedene metode, dok je u tabel 5.40 dat prkaz rezultata koj uključuje svh dvadeset krterjuma. 120

138 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Težnske vrednost svh krterjuma prmenom Fuzzy AHP G AHP (Stevć dr., 2017c) Krterjum Fuzzy AHP Grub AHP Vrednost Rang Vrednost Rang Cena materjala 0,068 3 (0,42;0,71) 5 Fnansjska stablnost 0,059 7 (0,20;0,34) 9 Načn plaćanja 0,078 1 (0,52;0,99) 1 Cena transporta 0, (0,11;0,18) 12 Dodatn popust na kolčnu 0, (0,05;0,09) 16 Vreme sporuke 0,066 4 (0,42;1) 2 Pouzdanost 0,054 8 (0,22;0,61) 7 Fleksblnost 0,052 9 (0,13;0,37) 10 Logstčk kapactet 0,059 7 (0,27;0,88) 4 Procenat spravne realzacje sporuke 0, (0,08;0,15) 14 Kvaltet materjala 0,074 2 (0,36;0,90) 3 Garantn rok 0,061 6 (0,18;0,59) 8 Sertfkacja prozvoda 0,063 5 (0,23;0,61) 6 Reputacja 0, (0,08;0,16) 13 Nagrade prznanja 0, (0,04;0,08) 17 Sstem komunkacja 0, (0,03;0,05) 18 Brzna odgovora na zahtev 0,061 6 (0,16;0,23) 11 Reakcje na reklamacje 0, (0,08;0,11) 15 Informacone tehnologje 0, (0,03;0,05) 18 Čstoća poslovanja 0, (0,02;0,05) 19 Načn plaćanja je najvažnj krterjum prema obe metode, kvaltet materjala je drug po važnost kada se prmenjuje fuzzy AHP, dok je vreme sporuke robe prema prmen grubog AHP-a drug najvažnj krterjum. Kada su u ptanju lokaln rangov krterjuma odnosno podkrterjuma veoma btno je napomenut da sv krterjum zadržavaju svoje rangove prmenom obe metode. Rangranje svh krterjuma od prvog do dvadesetog mesta je prkazano na Slc Slka Rangranje krterjuma prmenom Fuzzy AHP Grube AHP metode (Stevć dr., 2017c) 121

139 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Prozvodnja metalnh podloškh za automoblsku ndustrju Glavna aktvnost kompanje koja je predmet stražvanja u ovom slučaju predstavnk oblast prozvodnje delova za automoblsku ndustrju jeste prozvodnja metalnh podlošk za automoblsku ndustrju. U svom prozvodnom asortmanu ma preko 3000 vrsta metalnh podlošk najveć deo se korst za mehančku transmsju teškh mašna, kranova, transportnh teretnh vozla slčno. Kompanja je fokusrana na prozvodnju prodaju ravnh elastčnh podlošk. Sposobnost prozvodnje je preko 3500 tona gotovog prozvoda. Ocenjvanje glavnh krterjuma prkazano je u tabel K 1 K 2 K 3 K 4 Tabela Ocenjvanje krterjuma u oblast automoblske ndustrje (autor) K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) E 2 (1,1,1) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) E 3 (1,1,1) (1, 3/2, 2) (1,1,1) (1, 3/2, 2) E 1 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 2 (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) E 1 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 2 (1,1,1) (1, 3/2, 2) (1,1,1) (1, 3/2, 2) E 3 (1,1,1) (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) Na slc 5.16 predstavljen su rezultat značaj glavnh krterjuma u automoblskoj ndustrj. Slka Rezultat proračuna važnost krterjuma u automoblskoj ndustrj (autor) Na slc 5.16 dat je proračun glavnh krterjuma sa koje se može uočt da je treć krterjum kvaltet najvažnj, dok prv krterjum fnansje zauzma drugu pozcju. Krterjum logstka nalaz na trećem odnosno komunkacje poslovanje na četvrtom mestu. Posle zvršenog kompletnog proračuna rangov krterjuma prkazan su u Tabel

140 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Konačan rang krterjuma podkrterjuma u oblast automoblske ndustrje (autor) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0, Kvaltet 0, Komunkacja poslovanje 0,198 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,262 0, Fnansjska stablnost 0,200 0, Načn plaćanja 0,150 0, Cena transporta 0,102 0, Dodatn popust na kolčnu 0,286 0, Vreme sporuke 0,236 0, Pouzdanost 0,180 0, Fleksblnost 0,175 0, Logstčk kapactet 0,211 0, Procenat spravne realzacje sporuke 0,199 0, Kvaltet materjala 0,372 0, Garantn rok 0,120 0, Sertfkacja prozvoda 0,332 0, Reputacja 0,108 0, Nagrade prznanja 0,068 0, Sstem komunkacja 0,164 0, Brzna odgovora na zahtev 0,242 0, Reakcje na reklamacje 0,222 0, Informacone tehnologje 0,215 0, Čstoća poslovanja 0,157 0, Slka Prkaz rangova krterjuma u oblast automoblske prozvodnje (autor) 123

141 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Nakon proračuna težnskh vrednost krterjuma koj su prethodno prkazan detaljno objašnjen u nastavku je prkazan proračun njhovog značaja prmenom grubog AHP metoda. Prvo je potrebno zvršt ndvdualno poređenje formrat grupnu matrcu poređenja u parovma. Indvdualne matrce poređenja su: Potrebno je zračunat stepen konzstentnost za svakog donosoca odluke nakon toga zvršt ntegracju ndvdualnh matrca poređenja u grupnu matrcu. Kao što se može vdet z prethodnog proračuna očgledno je da je stepen konzstentnost za svakog donosoca odluke u željenom opsegu, odnosno manj od Grupna matrca je prkazana u nastavku. Nakon ntegrsanja ndvdualnh matrca u grupnu potrebno je zvršt transformacju elemenata matrce u grube brojeve to na sledeć načn: Na prmer Onda, se može zrazt kao grub broj: Prmenjujuć jednačne (53) - (55) 124

142 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Onda se gruba sekvenca u matrc transformše u grub broj. Transformacja svh drugh elemenata matrce je zvršena na dentčan načn. Dobjena gruba matrca je: Nakon toga, potrebno je proračunat grube težne krterjuma prmenjujuć jednačne (57) (58). Nakon opsane metodologje vrednost svh krterjuma u oblku grubog broja prkazane su na slc Slka Vrednost svh krterjuma u grubm brojevma u oblast automoblske ndustrje (Fazlollahtabar dr., 2017) Na slc 5.18 može se vdet da su sertfkacja prozvoda kvaltet materjala najvažnj u automoblskoj ndustrj prema kompanj koja je bla predmet stražvanja. Na trećem mestu je krterjum dodatn popust na kolčnu, jer se rad o kompanj koja je locrana na tertorj Bosne Hercegovne koja pak prpada državama u tranzcj dodatn popust u današnjem poslovanju našeg tržšta je veoma popularan. Sledeć krterjum po važnost su logstčk krterjum vreme sporuke robe pouzdanost. 125

143 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Za razlku od prethodne oblast kada je zvršeno poređenje svh krterjuma njhovog značaja prmenom fuzzy AHP grubog AHP metoda, ovde je zvršen proračun crsp AHP metodom. Rezultat glavnh krterjuma prmenom sve tr metode prkazan su na slc Slka Vrednost glavnh krterjuma prmenom AHP, FAHP G AHP (Fazlollahtabar dr., 2017) Na slc 5.19 su prkazane vrednost glavnh krterjuma proračunat prmenom konvenconalnog tj. crsp AHP, fuzzy AHP grubog AHP metoda, dok su u tabel 5.43 predstavljen sv rezultat koj uključuju svh dvadeset krterjuma. Tabela Rezultat prmenom tr razlčte metode (Fazlollahtabar dr., 2017) AHP FAHP G AHP Vrednost Rang Vrednost Rang Vrednost Rang Cena materjala 0, ,068 4 (0,28;0,53) 7 Fnansjska stablnost 0, ,052 6 (0,16;0,58) 8 Načn plaćanja 0, , (0,08;0,19) 14 Cena transporta 0, , (0,08;0,17) 15 Dodatn popust na kolčnu 0, ,074 3 (0,42;0,76) 3 Vreme sporuke 0, ,056 5 (0,17;0,83) 4 Pouzdanost 0, , (0,13;0,80) 5 Fleksblnost 0, , (0,11;0,61) 9 Logstčk kapactet 0, ,050 7 (0,13;0,68) 10 Procenat spravne realzacje sporuke 0, , (0,15;0,74) 6 Kvaltet materjala 0, ,114 1 (0,46;0,90) 2 Garantn rok 0, , (0,09;0,20) 13 Sertfkacja prozvoda 0, ,102 2 (0,50;1,00) 1 Reputacja 0, , (0,10;0,21) 12 Nagrade prznanja 0, , (0,04;0,09) 18 Sstem komunkacja 0, , (0,04;0,10) 17 Brzna odgovora na zahtev 0, ,048 8 (0,10;0,26) 11 Reakcje na reklamacje 0, ,044 9 (0,08;0,24) 11 Informacone tehnologje 0, , (0,08;0,24) 11 Čstoća poslovanja 0, , (0,04;0,14) 16 Sertfkacja prozvoda je najvažnj krterjum prmenom klasčnog grubog AHP-a, dok prmenjujuć fuzzy AHP metod kvaltet materjala predstavlja najvažnj krterjum. Jednak rang prmenujuć sva tr oblka AHP metode je za dodatn popust na kolčnu koj se 126

144 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA nalaz na trećem mestu. Rezultat pokazuju da grub AHP ma vše slčnost sa konvenconalnm u ovom konkretnom slučaju. Rangranje svh krterjuma od prvog do dvadesetog mesta prkazano je na slc Slka Rangranje krterjuma prmenom tr razlčta oblka AHP metode (Fazlollahtabar dr., 2017) Poljoprvredna oblast U tabel 5.44 prkazane su ocene glavnh krterjuma u ovoj oblast. K 1 K 2 K 3 K 4 Tabela Poređenje krterjuma u poljoprvrednoj oblast (autor) K 1 K 2 K 3 K 4 E 1 (1,1,1) (2,5/2,3) (2/5, 1/2, 2/3) (1, 3/2, 2) E 2 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (3/2, 2, 5/2) E 3 (1,1,1) (3/2, 2, 5/2) (1/2, 2/3, 1) (1, 3/2, 2) E 1 (1/3, 2/5, 1/2) (1,1,1) (2/7, 1/3, 2/5) (2/3, 1, 2) E 2 (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) (1, 3/2, 2) E 3 (2/5, 1/2, 2/3) (1,1,1) (1/3, 2/5, 1/2) (2/3, 1, 2) E 1 (3/2, 2, 5/2) (5/2, 3, 7/2) (1,1,1) (3/2, 2, 5/2) E 2 (1, 3/2, 2) (1, 3/2, 2) (1,1,1) (2, 5/2, 3) E 3 (1, 3/2, 2) (2, 5/2, 3) (1,1,1) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) (1,1,1) E 2 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (1,1,1) E 3 (1/2, 2/3, 1) (1/2, 1, 3/2) (1/3, 2/5, 1/2) (1,1,1) Fuzzy težne za sve podkrterjume su proračunate prmenom geometrjske sredne prema odgovorma donosoca odluka (Lee dr., 2008) što je prkazano u Tabel Tabela Fuzzy težne za krterjume u poljoprvrednoj oblast (Stevć, 2017) K 1 K 2 K 3 K 4 K 1 1,000 1,000 1,000 1,260 1,710 2,466 0,464 0,606 0,874 1,310 1,817 2,321 K 2 0,405 0,585 0,794 1,000 1,000 1,000 0,362 0,446 0,585 0,763 1,145 2,000 K 3 1,145 1,651 2,154 1,710 2,241 2,759 1,000 1,000 1,000 1,817 2,321 2,823 K 4 0,464 0,606 0,874 0,500 0,874 1,310 0,354 0,431 0,550 1,000 1,000 1,

145 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA proračunat Da b se odredlo faz prošrenje kombnacja za svak podkrterjum, prvo je potrebno vrednost za svak red matrce. K 1 =( ; ; )=(4.034; 5.133; 6.661) td. vrednost su zračunate na sledeć načn: (4.034; 5.133; 6.661)+(2.531; 3.176; 4.379)+(5.672; 7.212; 8.736)+(2.318; 2.910; 3.734)=(14.555; ; ) Onda, : S 1 =(4.034; 5.133; 6.661)x(1/23.510;1/18.431; 1/14.555)=(0.172; 0.278; 0.458) td. Sada, vrednost V (određvanje prorteta) se računaju pomoću sledećh vektora. Težne prorteta su zračunate: d'=(c 1 )mn(1; 0.657; 1)=0.657 d'=(c 2 )mn(0.549; 0.214; 1)=0.214 d'=(c 3 )mn(1; 1; 1)=1 d'=(c 4 )mn(0.413; 0.912; 0.062)=0.062 Prmenjujuć jednačnu (47), dobjaju se težnske vrednost, a z jednačne (48) dobjaju se normalzovane težnske vrednost krterjuma: W'=(0.657; 0.214; 1; 0.062) W=(0.340; 0.111; 0.517; 0.032) Dobjene težnske vrednost krterjuma označavaju da je treć krterjum kvaltet materjala najznačajnj, dok fnansje predstavljaju drug najznačajnj krterjum. Logstka ma nešto manju vrednost od krterjuma fnansje, dok je četvrt krterjum komunkacja poslovanje sa najmanjom vrednošću. Nakon proračuna težnskh vrednost krterjuma potrebno je provert stepen konzstentnost. Defazfkacja je prkazana u Tabel Tabela Defazfkacja vrednost krterjuma u poljoprvrednoj oblast (Stevć, 2017) K 1 K 2 K 3 K 4 K 1 1,000 1,761 0,627 1,817 K 2 0,590 1,000 0,455 1,224 K 3 1,651 2,239 1,000 2,321 K 4 0,627 0,884 0,438 1,000 Nakon defazfkacje koja je prkazana u prethodnoj tabel 5.46, prmenjujuć korake konvenconalnog AHP metoda, dobjaju se sledeće vrednost: λ max = 4.090; CI = 0.030; CR = 0.033, što znač da je stepen konzstentnost 0.033, koj je manj od maksmalnog dozvoljenog 128

146 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA ogrančenja od 0.08 za ovu velčnu matrce. Nakon prmene opsanh koraka Fuzzy AHP proračunate su težnske vrednost za sve podkrterjume koj su prkazan u Tabel Tabela Konačne težne svh krterjuma podkrterjuma u oblast poljoprvrede (Stevć, 2017) Krterjum wj Podkrterjum 1. Fnansje Logstka Kvaltet Komunkacja poslovanje Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,231 0, Fnansjska stablnost 0,144 0, Načn plaćanja 0,287 0, Cena transporta 0,029 0, Dodatn popust na kolčnu 0,310 0, Vreme sporuke 0,187 0, Pouzdanost 0,178 0, Fleksblnost 0,252 0, Logstčk kapactet 0,244 0, Procenat spravne realzacje sporuke 0,139 0, Kvaltet materjala 0,222 0, Garantn rok 0,095 0, Sertfkacja prozvoda 0,294 0, Reputacja 0,320 0, Nagrade prznanja 0,069 0, Sstem komunkacja 0,140 0, Brzna odgovora na zahtev 0,177 0, Reakcje na reklamacje 0,255 0, Informacone tehnologje 0,206 0, Čstoća poslovanja 0,221 0, Prema prmenjenoj metodologj, kao što se može vdet z Tabele 5.47, najvažnj krterjum za vrednovanje dobavljača u oblast poljoprvrede su reputacja, sertfkacja prozvoda, kvaltet materjala, dodatn popust na kolčnu, načn plaćanja, cena materjala, fnansjska stablnost, dok su ostal krterjum manje značajn. U poređenju sa određenm stražvanjma koja su zvršena u oblast vrednovanja zbora dobavljača, ovaj rad pokazuje da do sada manje prmenjvan krtetrjum mogu mat značajan utcaj na vrednovanje dobavljača. Slka Prkaz rangova krterjuma u poljoprvrednoj oblast (autor) 129

147 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Ostalo U oblast ostalo spadaju kompanje koje se bave prozvodnjom toplotnh pump, ekspanzonh modula za grejanje prozvodnjom saobraćajnh znakova. K 1 K 2 K 3 K 4 Tabela Ocenjvanje krterjuma u okvru oblast ostalo (autor) K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) E 2 (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) (2/3, 1, 2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 2 (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) E 3 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 1 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 2 (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1, 1, 1) E 1 (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 2 (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (1,1,1) Na slc 5.22 dat je proračun glavnh krterjuma sa koje se može uočt da je treć krterjum kvaltet najvažnj, dok prva dva krterjuma fnansje logstka maju dentčnu vrednost zauzmaju drugu pozcju. Komunkacje poslovanje na se nalaze na poslednjem četvrtom mestu. Slka Rezultat značaja krterjuma u oblast ostalo (autor) Posle zvršenog kompletnog proračuna rangov krterjuma prkazan su u Tabel Tabela Konačn rezultat težne svh krterjuma podkrterjuma u oblast ostalo (autor) Krterjum wj Podkrterjum 1. Fnansje Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,242 0, Fnansjska stablnost 0,205 0, Načn plaćanja 0,183 0, Cena transporta 0,098 0, Dodatn popust na kolčnu 0,272 0,

148 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA 2. Logstka Kvaltet Komunkacja poslovanje Vreme sporuke 0,239 0, Pouzdanost 0,219 0, Fleksblnost 0,174 0, Logstčk kapactet 0,164 0, Procenat spravne realzacje sporuke 0,205 0, Kvaltet materjala 0,271 0, Garantn rok 0,216 0, Sertfkacja prozvoda 0,213 0, Reputacja 0,210 0, Nagrade prznanja 0,090 0, Sstem komunkacja 0,157 0, Brzna odgovora na zahtev 0,236 0, Reakcje na reklamacje 0,222 0, Informacone tehnologje 0,194 0, Čstoća poslovanja 0,191 0, Slka Prkaz rangova krterjuma u oblast ostalo (autor) Vrednovanje prema referentnm naučncma z oblast lanca snabdevanja Pored ocenjvanja menadžera, kako b model bo valdnj u ocenjvanje uključen su naučnc ekspert u ovoj oblast koj maju velk broj publkacja objavljenh na ovu temu koj su godnama učestvoval u ovakvm stražvanjma. Ukupno osam eksperata z Ltvanje, Irana, Srbje, Bosne Hercegovne, Velke Brtanje, Indje, Slovenje vršl su procenu najvažnjh krterjuma za zbor dobavljača u lancma snabdevanja. 131

149 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Tabela Ocenjvanje krterjuma u okvru oblast ekspertsko vrednovanje (autor) K 1 K 2 K 3 K 4 K 1 K 2 K 3 K 4 E 1 (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 3/2, 2) E 2 (1,1,1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1, 3/2, 2) E 3 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) E 4 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) E 5 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) E 6 (1,1,1) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) E 7 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) E 8 (1,1,1) (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (2, 5/2, 3) E 2 (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) (3/2, 2, 5/2) E 3 (1, 3/2, 2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) E 4 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 5 (1, 3/2, 2) (1,1,1) (1, 1, 1) (2, 5/2, 3) E 6 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 7 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 8 (1, 1, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (5/2, 3, 7/2) E 2 (3/2, 2, 5/2) (1, 3/2, 2) (1,1,1) (5/2, 3, 7/2) E 3 (1, 3/2, 2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) E 4 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 5 (1, 3/2, 2) (1, 1, 1) (1,1,1) (2, 5/2, 3) E 6 (1, 1, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 7 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 8 (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (1,1,1) E 2 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/7, 1/3, 2/5) (1,1,1) E 3 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) E 4 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 5 (2/3, 1, 2) (1/3, 2/5, 1/2) (1/3, 2/5, 1/2) (1,1,1) E 6 (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 7 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 8 (2/3, 1, 2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) Na slc 5.24 prkazan je postupak proračuna fnalne vrednost krterjuma prema ocenjvanju referentnh naučnka u oblast lanaca snabdevanja. Slka Proračun značaja krterjuma prema referentnm naučncma (autor) 132

150 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Na slc 5.24 dat je proračun glavnh krterjuma sa koje se može uočt da je treć krterjum kvaltet najvažnj, dok drug krterjum logstka ma nešto manju vrednost zauzma drugu pozcju. Fnansje su na trećem mestu sa nešto manjom vrednošću od prethodno dva navedena, dok je krterjum komunkacje poslovanje se nalaz na poslednjem četvrtom mestu. Tabela Konačne težne svh krterjuma podkrterjuma u oblast ekspertskog vrednovanja (autor) Krterjum wj Podkrterjum 1. Fnansje 0, Logstka 0, Kvaltet 0, Komunkacja poslovanje 0,166 Lokalne težne Globalne težne Lokaln rang Globaln rang 1.1 Cena materjala 0,264 0, Fnansjska stablnost 0,230 0, Načn plaćanja 0,223 0, Cena transporta 0,132 0, Dodatn popust na kolčnu 0,151 0, Vreme sporuke 0,254 0, Pouzdanost 0,242 0, Fleksblnost 0,177 0, Logstčk kapactet 0,151 0, Procenat spravne realzacje sporuke 0,175 0, Kvaltet materjala 0,317 0, Garantn rok 0,202 0, Sertfkacja prozvoda 0,209 0, Reputacja 0,185 0, Nagrade prznanja 0,087 0, Sstem komunkacja 0,173 0, Brzna odgovora na zahtev 0,219 0, Reakcje na reklamacje 0,223 0, Informacone tehnologje 0,173 0, Čstoća poslovanja 0,212 0, Prema prmenjenoj metodolgj kao što se može vdet z Tabele 5.51 slke 5.25 najvažnj krterjum za vrednovanje dobavljača: kvaltet materjala, vreme sporuke, pouzdanost, sertfkacja prozvoda, garantn rok, reputacja, cena materjala, fleksblnost procenat spravne realzacje sporuke robe, dok su ostal krterjum manje značajn. 133

151 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka Prkaz rangova krterjuma prema referentnm naučncma (autor) Formranje modela Na osnovu svh prethodnh proračuna u svm prozvodnm oblastma dolaz se do konačnh rezultata odnosno željenh devet krterjuma koj će čnt model. Da b se mogl zdvojt krterjum potrebno je prkazat rangranje sth u svm prozvodnm oblastma. Na osnovu prosečne vrednost globalnh rangova koj su prkazan u Tabel 5.52 zdvaja se devet krterjuma. 134

152 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Krt. Tabela Prosečne vrednost svh krterjuma u svm oblastma vrednovanja (autor) Žca PVC PKF Namestaj Građevn PPC. Autom. nd. Poljoprv. Ostalo Naučnc LR GR LR GR LR GR LR GR LR GR LR GR LR GR LR GR LR GR LR GR K 1 2,00 3,00 3,00 8,00 1,00 2,00 1,00 1,00 3,00 4,00 2,00 5,00 2,00 4,00 3,00 6,00 2,00 2,00 1,00 7,00 2,00 4,20 K 2 3,00 7,00 1,00 3,00 3,00 5,00 2,00 9,00 4,00 12,00 4,00 15,00 3,00 6,00 4,00 7,00 3,00 7,00 2,00 10,00 2,90 8,10 K 3 1,00 1,00 4,00 11,00 5,00 13,00 3,00 10,00 1,00 2,00 1,00 3,00 4,00 13,00 2,00 5,00 4,00 9,00 3,00 11,00 2,80 7,80 K 4 4,00 11,00 5,00 14,00 4,00 12,00 5,00 14,00 5,00 14,00 5,00 17,00 5,00 18,00 5,00 14,00 5,00 14,00 5,00 17,00 4,80 14,50 K 5 5,00 15,00 2,00 5,00 2,00 3,00 3,00 10,00 2,00 3,00 3,00 8,00 1,00 3,00 1,00 4,00 1,00 1,00 4,00 16,00 2,40 6,80 K 6 1,00 4,00 2,00 6,00 1,00 6,00 1,00 4,00 2,00 8,00 1,00 2,00 1,00 5,00 3,00 11,00 1,00 3,00 1,00 2,00 1,40 5,10 K 7 3,00 8,00 1,00 3,00 2,00 7,00 3,00 8,00 1,00 7,00 2,00 7,00 4,00 11,00 4,00 12,00 2,00 4,00 2,00 3,00 2,40 7,00 K 8 4,00 9,00 2,00 6,00 3,00 8,00 4,00 12,00 3,00 9,00 4,00 12,00 5,00 12,00 1,00 9,00 4,00 10,00 3,00 8,00 3,30 9,50 K 9 2,00 7,00 3,00 9,00 4,00 9,00 5,00 14,00 5,00 13,00 3,00 10,00 2,00 7,00 2,00 10,00 5,00 12,00 5,00 12,00 3,60 10,30 K 10 5,00 12,00 4,00 12,00 3,00 8,00 2,00 6,00 4,00 11,00 5,00 13,00 3,00 10,00 5,00 13,00 3,00 7,00 4,00 9,00 3,80 10,10 K 11 1,00 2,00 1,00 1,00 1,00 1,00 1,00 2,00 1,00 1,00 1,00 1,00 1,00 1,00 3,00 3,00 1,00 1,00 1,00 1,00 1,20 1,40 K 12 3,00 6,00 3,00 4,00 3,00 5,00 4,00 7,00 2,00 7,00 4,00 9,00 3,00 14,00 4,00 7,00 2,00 4,00 3,00 5,00 3,10 6,80 K 13 2,00 5,00 2,00 2,00 2,00 4,00 3,00 5,00 4,00 10,00 2,00 4,00 2,00 2,00 2,00 2,00 3,00 5,00 2,00 4,00 2,40 4,30 K 14 4,00 12,00 4,00 6,00 2,00 4,00 2,00 3,00 3,00 8,00 3,00 6,00 4,00 15,00 1,00 1,00 3,00 5,00 4,00 6,00 3,00 6,60 K 15 5,00 16,00 5,00 16,00 4,00 17,00 5,00 16,00 5,00 16,00 5,00 19,00 5,00 19,00 5,00 8,00 4,00 15,00 5,00 18,00 4,80 16,00 K 16 4,00 14,00 4,00 13,00 4,00 16,00 5,00 15,00 5,00 15,00 5,00 18,00 4,00 16,00 4,00 18,00 4,00 13,00 4,00 17,00 4,30 15,50 K 17 1,00 6,00 3,00 12,00 3,00 14,00 4,00 13,00 2,00 6,00 1,00 11,00 1,00 8,00 3,00 17,00 1,00 6,00 2,00 14,00 2,10 10,70 K 18 2,00 10,00 2,00 10,00 2,00 11,00 2,00 11,00 3,00 7,00 2,00 12,00 2,00 9,00 1,00 15,00 2,00 8,00 1,00 13,00 1,90 10,60 K 19 4,00 14,00 5,00 15,00 5,00 15,00 3,00 12,00 4,00 14,00 3,00 14,00 3,00 11,00 2,00 16,00 3,00 11,00 4,00 17,00 3,60 13,90 K 20 3,00 13,00 1,00 7,00 1,00 12,00 1,00 10,00 1,00 5,00 4,00 16,00 5,00 17,00 2,00 16,00 3,00 11,00 3,00 15,00 2,40 12,20 AVL AVG 135

153 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Slka Ukupno rangranje krterjuma na osnove njhove prosečne vrednost u svm prozvodnm oblastma (autor) Crvena lnja označava podelu krterjuma koj su razmatran u dosadašnjem toku stražvanja onh koj se prmenjuju u nastavku stog. Pošto je u ptanju rang krterjuma to znač da najmanja vrednost predstavlja najbolje rešenje (rangranje u okvru jedne prozvodne delatnost je na osnovu maksmalne vrednost). Slka Predložen model za vrednovanje zbor dobavljača za razlčte prozvodne lance snabdevanja (autor) 136

154 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA Na slc 5.27 je prkazan opšt model vrednovanja dobavljača koj može bt prmenjv u razlčtm prozvodnm oblastma lanca snabdevanja, al u njegovm razlčtm fazama. Sastoj se z tr faze: prkupljanje prprema podataka za vrednovanje, određvanje relatvnh težna krterjuma vrednovanja zbora dobavljača. Prva faza prkupljanja prpreme podataka podrazumeva ncjalnu fazu vrednovanja dobavljača sastoj se od četr koraka. Prv predstavlja koršćenje krterjuma z razvjenog modela, odnosno devet krterjuma. Nakon toga, u drugom koraku potrebno je formrat hjerarhjsku strukturu sa cljem, krterjumma alternatvama od prvog do trećeg nvoa respektvno. U trećem koraku preporučuje se pored ocenjvanja menadžera z oblast koja je predmet stražvanja konsultovanje sa referentnm naučncma z oblast lanca snabdevanja koj su zvršl velk broj sth l slčnh stražvanja, te njhovo skustvo može bt od zuzetnog značaja. Poslednj korak prve faze predstavlja transformacja ulaznh podataka, odnosno pretvaranje crsp brojeva u fuzzy l grube brojeve u zavsnost od prmenjenh metoda. Druga faza sastoj se takođe od četr koraka od kojh prv podrazumeva zbor metode za određvanje relatvnh težna krterjuma. One se mogu odredt prmenom klasčne AHP l prmenom AHP u fuzzy l grubom oblku. Još jedna metoda čja je prmena kroz ovaj rad demonstrrana jeste DEMATEL u svm svojm oblcma. Pored njh preporučuje se prmena BWM metode, od kojh grub BWM (Stevć dr., 2017b) oblk daje najbolje rezultate. Nakon zbora metode za određvanje težnskh vrednost krterjuma prmenjuju se korac zabrane metode što čn šest korak predloženog modela. Zatm, potrebno je zračunat težne provert stepen konzstentnost ukolko se korste metode AHP l BWM što predstavlja sedm osm korak respektvno. Treća faza je vrednovanje zbor dobavljača koju čne tr koraka, od kojh je prv zbor metode u fuzzy l grubom oblku za rangranje alternatva. U model su mplementrane metode koje su sastavn deo proračuna ovog rada, a to su EDAS, COPRAS, MABAC, MAIRCA, MULTIMOORA, TOPSIS. Model nje ogrančen samo na prmenu navedenh metoda, jer rad se o oblast koja se veoma brzo razvja, pa u narednom perodu može se očekvat razvoj nove metode koja se može prment za rangranje alternatva. Deset korak predstavlja analza osetljvost koja podrazumeva tr stavke: formranje scenarja sa promenom težnskh vrednost krterjuma, formranje scenarja za rangranje prmenom drugh metoda proračun Sprmanovog koefcjenta korelacje rangova. 137

155 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA LITERATURA [1] Balezents, A., and Balezents, T. (2011), An nnovatve mult-crtera suppler selecton based on two-tuple MULTIMOORA and hybrd data, Economc Computaton and Economc Cybernetcs Studes andresearch, Vol. 45 No. 2,pp [2] Büyüközkan, G., and Göçer, F. (2017), Applcaton of a new combned ntutonstc fuzzy MCDM approach based on axomatc desgn methodology for the suppler selecton problem, Appled Soft Computng, Vol. 52, pp [3] Çeb, F., and Bayraktar, D. (2003), An ntegrated approach for suppler selecton,logstcs nformaton management, Vol. 16 No. 6, pp [4] Chan, F. T., and Kumar, N. (2007), Global suppler development consderng rsk factors usng fuzzy extended AHP-based approach, Omega, Vol. 35 No. 4, pp [5] Dckson, G. W. (1966), An analyss of vendor selecton and the buyng process, Journal of Purchasng, Vol. 2 No. 1, pp [6] Ellram, L. M. (1990). The suppler selecton decson n strategc partnershps, Journal of Purchasng and materals Management, Vol. 26 No. 4, pp [7] Fallahpour, A., Olugu, E. U., and Musa, S. N. (2017), A hybrd model for suppler selecton: ntegraton of AHP and mult expresson programmng (MEP), Neural Computng and Applcatons, Vol. 28 No. 3, pp [8] Fazlollahtabar, H., Vasljevć, M., Stevć, Ž., Veskovć, S., (2017). Evaluaton of suppler crtera n automotve ndustry usng rough AHP. Internatonal Conference on Management, Engneerng and Envronment ICMNEE 2017, [9] Gencer, C., and Gürpnar, D. (2007). Analytc network process n suppler selecton: A case study n an electronc frm. Appled mathematcal modellng, Vol. 31 No 11, pp [10] Guo, X., Yuan, Z., and Tan, B. (2009), Suppler selecton based on herarchcal potental support vector machne,expert Systems wth Applcatons, Vol. 36No. 3, pp [11] Hruška, R., Průša, P., and Babć, D. (2014). The use of AHP method for selecton of suppler. Transport, Vol 29 No. 2, pp [12] Hudymáčová, M., Benková, M., Pócsová, J., and Škovránek, T. (2010). Suppler selecton based on mult-crteral AHP method. Acta Montanstca Slovaca, Vol. 15 No 3, pp [13] Jaml, N., Besar, R., and Sm, H. K. (2013). A Study of Multcrtera Decson Makng for Suppler Selecton n Automotve Industry. Journal of Industral Engneerng, vol. 2013, Artcle ID , 22 pages. [14] Kahraman, C., Cebec, U., and Ulukan, Z. (2003), Mult-crtera suppler selecton usng fuzzy AHP, Logstcs nformaton management, Vol. 16 No. 6, pp [15] Kannan, V. R., and Choon Tan, K. (2006), Buyer-suppler relatonshps: The mpact of suppler selecton and buyer-suppler engagement on relatonshp and frm performance, Internatonal Journal of Physcal Dstrbuton & Logstcs Management, Vol. 36 No. 10, pp [16] Klc, H. S. (2013), An ntegrated approach for suppler selecton n mult-tem/mult-suppler envronment, Appled Mathematcal Modellng, Vol. 37 No. 14, pp [17] Lam, K. C., Tao, R., Lam, M. C. K. (2010), A materal suppler selecton model for property developers usng fuzzy prncpal component analyss,automaton n Constructon, Vol. 19, pp

156 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA [18] Lee, A. H. (2009), A fuzzy suppler selecton model wth the consderaton of benefts, opportuntes, costs and rsks, Expert systems wth applcatons, Vol. 36 No. 2, pp [19] Lee, A. H., Chen, W. C., & Chang, C. J. (2008). A fuzzy AHP and BSC approach for evaluatng performance of IT department n the manufacturng ndustry n Tawan. Expert systems wth applcatons, 34(1), [20] Ln, H. T., and Chang, W. L. (2008), Order selecton and prcng methods usng flexble quantty and fuzzy approach for buyer evaluaton, European Journal of Operatonal Research, Vol. 187 No. 2, pp [21] Özbek, A. (2015), Suppler Selecton wth Fuzzy TOPSIS,Journal of Economcs and Sustanable Development, Vol.6 No.18, [22] Rezae, J., Fahm, P. B., and Tavasszy, L. (2014), Suppler selecton n the arlne retal ndustry usng a funnel methodology: Conjunctve screenng method and fuzzy AHP, Expert Systems wth Applcatons, Vol. 41No. 18, pp [23] Sawk, T. (2010), Sngle VS. Multple objectve suppler selecton n make to order envronment, Omega, Vol. 38 No. 3-4, pp [24] Smpson, P. M., Sguaw, J. A., and Whte, S. C. (2002), Measurng the performance of supplers: an analyss of evaluaton processes, Journal of Supply Chan Management, Vol. 38, No. 4, pp [25] Stevć Ž., Vasljevć M., Veskovć S., Blagojevć A., Đorđevć Ž., (2017a) Defnng the most mportant crtera for supplers evaluaton n constructon companes Internatonal conference Transport and Logstcs Nš, Serba, pp [26] Stevć, Ž., (2017), Evaluaton of suppler selecton crtera nagrcultural company usng fuzzy AHP method, 22 th Internatonal Scentfc ConferenceStrategc Management and Decson Support Systemsn Strategc Management, [27] Stevć, Ž., Pamučar, D., Kazmeras Zavadskas, E., Ćrovć, G., & Prentkovsks, O. (2017b). The Selecton of Wagons for the Internal Transport of a Logstcs Company: A Novel Approach Based on Rough BWM and Rough SAW Methods.Symmetry,9(11), 264. [28] Stevć, Ž., Tanackov, I., Vasljevć, M., Novarlć, B., & Stojć, G. (2016) An ntegrated fuzzy AHP and TOPSIS model for suppler evaluaton. Serban Journal of Management, 11(1), [29] Stevć, Ž. Tanackov, I., Vasljevć, M., Rkalovć, A., (2017c), Suppler evaluaton crtera: AHP rough approach XVII Internatonal Scentfc Conference on Industral Systems, Nov Sad [30] Tng, S. C., and Cho, D. I. (2008), An ntegrated approach for suppler selecton and purchasng decsons, Supply Chan Management: An Internatonal Journal, Vol 13 No. 2, pp [31] Uygun, Ö., Kaçamak, H., Ayşm, G., and Şmşr, F. (2013), Suppler selecton for automotve ndustry usng mult-crtera decson makng technques,tojsat: The Onlne Journal of Scence and Technology, Vol. 3 No. 4, pp [32] Wang, G., Huang, S. H., and Dsmukes, J. P. (2004), Product-drven supply chan selecton usng ntegrated mult-crtera decson-makng methodology, Internatonal Journal of Producton Economcs, Vol. 91 No. 1, pp [33] Wang, T. K., Zhang, Q., Chong, H. Y., and Wang, X. (2017), Integrated Suppler Selecton Framework n a Reslent Constructon Supply Chan: An Approach va Analytc Herarchy Process (AHP) and Grey Relatonal Analyss (GRA), Sustanablty, Vol. 9 No. 2, pp

157 RAZVOJ MODELA ZA VREDNOVANJE DOBAVLJAČA [34] Wang, W. P. (2010), A Fuzzy lngustc computng approach to suppler selecton, Appled Mathematcal Modelng,Vol. 34, pp [35] Weber, C. A., Current, J. R., and Benton, W. C. (1991), Vendor selecton crtera and methods, European journal of operatonal research, Vol. 50 No. 1, pp [36] Yücenur, G. N., Vayvay, Ö., and Demrel, N. Ç. (2011), Suppler selecton problem n global supply chans by AHP and ANP approaches under fuzzy envronment, The Internatonal Journal of Advanced Manufacturng Technology, Vol. 56 No. 5-8, pp [37] Zeydan, M., Çolpan, C., and Çobanoğlu, C. (2011), A combned methodology for suppler selecton and performance evaluaton, Expert Systems wth Applcatons, Vol. 38 No. 3, pp

158 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA 6. TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Obrazovan je onaj koj ma obraza. Vladka Nkolaj Velemrovć Nakon kompletnog proračuna u razlčtm prozvodnm delatnostma zdvajanja željenog broja krterjuma koje čne model za vrednovanje dobavljača u lancma snabdevanja potrebno je na konkretnm prmerma zvršt njegovu verfkacju. U nastavku prkazana su tr praktčna prmera koja se odnose na sledeće: kompanja za prozvodnju nameštaja, kompanja za prozvodnju plastčnh kesa folja kompanja u oblast građevnarstva Vrednovanje dobavljača u kompanj za prozvodnju nameštaja Vrednovanje dobavljača u ovom poglavlju zvršeno je u kompanj koja se bav prozvodnjom nameštaja. Ulazn parametr odnosno krterjum na osnovu kojh se vrš vrednovanje su: kvaltet materjala, cena materjala, sertfkacja prozvoda, vreme sporuke robe, reputacja, dodatn popust na kolčnu, garantn rok, pouzdanost načn plaćanja. Objašnjenja navedenh krterjuma su već data prethodno u radu u poglavlju Razvoj modela za vrednovanje dobavljača, a objašnjenja se mogu nać u (Stevć, 2017). Drug četvrt krterjum prpadaju grup troškovnh krterjuma, dok su ostal beneftn krterjum Određvanje težnskh vrednost krterjuma prmenom grubog AHP metoda Kada je u ptanju prmenjena metodologja za vrednovanje zbor dobavljača u ovoj kompanj, rad se o kombnacj grubog AHP metoda grube TOPSIS metode. Kao što je več napomenuto u prethodnom delu rada prvo je potrebno zvršt pojednačna poređenja svakog donosoca odluke proračunat stepen konzstentnost za svaku matrcu. Nakon toga potrebno je formrat grupnu matrcu poređenja u parovma. U nastavku su prkazane pojednačne matrce poređenja za svakog DO. Pored toga prkazan su zračunat CR za svaku matrcu. 141

159 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Pošto je CRe<0,1 (e=1,2,3), sva poređenja su zadovoljena može se formrat grupna matrca poređenja prmenjujuć jednačnu (50). Kako b se zračunala matrca potrebno je zvršt proračun korsteć jednačne z trećeg koraka Grube AHP metode, odnosno jednačne (51)-(56). Prmer proračuna elementa matrce M je sledeć: 142

160 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Prema jednačnama (53) - (55) Onda se gruba sekvenca u transformše u grub broj. Nakon proračuna za sve elemente prethodne matrce može se formrat grupna gruba matrca: Nakon toga, potrebno je proračunat grube težne krterjuma prmenjujuć jednačne (57) (58). Proračunate vrednost za sve krterjume prkazane su na slc 6.1. Slka 6.1. Vrednost svh krterjuma zražene u grubm brojevma (autor) 143

161 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Vrednovanje dobavljača prmenom grube TOPSIS metode Posle zračunath težnskh vrednost krterjuma za vrednovanje dobavljača, prmenjena je gruba TOPSIS metoda za rangranje alternatva. Proces transformacje ndvdualnh matrca poređenja u grupnu je dentčan kao što je kod grubog AHP metoda prkazan je u Tabel 6.1. Tabela 6.1. Grupna matrca poređenja (autor) K 1 K 2 K 3 K 4 K 5 Dobavljač Dobavljač Dobavljač Dobavljač Dobavljač K 6 K 7 K 8 K 9 Dobavljač Dobavljač 2 4, Dobavljač Dobavljač Dobavljač Prmenjujuć jednačne (24)-(26) dobjena je otežana normalzovana gruba matrca koja je prkazana u Tabel 6.2, a prmenjujuć jednačne (27) (28), određene su PIS NIS takođe prkazane u Tabel 6.2. Tabela 6.2. Otežana normalzovana gruba matrca sa PIS NIS (autor) K 1 K 2 K 3 K 4 K 5 Dobavljač Dobavljač Dobavljač Dobavljač Dobavljač PIS NIS K 6 K 7 K 8 K 9 Dobavljač Dobavljač Dobavljač Dobavljač Dobavljač PIS NIS Prmenjujuć pet korak ove metode dobjaju se konačn rezultat prkazan u tabel 6.3. Tabela 6.3. Relatvne blskost alternatva njhov rang (autor) d * d CC = Rank D D D D D

162 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Posle dobjenh rezultata dobavljač dva predstavlja najpogodnje rešenje. Stablnost rezultata dobjen rang su proveren u poglavlju dskusja analza osetljvost Vrednovanje dobavljača u kompanj za prozvodnju plastčnh kesa folja U odnosu na tabelu 5.37 gde su zdvojen krterjum u oblast prozvodnje plastčnh kesa folja zdvojenh krterjuma na osnovu ocenjvanja menadžera z svh prozvodnh oblast može se zaključt da ne postoje prevelke razlke. U suštn jedna razlka jeste da u ukupnom rangranju krterjum fnansjska stablnost koj je prema tabel 5.37 delo petu pozcju nje u prvh devet, tako da se ne razmatra u nastavku modela. Pošto postoj razlka zmeđu krterjuma koj čne model najznačajnjh krterjuma u datoj oblast potrebno je u zvršt ponovno ocenjvanje krterjuma. Nakon ponovnog ocenjvanja krterjuma zvršen je proračun vrednost krterjuma prmenjujuć Fuzzy AHP metodu, a nakon toga provera CR u završnom koraku prmenjena je fuzzy EDAS metoda za vrednovanje zbor dobavljača. 145

163 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Proračun težnskh vrednost krterjuma prmenom Fuzzy AHP metode K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 Tabela 6.4. Poređenje devet krterjuma od strane tr donosoca odluke u kompanj za prozvodnju plastčnh kesa folja (autor) K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 E 1 1,00 1,00 1,00 0,50 1,00 1,50 1,00 1,50 2,00 1,00 1,50 2,00 1,50 2,00 2,50 0,50 1,00 1,50 1,50 2,00 2,50 2,00 2,50 3,00 2,50 3,00 3,50 E 2 1,00 1,00 1,00 1,00 1,00 1,00 1,50 2,00 2,50 1,00 1,50 2,00 1,50 2,00 2,50 0,50 1,00 1,50 1,00 1,50 2,00 1,50 2,00 2,50 2,00 2,50 3,00 E 3 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,50 2,00 1,00 1,50 2,00 1,50 2,00 2,50 0,50 1,00 1,50 1,50 2,00 2,50 2,00 2,50 3,00 2,50 3,00 3,50 E 1 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,50 2,00 1,00 1,00 1,00 1,00 1,50 2,00 1,50 2,00 2,50 2,00 2,50 3,00 E 2 1,00 1,00 1,00 1,00 1,00 1,00 1,50 2,00 2,50 1,00 1,50 2,00 1,50 2,00 2,50 0,50 1,00 1,50 1,00 1,50 2,00 1,50 2,00 2,50 2,00 2,50 3,00 E 3 1,00 1,00 1,00 1,00 1,00 1,00 1,00 1,50 2,00 1,00 1,50 2,00 1,50 2,00 2,50 0,50 1,00 1,50 1,50 2,00 2,50 2,00 2,50 3,00 2,50 3,00 3,50 E 1 0,50 0,67 1,00 0,67 1,00 2,00 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 1,00 1,50 2,00 1,50 2,00 2,50 E 2 0,40 0,50 0,67 0,40 0,50 0,67 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 0,50 1,00 1,50 E 3 0,50 0,67 1,00 0,50 0,67 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,50 2,00 E 1 0,50 0,67 1,00 0,67 1,00 2,00 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 1,00 1,50 2,00 1,50 2,00 2,50 E 2 0,50 0,67 1,00 0,50 0,67 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 0,50 1,00 1,50 E 3 0,50 0,67 1,00 0,50 0,67 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,50 2,00 E 1 0,40 0,50 0,67 0,50 0,67 1,00 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 0,50 0,67 1,00 1,00 1,00 1,00 0,50 1,00 1,50 1,00 1,50 2,00 E 2 0,40 0,50 0,67 0,40 0,50 0,67 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 0,67 1,00 2,00 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 E 3 0,40 0,50 0,67 0,40 0,50 0,67 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 0,50 0,67 1,00 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 E 1 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,50 2,00 1,00 1,00 1,00 1,00 1,50 2,00 1,50 2,00 2,50 2,00 2,50 3,00 E 2 0,67 1,00 2,00 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,00 1,00 0,50 1,00 1,50 1,00 1,50 2,00 1,00 1,50 2,00 E 3 0,67 1,00 2,00 0,67 1,00 2,00 0,50 1,00 1,50 0,50 1,00 1,50 1,00 1,50 2,00 1,00 1,00 1,00 1,00 1,50 2,00 1,50 2,00 2,50 2,00 2,50 3,00 E 1 0,40 0,50 0,67 0,50 0,67 1,00 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 0,50 0,67 1,00 1,00 1,00 1,00 0,50 1,00 1,50 1,00 1,50 2,00 E 2 0,50 0,66 1,00 0,50 0,67 1,00 0,67 1,00 2,00 0,67 1,00 2,00 0,50 1,00 1,50 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 0,50 1,00 1,50 E 3 0,40 0,50 0,67 0,40 0,50 0,67 0,67 1,00 2,00 0,67 1,00 2,00 0,50 1,00 1,50 0,50 0,67 1,00 1,00 1,00 1,00 0,50 1,00 1,50 0,50 1,00 1,50 E 1 0,33 0,40 0,50 0,40 0,50 0,67 0,50 0,67 1,00 0,50 0,67 1,00 0,67 1,00 2,00 0,40 0,50 0,67 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 E 2 0,40 0,50 0,67 0,40 0,50 0,67 0,67 1,00 2,00 0,67 1,00 2,00 0,67 1,00 2,00 0,50 0,67 1,00 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 E 3 0,33 0,40 0,50 0,33 0,40 0,50 0,67 1,00 2,00 0,67 1,00 2,00 0,67 1,00 2,00 0,33 0,40 0,50 0,67 1,00 2,00 1,00 1,00 1,00 0,50 1,00 1,50 E 1 0,29 0,33 0,40 0,33 0,40 0,50 0,40 0,50 0,67 0,40 0,50 0,67 0,50 0,67 1,00 0,33 0,40 0,50 0,50 0,67 1,00 0,67 1,00 2,00 1,00 1,00 1,00 E 2 0,33 0,40 0,50 0,33 0,40 0,50 0,67 1,00 2,00 0,67 1,00 2,00 0,67 1,00 2,00 0,50 0,67 1,00 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 E 3 0,29 0,33 0,40 0,29 0,33 0,40 0,50 0,67 1,00 0,50 0,67 1,00 0,67 1,00 2,00 0,33 0,40 0,50 0,67 1,00 2,00 0,67 1,00 2,00 1,00 1,00 1,00 Nakon ponovnog ocenvanja postupak dobjanja težnskh vrednost je dentčan postupku koj je detaljno opsan u prethodnm delovma rada, stoga se u tabel 6.5 prkazuju agregrane vrednost vrednost dobjene nakon prvog koraka prmene fuzzy AHP metode. I na kraju su prkazane vrednost krterjuma. 146

164 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Tabela 6.5. Vrednost krterjuma prmenom geometrjske sredne posle prvog koraka (autor) K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 1,000 0,990 1,651 1,500 2,000 1,000 1,817 2,321 2,823 K 2 1,022 1,000 1,439 1,309 1,817 0,990 1,651 2,154 2,657 K 3 0,627 0,731 1,000 1,000 1,000 1,111 1,000 1,143 1,439 K 4 0,694 0,810 1,000 1,000 1,000 1,111 1,000 1,143 1,439 K 5 0,511 0,566 1,111 1,111 1,000 0,810 1,058 1,000 1,143 K 6 1,111 1,058 1,000 1,000 1,309 1,000 1,309 1,817 2,107 K 7 0,566 0,627 1,111 1,111 0,990 0,810 1,000 1,000 1,143 K 8 0,438 0,473 0,948 0,948 1,111 0,524 1,111 1,000 1,000 K 9 0,358 0,381 0,731 0,731 0,948 0,485 0,948 1,000 1,000 l m u l m u K 1 11,387 15,112 18,768 S 1 0,092 0,172 0,296 K 2 10,466 14,032 17,635 S 2 0,084 0,159 0,278 K 3 6,180 8,886 12,583 S 3 0,050 0,101 0,198 K 4 6,256 9,017 12,868 S 4 0,050 0,102 0,203 K 5 5,608 7,958 12,428 S 5 0,045 0,090 0,196 K 6 7,915 11,546 16,163 S 6 0,064 0,131 0,255 K 7 5,539 8,064 12,358 S 7 0,045 0,092 0,195 K 8 5,181 7,153 11,524 S 8 0,042 0,081 0,182 K 9 4,899 6,339 9,901 S 9 0,039 0,072 0,156 Σ 63,430 88, ,228 Težnske vrednost krterjuma su sledeće: C 1 =0,177; C 2 =0,166; C 3 =0,106; C 4 =0,109; C 5 =0,099; C 6 =0,142; C 7 =0,100; C 8 =0,088; C 9 =0,013 što znač da je prv krterjum kvaltet materjala najznačajnj. Nešto manj značaj maju krterjum cena materjala dodatn popust na kolčnu. Posmatrajuć dobjene vrednost u odnosu na prethodno vrednovanje krterjuma u datoj kompanj može se uočt da su rezultat prblžn što potvrđuje doslednost menadžera date kompanje njhovo neosporno znanje skustvo koje poseduju. Subjektvnost pr ocenjvanju krterjuma je neznatna što potvrđuju sledeće vrednost ključnh parametara: λ max =9.311; CI=0.039 CR= Izbor dobavljača prmenom Fuzzy EDAS metode Za zbor dobavljača korst se jedna od novjh metoda MCDM odnosno fuzzy EDAS metoda koja je razvjena godne, dok je njen konvenconaln oblk razvjen godnu dana ranje. U tabel 6.6 su prkazane ocene dobavljača od strane tr menadžera na osnovu lngvstčke skale. Tabela 6.6. Ocenjvanje dobavljača na osnovu lngvstčke skale (autor) Ekspert E 1 E 2 Dob. K 1 K 2 K 3 Krterjum K 4 K 5 K 6 K 7 K 8 K 9 D 1 H H H H VH H MH H VH D 2 H MH H VH H M MH H VH D 3 M L H ML M L MH L MH D 4 L ML M ML MH ML M M M D 5 ML M MH M L M MH ML M D 6 MH MH M MH ML VL ML ML ML D 1 H MH VH H H H MH VH H D 2 MH MH H VH VH MH MH H VH D 3 M M MH M M ML MH L H 147

165 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA E 3 D 4 L M ML ML MH M M MH M D 5 L M H M ML M M ML MH D 6 M MH ML MH ML L ML M ML D 1 VH MH VH MH H VH H VH VH D 2 H H MH H VH MH H H VH D 3 M ML M ML M ML H ML MH D 4 ML M ML L H M ML MH H D 5 L ML H ML ML MH M L MH D 6 M MH M MH M ML ML M L U tabel 6.7 prkazan su element prosečne matrce odlučvanja prosečna matrca matrca rešenja koj su dobjen prmenom prvog odnosno trećeg koraka ove metode. Btno je još jednom napomenut da drug krterjum cena materjala četvrt krterjum vreme sporuke prpadaju troškovnm krterjuma, dok ostal sedam prpadaju korsnm. Tabela 6.7. Element prosečne matrce odlučvanja prosečna matrca rešenja (autor) A 1 A 2 A 3 A 4 K 1 0,73 0,83 0,87 0,93 0,63 0,73 0,77 0,87 0,40 0,50 0,50 0,60 0,13 0,23 0,27 0,37 K 2 0,57 0,67 0,73 0,83 0,57 0,67 0,73 0,83 0,23 0,33 0,37 0,47 0,33 0,43 0,47 0,57 K 3 0,77 0,87 0,93 0,97 0,63 0,73 0,77 0,87 0,53 0,63 0,67 0,77 0,33 0,43 0,47 0,57 K 4 0,63 0,73 0,77 0,87 0,77 0,87 0,93 0,97 0,27 0,37 0,43 0,53 0,17 0,27 0,33 0,43 K 5 0,73 0,83 0,87 0,93 0,77 0,87 0,93 0,97 0,40 0,50 0,50 0,60 0,57 0,67 0,73 0,83 K 6 0,73 0,83 0,87 0,93 0,47 0,57 0,63 0,73 0,17 0,27 0,33 0,43 0,33 0,43 0,47 0,57 K 7 0,57 0,67 0,73 0,83 0,57 0,67 0,73 0,83 0,57 0,67 0,73 0,83 0,33 0,43 0,47 0,57 K 8 0,77 0,87 0,93 0,97 0,70 0,80 0,80 0,90 0,13 0,23 0,27 0,37 0,47 0,57 0,63 0,73 K 9 0,77 0,87 0,93 0,97 0,80 0,90 1,00 1,00 0,57 0,67 0,73 0,83 0,50 0,60 0,60 0,70 A 5 A 6 AV K 1 0,13 0,23 0,27 0,37 0,43 0,53 0,57 0,67 0,41 0,51 0,54 0,64 K 2 0,33 0,43 0,47 0,57 0,50 0,60 0,70 0,80 0,42 0,52 0,58 0,68 K 3 0,63 0,73 0,77 0,87 0,33 0,43 0,47 0,57 0,54 0,64 0,68 0,77 K 4 0,33 0,43 0,47 0,57 0,50 0,60 0,70 0,80 0,45 0,55 0,61 0,70 K 5 0,33 0,43 0,47 0,57 0,27 0,37 0,43 0,53 0,51 0,61 0,66 0,74 K 6 0,43 0,53 0,57 0,67 0,10 0,17 0,23 0,33 0,37 0,47 0,52 0,61 K 7 0,43 0,53 0,57 0,67 0,20 0,30 0,40 0,50 0,45 0,55 0,61 0,71 K 8 0,17 0,27 0,33 0,43 0,33 0,43 0,47 0,57 0,43 0,53 0,57 0,66 K 9 0,47 0,57 0,63 0,73 0,17 0,27 0,33 0,43 0,55 0,65 0,70 0,78 Prmenjujuć fuzzy EDAS metod u tabel 6.8 dobjen su rezultat konačan rang. Tabela 6.8. Konačn rezultat rang dobavljača (autor) A 1 (0.06, 0.31,0.43,0,64) (-0.05,0.05,0.11,0,20) (0.17,0.87,1.21,1,79) A 2 (-0.08,0.17,0.29,0,54) (-0.02,0.08,0.14,0.22) (-0.21,0.49,0.82,1.51) A 3 (-0.06,0.08,0.15,0.29) (-0.12,0.10,0.17,0.38) (-0.16,0.22,0.43,0.81) A 4 (-0.10,0.06,0.14,0.30) (-0.07,0.12,0.20,0.39) (-0.28,0.16,0.40,0.85) A 5 (-0.14,0.04,0.13,0.32) (-0.04,0.13,0.21,0.37) (-0.40,0.12,0.36,0.88) A 6 (-0.07,0.00,0.02,0.09) (-0.12,0.17,0.35,0.63) (-0.19,-0.01,0.06,0.25) k A 1 (0.021,0.59,0.80,1.17) (0.19,0.73,1.00,1.48) 0.85 A 2 (0.13,0.47,0.70,1.07) (-0.04,0.48,0.76,1.29) 0.62 A 3 (-0.49,0.33,0.63,1.48) (-0.33,0.27,0.53,1.15) 0.41 A 4 (-0.53,0.21,0.53,1.29) (-0.40,0.19,0.47,1.07) 0.33 A 5 (-0.43,0.20,0.49,1.15) (-0.42,0.16,0.43,1.02) 0.30 A 6 (-1.43,-0.37,0.34,1.46) (-0.81,-0.19,0.20,0.85)

166 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Prema dobjenm rezultatma rang alternatva je prema opadajućm vrednostma, pa dobavljač jedan predstavlja najbolje rešenje, dok ostal dobavljač zauzmaju pozcje kao što su poredane u modelu, s tm što je btno naglast da dobavljač šest ma vrednost blzu nule predstavlja veoma loše rešenje Vrednovanje dobavljača u građevnskoj kompanj U ovom potpoglavlju zvršen je zbor dobavljača u građevnskoj kompanj na osnovu novog prstupa u oblast všekrterjumskog odlučvanja. Težnsk koefcjent krterjuma određen su prmenom DEMATEL metode zasnovane na grubm brojevma. Vrednovanje zbor dobavljača zvršen je prmenom nove Grube EDAS metode koja predstavlja jednu od novjh metoda u ovoj oblast. Kako b se utvrdla stablnost modela prmenjvost predložene Grube EDAS metode u radu je takođe zvršeno prošrenje COPRAS MULTIMOORA metoda grubm brojevma prkazan su rezultat uporedne analze. Pored novh prstupa zasnovanh na prošrenju grubm brojevma dobjen rezultat su poređen sa Grubm MABAC Grubom MAIRCA. Pored toga, u analz osetljvost formrano je ukupno 18 razlčth scenarja u kojma krterjum menjaju svoju prvobtnu vrednost. Na kraju analze osetljvost zvršen je SKK (Spearmanov koefcjent korelacje) dobjenh rangova koj potvrđuje prmenjvost svh predloženh prstupa Značaj vrednovanja zbora dobavljača u oblast građevnarstva Izbor dobavljača prema Sohelrad dr., (2017) predstavlja važnu stavku kada je u ptanju donošenje odluka o upravljanju koje razmatra nekolko kvaltatvnh kvanttatvnh krterjuma. Značajnost ovog procesa u organzacjama ogleda se kroz formranje konačne cene prozvoda, jer je cena srovna kao glavnog prozvoda veoma btna u fnalnom prozvodu (Ba Sarks 2010 Ramanathan 2007). Izbor dobavljača je jedna od btnjh stavk za upravljanje lancem snabdevanja (Zhong Yao, 2017), dok upravljanje razvoj odnosa sa dobavljačma je krtčno ptanje za postzanje konkurentske prednost (Ba Sarks, 2011). Uzmajuć u obzr čnjencu da je zbor dobavljača u lancu snabdevanja grupno odlučvanje zasnovano na vše krterjuma, prema Zolfan dr., (2012) potrebno je da menadžer znaju najprkladnj metod koj će korstt za zbor pravog dobavljača. To je neophodno, jer modern lanc snabdevanja zahtevaju spunjenje strogh zahteva, pa se pred menadžere postavlja veoma težak zadatak u pogledu pravlnog vrednovanja potencjalnh dobavljača koj će omogućt efkasnu prozvodnju formranje konačne cene prozvoda sa kojom će kompanja bt konkurentna na tržštu. U clju maksmzranja poslovne vrednost nabavljenh prozvoda usluga, efkasna strategja upravljanja dobavljačma postala je ključna komponenta za velk broj krajnjh kupaca (Cox Ireland, 2002). Kada se posmatra efkasnost celokupnog lanca snabdevanja nemoguće je ne prmett da ona u velkoj mer zavs od adekvatnog zbora dobavljača, jer upravo ovaj proces predstavlja jedan od najznačajnjh faktora koj drektno utču na performanse kompanje. Pravlnm vrednovanjem zborom pravog dobavljača ovaj podsstem logstke može efkasno zvršt zadatke koj se odnose na snabdevanje kompanje, jer prav dobavljač mogu zadovoljt zahteve potrebe koj se postavljaju u podsstemu nabavke, a odnose se na kvaltet, cenu, 149

167 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA kolčnu robe, rokove sporuke robe druge rokove, fleksblnost, pouzdanost td. Potraga za dobavljačma koj ovo spunjavaju je permanentan prmaran zadatak. U svrhu omogućvanja prethodnog potrebno je neprekdno prkupljat obrađvat podatke o dobavljačma, s njma uspostavljat održavat adekvatne veze. Planranje procesa zgradnje efektvno upravljanje su ekstremno važn za uspeh u poslovanju u oblast građevnarstva (Zavadskas dr., 2012). Izbor dobavljača upravo predstavlja element procesa planranja koj utče na efkasnost upravljanja u blo kojoj građevnskoj kompanj. Navedeno se potvrđuje u (Zolfan dr., 2012) gde se naglašava da je zbor pravog dobavljača u blo kom žvotnom cklusu zgradnje veoma važna stavka u ovoj oblast. Donošenje odluka u oblast upravljanja građevnarstvom je prema Antuchevčene dr., (2010) uvek veoma složeno komplkovano, naročto kada je u ptanju razmatranje vše od jednog krterjuma, što je često slučaj Stanje u oblast građevnarstva sa aspekta prmene metoda VKO Stoga prmena metoda VKO u oblast građevnarstva je veoma popularna pomaže u donošenju zuzetno važnh odluka. Tome svedoče radov (Zavadskas dr., 2010; Tamošatenė dr., 2013) prema kojm je donošenje odluke u vez procene rzka u građevnskm projektma, zvođačma zboru dobavljača veoma važno u upravljanju ovom oblašću. Clj je donost odluke sa što manje subjektvnost elmnsat nezvesnost, jer prema Yao Mnner, (2017) nezvesnost, ranjvost poremećaj dobavljača je važan aspekt zbora dobavljača. Tamošatenė dr., (2017) su razvl hbrdn model za zbor dobavljača u oblast građevnarstva koj se sastoj od tr metode AHP, ARAS, and Multplcatve Utlty functon, dok se u (Izadkhah, 2012) korst TOPSIS metoda za grupno donošenje odluka sa Atanasovm ntervalnm ntutonstc fuzzy brojevma u ste svrhe. Vrednovanje zbor dobavljača u oblast građevnarstva u Iranu (Eshtehardan dr., 2013) zvršen je kombnacjom AHP ANP metoda. Izbor dobavljača građevnskog materjala prmenom Fuzzy Prncpal Component analze zvršen je u (Lam dr., 2010) gde se odluka donos na baz vše krterjuma od kojh su zajednčk sa ovm stražvanjem kvaltet matrjala, troškov materjala koj prema Safa dr., (2014) čne vše od polovne troškova ukupnog projekta, vreme sporuke, pouzdanost, reputacja uslov plaćanja. Autor u radu (Fouladgar dr., 2012) korste nov hbrdn model za zbor najpovoljnje strategje poslovanja u građevnskoj kompanj. Model podrazumeva prmenu fuzzy ANP fuzzy COPRAS metoda. Strategja upravljanja građevnskm kompanjama bla je predmet u (Zavadskas dr., 2011) gde se prmenom SWOT analze AHP metode bra adekvatno rešenje. Prmenom klasčne AHP metode u (Erdogan dr., 2017) vrš se zbor zvođača rada za defnsan projekat, dok se u (Tursks dr., 2012) kombnacjom AHP Fuzzy ARAS određuje građevnska lokacja. Kombnacja AHP ARAS metode se takođe korst za procenu menadžera projekta u ovoj oblast (Zavadskas dr., 2012), dok se za vrednovanje perfomans projekta u građevnarstvu u (Zavadskas dr., 2014b) korst AHP za određvanje značaja krterjuma multplcatve exponental weghtng (MEW) za određvanje najboljeg projekta. 150

168 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA U ovom delu rada korst se DEMATEL metoda za određvanje težnskh vrednost krterjuma u svom grubom oblku. DEMATEL metoda u oblast lanca snabdevanja koršćena je u razlčtm studjama (Raut dr., 2011; Yang Tzeng, 2011; Gharakhan, 2012; Ho dr., 2012; Hsu dr., 2013; Ln, 2013; Mangla dr., 2014; Wu dr., 2017). Određvanje težnskh koefcjenata prmenom DEMATEL metode pokazalo je dobre rezultate, pa Chang dr., (2011) u svojoj studj predlažu drugm stražvačma koršćenje ove metode sa prošrenjma, jer je prmenjva za donošenje odluka koje uključuje kompleksne krterjume koj se korste kod grupnog odlučvanja. Identfkacja vrednovanje najvažnjh krterjuma za zbor dobavljača u zelenom lancu snabdevanja zvršeno je u (Irajpour dr., 2012), dok je vrednovanje krterjuma za zbor dobavljača u (Sarkar dr., 2017) zvršeno prmenom kombnacja DEMATEL ANP. Popularzacja grubh skupova je u poslednje vreme evdenta sve češće se korst za donošenje odluka u razlčtm oblastma. Autor u svom radu (Song dr., 2014) korste grub TOPSIS prstup za određvanje neuspeha analze efekata u nezvesnom okruženju. Kombnacja grubog AHP MABAC predložena je u (Roy dr., 2016) za određvanje lokacje za medcnsk turzam. Kombnacja ntervalnog AHP GIS predložena je za mapranje urbanh zona u poplavama (Ggovć dr., 2017a). Grub AHP grub TOPSIS prstup je takođe prmenjen u (Song dr., 2013). Autor u radu (Ba Sarks, 2011) korste grey teorju bazranu na grubm skupovma. Izbor dobavljača može bt vrednovan prmenom grubog prstupa koj je razvjen u (Cha Lu, 2014) prema kreatorma obezebeđuje stablne rezultate Model za zbor dobavljača u građevnskoj kompanj Na slc 6.2 prkazan je predložen model za zbor dobavljača u ovoj oblast. Slka 6.2. Predložen model za zbor dobavljača u građevnskoj kompanj (Stevć dr., 2017) Na slc 6.2 prkazan je model za zbor dobavljača u građevnskoj kompanj koj se sastoj od ukupno četr faze 11 koraka. Prva faza podrazumeva prkupljanje prpremu 151

169 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA podataka koju čne tr koraka. Prv korak je formranje seta krterjuma za vrednovanje dobavljača na osnovu pregleda drugh studja u oblast razgovora sa menadžerma koj maju dugogodšnje skustvo u obavljanju rukovodećh funkcja u podsstemu nabavke. Nakon toga formran je všekrterjumsk model od devet krterjuma šest alternatva koj je vrednovan od strane sedam eksperata. Druga faza modela podrazumeva prmenu Grube DEMATEL metode za određvanje relatvnh težna krterjuma. Korac ove metode predstavljen su detaljno u poglavlju metode, a postupak proračuna težna krterjuma prkazan je u nastavku rada. Treća centralna faza ovog rada podrazumeva razvoj nove Grube EDAS metode koja korst za vrednovanje zbor najboljeg dobavljača. Poslednja, četvrta faza podrazumeva analzu osetljvost u kojoj su prošrene još dve metode všekrterjumskog odlučvanja COPRAS MULTIMORA. Poređenje dobjenh rezultata rangova alternatva vrš se pored navedene dve metode sa Grubom MAIRCA Grubm MABAC koje su ranje prošrene grubm brojevma Proračun težna krterjuma prmenom Grube DEMATEL metode U stražvanju, u procesu određvanja težnskh koefcjenata krterjuma, učestvovalo je sedam eksperata. Indentfkovan su ekspert koj maju mnmum petogodšnje skustvo u upravljanju lancma snabdevanja zboru dobavljača. Nakon anketranja eksperata, obrađen su prkupljen podac zvršena je agregacja ekspertskh mšljenja. Korak 1. Ekspertska analza faktora U prvom koraku prmene DEMATEL metode ekspert su za evaluacju krterjuma korstl skalu: : 0 - Nema utcaja; 1 - Veoma mal utcaj; 2 - Mal utcaj; 3 - Srednj utcaj; 4 - Velk utcaj; 5 - Veoma velk utcaj. Nakon ekspertske evaluacje dobjeno je sedam matrca poređenja u parovma krterjuma dmenzja 9x9 koje su prkazane u Tabel 6.9. Tabela 6.9. Ekspertsko poređenje krterjuma evaluacje (Stevć dr., 2017) E 1 E 2 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K K 5 K 6 K 7 K 8 K 9 K K K K K K K K K E 6 E 7 K 1 K 2 K 3 K K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K K 5 K 6 K 7 K 8 K 9 K K K K K K K K K

170 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Korak 2: Određvanje matrce prosečnh odgovora eksperata. Na osnovu matrca odgovora eksperata (Tabela 6.9) formra se matrca agregranh sekvenc eksperata (115) Prmenom zraza (19)-(24) svaka od prkazanh sekvenc transformše se u grubu sekvencu. Tako za sekvencu x12 5;5;4;4;4;5;5 dobjamo: 1 Lm , Lm ; 7 1 Lm4 4.00, Lm Na osnovu dobjenh vrednost, svaka sekvenca x12 5;5;4;4;4;5;5 transformše se u grubu sekvencu: 1 RN( x12) 4.57, ; 2 RN( x1 2) 4.57, ; 3 RN( x1 2) 4.00, ; 4 RN( x1 2) 4.00, ; 5 RN( x1 2) 4.00, ; 6 RN( x1 2) 4.57, ; 7 RN( x1 2) 4.57, Dobjene grube sekvence predstavljaju neprecznost grupe eksperata, koje su nastale kao posledca neusaglašenh vrednovanja krterjuma. Prmenom zraza (116) vrš se osrednjavanje grubh sekvenc tako dobjamo osrednjene grube sekvence: Lm( z12) RN( z12 ) Lm( z12 ), Lm( z12 ) Lm( z12) Konačna gruba sekvenca je: RN( z ) 4.33,4.82. Prmenom opsanog postupka za ostale 12 elemente matrce agregranh sekvenc eksperata (115) dobjamo osrednjenu grubu matrcu prosečnh odgovora (117): 153

171 Z TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA 0.00, , , , 4.76,..., 2.33, , , , , 4.08,..., 2.51, , , , , 4.65,..., 2.74, , , , , 0.00,..., 4.67, , , , , 3.89,..., 0.00, 0.00 Korak 3: Normalzacja grupne matrce drektnh utcaja. Na osnovu matrce Z zračunavaju se element normalzovane matrce prosečne percepcje (engl. ntal drect-relaton matrx) (118): 0.00, , , , 0.15,..., 0.06, , , , , 0.13,..., 0.07, , , , , 0.15,..., 0.07, , , , , 0.00,..., 0.13, 0.16 Z , , , , 0.12,..., 0.00, 0.00 Elemente matrce Z dobjamo prmenom zraza (119): RN d RN( z ) s ( 12), 0.12,0.16 gde vrednost s dobjamo prmenom zraza (120): n n j1 j j1 j s max max Lm ( z ),max Lm ( z ) max max 30.74;24.13;24.88;27.06;31.66;...;21.31,max 35.10;28.76;30.37;30.55;36.71;...;27.72 max[31.66; 36.71] Korak 4: Izračunat matrcu ukupnh utcaja. Prmenom zraza (121) (122) zračunava se matrca ukupnh utcaja T (123) ranga 9x9: 0.242, , , , 3.313,..., 0.293, , , , , 2.757,..., 0.255, , , , , 2.935,..., 0.261, Z 0.294, , , , 2.795,..., 0.320, , , , , 2.648,..., 0.165, Korak 5: Izračunavanje sume redova kolona matrce ukupnh utcaja T. U matrc ukupnh utcaja T suma redova suma kolona predstavljena je vektorma R C, zraz (124) (125): 154

172 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA 2.740, , , , , , , , RN( R) 2.841, ; RN( C) 1.387, , , , , , , , , U clju što verodostojnjeg defnsanja uzočno-posledčnh odnosa zmeđu krterjuma efkasne zrade CERD-a grube vrednost vektora R C transformšemo u crsp vrednost prmenom zraza (126)-(128). Prmenom zraza (126) vrš se normalzacja vrednost vektora R. ^ Lm( R1) ^ ^ ^ ( 1) ( 1), ( 1 ) ^ RN R Lm R Lm R Lm( R ) Nakon normalzacje, prmenom zraza (127), dobjamo ukupne normalzovane crsp vrednost. ^ ^ ^ ^ ( 1) 1 ( 1) ( 1) ( 1) Lm R Lm R Lm R Lm R ( ) ^ ^ 1 Lm( R1) Lm( R1) crsp Konačno, prmenom zraza (128) dobjamo crsp vrednost vektora R to: 1 crsp R1 mn Lm( R ) 1 max Lm( R ) mn Lm( R ) ( ) crsp Na slčan načn dobju se crsp vrednost ostalh vektora ( u tabel Tabela Crsp vrednost vektora Krterjum R crsp crsp crsp crsp crsp R C crsp R C C (Stevć dr., 2017) R + crsp C crsp crsp R - C K K K K K K K K K ) koje su prkazane Korak 6: Određvanje grančne vrednost (α) zrada djagrama uzočno-posledčnh odnosa. 155

173 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Pre određvanja vrednost α zvršeno je pretvaranje elemenata grube T matrce u crsp vrednost. Pretvaranje grubh elemenata matrce T u crsp vrednost zvršeno je prmenom zraza (126)-(128). Nakon dobjanja crsp vrednost, prmenom zraza (129) dobjena je vrednost Vrednost α dalje je koršćena za određvanje uzročno posledčnh veza zmeđu krterjuma evaluacje. Uzročno posledčne veze prkazane su na CERD-u (Slka 6.3). Na CERD-u se vzuelno predstavljaju složen odnos pružaju se nformacje u clju donošenja zaključka o tome koj su krterjum najvažnj kako utču jedn na druge. Krterjum čja je vrednost z matrce T veća od grančne vrednost α, braju se rad prkazvanja uzročno-posledčnh veza. C-R C C C 2 C 1 C+R C 1 (27.141, 1.262) C 2 (21.948, ) C 3 (25.835, ) C 4 (26.336, ) C 5 (20.702, 9.612) C 6 (24.747, ) C 7 (22.495, 2.754) C 8 (22.650, ) C 9 (22.000, ) C 9 C 3-4 C 8 C4 C 6 Slka 6.3. Uzročno-posledčne veze zmeđu krterjuma - CERD (Stevć dr., 2017) Korak 7. Određvanje težnskh koefcjenata krterjuma. Težnsk koefcjent krterjuma proračunavaju se na osnovu grubh vrednost vektora RN C RN( R )- RN( C ) koje su defnsane u tabel RN( R ) + ( ) Tabela Grube vrednost vektora RN( R ) RN( C )(Stevć dr., 2017) Krterjum RN( R ) RN( C ) RN( R ) + RN( C ) RN( R )- RN( C ) K 1 [2.740, ] [2.551, ] [5.292, ] [ , ] K 2 [2.190, ] [2.067, ] [4.257, ] [ , ] K 3 [2.278, ] [2.779, ] [5.057, ] [ , ] K 4 [2.424, ] [2.541, ] [4.964, ] [ , ] K 5 [2.841, ] [1.387, ] [4.228, ] [ , ] K 6 [2.122, ] [2.477, ] [4.599, ] [ , ] K 7 [2.522, ] [2.171, ] [4.693, ] [ , ] K 8 [1.935, ] [2.554, ] [4.488, ] [ , ] K 9 [1.939, ] [2.464, ] [4.403, ] [ , ] Prmenom zraza (130) (131) dobjaju se vrednost težnskh koefcjenata: 156

174 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA RN( W ) Lm( W ) Lm( R ) Lm( C ) Lm( R ) Lm( C ) Lm W1 Lm R1 Lm C1 Lm R1 Lm C1 ( ) ( ) ( ) ( ) ( ) Tako se dobjaju grub težnsk vektor: RN W j , , , , , , , , , Prmenom zraza (131) vršmo adtvnu normalzacju dobjenh grubh težnskh vektora, odnosno svodmo grube težnske koefcjente na nterval [0,1]: RN w Lm( W ) Lm( W ) max Lm( W ), ( ) max ( ), ( ) j Lm Wj Lm Wj Lm W j j j 1 1 ( 1),, 0.397, 1.00 Tako dobjamo grube normalzovane vrednost težnskh koefcjenta krterjuma RN w j : RN w j 0.397, , , , , , , , , Izbor dobavljača prmenom grube EDAS metode Nakon dobjenh težnskh vrednost krterjuma ekspertsk tm je zvršo ocenjvanje alternatva što je prkazano u tabel

175 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Tabela Ocene alternatva prema krterjumma od strane sedam eksperata (Stevć dr., 2017) E 1 E 2 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 A A A A A A E 3 E 4 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 A A A A A A E 5 E 6 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 A A A A A A E 7 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 A A A A A A Korak 1. Pretvaranje pojednačnh matrca u grupnu grubu matrcu. Nakon zvršenh vrednovanja alternatva od strane ekspertskog tma pretvaranje lngvstčkh vrednost u numerčke potrebno je zvršt pretvaranje pojednačne matrce svh eksperata u grupnu matrcu prmenjujuć jednačne (19)-(24). Prmer proračuna elemenata grupne matrce predstavljene u tabel 6.13 je: 158

176 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Tabela Grupna gruba matrca (Stevć dr., 2017) A 1 A 2 A 3 A 4 A 5 A 6 K 1 [4.72, 7.03] [4.74, 6.37] [4.48, 5.52] [4.00, 5.43] [4.00, 5.43] [3.65, 4.63] K 2 [1.37, 2.35] [2.47, 2.96] [4.72, 7.03] [3.35, 4.99] [5.73, 7.69] [5.65, 6.63] K 3 [2.02, 2.84] [6.00, 7.43] [5.01, 6.65] [2.02, 2.84] [7.39, 8.83] [5.39, 6.83] K 4 [8.47, 8.96] [7.39, 8.83] [4.37, 6.60] [4.12, 6.33] [2.56, 5.67] [3.72, 5.73] K 5 [1.44, 4.26] [2.22, 4.95] [6.27, 8.28] [5.63, 7.26] [7.01, 8.65] [3.05, 5.78] K 6 [3.05, 5.78] [4.09, 5.91] [4.97, 7.28] [3.67, 5.88] [4.74, 6.37] [4.00, 5.43] K 7 [3.37, 4.35] [3.94, 4.92] [4.74, 6.37] [3.77, 6.78] [5.11, 7.78] [3.00, 3.00] K 8 [2.54, 6.38] [3.39, 6.61] [4.22, 6.95] [4.05, 6.03] [5.35, 6.99] [4.00, 5.43] K 9 [3.26, 6.12] [3.01, 4.65] [4.09, 5.91] [4.57, 6.65] [4.72, 7.03] [3.93, 6.07] Korak 2. Određvanje prosečnog rešenja u odnosu na sve krterjume. Prosečno rešenje prema svm krterjumma dobjeno je prmenom jednačne (223). Korak 3. Odredt poztvno rastojanje RN(PDA) negatvno rastojanje RN(NDA) od prosečnog rešenja RN(AV) prema svm krterjuma. Da b se mogle odredt vrednost poztvnog rastojanja RN(PDA) (224) koje je prkazano u tabel 6.14 negatvno rastojanje RN(NDA) (225) od prosečnog rešenja RN(AV) koje je prkazano u tabel 6.15 prema svm krterjuma potrebno je prment jednačne ( ) prtom vodeć računa da l krterjum prpada troškovnom l benftnom tpu. Postupak proračuna za beneftn krterjum je sledeć: 159

177 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Prvo je potrebno prment jednačnu (226). Pošto se rad o prvom krterjumu koj prpada beneftnm prvoj alternatv neophodno je zračunat razlku vrednost alternatve jedan po krterjumu jedan prosečnog rešenja za prv krterjum: U ovom slučaju donja vrednost dobjenog grubog broja ma negatvnu vrednost potrebno je prment jednačnu (232) grub broj prelaz u svoju apsolutnu vrednost. Nakon toga dobjenu apsolutnu vrednost broja potrebno je podelt sa prosečnm rešenjem po prvom krterjumu, jednačna (226): Kada je npr. u ptanju vrednost alternatve jedan prema trećem krterjumu računajuć razlku te vrednost prosečnog rešenja, dobjaju se obe negatvne vrednost grubog broja (donj gornj lmt). Prmenjujuć jednačnu (230) vrednost grubog broja bće jednake nul. Kada je slučaj kao u ovom prmeru pete alternatve po trećem krterjumu da donj gornj lmt grubog broja maju poztvne vrednost onda prema jednačn (231) zadržavaju ste vrednost. Proračun vrednost RN(PDA) prema troškovnm krterjumma računa se na st načn, s tm što se na samom početku utvrđuje razlka zmeđu vrednost prosečnog rešenja vrednost alternatve prema krterjuma koj se posmatra što je prkazano u jednačn (228). Proračun vrednost RN(NDA) tabela 6.15 se računa na st načn kao što je prethodno opsano, s tm što se korste jednačne (227) (229) jednačne ( ). Tabela Vrednost poztvnog rastojanja od prosečnog rešenja (Stevć dr., 2017) PDA A 1 A 2 A 3 A 4 A 5 A 6 K K K K K K K K K Tabela Vrednost negatvnog rastojanja od prosečnog rešenja (Stevć dr., 2017) NDA A 1 A 2 A 3 A 4 A 5 A 6 K K K K K K K K K

178 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Korak 4. Otežavanje matrce RN(PDA) RN(NDA) Prmenjujuć četrvt korak Grube EDAS metode, odnosno jednačnu (233) dobja se otežana matrca za poztvno rastojanje od prosečnog rešenja VPI predstavljena u tabel Tabela Otežana matrca VP za poztvno rastojanje (Stevć dr., 2017) VPI A1 A2 A3 A4 A5 A6 K 1 0,07 0,92 0,07 0,74 0,09 0,51 0,12 0,49 0,12 0,49 0,00 0,00 K 2 0,07 1,02 0,03 0,73 0,00 0,00 0,12 0,50 0,00 0,00 0,00 0,00 K 3 0,00 0,00 0,01 0,82 0,07 0,64 0,00 0,00 0,11 1,16 0,04 0,68 K 4 0,00 0,00 0,00 0,00 0,14 0,58 0,12 0,64 0,08 0,98 0,09 0,73 K 5 0,00 0,00 0,00 0,00 0,01 1,11 0,03 0,86 0,02 1,20 0,00 0,00 K 6 0,00 0,00 0,15 0,63 0,08 0,99 0,00 0,00 0,10 0,75 0,00 0,00 K 7 0,00 0,00 0,00 0,00 0,05 0,77 0,10 0,88 0,03 1,14 0,00 0,00 K 8 0,00 0,00 0,20 0,83 0,14 0,92 0,15 0,68 0,07 0,93 0,00 0,00 K 9 0,00 0,00 0,00 0,00 0,13 0,65 0,10 0,83 0,09 0,93 0,14 0,69 Prmenjujuć jednačnu (234) dobja se otežana matrca za negatvno rastojanje od prosečnog rešenja koja je prkazana u tabel Tabela Otežana matrca VN za negatvno rastojanje (Stevć dr., 2017) VNI A 1 A 2 A 3 A 4 A 5 A 6 K 1 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,07 0,57 K 2 0,00 0,00 0,00 0,00 0,04 0,97 0,00 0,00 0,03 1,14 0,03 0,86 K 3 0,08 0,93 0,00 0,00 0,00 0,00 0,08 0,93 0,00 0,00 0,00 0,00 K 4 0,09 1,01 0,02 0,98 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 K 5 0,02 1,22 0,04 1,03 0,00 0,00 0,00 0,00 0,00 0,00 0,07 0,84 K 6 0,17 0,80 0,00 0,00 0,00 0,00 0,17 0,64 0,00 0,00 0,14 0,55 K 7 0,06 0,56 0,09 0,41 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,66 K 8 0,20 0,99 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,14 0,61 K 9 0,18 0,72 0,08 0,78 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 Korak 5. Određvanje sume prethodno otežane matrce Prmenjujuć korak pet, šest sedam odnosno jednačne ( ) dobjaju se konačn rezultat predstavljen u tabel Pet korak predstavljaju sumrane vrednost prethodno otežanh matrca, odnosno RN(SP) prmenjujuć jednačnu (235) RN(SN) prmenjujuć jednačnu (236). 161

179 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA Korak 6. Normalzacja vrednost RN(SP) RN(SN) za sve alternatve Prmenjujuć jednačnu (237) jednačnu (238) dobjaju se normalzovane vrednost prkazane u tabel Korak 7. Proračun vrednost svh alternatva RN(AS) njhovo rangranje Prmenjujuć jednačnu (239) dobjaju se vrednost RN(AS) prkazane u tabel U završnom sedmom koraku takođe vrš se rangranje prema opadajućem nzu, gde najveća vrednost predstavlja najbolje rešenje, a najmanja najlošje. Tabela Rezultat rangranje alternatva (Stevć dr., 2017) Sp Sn NSP NSN As Rank A 1 [0.14, 1.94] [0.79, 6.23] [0.02, 3.20] [0.87, -6.89] A 2 [0.45, 3.76] [0.24, 3.21] [0.06, 6.21] [0.96, -3.07] A 3 [0.70, 6.16] [0.04, 0.97] [0.09, 10.17] [0.99, -0.22] A 4 [0.74, 4.88] [0.26, 1.57] [0.10, 8.06] [0.96, -0.99] A 5 [0.61, 7.57] [0.03, 1.14] [0.08, 12.49] [0.99, -0.44] A 8 [0.26, 2.10] [0.46, 4.09] [0.03, 0.28] [0.93, -4.19] -1,48 6 Alternatva pet prema dobjenm rezulatma predstavlja najprhvatljvje rešenje. Predložen model predstavljen u ovom podpoglavlju čn ntegracja grube DEMATEL Grube EDAS metode, gde se Grub DEMATEL korst za proračun težnskh vrednost krterjuma, a Grub EDAS za vrednovanje zbor dobavljača. Rezultat koj su dobjen prmenom navedenog modela pokazuju da dobavljač pet predstavlja najbolje rešenje, u svm scenarjma koj podrazumevaju razlčte vrednost krterjuma, osm u 15. scenarju kada su pojedn krterjum elmnsan tada zauzma drugu pozcju. U poređenju sa hbrdnm modelma dobavljač pet u svm scenarjma zadržava prvu pozcju. Analza rezultata pokazala je da su dobjen rangov alternatva Grubog DEMATEL-Grubog EDAS algortma u potpunoj korelacj sa dobjenm rangovma što je detaljnje predstavljeno u poglavlju dskusja analza osetljvost. 162

180 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA LITERATURA [1] Antuchevčene, J., Zavadskas, E. K., & Zakarevčus, A. (2010). Multple crtera constructon management decsons consderng relatons between crtera. Technologcal and economc development of economy, 16(1), [2] Ba, C., & Sarks, J. (2010). Integratng sustanablty nto suppler selecton wth grey system and rough set methodologes. Internatonal Journal of Producton Economcs, 124(1), [3] Ba, C., & Sarks, J. (2011). Evaluatng suppler development programs wth a grey based rough set methodology. Expert Systems wth Applcatons, 38(11), [4] Cha, J., & Lu, J. N. (2014). A novel belevable rough set approach for suppler selecton. Expert Systems wth Applcatons, 41(1), [5] Chang, B., Chang, C. W., & Wu, C. H. (2011). Fuzzy DEMATEL method for developng suppler selecton crtera. Expert systems wth Applcatons, 38(3), [6] Cox, A., & Ireland, P. (2002). Managng constructon supply chans: the common sense approach. Engneerng Constructon and Archtectural Management, 9(5 6), [7] Erdogan, S. A., Šaparauskas, J., & Tursks, Z. (2017). Decson Makng n Constructon Management: AHP and Expert Choce Approach. Proceda Engneerng, 172, [8] Eshtehardan, E., Ghodous, P., & Bejanpour, A. (2013). Usng ANP and AHP for the suppler selecton n the constructon and cvl engneerng companes; case study of Iranan company. KSCE Journal of Cvl Engneerng, 17(2), [9] Fouladgar, M. M., Yazdan-Chamzn, A., Zavadskas, E. K., & Haj Mon, S. H. (2012). A new hybrd model for evaluatng the workng strateges: case study of constructon company. Technologcal and Economc Development of Economy, 18(1), [10] Gharakhan, D. (2012). The evaluaton of suppler selecton crtera by fuzzy DEMATEL method. Journal of Basc and Appled Scentfc Research, 2(4), [11] Ggovć, L., Pamučar, D., Bajć, Z., & Drobnjak, S. (2017a). Applcaton of GIS-Interval Rough AHP Methodology for Flood Hazard Mappng n Urban Areas.Water, 9(6), 360. [12] Ho, L. H., Feng, S. Y., Lee, Y. C., & Yen, T. M. (2012). Usng modfed IPA to evaluate suppler s performance: Multple regresson analyss and DEMATEL approach. Expert Systems wth Applcatons, 39(8), [13] Hsu, C. W., Kuo, T. C., Chen, S. H., & Hu, A. H. (2013). Usng DEMATEL to develop a carbon management model of suppler selecton n green supply chan management. Journal of cleaner producton, 56, [14] Irajpour, A., Hajmrza, M., Alav, M. G., & Kazem, S. (2012). Identfcaton and evaluaton of the most effectve factors n green suppler selecton usng DEMATEL method. Journal of Basc and Appled Scentfc Research, 2(5), [15] Izadkhah, M. (2012). Group decson makng process for suppler selecton wth TOPSIS method under nterval-valued ntutonstc fuzzy numbers. Advances n Fuzzy Systems, 2012, 2. [16] Lam, K. C., Tao, R., Lam, M. C. K. (2010). A materal suppler selecton model for property developers usng fuzzy prncpal component analyss. Automaton n Constructon, 19, [17] Ln, R. J. (2013). Usng fuzzy DEMATEL to evaluate the green supply chan management practces. Journal of Cleaner Producton, 40,

181 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA [18] Mangla, S., Kumar, P., & Barua, M. K. (2014). An evaluaton of attrbute for mprovng the green supply chan performance va DEMATEL method. Internatonal Journal of Mechancal Engneerng & Robotcs Research, 1(1), [19] Ramanathan, R. (2007). Suppler selecton problem: Integratng DEA wth the approaches of total cost of ownershp and AHP. Supply Chan Management: An Internatonal Journal, 12(4), [20] Raut, R. D., Bhasn, H. V., & Kamble, S. S. (2011). Evaluaton of suppler selecton crtera by combnaton of AHP and fuzzy DEMATEL method. Internatonal Journal of Busness Innovaton and Research, 5(4), [21] Roy, J., Chatterjee, K., Bandhopadhyay, A., & Kar, S. (2016). Evaluaton and selecton of Medcal Toursm stes: A rough AHP based MABAC approach.arxv preprnt arxv: [22] Safa, M., Shah, A., Haas, C. T., & Hpel, K. W. (2014). Suppler selecton process n an ntegrated constructon materals management model. Automaton n Constructon, 48, [23] Sarkar, S., Lakha, V., Ansar, I., & Mat, J. (2017). Suppler Selecton n Uncertan Envronment: A Fuzzy MCDM Approach. In Proceedngs of the Frst Internatonal Conference on Intellgent Computng and Communcaton(pp ). Sprnger Sngapore. [24] Sohelrad, S., Govndan, K., Mardan, A., Zavadskas, E. K., Nlash, M., & Zakuan, N. (2017). Applcaton of data envelopment analyss models n supply chan management: a systematc revew and meta-analyss. Annals of Operatons Research, [25] Song, W., Mng, X., & Wu, Z. (2013). An ntegrated rough number-based approach to desgn concept evaluaton under subjectve envronments. Journal of Engneerng Desgn, 24(5), [26] Song, W., Mng, X., Wu, Z., & Zhu, B. (2014). A rough TOPSIS approach for falure mode and effects analyss n uncertan envronments. Qualty and Relablty Engneerng Internatonal, 30(4), [27] Stevć, Ž., (2017). Crtera for suppler selecton: A lterature revew, Internatonal Journal of Engneerng, Busness and Enterprse Applcatons, 19(1), December 2016-February 2017, pp [28] Stevć, Ž., Pamučar, D., Vasljevć, M., Stojć, G., & Korca, S. (2017). Novel Integrated Mult- Crtera Model for Suppler Selecton: Case Study Constructon Company.Symmetry,9(11), 279. [29] Tamošatenė, J., Zavadskas, E. K., & Tursks, Z. (2013). Mult-crtera rsk assessment of a constructon project. Proceda Computer Scence, 17, [30] Tursks, Z., Lazauskas, M., & Zavadskas, E. K. (2012). Fuzzy multple crtera assessment of constructon ste alternatves for non-hazardous waste ncneraton plant n Vlnus cty, applyng ARAS-F and AHP methods. Journal of Envronmental Engneerng and Landscape Management, 20(2), [31] Wu, K. J., Tseng, M. L., Chu, A. S., & Lm, M. K. (2016). Achevng compettve advantage through supply chan aglty under uncertanty: A novel mult-crtera decson-makng structure. Internatonal Journal of Producton Economcs. [32] Yang, J. L., & Tzeng, G. H. (2011). An ntegrated MCDM technque combned wth DEMATEL for a novel cluster-weghted wth ANP method. Expert Systems wth Applcatons, 38(3),

182 TESTIRANJE MODELA NA PRAKTIČNIM PRIMERIMA [33] Yao, M., & Mnner, S. (2017). Revew of mult-suppler nventory models n supply chan management: An update. [34] Zavadskas, E. K., Tursks, Z., & Tamosatene, J. (2011). Selecton of constructon enterprses management strategy based on the SWOT and mult-crtera analyss. Archves of cvl and mechancal engneerng, 11(4), [35] Zavadskas, E. K., Tursks, Z., & Tamošatene, J. (2010). Rsk assessment of constructon projects. Journal of cvl engneerng and management, 16(1), [36] Zavadskas, E. K., Vanūnas, P., Tursks, Z., & Tamošatenė, J. (2012). Multple crtera decson support system for assessment of projects managers n constructon. Internatonal Journal of Informaton Technology & Decson Makng, 11(02), [37] Zavadskas, E. K., Vlutenė, T., Tursks, Z., & Šaparauskas, J. (2014b). Mult-crtera analyss of Projects' performance n constructon. Archves of Cvl and Mechancal Engneerng, 14(1), [38] Zhong, L., & Yao, L. (2017). An ELECTRE I-based mult-crtera group decson makng method wth nterval type-2 fuzzy numbers and ts applcaton to suppler selecton.appled Soft Computng,57, [39] Zolfan, S. H., Chen, I. S., Rezaenya, N., & Tamošatenė, J. (2012). A hybrd MCDM model encompassng AHP and COPRAS-G methods for selectng company suppler n Iran.Technologcal and economc development of economy,18(3),

183 DISKUSIJA I ANALIZA OSETLJIVOSTI 7. DISKUSIJA I ANALIZA OSETLJIVOSTI Znanje je proces nakupljanja čnjenca, mudrost je njhovo pojednostavljenje Martn H. Fsher Kako b dobjen rezultat predstavljal valdne vrednost koj se mogu mplementrat u realan sstem, potrebno je provert stablnost konačnh rezultata. U analzu osetljvost proveru stablnost dobjenh rezultata uključene su druge metode u zavsnost od područja prmene. Pored toga sastavn deo ove analze su promene težnskh vrednost krterjuma kako b se utvrdlo na koj načn kolko utče njhov značaj na rezultate Analza osetljvost u kompanj za prozvodnju nameštaja Analza osetljvost koja je prmenjena za proveru dobjenh rezultata u kompanj za prozvodnju nameštaja sastoj se od prmene fuzzy AHP metode (Chang 1996) za proračun težnskh vrednost krterjuma TOPSIS (Hwang Yoon, 1981) odnosno fuzzy TOPSIS metoda (Chen, 2000) za rangranje alternatva. Na slc 7.1 prkazan su rezultat analze osetljvost koja predstavlja rezultate poslednjeg koraka TOPSIS metode u svm njenm oblcma. Slka 7.1. Rezultat analze osetljvost u kompanj za prozvodnju nameštaja (autor) Slka 7.1 pokazuje da su dobjen rezultat veoma stabln, jer se prmenjujuć tr razlčte kombnacje metoda dobjaju dentčn rezultat sa aspekta rangranja dobavljača. Kod prmene klasčne TOPSIS metode CC najboljeg dobavljača je 0.97 veoma je blzu dealnog rešenja, odnosno jednc. Međutm, prmenjujuć druge kombnacje koje 166

184 DISKUSIJA I ANALIZA OSETLJIVOSTI podrazumevaju fuzzy grub oblk može se prmett CC vrednost u suštn mnogo manje mnogo realnje Analza osetljvost u kompanj za prozvodnju plastčnh kesa folja Nakon predstavljenh rezultata, kao što je već napomenuto, potrebno je utvrdt stablnost modela osetljvost rezultata na promenu značaja pojednh krterjuma. Stoga je zvršena analza osetljvost koja je prkazana kroz tr dela. Na slc 7.2 prkazane su smulrane vrednost svh krterjuma u 15 razlčth setova. Na slc 7.3 prkazane su vrednost svh dobavljača kroz razlčta scenarja, dok je na slc 7.4 prkazan rang alternatva u svm scenarjma. Slka 7.2. Smulrane vrednost krterjuma kroz formrane setove analze osetljvost (autor) Na slc 7.2 prkazan su setov analze osetljvost smulrane vrednost krterjuma kroz svak set. U prvh devet setova po jedan krterjum počev od prvog se povećava za 12%, dok se ostal krterjum smanjuju za 1.5% kako b ostao zadovoljen uslov da zbr vrednost svh krterjuma dalje bude jedan. U setu 10 sv krterjum maju jednaku vrednost, dok se u setu 11 prva četr krterjuma smanjuju za 10%, a ostal pet krterjuma povećava za 8%. Najznačajnj krterjum K 1, K 2 K 6 u setu 12 su smanjen za 12%, dok se vrednost ostalh šest krterjuma povećava za 6%. U setu 13 najmanje značajnm krterjumma K 5, K 7, K 8 K 9 dodeljene su vrednost 0.200, dok su ostal krterjum dobl vrednost U setu 14 je takođe najmanje značajnm krterjumma K 5, K 8 K 9 povećana vrednost za čak 20%, dok je ostalm smanjena za 10% u poslednjem 15. setu prva tr krterjuma maju vrednost 0.221, a ostal

185 DISKUSIJA I ANALIZA OSETLJIVOSTI Slka 7.3. Rezultat analze osetljvost u kompanj za prozvodnju plastčnh kesa folja (autor) Slka 7.3 prkazuje rezultate analze osetljvost vrednost koje svak dobaljač ma u formranm setovma. Sa povećanjem vrednost prvog krterjuma dobavljač četr, pet šest maju veoma male vrednost praktčno u tom slučaju se mogu odmah elmnsat kao nepoželjn. Povećanjem drugog krterjuma vrednost trećeg dobavljača raste prblžava se vrednost drugog, dok su vrednost četvrtog petog dobavljača takođe prblžne. Sertfkacja prozvoda kao treć krterjum btno utče na dobavljača pet četr koj su u ovom setu zamenl pozcje koje zauzmaju. Pr rastu značaja krterjuma vreme sporuke dobavljač tr dobja najvše na značaju zauzma drugu pozcju u ukupnom rangu. U setovma pet šest dobavljač tr četr maju dentčne vrednost, dok se u setu sedam povećava značaj petog dobavljača. U sledećem setu povećava se vrednost četvrtog dobavljača koj menja pozcju sa trećm. U setovma devet 10 ne dolaz do btnjh promena rezultat su skoro dentčn kao u modelu. Smanjenjem značaja prva četr krterjuma, a povećanjem ostalh alternatva četr raste zauzma treću pozcju, dok je alternatva pet na četvrtom, a tr na petoj pozcj. U preostalm setovma takođe ne dolaz do btnjh promena. Slka 7.4. Rang dobavljača u analz osetljvost (autor) 168

186 DISKUSIJA I ANALIZA OSETLJIVOSTI Kao što se može vdet sa slke 7.4 stablnost modela ne dolaz u ptanje, jer dobavljač jedan u svm formranm setovma predstavlja najbolje rešenje njegova vrednost kroz setove se kreće u opsegu Dobavljač dva je samo u setu četr zgubo drugu pozcju, što dodatno potvrđuje valdnost, odnosno stablnost modela. Dobavljač šest se pokazao kao najnepoželjnj uvek predstavlja najlošje rešenje. Btnje promene u analz osetljvost nsu vdljve, jer kada dolaz do promene ranga ne rad se o drastčnm promenama. Dobavljač tr je u vše od 50% slučajeva na pozcj tr, dok se jednom nalaz na drugoj odnosno petoj pozcj, a u ostalh pet setova je na četvrtom mestu. Dobavljač četr pet se uglavnom menjaju na pozcjama četr pet Analza osetljvost u građevnskoj kompanj Kako b se utvrdla stablnost dobjenh rezultata zvršena je analza osetljvost koja u svom prvom delu podrazumeva promenu težne krterjuma kroz 18 razlčth setova. Slka 7.5. Rangranje alternatva kroz scenarja (Stevć dr., 2017) U prvh devet setova vrednost svakog krterjuma se smanjuje za 16%, dok se vrednost ostalh povećava za 2% respektvno. U desetom setu prv, treć četvrt krterjum se smanjuju za 12%, a ostal se povećavaju za 6%, dok se u 11. setu vrednost sth krterjuma smanjuju za 24%, a ostal povećavaju za 12%. Kako se rangov alternatva značajno ne menjaju kroz prethodno formrane setove, naredn setov predstavljaju procentualno veću promenu vrednost težna krterjuma. Tako u 12. setu prv, treć, četvrt šest krterjum se smanjuju za 20%, dok se ostalh pet povećava za 16%, dok se u narednom 13. setu prv četvrt krterjum smanjuju za čak 35%, a ostal povećavaju za 10%. Drug sedm krterjum u 14. setu se smanjuju za 28%, dok se ostal povećavaju za 8%. Petnaest set se zasnva na ukupno pet krterjuma, jer se prvom, trećem, četvrtom šestom dodeljuju vrednost nula, a vrednost ostalh krterjuma ostaju nepromenjene. U 16. setu sv krterjum maju podjednaku važnost, s tm što je donj gornj lmt grubog broja takođe zjednačen. Zatm drugom, petom sedmom krterjumu u 17. setu su dodeljene vrednost nule, a ostal nepromenjen poslednj 169

187 DISKUSIJA I ANALIZA OSETLJIVOSTI 18. set čne jednake vrednost svh krterjuma (dodeljena maksmalna vrednost koju ma prv krterjum u osnovnom proračunu). Na slc 7.5 je prkazan rang alternatva kroz formrane setove kao što se može vdet alternatva pet predstavlja najbolje rešenje u 17 od ukupno 18 formranh scenarja. Jedno u 15. setu kada su pojedn krterjum elmnsan zauzma drugu pozcju. Sve alternatve u većn setova zadržavaju svoje prvobtne pozcje. Alternatva tr je samo u 15. setu na trećem mestu, dok u svm ostalm stuacjama zauzma drugu pozcju. Ist slučaj je sa alternatvom dva koja samo u 17. setu zauzma treće mesto, a u ostalm scenarjma je na četvrtoj pozcj. Pored stablnost koju pokazuje prv deo analze osetljvost zvršeno je poređenje predloženog modela sa drugm hbrdnm všekrterjumskm modelma. Hbrdn model koj su koršćen za poređenje rezultata prkazan su u tabel 7.3. U clju valdacje predloženog modela za određvanje težna krterjuma, pored Grube DEMATEL metode, koršćena je Gruba AHP metoda (Zha dr., 2009). AHP model zabran je za poređenje pošto se rad o metod koja se u lteratur najčešće korst za određvanje težna krterjuma (Zhu dr., 2015). Za ekspertsko poređenje u parovma krterjuma u Gruboj AHP metod koršćen su st ekspert kao u Gruboj DEMATEL metod. Nakon ekspertske evaluacje krterjuma, prmenom Saaty-jeve skale, dobjeno je sedam matrca poređenja u parovma krterjuma dmenzja 9x9 koje su prkazane u Tabel 7.1. Tabela 7.1. Poređenje krterjuma od strane eksperata (Stevć dr., 2017) E 1 E 2 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K K K K K K K K K E 6 E 7 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K 1 K 2 K 3 K 4 K 5 K 6 K 7 K 8 K 9 K K K K K K K K K Prmenom zraza (19)-(24) svaka od prkazanh sekvenc transformše se u grubu sekvencu. Tako za sekvencu dobjamo: 170

188 DISKUSIJA I ANALIZA OSETLJIVOSTI Tabela 7.2. Grupna gruba matrca (Stevć dr., 2017) A 1 A 2 A 3 A 4 A 5 A 6 K 1 [1, 1] [2,78, 3,49] [7,78, 8,49] [5,51, 6,22] [7,08, 7,49] [2,08, 2,49] K 2 [0,3, 0,38] [1, 1] [5,18, 5,99] [2,78, 3,83] [4,18, 4,99] [0,42, 0,63] K 3 [0,12, 0,13] [0,17, 0,19] [1, 1] [0,29, 0,33] [0,51, 0,63] [0,16, 0,17] K 4 [0,16, 0,18] [0,28, 0,38] [3,08, 3,49] [1, 1] [2,18, 2,99] [0,23, 0,29] K 5 [0,14, 0,14] [0,2, 0,24] [1,74, 1,98] [0,36, 0,47] [1, 1] [0,18, 0,20] K 6 [0,42, 0,49] [1,78, 2,49] [6,04, 6,53] [3,53, 4,51] [5,06, 5,8] [1, 1] K 7 [0,19, 0,22] [0,26, 0,32] [3,74, 3,98] [1,35, 1,92] [3,02, 3,26] [0,31, 0,33] K 8 [0,23, 0,29] [0,39, 0,49] [2,27, 2,94] [2,19, 2,91] [3,74, 3,98] [0,34, 0,38] K 9 [0,50, 1,08] [2,19, 3,52] [7,17, 8,22] [4,66, 6,15] [6,19, 7,45] [1,34, 2,23] Nakon defnsanja grube grupne matrce Tabela 7.2 potrebno je odredt geometrjsku srednu donjeg gornjeg lmta grupne matrce po krterjumma odnosno računa se geometrjska sredna po redovma. Iz tako dobjene matrce bra se maksmalna vrednost gornjeg lmta sve ostale vrednost se dele sa tom vrednošću. Tako dobjamo konačne vrednost težna krterjuma: Za rangranje alternatva koršćene su sledeće metode: Gruba MAIRCA (Pamučar dr.,2017b), Gruba MULTIMOORA (Stevć dr., 2017), Grub COPRAS (Stevć dr., 2017), 171

189 DISKUSIJA I ANALIZA OSETLJIVOSTI Grub MABAC (Roy dr., 2016). Kombnovanjem Grube AHP Grube DEMATEL metode, koje su koršćene za određvanje težna krterjuma, sa Grubom MAIRCA, Grubom MULTIMOORA, Grubom COPRAS, Grubm MABAC Grubm EDAS modelma dobjeno je ukupno deset hbrdnh modela koj su prkazan u Tabel 7.3. Ist ulazn podac su koršćen za sve modele što podrazumeva težne krterjuma dobjenh Grubom DEMATEL Grubom AHP ste vrednost z grupne matrce kod Grube EDAS metode Tabela

190 Altern atve Altern atve DISKUSIJA I ANALIZA OSETLJIVOSTI Tabela 7.3. Uporedna analza rangova prmenom razlčth prstupa (Stevć dr., 2017) G'D-G-MAIRCA G'D-G- MULTIMOORA G'D-G-COPRAS G'D-G-MABAC G'D-G-EDAS Vrednost Rang Vrednost Rang Vrednost Rang Vrednost Rang Vrednost Rang A1-0,243 1, ,778 4, ,32 83,67 6-9,508 8, ,892-3,690 5 A2-0,324 1, ,962 4, ,70 87,89 3-9,053 8, ,021 3,139 4 A3-0,543 1, ,059 5, ,60 93,74 2-8,779 9, ,086 9,949 2 A4-0,402 1, ,858 4, ,93 88,10 4-9,079 9, ,057 7,073 3 A5-0,696 1, ,150 5, ,00 100,00 1-8,470 10,73 1 1,075 12,053 1 A6-0,170 1, ,933 4, ,23 78,93 5-9,123 8, ,960-3,913 6 G'A-G-MAIRCA G'A-G- MULTIMOORA G'A-G-COPRAS G'A-G-MABAC G'A-G-EDAS Vrednost Rang Vrednost Rang Vrednost Rang Vrednost Rang Vrednost Rang A1 0,024 0, ,711 2, ,72 100,00 3-2,638 2, ,759 0,255 5 A2 0,115 0, ,796 1, ,58 91,70 5-2,470 2, ,056 2,312 4 A3 0,064 0, ,928 2, ,60 92,26 2-2,334 2, ,205 4,461 2 A4 0,075 0, ,810 2, ,25 92,67 4-2,489 2, ,148 3,928 3 A5 0,034 0, ,966 2, ,00 95,39 1-2,295 2, ,195 4,844 1 A6 0,225 0, ,820 1, ,13 80,28 6-2,746 1, ,879-1,461 6 *G'D-G-MAIRCA (Grub DEMATEL Grub MAIRCA); G'D-G-MULTIMOORA (Grub DEMATEL Grub MULTIMOORA); G'D-G- COPRAS (Grub DEMATEL Grub COPRAS); G'D-G-EDAS (Grub DEMATEL Grub EDAS); G'A-G-MAIRCA (Grub AHP Grub MAIRCA); G'A-G-MULTIMOORA (Grub AHP Grub MULTIMOORA); G'A-G-COPRAS (Grub AHP Grub COPRAS); G'A-G-MABAC (Grub AHP Grub MABAC); G'A-G-EDAS (Grub AHP Grub EDAS). 173

191 DISKUSIJA I ANALIZA OSETLJIVOSTI Rangov alternatva vrednost krterjumskh funkcja hbrdnh modela prkazan su u tabel 7.3 na slc 7.6. Na slc 7.6 grafčk su prkazane promene rangova hbrdnh modela. Slka 7.6. Rangov alternatva u kombnacj sa G DEMATE G AHP (Stevć dr., 2017) Na osnovu slke 7.6 uočavamo da alternatva pet predstavlja najbolje rešenje u svh 10 modela, što predstavlja adekvatnu verfkacju predloženog modela. Alternatva A3 je takođe u svm formranm modelma na jednakoj pozcj, odnosno na drugom mestu. Kod ostalh alternatva dolaz do određenh promena zavsnost od prmene modela. Alternatva jedan ma najveću varjacju od svh, jer se četr puta nalaz na poslednjem mestu, dva puta na pretposlednjem petom, tr puta na trećem jednom na četvrtom mestu. Alternatva šest se nalaz u svm modelma na petom l na šestom mestu. Alternatva dva varra od trećeg do petog mesta, a alternatva četr je u polovn slučajeva na trećem polovn slučajeva na četvrtom mestu. Za statstčko poređenje rangova koršćen je Sprmanov koefcjent korelacje (r k ). Poređenje rangova zvršeno je kroz međusobno poređenje svh 10 hbrdnh modela, tabela 7.4. Iz tabele 7.4 uočavamo da postoj dobra korelacja rangova zmeđu razmatranh prstupa, pošto je u ukupna srednja vrednost r k = Najmanje vrednost korelacje dobjene su prlkom poređenja rangova G'A-G-MAIRCA modela sa G'D-G-MAIRCA, G'D-G- MULTIMOORA G'D-G-COPRAS G'D-G-MABAC modelma, gde su dobjene vrednost 0.657, 0.600, , respektvno. Slčne vrednost dobjene su prlkom poređenja G'A-G-COPRAS G'A-G-MABAC sa G'D-G-MAIRCA, G'D-G-MULTIMOORA G'D-G- COPRAS G'D-G-MABAC modelma. Ovakve vrednost r k nastale su kao posledca prmene razlčth prstupa za određvanje težnskh koefcjenata (Grub AHP grub DEMATEL), koj su mal za posledcu dobjanje razlčth vrednost težnskh koefcjenta. Tako dobjene vrednost težnskh koefcjenata dalje su utcale na promene u rangovma razmatranh modela. Zato su u daljoj analz grupsan modele koj su korstl ste prstupe za defnsanje težnskh koefcjenata (G'AHP G'DEMATEL) analzrana je njhova međusobna korelacja. 174

192 DISKUSIJA I ANALIZA OSETLJIVOSTI Tako se za G'AHP model dobja average r k =0.951, dok se za G'DEMATEL model dobja r k = Imajuć u vdu da su sve vrednost r k u okvru sth prstupa (G'AHP G'DEMATEL) značajno veće 0.8, kao da srednja vrednost r k =0.893 može se zaključt da postoj veoma velka korelacja (blskost) rangova da je predložen rang potvrđen kredblan. 175

193 DISKUSIJA I ANALIZA OSETLJIVOSTI Metode Tabela 7.4. Korelacja rangova testranh modela (Stevć dr., 2017) G'D-G- G'D-G- G'D-G- G'D-G- MAIRCA MULTIMOORA COPRAS MABAC G'D- G- EDAS G'A-G- G'A-G- G'A-G- G'A-G- MAIRCA MULTIMOORA COPRAS MABAC G'A-G- EDAS Prosečna vrednost G'D-G- MAIRCA G'D-G- MULTIMOORA G'D-G- COPRAS G'D-G-MABAC G'D-G-EDAS G'A-G- MAIRCA G'A-G- MULTIMOORA G'A-G- COPRAS G'A-G-MABAC G'A-G-EDAS Ukupna prosečnost

194 DISKUSIJA I ANALIZA OSETLJIVOSTI LITERATURA [1] Chang, D. Y. (1996). Applcatons of the extent analyss method on fuzzy AHP. European journal of operatonal research, 95(3), [2] Chen, C. T. (2000). Extensons of the TOPSIS for group decson-makng under fuzzy envronment. Fuzzy sets and systems, 114(1), 1-9. [3] Hwang, C. L., & Yoon, K. (1981). Lecture Notes n Economcs and Mathematcal Systems: Multple Attrbute Decson Makng: Methods and Appllcaton. Sprnger Verlag. [4] Roy, J., Chatterjee, K., Bandhopadhyay, A., Kar, S. (2016). Evaluaton and selecton of Medcal Toursm stes: A rough AHP based MABAC approach, do: arxv: [5] Stevć, Ž., Pamučar, D., Vasljevć, M., Stojć, G., & Korca, S. (2017). Novel Integrated Mult- Crtera Model for Suppler Selecton: Case Study Constructon Company.Symmetry,9(11), 279. [6] Zha, L. Y., Khoo, L. P., & Zhong, Z. W. (2009). A rough set based QFD approach to the management of mprecse desgn nformaton n product development.advanced Engneerng Informatcs,23(2), [7] Zhu, G.N., Hu, J., Q, J., Gu, C.C., Peng, J.H. (2015). An ntegrated AHP and VIKOR for desgn concept evaluaton based on rough number, Advanced Engneerng Informatcs, 29, pp

195 ZAKLJUČNA RAZMATRANJA I PRAVCI BUDUĆIH ISTRAŽIVANJA 8. ZAKLJUČNA RAZMATRANJA I PRAVCI BUDUĆIH ISTRAŽIVANJA Ko je pobedo sebe taj je pobedo čtav svet Svet oc Istražvanje koje je prkazano u ovom radu trajalo je skoro dve godne u stom je predložen model za vrednovanje dobavljača u prozvodnm kompanjama koj se u svojoj početnoj faz sastoj od dvadeset krterjuma. Prmenjujuć znanja menadžera z navedenh oblast set krterjuma je prmenom fuzzy AHP metode modfkovan na ukupno devet. Verfkacja modela je zvršena na praktčnm prmerma u prvred. Pored toga razvjen su nov prstup za vrednovanje dobavljača koj smanjuju nezvesnost neodređenost u oblast odlučvanja Najvažnj zadac koj su zvršen u radu U skladu sa postavkom problema, razvojem ntegrsanog modela za vrednovanje zbor dobavljača, svemu urađenom u prethodnm delovma rada može se zdvojt nekolko najvažnjh zadataka koj su zvršen. Prv je analza trenutnog stanja dosadašnjh stražvanja u oblast sa osvrtom na stanje u našem okruženju. Izvršenm pregledom dobjen su podac koj pokazuju aktuelnost teme potrebu za daljm stražvanjem. Drug zadatak predstavlja potvrdu mogućnost unapređenja prozvodnh delova lanca snabdevanja u pogledu vrednovanja zbora najboljeg dobavljača prmenom kombnacje metoda všekrterjumskog odlučvanja, teorje fuzzy skupova teorje grubh skupova. Treć možda najbtnj zadatak koj je zvršen u radu je razvoj novog prstupa za vrednovanje dobavljača u lancma snabdevanja koj omogućava smanjenje subjektvnost neprecznost koje se svakodnevno javljaju pr donošenju odluka. Pored toga pokazana je dokazana prmenjvost razvjenog ntegrsanog modela za vrednovanje dobavljača pr trenutnm uslovma koj vladaju u posmatranm lancma snabdevanja. Pored navedenh može se zdvojt još zadatak, koj se odnos na kreranje aplkacje IMSES u Mcrosoft Excel-u u kojoj su zvršen sv proračun Potvrda postavljenh hpoteza Obzrom na prethodno navedene cljeve mogućnost unapređenja lanca snabdevanja kroz donošenje odluke o zboru dobavljača na osnovu kombnacje metoda všekrterjumskog odlučvanja, teorje fuzzy skupova teorje grubh skupova koje na veoma dobar načn vrše kvantfkacju kvaltatvnh krterjuma zdvojene su sledeće hpoteze: Moguće je razvt model vrednovanja dobavljača koj će bt šroko prmenjv u kompanjama koje se bave razlčtom prozvodnom delatnošću uz mnmalnu modfkacju njegovh elemenata. Prva hpoteza je dokazana potvrđena, jer razvjen ntegrsan model za vrednovanje dobavljača u lancma snabdevanja čne nput z vše od deset razlčth prozvodnh delatnost. Pored toga, razvjen model je bez kakvh modfkacja uspešno prmenjen u vše razlčth prozvodnh oblast. Prmena razvjenog modela poztvno utče na formranje konačne cene gotovog prozvoda povećava konkurentsku pozcju na tržštu. O tome kolk je značaj 178

196 ZAKLJUČNA RAZMATRANJA I PRAVCI BUDUĆIH ISTRAŽIVANJA adekvatnog zbora dobavljača dskutovano je vše puta kroz rad, al btno je napomenut čnjencu koja je kroz decenje potvrđena od strane razlčth autora, a odnos se na sledeće: Uloga značaj dobavljača u lancma snabdevanja su uzuzetno velk btn, jer njhov adekvatan zbor drektno utče na cenu formranja konačnog prozvoda, a pored toga na zadovoljenje krajnjh korsnka kroz obezbeđenje svh btnh elemenata kao što je kvaltet, vreme, usluga td. Ova hpoteza je takođe potvrđena, naročto kada su u ptanju oblast koje maju velku konkurencju kada je na malom geografskom području smešten velk broj kompanja koje se bave stom prozvodnom delatnošću. U tom slučaju adekvatan dobavljač donos prednost omogućava snženje konačne cene prozvoda povećanje konkurentnost na tržštu. Prmenom fuzzy grubh brojeva umesto crsp brojeva moguće je krerat efkasnj precznj model za donošenje odluka u vez sa vrednovanjem dobavljača. I treća postavljena hpoteza je dokazana, a prednost prmene fuzzy l grubh brojeva u oblast donošenja odluka su všestruke detaljno su predstavljene u radu. Subjektvnost, nezvesnost neodređenost su samo od nekh elemenata koj se elmnšu l ublažuju prmenom fuzzy l grubh skupova. Tome svedoče razvjen nov prstup u radu Naučn doprnos rada Naučn doprnos doktorske dsertacje može se zrazt kroz vše elemenata, od kojh se mogu zdvojt dva ključna. Prv se odnos na to da se razvjen ntegrsan model uz određenu modfkacju može prment u skoro svm prozvodnm oblastma bez obzra na tržšte na kojem prozvođač dobavljač egzstraju. U svom zvornom oblku preporučljv za tržšta zemalja u razvoju, jer u okvru stog postoje krterjum koj su karakterstčn za navedena tržšta. Fleksblnost modela se ogleda u tome što se njegova verfkacja može sprovest ntegracjom blo kojh metoda všekrterjumskog odlučvanja. Model je verfkovan na sledećm prmerma. U kompanj za prozvodnju plastčnh kesa folja, gde predložen model čn ntegracja fuzzy AHP fuzzy EDAS metode, gde se fuzzy AHP korst za dobjanje težnskh vrednost, a fuzzy EDAS za zbor dobavljača. Rezultat koj su dobjen prmenom navedenog modela pokazuju da dobavljač jedan predstavlja najbolje rešenje, čak u svm scenarjma koj podrazumevaju razlčte vrednost krterjuma, što znač da je u potpunost neosetljv na značaj krterjuma. Druga kompanja u kojoj je ntegrsan model prmenjen je kompanja za prozvodnju nameštaja gde je određvanje težnskh vrednost krterjuma zvršeno Grubom AHP metodom, a zbor dobavljača Grubom TOPSIS metodom. Stablnost modela dobjenh rezultata je pokazana kroz prmenu ove dve metode u konvenconalnom fuzzy oblku. I poslednj prmer verfkacje modela predstavljen je u građevnskoj kompanj za čje svrhe su razvjen nov prstup u oblast vrednovanja dobavljača oblast všekrterjumskog odlučvanja. Pored doprnosa koj se ogleda u prmenjvost razvjenog modela u razlčtm lancma snabdevanja, drug ključn velk doprnos ovog rada je upravo razvoj novh prstupa u oblast všekrterjumskog odlučvanja koj može bt prmenjen u razlčtm prozvodnm oblastma lanca snabdevanja, naročto u 179

197 ZAKLJUČNA RAZMATRANJA I PRAVCI BUDUĆIH ISTRAŽIVANJA procesma u kojma vladaju nezvesnost nejasnoće. Stoga detaljnje objašnjenje naučnog doprnosa sa aspekta razvoja novh prstupa je prkazano u nastavku. Uvažavanje nezvesnost neprecznost u všekrterjumskom odlučvanju je veoma značajan aspekt za objektvno neprstrasno donošenje odluka. Često se javljaju teškoće u predstavljanju nformacja o atrbutma odluke putem tačnh (precznh) numerčkh vrednost. Te poteškoće su posledca nedoumca u procesu donošenja odluka, kao zbog kompleksnost neodređenost brojnh realnh pokazatelja. Pr verfkacj modela u građevnskoj kompanj prkazan je Grub DEMATEL Grub EDAS model koj omogućava kvantfkacju neprecznost u grupnom donošenju odluka kroz prmenu grubh brojeva. Osnovna deja prmene algortama za donošenje odluka koj su bazran na grubom prstupu podrazumeva prmenu grubh brojeva za prezentovanje vrednost atrbuta odluke. Prednost prmene grubh brojeva su brojn. Grub brojev korste sključvo nterna znanja za prezentovanje vrednost atrbuta odluke. Tme se elmnšu subjektvnost pretpostavke koje u značajnoj mer mogu da utču na vrednost atrbuta konačan zbor alternatva. U prmen grubh brojeva, umesto dodatnh/spoljnh parametara, korst se sključvo struktura dath podataka. Tme se korste nezvesnost koje već postoje u podacma što značajno utče na objektvnost procesa odlučvanja. Još jedna od prednost ovog prstupa je pogodnost grubh brojeva za prmenu na skupovma koje karakterše mal broj podataka, a za koje tradconaln statstčk model nsu pogodn. Ova studja pokazuje da grub brojev mogu efkasno da se prmenjuju u modelma všekrterjumskog odlučvanja uz uvažavanje nedoumca u procesu donošenja odluka. Veoma važan segment ovog prstupa je uvođenje novh Grub EDAS Grub COPRAS modela koj predstavljaju doprnos u lteratur všekrterjumskog odlučvanja. Razvjen ntegrsan model obezbeđuje objektvnu agregacju ekspertskh odluka uz potpuno uvažavanje neprecznost subjektvnost koja vlada prlkom grupnog donošenja odluka. Razvojem ovh modela dodatno se unapređuje lteratura koja razmatra teorjsku praktčnu prmenu všekrterjumskh tehnka. Pored opšth doprnosa koj se odnose na oblast VKO, predložen model doprnose unapređenju oblast zbora dobavljača u lancma snabdevanja. Pokazano je da Grub DEMATEL Grub EDAS model omogućava evaluacju dobavljača uprkos neprecznostma nedostatku kvanttatvnh nformacja u procesu donošenja odluka. Tme se unapređuje metodologja evaluacje zbora dobavljača u građevnarstvu, pošto, prema saznanjma autora, prmena ovakvog l slčnog prstupa u lteratur nje uočena Pravc budućh stražvanja Buduća stražvanja vezana za ovaj rad odnose se na mogućnost formranja slčnog modela uključujuć menadžere z prozvodnh oblast većeg broja zemalja koj funkconšu na razlčtm kontnentma. U procesma odlučvanja prmena fuzzy l grubog oblka VKO metoda je preporučljva, jer na mnogo bolj načn tretraju nezvesnost koje su sastavn deo svake odluke. Pored navedenog, pošto se rad o novom prstupu koj je do sada nje prmenjvan VKO, pravc budućh stražvanja treba da se usmere na prmenu grubh brojeva u tradconalnm modelma za određvanje težnskh koefcjenata krterjuma (npr. Grub Best-Worst Method). Pored toga, pravc budućh stražvanja treba da se usmere u ntegracju grubh brojeva u fuzzy brojeve prmenu fuzzy-grubh brojeva u VKO. 180

198 LITERATURA LITERATURA [1] Abu-Sarhan, Z. (2011). Applcaton of analytc herarchy process (AHP) n the evaluaton and selecton of an nformaton system reengneerng projects, Internatonal Journal of Computer Scence and Network Securty, 11(1): [2] Acar, A. Z., Önden, İ., & Kara, K. (2015). Evaluatng the locaton of regonal return centers n reverse logstcs through ntegraton of GIS, AHP and nteger programmng. Internatonal Journal of Industral Engneerng, 22(4). [3] Aggarwal, R., & Sngh, S. (2013). AHP and extent fuzzy AHP approach for prortzaton of performance measurement attrbutes. World Academy of Scence, Engneerng and Technology, 73, [4] Akkaya, G., Turanoğlu, B., & Öztaş, S. (2015). An ntegrated fuzzy AHP and fuzzy MOORA approach to the problem of ndustral engneerng sector choosng. Expert Systems wth Applcatons, 42(24), [5] Almardan, M., Zolfan, S. H., Aghdae, M. H., & Tamošatenė, J. (2013). A novel hybrd SWARA and VIKOR methodology for suppler selecton n an agle envronment. Technologcal and Economc Development of Economy, 19(3), [6] Anagnostopoulos, K. P., Gratzou, M., & Vavatskos, A. P. (2007). Usng the fuzzy analytc herarchy process for selectng wastewater facltes at prefecture level. European Water, 19(20), [7] Antuchevčene, J., Zavadskas, E. K., & Zakarevčus, A. (2010). Multple crtera constructon management decsons consderng relatons between crtera. Technologcal and economc development of economy, 16(1), [8] Asamoah, D., Annan, J., & Nyarko, S. (2012). AHP approach for suppler evaluaton and selecton n a pharmaceutcal manufacturng frm n Ghana. Internatonal Journal of Busness and Management, 7(10), 49. [9] Atanassov, K. T. (1986). Intutonstc fuzzy sets. Fuzzy sets and Systems, 20(1), [10] Ayhan, M. B. (2013). A Fuzzy AHP approach for suppler selecton problem: a case study n a gear motor company. Internatonal Journal of Managng Value and Supply Chans 4(3), (2013), pp [11] Azar, A., Olfat, L., Khosravan, F., & Jalal, R. (2011). A BSC method for suppler selecton strategy usng TOPSIS and VIKOR: A case study of part maker ndustry. Management Scence Letters, 1(4), [12] Ba, C., & Sarks, J. (2010). Integratng sustanablty nto suppler selecton wth grey system and rough set methodologes. Internatonal Journal of Producton Economcs, 124(1), [13] Ba, C., & Sarks, J. (2011). Evaluatng suppler development programs wth a grey based rough set methodology. Expert Systems wth Applcatons, 38(11), [14] Bal, M., Demrhan, A., (2013). Usng rough set theory for supply chan management process n busness. In Proceedngs of the XI Balkan conference on operatonal research (BALCOR 2013), Belgrade-Zlatbor, Serba (pp ). [15] Balezents, A., and Balezents, T. (2011), An nnovatve mult-crtera suppler selecton based on two-tuple MULTIMOORA and hybrd data, Economc Computaton and Economc Cybernetcs Studes and Research, Vol. 45 No. 2,pp

199 LITERATURA [16] Ballı, S., & Korukoğlu, S. (2009). Operatng system selecton usng fuzzy AHP and TOPSIS methods. Mathematcal and Computatonal Applcatons, 14(2), [17] Barbarosoglu, G., & Yazgac, T. (1997). An applcaton of the analytc herarchy process to the suppler selecton problem. Producton and nventory management journal, 38(1), 14. [18] Beamon, B. M. (1998). Supply chan desgn and analyss: Models and methods. Internatonal journal of producton economcs, 55(3), [19] Benyoucef, M., & Canbolat, M. (2007). Fuzzy AHP-based suppler selecton n e-procurement. Internatonal Journal of Servces and Operatons Management, 3(2), [20] Bhutta, K. S., & Huq, F. (2002). Suppler selecton problem: a comparson of the total cost of ownershp and analytc herarchy process approaches. Supply Chan Management: An Internatonal Journal, 7(3), [21] Bllesbach T. J, Harrson A., and. Croom-Morgan S., (1991). Suppler performance measures and practces n JIT companes n the US and UK, Internatonal Journal of Purchasng and Materals Management, 21(4), pp , [22] Brch, D. (2001). Made for each other? Supply Management, pp [23] Blanchard, D. (2007). Supply chans also work n reverse. Industry Week, 1, [24] Bobar, V., Mandć, K., Delbašć, B., & Suknovć, M. (2015). An Integrated Fuzzy Approach to Bdder Selecton n Publc Procurement: Serban Government Case Study. Acta Polytechnca Hungarca, 12(2). [25] Boran, F. E., Genç, S., Kurt, M., & Akay, D. (2009). A mult-crtera ntutonstc fuzzy group decson makng for suppler selecton wth TOPSIS method. Expert Systems wth Applcatons, 36(8), [26] Brans, J. P., & Vncke, P. (1985). Note A Preference Rankng Organsaton Method: (The PROMETHEE Method for Multple Crtera Decson-Makng). Management scence, 31(6), [27] Brauers, W. K. M., & Zavadskas, E. K. (2006). The MOORA method and ts applcaton to prvatzaton n a transton economy. Control and Cybernetcs, 35(2), 445. [28] Brauers, W. K. M., & Zavadskas, E. K. (2010). Project management by MULTIMOORA as an nstrument for transton economes. Technologcal and Economc Development of Economy, (1), [29] Bronja, H., & Bronja, H. (2015). Two-phase selecton procedure of alumnzed sheet suppler by applyng fuzzy AHP and fuzzy TOPSIS methodology. Tehnčk vjesnk, 22(4), [30] Bucoń, R., & Sobotka, A. (2015). Decson-makng model for choosng resdental buldng repar varants. Journal of Cvl Engneerng and Management, 21(7), [31] Büyüközkan, G., & Çfç, G. (2011). A novel fuzzy mult-crtera decson framework for sustanable suppler selecton wth ncomplete nformaton. Computers n Industry, 62(2), [32] Büyüközkan, G., and Göçer, F. (2017), Applcaton of a new combned ntutonstc fuzzy MCDM approach based on axomatc desgn methodology for the suppler selecton problem, Appled Soft Computng, Vol. 52, pp [33] Cavnato, L. J.; Flynn, A. E.; Kauffman, R. G. (2006). The Supply Management Handbook. 7th edton. McGraw-Hll. 182

200 LITERATURA [34] Çeb, F., and Bayraktar, D. (2003), An ntegrated approach for suppler selecton,logstcs nformaton management, Vol. 16 No. 6, pp [35] Cha, J., & Lu, J. N. (2014). A novel belevable rough set approach for suppler selecton. Expert Systems wth Applcatons, 41(1), [36] Chamodrakas, I., Bats, D., & Martakos, D. (2010). Suppler selecton n electronc marketplaces usng satsfcng and fuzzy AHP. Expert Systems wth Applcatons, 37(1), [37] Chan, F. T., and Kumar, N. (2007), Global suppler development consderng rsk factors usng fuzzy extended AHP-based approach, Omega, Vol. 35 No. 4, pp [38] Chang, B., Chang, C. W., & Wu, C. H. (2011). Fuzzy DEMATEL method for developng suppler selecton crtera. Expert systems wth Applcatons, 38(3), [39] Chang, D. Y. (1996). Applcatons of the extent analyss method on fuzzy AHP. European journal of operatonal research, 95(3), [40] Chatterjee, N., & Bose, G. (2013). Selecton of vendors for wnd farm under fuzzy MCDM envronment. Internatonal Journal of Industral Engneerng Computatons, 4(4), [41] Chen, C. T. (2000). Extensons of the TOPSIS for group decson-makng under fuzzy envronment. Fuzzy sets and systems, 114(1), 1-9. [42] Chen, C. T., Ln, C. T., & Huang, S. F. (2006). A fuzzy approach for suppler evaluaton and selecton n supply chan management. Internatonal journal of producton economcs, 102(2), [43] Chen, N., Xu, Z., & Xa, M. (2015). The ELECTRE I Mult-Crtera Decson-Makng Method Based on Hestant Fuzzy Sets. Internatonal Journal of Informaton Technology & Decson Makng, 14(3): [44] Chen, S. J., & Hwang, C. L. (1992). Fuzzy multple attrbute decson makng methods. In Fuzzy multple attrbute decson makng (pp ). Sprnger Berln Hedelberg. [45] Chen, Z., & Yang, W. (2011). An MAGDM based on constraned FAHP and FTOPSIS and ts applcaton to suppler selecton. Mathematcal and Computer Modellng, 54(11), [46] Cheragh, S. H., Dadashzadeh, M., & Subramanan, M. (2011). Crtcal success factors for suppler selecton: an update. Journal of Appled Busness Research (JABR), 20(2). [47] Chouy, C. Y., Chou, S. H., & Yeh, C. Y. (2011). Usng fuzzy AHP n selectng and prortzng sustanable suppler on CSR for Tawan's electroncs ndustry. Journal of Informaton and Optmzaton Scences, 32(5), [48] Chou, T. Y.; Hsu, C. L.; Chen, M. C A fuzzy mult-crtera decson model for nternatonal tourst hotels locaton selecton, Internatonal journal of hosptalty management, 27(2): [49] Chow, G., Heaver, T. D., & Henrksson, L. E. (1994). Logstcs performance: defnton and measurement. Internatonal journal of physcal dstrbuton & logstcs management, 24(1), [50] Chrstopher, M. (1992). Logstcs and supply chan management: strateges for reducng costs and mprovng servces. Ptman, London. [51] Chrstopher, M. (1994). Logstcs and supply chan management. Fnancal Tmes, Irwn Professonal Publshng, New York [52] Chrstopher, M. (2010). Logstcs and Supply Chan Management. (4th ed.). Prentce Hall [53] Chrstopher, M. (2016). Logstcs & supply chan management. Pearson Hgher Ed. 183

201 LITERATURA [54] Cox, A., & Ireland, P. (2002). Managng constructon supply chans: the common sense approach. Engneerng Constructon and Archtectural Management, 9(5 6), [55] Crstea, C., & Crstea, M. (2017). A mult-crtera decson makng approach for suppler selecton n the flexble packagng ndustry. In MATEC Web of Conferences (Vol. 94, p ). EDP Scences. [56] Dalalah, D.; Al-Oqla, F.; Hayajneh, M Applcaton of the Analytc Herarchy Process (AHP) n mult-crtera analyss of the selecton of cranes, Jordan Journal of Mechancal and Industral Engneerng, 4(5): [57] Das, Mank Chandra, Bjan Sarkar, and Sddhartha Ray. (2012)."A framework to measure relatve performance of Indan techncal nsttutons usng ntegrated fuzzy AHP and COPRAS methodology." Soco-Economc Plannng Scences [58] Davs, T. (1993). Effectve supply chan management. Sloan management revew, 34(4), 35. [59] De Boer, L., Labro, E., & Morlacch, P. (2001). A revew of methods supportng suppler selecton. European journal of purchasng & supply management, 7(2), [60] Dckson, G. W. (1966), An analyss of vendor selecton and the buyng process, Journal of Purchasng, Vol. 2 No. 1, pp [61] Dncer, H., Hacoglu, U., Tatoglu, E., & Delen, D. (2016). A fuzzy-hybrd analytc model to assess nvestors' perceptons for ndustry selecton. Decson Support Systems, 86, [62] Dulmn, R., & Mnnno, V. (2003). Suppler selecton usng a mult-crtera decson ad method. Journal of Purchasng and Supply Management, 9(4), [63] Düntsch, I., & Gedga, G. (1997, August). The rough set engne GROBIAN. In Proc. 15th IMACS World Congress, Berln (Vol. 4, pp ). [64] Ecer, F. (2017). Thrd-party logstcs (3PLs) provder selecton va Fuzzy AHP and EDAS ntegrated model. Technologcal and Economc Development of Economy, [65] Ellram, L. M. (1990). The suppler selecton decson n strategc partnershps, Journal of Purchasng and materals Management, Vol. 26 No. 4, pp [66] Eraslan, E., & Atalay, K. D. (2014). A Comparatve Holstc Fuzzy Approach for Evaluaton of the Chan Performance of Supplers. Journal of Appled Mathematcs, [67] Erdogan, S. A., Šaparauskas, J., & Tursks, Z. (2017). Decson Makng n Constructon Management: AHP and Expert Choce Approach. Proceda Engneerng, 172, [68] Ertugrul, I., & Karakasoglu, N. (2006). The fuzzy analytc herarchy process for suppler selecton and an applcaton n a textle company. In Proceedngs of 5th nternatonal symposum on ntellgent manufacturng systems (pp ). [69] Ertuğrul, İ. Karakaşoğlu, N. (2008). Comparson of fuzzy AHP and fuzzy TOPSIS methods for faclty locaton selecton, The Internatonal Journal of Advanced Manufacturng Technology, 39(7-8): [70] Eshtehardan, E., Ghodous, P., & Bejanpour, A. (2013). Usng ANP and AHP for the suppler selecton n the constructon and cvl engneerng companes; case study of Iranan company. KSCE Journal of Cvl Engneerng, 17(2), [71] Fallahpour, A., Olugu, E. U., and Musa, S. N. (2017), A hybrd model for suppler selecton: ntegraton of AHP and mult expresson programmng (MEP), Neural Computng and Applcatons, Vol. 28 No. 3, pp

202 LITERATURA [72] Fazlollahtabar, H., Eslam, H., & Salman, H. (2010). Desgnng a fuzzy expert system to evaluate alternatves n fuzzy analytc herarchy process. Journal of Software Engneerng and Applcatons, 3(4), 409. [73] Fazlollahtabar, H., Vasljevć, M., Stevć, Ž., Veskovć, S., (2017). Evaluaton of suppler crtera n automotve ndustry usng rough AHP. Internatonal Conference on Management, Engneerng and Envronment ICMNEE 2017, [74] Fouladgar, M. M., Yazdan-Chamzn, A., Zavadskas, E. K., & Haj Mon, S. H. (2012). A new hybrd model for evaluatng the workng strateges: case study of constructon company. Technologcal and Economc Development of Economy, 18(1), [75] Frazelle, E. (2002). Supply chan strategy: the logstcs of supply chan management. McGrraw Hll. [76] Gabus, A.; Fontela, E. (1972). World Problems an Invtaton to Further Thought wthn the Framework of DEMATEL. Battelle Geneva Research Centre, Swtzerland, Geneva. [77] Gencer, C., and Gürpnar, D. (2007). Analytc network process n suppler selecton: A case study n an electronc frm. Appled mathematcal modellng, Vol. 31 No 11, pp [78] Ghadkolae, A. S., & Esboue, S. K. (2014). Integratng Fuzzy AHP and Fuzzy ARAS for evaluatng fnancal performance. Boletm da Socedade Paranaense de Matemátca, 32(2), [79] Gharakhan, D. (2012). The evaluaton of suppler selecton crtera by fuzzy DEMATEL method. Journal of Basc and Appled Scentfc Research, 2(4), [80] Ghodsypour, S. H., & O bren, C. (2001). The total cost of logstcs n suppler selecton, under condtons of multple sourcng, multple crtera and capacty constrant. Internatonal journal of producton economcs, 73(1), [81] Ghodsypour, S. H., & O'Bren, C. (1998). A decson support system for suppler selecton usng an ntegrated analytc herarchy process and lnear programmng. Internatonal journal of producton economcs, 56, [82] Ghorabaee, K. M., Amr, M., Olfat, L., & Khatam Frouzabad, S. A. (2017a). Desgnng a mult-product multperod supply chan network wth reverse logstcs and multple objectves under uncertanty. Technologcal and Economc Development of Economy, 23(3), [83] Ghorabaee, M. K., Amr, M., Zavadskas, E. K., & Tursks, Z. (2017b). Mult-crtera group decson-makng usng an extended EDAS method wth nterval type-2 fuzzy sets, Ekonome a Management = Economcs and Management. 2017, č. 1, s [84] Ghorabaee, M. K., Amr, M., Sadaghan, J. S., & Goodarz, G. H. (2014). Multple crtera group decson-makng for suppler selecton based on COPRAS method wth nterval type-2 fuzzy sets. The Internatonal Journal of Advanced Manufacturng Technology, 75(5-8), [85] Ghorabaee, M. K., Zavadskas, E. K., Amr, M., & Tursks, Z. (2016). Extended EDAS Method for Fuzzy Mult-crtera Decson-makng: An Applcaton to Suppler Selecton. Internatonal Journal of Computers Communcatons & Control, 11(3), [86] Ghorabaee, M. K., Zavadskas, E. K., Amr, M., & Tursks, Z. (2016). Extended EDAS method for fuzzy mult-crtera decson-makng: an applcaton to suppler selecton. Internatonal Journal of Computers Communcatons & Control, 11(3),

203 LITERATURA [87] Ghorabaee, M. K., Zavadskas, E. K., Olfat, L., & Tursks, Z. (2015). Mult-Crtera Inventory Classfcaton Usng a New Method of Evaluaton Based on Dstance from Average Soluton (EDAS). Informatca, 26(3), [88] Ggovć, L., Pamučar, D., Bajć, Z., & Drobnjak, S. (2017a). Applcaton of GIS-Interval Rough AHP Methodology for Flood Hazard Mappng n Urban Areas. Water, 9(6), 360. [89] Ggovć, L., Pamučar, D., Bajć, Z., & Mlćevć, M. (2016). The Combnaton of Expert Judgment and GIS-MAIRCA Analyss for the Selecton of Stes for Ammunton Depots. Sustanablty, 8(4), 372. [90] Ggovć, Lj., Pamučar, D., Bajć, Z., Mlćevć, M. (2016). "The combnaton of expert judgment and GIS-MAIRCA analyss for the selecton of stes for ammunton depot", Sustanablty, 8(4), artcle No. 372 pp [91] Ggovć, LJ., Pamučar, D., Božanć, D., Ljubojevć, S. (2017). "Applcaton of the GIS-DANP- MABAC mult-crtera model for selectng the locaton of wnd farms: A case study of Vojvodna, Serba". Renewable Energy, 103, pp [92] Ggovć, Lj., Pamučar, D., Lukć, D., Markovć, S. (2016). Applcaton of the GIS - Fuzzy DEMATEL MCDA model for ecotoursm development ste evaluaton: A case study of Dunavsk ključ, Serba, Land use polcy, 58, pp [93] Gnevčus, R. (2008). Normalzaton of quanttes of varous dmensons. Journal of busness economcs and management, 9(1), [94] Groznk, A., & Maslarc, M. (2009). Investgatng The Impact Of Informaton Sharng In A Two- Level Supply Chan Usng Busness Process Modelng And Smulatons: A Case Study. In ECMS (pp ). [95] Gul, M., Celk, E., Aydn, N., Gumus, A. T., & Guner, A. F. (2016). A state of the art lterature revew of VIKOR and ts fuzzy extensons on applcatons. Appled Soft Computng, 46, [96] Gunasekaran, A., & Nga, E. W. (2004). Informaton systems n supply chan ntegraton and management. European Journal of Operatonal Research, 159(2), [97] Guner, A. F., Yucel, A., & Ayyldz, G. (2009). An ntegrated fuzzy-lp approach for a suppler selecton problem n supply chan management. Expert Systems wth Applcatons, 36(5), [98] Guo, X., Yuan, Z., and Tan, B. (2009), Suppler selecton based on herarchcal potental support vector machne,expert Systems wth Applcatons, Vol. 36No. 3, pp [99] Gutérrez, J. P. Delgado, L. G. Van Halem, D. Wessels, P. Retveld, L. C. (2016). Multcrtera analyss appled to the selecton of drnkng water sources n developng countres: a case study of Cal, Colomba, Journal of Water Santaton and Hygene for Development, washdev [100] Hasheman, S. M., Behzadan, M., Samzadeh, R., & Ignatus, J. (2014). A fuzzy hybrd group decson support system approach for the suppler evaluaton process. The Internatonal Journal of Advanced Manufacturng Technology, 73(5-8), [101] Hayes, D. K. (2010). Purchasng: A gude for hosptalty professonals. Pearson Educaton Inda. [102] Hensher, D. A., Brewer, A. M. (2004) Transport and economcs and management perspectve. Oxford Unversty Press [103] Herva, M.; Roca, E., Rankng muncpal sold waste treatment alternatves based on ecologcal footprnt and mult-crtera analyss, Ecologcal Indcators, 25:

204 LITERATURA [104] Ho, L. H., Feng, S. Y., Lee, Y. C., & Yen, T. M. (2012). Usng modfed IPA to evaluate suppler s performance: Multple regresson analyss and DEMATEL approach. Expert Systems wth Applcatons, 39(8), [105] Ho, W., Xu, X., & Dey, P. K. (2010). Mult-crtera decson makng approaches for suppler evaluaton and selecton: A lterature revew. European Journal of Operatonal Research, 202(1), [106] Hruška, R., Průša, P., and Babć, D. (2014). The use of AHP method for selecton of suppler. Transport, Vol 29 No. 2, pp [107] Hsu, C. W., Kuo, T. C., Chen, S. H., & Hu, A. H. (2013). Usng DEMATEL to develop a carbon management model of suppler selecton n green supply chan management. Journal of cleaner producton, 56, [108] Hudymáčová, M., Benková, M., Pócsová, J., and Škovránek, T. (2010). Suppler selecton based on mult-crteral AHP method. Acta Montanstca Slovaca, Vol. 15 No 3, pp [109] Hwang, C. L., & Yoon, K. (1981). Lecture Notes n Economcs and Mathematcal Systems: Multple Attrbute Decson Makng: Methods and Appllcaton. Sprnger Verlag. [110] Irajpour, A., Hajmrza, M., Alav, M. G., & Kazem, S. (2012). Identfcaton and evaluaton of the most effectve factors n green suppler selecton usng DEMATEL method. Journal of Basc and Appled Scentfc Research, 2(5), [111] Ilangkumaran, M.; Kumanan, S. (2009). Selecton of mantenance polcy for textle ndustry usng hybrd mult-crtera decson makng approach, Journal of Manufacturng Technology Management, 20(7): [112] Izadkhah, M. (2012). Group decson makng process for suppler selecton wth TOPSIS method under nterval-valued ntutonstc fuzzy numbers. Advances n Fuzzy Systems, 2012, 2. [113] Jafarnejad, A., & Salm, M. (2013). Grey Topss Method for Suppler Selecton wth Ltrature and Delph Crtara n an Auto Company. Academa Arena, 5(12), [114] Jaml, N., Besar, R., and Sm, H. K. (2013). A Study of Multcrtera Decson Makng for Suppler Selecton n Automotve Industry. Journal of Industral Engneerng, vol. 2013, Artcle ID , 22 pages. [115] Jelokhan-Narak, M., & Malczewsk, J. (2015). A group multcrtera spatal decson support system for parkng ste selecton problem: A case study. Land Use Polcy, 42, [116] Junor, F. R. L., Osro, L., & Carpnett, L. C. R. (2014). A comparson between Fuzzy AHP and Fuzzy TOPSIS methods to suppler selecton. Appled Soft Computng, 21, [117] Kabr, G., & Hasn, M. A. A. (2011). Comparatve analyss of AHP and Fuzzy AHP models for multcrtera nventory classfcaton. Internatonal Journal of Fuzzy Logc Systems, 1(1), [118] Kagncoglu, C. H. (2006). A fuzzy multobjectve programmng approach for suppler selecton n a supply chan. The Busness Revew, 6(1), [119] Kahraman, C., Cebec, U., & Ulukan, Z. (2003). Mult-crtera suppler selecton usng fuzzy AHP.Logstcs nformaton management,16(6), [120] Kahraman, C., Keshavarz Ghorabaee, M., Zavadskas, E. K., Cevk Onar, S., Yazdan, M., & Oztays, B. (2017). Intutonstc fuzzy EDAS method: an applcaton to sold waste dsposal ste selecton. Journal of Envronmental Engneerng and Landscape Management, 25(1),

205 LITERATURA [121] Kahraman, C. Çevk, S. Ates, N. Y. Gülbay, M. (2007). Fuzzy mult-crtera evaluaton of ndustral robotc systems, Computers & Industral Engneerng, 52(4): [122] Kaklauskas, A., Zavadskas, E. K., Raslanas, S., Gnevcus, R., Komka, A., & Malnauskas, P. (2006). Selecton of low-e wndows n retroft of publc buldngs by applyng multple crtera method COPRAS: A Lthuanan case. Energy and Buldngs, 38(5), [123] Kang, H. Y., Lee, A. H., & Yang, C. Y. (2012). A fuzzy ANP model for suppler selecton as appled to IC packagng. Journal of Intellgent Manufacturng, 23(5), [124] Kannan, V. R., and Choon Tan, K. (2006), Buyer-suppler relatonshps: The mpact of suppler selecton and buyer-suppler engagement on relatonshp and frm performance, Internatonal Journal of Physcal Dstrbuton & Logstcs Management, Vol. 36 No. 10, pp [125] Kar, A. K. (2014). Revstng the suppler selecton problem: An ntegrated approach for group decson support. Expert systems wth applcatons, 41(6), [126] Karpak, B., Kumcu, E., & Kasugant, R. R. (2001). Purchasng materals n the supply chan: managng a mult-objectve task. European Journal of Purchasng & Supply Management, 7(3), [127] Kauffman, A., & Gupta, M. M. (1991). Introducton to Fuzzy Arthmetc, Theory and Applcaton. [128] Kaykc, Y A conceptual model for ntermodal freght logstcs centre locaton decsons, Proceda-Socal and Behavoral Scences, 2(3): [129] Keshavarz Ghorabaee, M., Zavadskas, E. K., Olfat, L., & Tursks, Z. (2015). Mult-crtera nventory classfcaton usng a new method of evaluaton based on dstance from average soluton (EDAS). Informatca, 26(3), [130] Khoo, L. P., & Zha, L. Y. (2001). A prototype genetc algorthm-enhanced rough set-based rule nducton system. Computers n Industry, 46(1), [131] Khorasan, O., & Bafrue, M. K. (2011). A fuzzy AHP approach for evaluatng and selectng suppler n pharmaceutcal ndustry. Internatonal Journal of Academc Research, 3(1). [132] Klc, H. S. (2013), An ntegrated approach for suppler selecton n mult-tem/mult-suppler envronment, Appled Mathematcal Modellng, Vol. 37 No. 14, pp [133] Klncc, O., & Onal, S. A. (2011). Fuzzy AHP approach for suppler selecton n a washng machne company. Expert systems wth Applcatons, 38(8), [134] Knezevc, B., Delc, M., & Lovrc, S. (2012). Evaluaton Of Supplers As A Bass Of Strategc Procurement. Busness Logstcs n Modern Management, 12, [135] Krause, D. R., Pagell, M., & Curkovc, S. (2001). Toward a measure of compettve prortes for purchasng. Journal of Operatons Management, 19(4), [136] Kwong, C. K., & Ba, H. (2003). Determnng the mportance weghts for the customer requrements n QFD usng a fuzzy AHP wth an extent analyss approach. Ie Transactons, 35(7), [137] Lam, K. C., Tao, R., Lam, M. C. K. (2010). A materal suppler selecton model for property developers usng fuzzy prncpal component analyss. Automaton n Constructon, 19, [138] Lambert, D. M., & Cooper, M. C. (2000). Issues n supply chan management. Industral marketng management, 29(1),

206 LITERATURA [139] Lasch, R., & Janker, C. G. (2005). Suppler selecton and controllng usng multvarate analyss. Internatonal Journal of Physcal Dstrbuton & Logstcs Management, 35(6), [140] Lee, A. H. (2009), A fuzzy suppler selecton model wth the consderaton of benefts, opportuntes, costs and rsks, Expert systems wth applcatons, Vol. 36 No. 2, pp [141] Lee, A. H., Chen, W. C., & Chang, C. J. (2008). A fuzzy AHP and BSC approach for evaluatng performance of IT department n the manufacturng ndustry n Tawan. Expert systems wth applcatons, 34(1), [142] Lee, H. L., & Bllngton, C. (1992). Managng supply chan nventory: ptfalls and opportuntes. Sloan management revew, 33(3), 65. [143] Lehmann, D. R., & O'shaughnessy, J. (1974). Dfference n attrbute mportance for dfferent ndustral products. The Journal of Marketng, [144] L, Y., Tang, J., Luo, X., & Xu, J. (2009). An ntegrated method of rough set, Kano s model and AHP for ratng customer requrements fnal mportance. Expert Systems wth Applcatons, 36(3), [145] Lang, H., Ren, J., Gao, Z., Gao, S., Luo, X., Dong, L., Scpon, A. (2016). Identfcaton of crtcal success factors for sustanable development of bofuel ndustry n Chna based on grey decson-makng tral and evaluaton laboratory (DEMATEL), Journal of Cleaner Producton, 131, pp [146] Lao, C. N. (2010, July). Suppler selecton project usng an ntegrated Delph, AHP and Taguch loss functon. In Probstat forum (Vol. 3, pp ). [147] Lao, C. N., & Kao, H. P. (2011). An ntegrated fuzzy TOPSIS and MCGP approach to suppler selecton n supply chan management. Expert Systems wth Applcatons, 38(9), [148] Lao, C. N., Fu, Y. K., & Wu, L. C. (2016). Integrated FAHP, ARAS-F and MSGP methods for green suppler evaluaton and selecton. Technologcal and Economc Development of Economy, 22(5), [149] Ln, H. T., and Chang, W. L. (2008), Order selecton and prcng methods usng flexble quantty and fuzzy approach for buyer evaluaton, European Journal of Operatonal Research, Vol. 187 No. 2, pp [150] Ln, R. J. (2013). Usng fuzzy DEMATEL to evaluate the green supply chan management practces. Journal of Cleaner Producton, 40, [151] Lukoszová, X. (2004). Nákup a jeho řízení: učebnce pro ekonomcké a obchodně podnkatelské fakulty. Computer Press. [152] Lummus, R. R., & Vokurka, R. J. (1999). Defnng supply chan management: a hstorcal perspectve and practcal gudelnes. Industral Management & Data Systems, 99(1), [153] Lysons, K., & Farrngton, B. (2006). Purchasng and supply chan management. Pearson Educaton. [154] MacCrmmon, K. R. (1968). Decson makng among multple-attrbute alternatves: a survey and consoldated approach (No. RM-4823-ARPA). rand corp santa monca ca. [155] Machars, C., & Bernardn, A. (2015). Revewng the use of Mult-Crtera Decson Analyss for the evaluaton of transport projects: Tme for a mult-actor approach. Transport Polcy, 37,

207 LITERATURA [156] Mahmoodzadeh, S., Shahrab, J., Parazar, M., & Zaer, M. S. (2007). Project selecton by usng fuzzy AHP and TOPSIS technque. World Academy of Scence, Engneerng and Technology, 30, [157] Mangla, S., Kumar, P., & Barua, M. K. (2014). An evaluaton of attrbute for mprovng the green supply chan performance va DEMATEL method. Internatonal Journal of Mechancal Engneerng & Robotcs Research, 1(1), [158] Mardan, A., Jusoh, A., & Zavadskas, E. K. (2015). Multple crtera decson-makng technques and ther applcatons a revew of the lterature from 2000 to Economc Research-Ekonomska Istražvanja, 28(1), [159] Maslarć, M. (2014). Razvoj modela upravljanja logstčkm rzcma u lancma snabdevanja. Fakultet tehnčkh nauka, Unverztet u Novom Sadu, doktorska dsertacja [160] Mehralan, G., Rajabzadeh Gatar, A., Morakabat, M., & Vatanpour, H. (2012). Developng a sutable model for suppler selecton based on supply chan rsks: an emprcal study from Iranan pharmaceutcal companes. Iranan Journal of Pharmaceutcal Research, 11(1), [161] Mexner, O. (2009). Fuzzy AHP group decson analyss and ts applcaton for the evaluaton of energy sources. Insttute of Marketng and Innovaton. Venna, Austra. [162] Mentes, A., & Helvacoglu, I. H. (2012). Fuzzy decson support system for spread moorng system selecton. Expert Systems wth Applcatons, 39(3), [163] Mentzer, J. T., DeWtt, W., Keebler, J. S., Mn, S., Nx, N. W., Smth, C. D., & Zachara, Z. G. (2001). Defnng supply chan management. Journal of Busness logstcs, 22(2), [164] Mkhalov, L. (2003). Dervng prortes from fuzzy parwse comparson judgements. Fuzzy sets and systems, 134(3), [165] Mn, H., & Galle, W. P. (1999). Electronc commerce usage n busness-to-busness purchasng. Internatonal Journal of Operatons & Producton Management, 19(9), [166] Mn, H., & Zhou, G. (2002). Supply chan modelng: past, present and future. Computers & ndustral engneerng, 43(1), [167] Mohaghar, A., Fath, M. R., & Jafarzadeh, A. H. (2013). A Suppler Selecton Method Usng AR-DEA and Fuzzy VIKOR. Internatonal Journal of Industral Engneerng: Theory, Applcatons and Practce, 20(5-6). [168] Monczka, R. M., Handfeld, R. B., Gunpero, L. C., & Patterson, J. L. (2015). Purchasng and supply chan management. Cengage Learnng. [169] Morsell, A. (2015). The decson-makng process between conventon and cognton. Economcs and Socology, 8(1), [170] Nayagam, V. L. G., Jeevaraj, S., & Svaraman, G. (2016). Complete Rankng of Intutonstc Fuzzy Numbers. Fuzzy Informaton and Engneerng, 8(2), [171] Ngan, S. C. (2017). A unfed representaton of ntutonstc fuzzy sets, hestant fuzzy sets and generalzed hestant fuzzy sets based on ther u-maps. Expert Systems wth Applcatons, 69, [172] Nguyen, H. (2016). A new nterval-valued knowledge measure for nterval-valued ntutonstc fuzzy sets and applcaton n decson makng. Expert Systems wth Applcatons, 56,

208 LITERATURA [173] Nooramn, A. S., Kan Moghadam, M., Moazen Jahrom, A. R., & Sayareh, J. (2012). Comparson of AHP and FAHP for selectng yard gantry cranes n marne contaner termnals. Journal of the Persan Gulf, 3(7), [174] Nuuter, T., Lll, I., & Tupenate, L. (2015). Comparson of housng market sustanablty n European countres based on multple crtera assessment. Land Use Polcy, 42, [175] Nydck, R. L., & Hll, R. P. (1992). Usng the analytc herarchy process to structure the suppler selecton procedure. Journal of supply chan management, 28(2), 31. [176] Olcer, A.Y. Odabaş A.Y. (2005) A new fuzzy multple attrbutve group decson makng methodology and ts applcaton to propulson/manoeuvrng system selecton problem, European Journal of Operatonal Research, 166(1): [177] Olugu, E. U., & Wong, K. Y. (2009). Supply Chan Performance Evaluaton: Trends and Challenges 1. [178] Önüt, S., Kara, S.S., and Işık, E, (2009) Long Term Suppler Selecton Usng a Combned Fuzzy MCDM Approach: A Case Study for a Telecommuncaton Company, Expert Systems wth Applcatons Vol. 36(2), [179] Oprcovc, S. (1998). Multcrtera optmzaton of cvl engneerng systems. Faculty of Cvl Engneerng, Belgrade, 2(1), [180] Özbek, A. (2015), Suppler Selecton wth Fuzzy TOPSIS,Journal of Economcs and Sustanable Development, Vol.6 No.18, [181] Özdağoğlu, A., & Özdağoğlu, G. (2007). Comparson of AHP and fuzzy AHP for the multcrtera decson makng processes wth lngustc evaluatons. [182] Pal Sngh, A. (2012). Suppler selecton usng MCDM method n TV manufacturng organzaton. Global Journal of Research In Engneerng, 12(1-G). [183] Pamučar, D., & Ćrovć, G. (2015). The selecton of transport and handlng resources n logstcs centers usng Mult-Attrbutve Border Approxmaton area Comparson (MABAC). Expert Systems wth Applcatons, 42(6), [184] Pamučar, D., Vasn, L., & Lukovac, V. (2014, October). Selecton of Ralway Level Crossngs for Investng n Securty Equpment usng Hybrd Dematel-Marc Model. In Proceedngs of the XVI Internatonal Scentfc-expert Conference on Ralways, Ralcon, Nš, Serba [185] Parthban, P., Zubar, H. A., & Garge, C. P. (2012). A mult crtera decson makng approach for supplers selecton. Proceda Engneerng, 38, [186] Pawlak, Z. (1982). Rough sets. Internatonal Journal of Computer & Informaton Scences, 11(5), [187] Pawlak, Z. (1991). Rough sets: Theoretcal aspects of reasonng about data Dordrecht & Boston: Kluwer Academc Publshers. [188] Pawlak, Z. (1993). Anatomy of conflcts, Bulletn of the European Assocaton for Theoretcal Computer Scence, 50, pp [189] Peng, X., & Da, J. (2016). Approaches to sngle-valued neutrosophc MADM based on MABAC, TOPSIS and new smlarty measure wth score functon. Neural Computng and Applcatons, [190] Peng, X., & Lu, C. (2017). Algorthms for neutrosophc soft decson makng based on EDAS, new smlarty measure and level soft set. Journal of Intellgent & Fuzzy Systems, 32(1),

209 LITERATURA [191] Perreault, W. D., & Russ, F. A. (1976). Physcal dstrbuton servce n ndustral purchase decsons. Journal of marketng, 40(2), [192] Petrovc, D., Xe, Y., Burnham, K., & Petrovc, R. (2008). Coordnated control of dstrbuton supply chans n the presence of fuzzy customer demand. European Journal of Operatonal Research, 185(1), [193] P, W. N., & Low, C. (2005). Suppler evaluaton and selecton usng Taguch loss functons. The Internatonal Journal of Advanced Manufacturng Technology, 26(1-2), [194] P, W. N., & Low, C. (2006). Suppler evaluaton and selecton va Taguch loss functons and an AHP. The Internatonal Journal of Advanced Manufacturng Technology, 27(5-6), [195] Pooler, V. H., Pooler, D. J., & Farney, S. D. (2007). Global purchasng and supply management: Fulfll the vson. Sprnger Scence & Busness Meda. [196] Prakash, C., & Barua, M. K. (2016). An analyss of ntegrated robust hybrd model for thrdparty reverse logstcs partner selecton under fuzzy envronment. Resources, Conservaton and Recyclng, 108, [197] Pushkna, J., Jansons, V., & Ddenko, K. (2015). Applyng Mult-Crtera Analyss Methods for Fre Rsk Assessment. Safety of Technogenc Envronment, 7(1): [198] Ramanathan, R. (2007). Suppler selecton problem: Integratng DEA wth the approaches of total cost of ownershp and AHP. Supply Chan Management: An Internatonal Journal, 12(4), [199] Raut, R. D., Bhasn, H. V., & Kamble, S. S. (2011). Evaluaton of suppler selecton crtera by combnaton of AHP and fuzzy DEMATEL method. Internatonal Journal of Busness Innovaton and Research, 5(4), [200] Rezae, J. (2015). Best-worst mult-crtera decson-makng method. Omega, 53, [201] Rezae, J., Fahm, P. B., and Tavasszy, L. (2014), Suppler selecton n the arlne retal ndustry usng a funnel methodology: Conjunctve screenng method and fuzzy AHP, Expert Systems wth Applcatons, Vol. 41No. 18, pp [202] Rkalovć, A. Cosć, I. Lazarevć, D GIS based mult-crtera analyss for ndustral ste selecton, Proceda Engneerng, 69: [203] Roostaee, R., Izadkhah, M., Lotf, F. H., & Rostamy-Malkhalfeh, M. (2012). A mult-crtera ntutonstc fuzzy group decson makng method for suppler selecton wth VIKOR method. Internatonal Journal of Fuzzy System Applcatons (IJFSA), 2(1), [204] Roy, B. (1991). The outrankng approach and the foundatons of ELECTRE methods. Theory and decson, 31(1), [205] Roy, J., Chatterjee, K., Bandhopadhyay, A., & Kar, S. (2016). Evaluaton and selecton of Medcal Toursm stes: A rough AHP based MABAC approach. arxv preprnt arxv: [206] Saad, S. M., Kunhu, N., & Mohamed, A. M. (2016). A fuzzy-ahp mult-crtera decsonmakng model for procurement process. Internatonal Journal of Logstcs Systems and Management, 23(1), [207] Saaty, T.L. (1988). What s the analytc herarchy process? Sprnger Berln Hedelberg, [208] Saaty, T. L. (1980). The Analytc Herarchy Process, Mc Graw Hll, NewYork 192

210 LITERATURA [209] Saaty, T. L. (1986). Axomatc foundaton of the analytc herarchy process. Management scence, 32(7), [210] Saaty, T. L. (1990). How to make a decson: the analytc herarchy process. European journal of operatonal research, 48(1), [211] Saaty, T. L. (2003). Decson-makng wth the AHP: Why s the prncpal egenvector necessary. European journal of operatonal research, 145(1), [212] Saaty, T. L. (2008). Decson makng wth the analytc herarchy process. Internatonal journal of servces scences, 1(1), [213] Saaty, T. L., & Vargas, L. G. (2012). Models, methods, concepts & applcatons of the analytc herarchy process (Vol. 175). Sprnger Scence & Busness Meda. [214] Safa, M., Shah, A., Haas, C. T., & Hpel, K. W. (2014). Suppler selecton process n an ntegrated constructon materals management model. Automaton n Constructon, 48, [215] Sarkar, S., Lakha, V., Ansar, I., & Mat, J. (2017). Suppler Selecton n Uncertan Envronment: A Fuzzy MCDM Approach. In Proceedngs of the Frst Internatonal Conference on Intellgent Computng and Communcaton (pp ). Sprnger Sngapore. [216] Sawk, T. (2010), Sngle VS. Multple objectve suppler selecton n make to order envronment, Omega, Vol. 38 No. 3-4, pp [217] Secundo, G., Secundo, G., Magarell, D., Magarell, D., Esposto, E., Esposto, E., & Passante, G. (2017). Supportng decson-makng n servce suppler selecton usng a hybrd fuzzy extended AHP approach: A case study. Busness Process Management Journal, 23(1), [218] Shen, C. Y., & Yu, K. T. (2009). Enhancng the effcacy of suppler selecton decson-makng on the ntal stage of new product development: A hybrd fuzzy approach consderng the strategc and operatonal factors smultaneously. Expert Systems wth Applcatons, 36(8), [219] Shen, C. Y., & Yu, K. T. (2013). Strategc vender selecton crtera. Proceda Computer Scence, 17, [220] Sh, H., Lu, H. C., L, P., & Xu, X. G. (2017). An ntegrated decson makng approach for assessng healthcare waste treatment technologes from a multple stakeholder. Waste Management, 59, [221] Shukla, R. K., Garg, D., & Agarwal, A. (2014). An ntegrated approach of Fuzzy AHP and Fuzzy TOPSIS n modelng supply chan coordnaton. Producton & Manufacturng Research, 2(1), [222] Smch-Lev, D., Smch-Lev, E., & Kamnsky, P. (1999). Desgnng and managng the supply chan: Concepts, strateges, and cases. New York: McGraw-Hll. [223] Smpson, P. M., Sguaw, J. A., and Whte, S. C. (2002), Measurng the performance of supplers: an analyss of evaluaton processes, Journal of Supply Chan Management, Vol. 38, No. 4, pp [224] Sngh, R., Rajput, H., Chaturved, V., & Vmal, J. (2012). Suppler selecton by technque of order preference by smlarty to deal soluton (TOPSIS) method for automotve ndustry. Int J Adv Technol Eng Res (IJATER), 2(2), [225] Svlevčus, H. Maskelūnate, L The crtera for dentfyng the qualty of passengers transportaton by ralway and ther rankng usng AHP method, Transport, 25(4):

211 LITERATURA [226] Szong, G., & Tao, S. (2009). Interval-valued fuzzy number and ts expresson based on structured element. In Fuzzy Informaton and Engneerng Volume 2 (pp ). Sprnger, Berln, Hedelberg. [227] Sohelrad, S., Govndan, K., Mardan, A., Zavadskas, E. K., Nlash, M., & Zakuan, N. (2017). Applcaton of data envelopment analyss models n supply chan management: a systematc revew and meta-analyss. Annals of Operatons Research, [228] Soltan, A., Hewage, K., Reza, B., & Sadq, R. (2015). Multple stakeholders n mult-crtera decson-makng n the context of muncpal sold waste management: a revew. Waste Management, 35, [229] Song, W., Mng, X., & Wu, Z. (2013). An ntegrated rough number-based approach to desgn concept evaluaton under subjectve envronments. Journal of Engneerng Desgn, 24(5), [230] Song, W., Mng, X., Wu, Z., & Zhu, B. (2014). A rough TOPSIS approach for falure mode and effects analyss n uncertan envronments. Qualty and Relablty Engneerng Internatonal, 30(4), [231] Stankevčenė, J. Mencatė, E The evaluaton of bank performance usng a multcrtera decson makng model: a case study on Lthuanan commercal banks, Technologcal and Economc Development of Economy, 18(1): [232] Stevens, G. C. (1989). Integratng the supply chan. Internatonal Journal of Physcal Dstrbuton & Materals Management, 19(8), 3-8. [233] Stevć Ž., Tanackov I., Ćosć I., Veskovć S., Vasljevć M.,(2015a). Poređenje AHP FUZZY AHP za procenu težne krterjuma V Međunarodn smpozjum Nov Horzont saobraćaja komunkacja, str [234] Stevć Ž., Vasljevć M., Veskovć S., Blagojevć A., Đorđevć Ž., (2017a) Defnng the most mportant crtera for supplers evaluaton n constructon companes Internatonal conference Transport and Logstcs Nš, Serba, pp [235] Stevć, Ž., (2017). Crtera for suppler selecton: A lterature revew, Internatonal Journal of Engneerng, Busness and Enterprse Applcatons, 19(1), December 2016-February 2017, pp [236] Stevć, Ž., (2017), Evaluaton of suppler selecton crtera nagrcultural company usng fuzzy AHP method, 22 th Internatonal Scentfc ConferenceStrategc Management and Decson Support Systemsn Strategc Management, [237] Stevć, Ž., Alhodžć, A., Božčkovć, Z., Vasljevć, M., & Vasljevć, Đ. (2015c). Applcaton of combned AHP-TOPSIS model for decson makng n management. In 5 th Internatonal conference Economcs and Management-based On New Technologes EMONT/Vrnjačka Banja, Serba (pp ). [238] Stevć, Ž., Božčkovć, Z., & Mćć, B. (2015b). Optmzaton of the mport of Chpboard-a case study. Internatonal Journal of Engneerng, Busness and Enterprse Applcatons, 14(1), [239] Stevć, Ž., Pamučar, D., Kazmeras Zavadskas, E., Ćrovć, G., & Prentkovsks, O. (2017). The Selecton of Wagons for the Internal Transport of a Logstcs Company: A Novel Approach Based on Rough BWM and Rough SAW Methods. Symmetry, 9(11),

212 LITERATURA [240] Stevć, Ž., Pamučar, D., Vasljevć, M., Stojć, G., & Korca, S. (2017). Novel Integrated Mult-Crtera Model for Suppler Selecton: Case Study Constructon Company. Symmetry, 9(11), 279. [241] Stevć, Ž., Tanackov I., Vasljevć, M., & Veskovć, S. (2016a). Evaluaton n logstcs usng combned AHP and EDAS method. In XLIII nternatonal symposum on operatonal research, Serba pp [242] Stevć, Ž., Tanackov, I., Vasljevć, M., Novarlć, B., & Stojć, G. (2016). An ntegrated fuzzy AHP and TOPSIS model for suppler evaluaton. Serban Journal of Management, 11(1), [243] Stevć, Ž., Vasljevć, M., & Sremac, S., (2016). Fuzzy AHP and ARAS model for decson makng n logstcs. In 6 th Internatonal conference Economcs and Management-based On New Technologes EMONT/Vrnjačka Banja, Serba (pp ). [244] Stevć, Ž., Veskovć, S., Vasljevć, M., & Tepć, G. (2015e). The selecton of the logstcs center locaton usng AHP method. Unversty of Belgrade, Faculty of Transport and Traffc Engneerng, LOGIC, Belgrade, [245] Stevć, Ž.,(2016). Suppler selecton usng AHP and COPRAS method, Strategc management and decson support systems n strategc management, Subotca, pp [246] Stevć, Ž. Tanackov, I., Vasljevć, M., Rkalovć, A., (2017c), Suppler evaluaton crtera: AHP rough approach, XVII Internatonal Scentfc Conference on Industral Systems, Nov Sad [247] Stewart, G. (1995). Supply chan performance benchmarkng study reveals keys to supply chan excellence. Logstcs Informaton Management, 8(2), [248] Štremkenė, D., Šlogerenė, J., & Tursks, Z. (2016). Mult-crtera analyss of electrcty generaton technologes n Lthuana. Renewable Energy, 85: [249] Sun, C. C. (2010). A performance evaluaton model by ntegratng fuzzy AHP and fuzzy TOPSIS methods. Expert systems wth applcatons, 37(12), [250] Tam, M. C., & Tummala, V. R. (2001). An applcaton of the AHP n vendor selecton of a telecommuncatons system. Omega, 29(2), [251] Tamošatenė, J., Zavadskas, E. K., & Tursks, Z. (2013). Mult-crtera rsk assessment of a constructon project. Proceda Computer Scence, 17, [252] Teeravaraprug, J. (2008). Outsourcng and vendor selecton model based on Taguch loss functon. W ras n Songkhl Nakharn, 30(4), 523. [253] Thomas, D. J., & Grffn, P. M. (1996). Coordnated supply chan management. European journal of operatonal research, 94(1), [254] Tng, S. C., and Cho, D. I. (2008), An ntegrated approach for suppler selecton and purchasng decsons, Supply Chan Management: An Internatonal Journal, Vol 13 No. 2, pp [255] Twar, V., Jan, P.K., Tandon, P. (2016). Product desgn concept evaluaton usng rough sets and VIKOR method, Advanced Engneerng Informatcs, 30, pp [256] Tomek, J., & Hofman, J. (1999). Moderní řízení nákupu podnku. Management press. [257] Trantaphyllou, E., & Mann, S. H. (1995). Usng the analytc herarchy process for decson makng n engneerng applcatons: some challenges. Internatonal Journal of Industral Engneerng: Applcatons and Practce, 2(1),

213 LITERATURA [258] Trnkūnenė, E., Podvezko, V., Zavadskas, E. K., Jokšenė, I., Vnogradova, I., & Trnkūnas, V. (2017). Evaluaton of qualty assurance n contractor contracts by mult-attrbute decsonmakng methods. Economc Research-Ekonomska Istražvanja, 30(1), [259] Tursks, Z., & Juodagalvenė, B. (2016). A novel hybrd mult-crtera decson-makng model to assess a stars shape for dwellng houses. Journal of Cvl Engneerng and Management, 22(8), [260] Tursks, Z., & Zavadskas, E. K. (2010). A new fuzzy addtve rato assessment method (ARAS F). Case study: The analyss of fuzzy multple crtera n order to select the logstc centers locaton. Transport, 25(4), [261] Tursks, Z., Lazauskas, M., & Zavadskas, E. K. (2012). Fuzzy multple crtera assessment of constructon ste alternatves for non-hazardous waste ncneraton plant n Vlnus cty, applyng ARAS-F and AHP methods. Journal of Envronmental Engneerng and Landscape Management, 20(2), [262] Tursks, Z., Zavadskas, E. K., Antuchevcene, J., & Kosareva, N. (2015). A hybrd model based on fuzzy AHP and fuzzy WASPAS for constructon ste selecton. Internatonal Journal of Computers Communcatons & Control, 10(6), [263] Ulubeyl, S., & Kazaz, A. (2016). Fuzzy mult-crtera decson makng model for subcontractor selecton n nternatonal constructon projects. Technologcal and Economc Development of Economy, 22(2), [264] Ustnovchus, L., Zavadkas, E. K., & Podvezko, V. (2007). Applcaton of a quanttatve multple crtera decson makng (MCDM-1) approach to the analyss of nvestments n constructon. Control and cybernetcs, 36(1), 251. [265] Uygun, Ö., Kaçamak, H., Ayşm, G., and Şmşr, F. (2013), Suppler selecton for automotve ndustry usng mult-crtera decson makng technques,tojsat: The Onlne Journal of Scence and Technology, Vol. 3 No. 4, pp [266] Vahdan, B., Tavakkol-Moghaddam, R., Mousav, S. M., & Ghodratnama, A. (2013). Soft computng based on new nterval-valued fuzzy modfed mult-crtera decson-makng method. Appled Soft Computng, 13(1), [267] Vadya, O. S., & Kumar, S. (2006). Analytc herarchy process: An overvew of applcatons. European Journal of operatonal research, 169(1), [268] Verma, R., & Pullman, M. E. (1998). An analyss of the suppler selecton process. Omega, 26(6), [269] Vlutenė, T., & Zavadskas, E. K. (2003). The applcaton of mult-crtera analyss to decson support for the faclty management of a resdental dstrct. Journal of Cvl Engneerng and Management, 9(4), [270] Vnodh, S., Ramya, R. A., & Gautham, S. G. (2011). Applcaton of fuzzy analytc network process for suppler selecton n a manufacturng organsaton. Expert Systems wth Applcatons, 38(1), [271] Wang, G., Huang, S. H., and Dsmukes, J. P. (2004), Product-drven supply chan selecton usng ntegrated mult-crtera decson-makng methodology, Internatonal Journal of Producton Economcs, Vol. 91 No. 1, pp [272] Wang, J., Wang, J. Q., Zhang, H. Y., & Chen, X. H. (2015). Mult-crtera decson-makng based on hestant fuzzy lngustc term sets: an outrankng approach. Knowledge-Based Systems, 86,

214 LITERATURA [273] Wang, T. K., Zhang, Q., Chong, H. Y., and Wang, X. (2017), Integrated Suppler Selecton Framework n a Reslent Constructon Supply Chan: An Approach va Analytc Herarchy Process (AHP) and Grey Relatonal Analyss (GRA), Sustanablty, Vol. 9 No. 2, pp.289. [274] Wang, W. P. (2010), A Fuzzy lngustc computng approach to suppler selecton, Appled Mathematcal Modelng,Vol. 34, pp [275] Wang, Y. J., & Lee, H. S. (2007). Generalzng TOPSIS for fuzzy multple-crtera group decson-makng. Computers & Mathematcs wth Applcatons, 53(11), [276] Wang, Y. M., & Chn, K. S. (2011). Fuzzy analytc herarchy process: A logarthmc fuzzy preference programmng methodology. Internatonal Journal of Approxmate Reasonng, 52(4), [277] Wang, Y. M., Luo, Y., & Hua, Z. (2008). On the extent analyss method for fuzzy AHP and ts applcatons. European Journal of Operatonal Research, 186(2), [278] Weber, C. A., Current, J. R., and Benton, W. C. (1991), Vendor selecton crtera and methods, European journal of operatonal research, Vol. 50 No. 1, pp [279] Wnd, Y.,. Green P. E, and Robnson P. J., (1968). The determnants of vendor selecton: the evaluaton functon approach, Journal of Purchasng, vol. 4, no. 3, pp , [280] Wong, J. K.; L, H Applcaton of the analytc herarchy process (AHP) n mult-crtera analyss of the selecton of ntellgent buldng systems, Buldng and Envronment, 43(1): [281] Wu, K. J., Tseng, M. L., Chu, A. S., & Lm, M. K. (2016). Achevng compettve advantage through supply chan aglty under uncertanty: A novel mult-crtera decson-makng structure. Internatonal Journal of Producton Economcs. [282] Xu, Z., & Lao, H. (2014) Intutonstc fuzzy analytc herarchy process. Fuzzy Systems, IEEE Transactons on, Vol. 22, No. 4, pp , [283] Xue, Y. X., You, J. X., La, X. D., & Lu, H. C. (2016). An nterval-valued ntutonstc fuzzy MABAC approach for materal selecton wth ncomplete weght nformaton. Appled Soft Computng, 38, [284] Yang, J. L., & Tzeng, G. H. (2011). An ntegrated MCDM technque combned wth DEMATEL for a novel cluster-weghted wth ANP method. Expert Systems wth Applcatons, 38(3), [285] Yao, M., & Mnner, S. (2017). Revew of mult-suppler nventory models n supply chan management: An update. [286] Yazdan, M.; Hashemkhan Z. S, Zavadskas, E.K. (2016). New ntegraton of MCDM methods and QFD n the selecton of green supplers, Journal of Busness Economcs and Management,1-17. [287] Yazdan-Chamzn, A. (2014). An ntegrated fuzzy mult crtera group decson makng model for handlng equpment selecton. Journal of Cvl Engneerng and Management, 20(5), [288] Yazdan-Chamzn, A., Haj Yakchal, S., & Kazmeras Zavadskas, E. (2012). Usng a ntegrated MCDM model for mnng method selecton n presence of uncertanty. Ekonomska stražvanja, 25(4), [289] Yıldırım, B. F. Önder, E. (2014). Evaluatng potental freght vllages İn stanbul usng mult crtera decson makng technques, Journal of Logstcs Management, 3(1):

215 LITERATURA [290] Yu, S. M., Wang, J., & Wang, J. Q. (2017). An nterval type-2 fuzzy lkelhood-based MABAC approach and ts applcaton n selectng hotels on a toursm webste. Internatonal Journal of Fuzzy Systems, 19(1), [291] Yu, X., Guo, S., Guo, J., & Huang, X. (2011). Rank B2C e-commerce webstes n e-allance based on AHP and fuzzy TOPSIS. Expert Systems wth Applcatons, 38(4), [292] Yücenur, G. N., Vayvay, Ö., and Demrel, N. Ç. (2011), Suppler selecton problem n global supply chans by AHP and ANP approaches under fuzzy envronment, The Internatonal Journal of Advanced Manufacturng Technology, Vol. 56 No. 5-8, pp [293] Zadeh, L. A. (1965). Fuzzy sets. Informaton and control, 8(3), [294] Zavadskas, E. K., Antuchevcene, J., Tursks, Z., & Adel, H. (2016). Hybrd multple-crtera decson-makng methods: A revew of applcatons n engneerng. Scenta Iranca. Transacton A: Cvl Engneerng, 23(1), [295] Zavadskas, E. K., Cavallaro, F., Podvezko, V., Ubarte, I., & Kaklauskas, A. (2017). MCDM Assessment of a Healthy and Safe Bult Envronment Accordng to Sustanable Development Prncples: A Practcal Neghborhood Approach n Vlnus. Sustanablty, 9(5), 702. [296] Zavadskas, E. K., Kaklauskas, A., & Kvederytė, N. (2001). Multvarant desgn and multple crtera analyss of a buldng lfe cycle. Informatca, 12(1), [297] Zavadskas, E. K., Kaklauskas, A., & Sarka, V. (1994). The new method of multcrtera complex proportonal assessment of projects. Technologcal and Economc Development of Economy, 1(3), [298] Zavadskas, E. K., Tursks, Z., & Kldenė, S. (2014). State of art surveys of overvews on MCDM/MADM methods. Technologcal and Economc Development of Economy, 20(1): [299] Zavadskas, E. K., Tursks, Z., & Tamošatene, J. (2010). Rsk assessment of constructon projects. Journal of cvl engneerng and management, 16(1), [300] Zavadskas, E. K., Tursks, Z., & Tamosatene, J. (2011). Selecton of constructon enterprses management strategy based on the SWOT and mult-crtera analyss. Archves of cvl and mechancal engneerng, 11(4), [301] Zavadskas, E. K., Tursks, Z., & Vlutene, T. (2010). Multple crtera analyss of foundaton nstalment alternatves by applyng Addtve Rato Assessment (ARAS) method. Archves of cvl and mechancal engneerng, 10(3), [302] Zavadskas, E. K., Vanūnas, P., Tursks, Z., & Tamošatenė, J. (2012). Multple crtera decson support system for assessment of projects managers n constructon. Internatonal Journal of Informaton Technology & Decson Makng, 11(02), [303] Zavadskas, E. K. Vlutenė, T. Tursks, Z. Šaparauskas, J Mult-crtera analyss of Projects' performance n constructon, Archves of Cvl and Mechancal Engneerng, 14(1): [304] Zeydan, M., Çolpan, C., and Çobanoğlu, C. (2011), A combned methodology for suppler selecton and performance evaluaton, Expert Systems wth Applcatons, Vol. 38 No. 3, pp [305] Zha, L. Y., Khoo, L. P., & Zhong, Z. W. (2009). A rough set based QFD approach to the management of mprecse desgn nformaton n product development. Advanced Engneerng Informatcs,23(2),

216 LITERATURA [306] Zha, L.Y., Khoo, L.P., & Zhong, Z.W. (2008). A rough set enhanced fuzzy approach to qualty functon deployment. Internatonal Journal of Advanced Manufacturng Technology, 37(5 6), pp [307] Zhang, L. (2010). Comparson of classcal analytc herarchy process (AHP) approach and fuzzy AHP approach n multple-crtera decson makng for commercal vehcle nformaton systems and networks (CVISN) project. [308] Zhang, Q., Xe, Q., & Wang, G. (2016). A survey on rough set theory and ts applcatons. CAAI Transactons on Intellgence Technology. [309] Zhong, L., & Yao, L. (2017). An ELECTRE I-based mult-crtera group decson makng method wth nterval type-2 fuzzy numbers and ts applcaton to suppler selecton. Appled Soft Computng,57, [310] Zhou, X., Sh, Y., Deng, X., Deng, Y. (2017). D-DEMATEL: A new method to dentfy crtcal success factorsn emergency management. Safety Scence, 91, pp [311] Zhu, G.N., Hu, J., Q, J., Gu, C.C., Peng, J.H. (2015). An ntegrated AHP and VIKOR for desgn concept evaluaton based on rough number, Advanced Engneerng Informatcs, 29, pp [312] Zhu, K. J., Jng, Y., & Chang, D. Y. (1999). A dscusson on extent analyss method and applcatons of fuzzy AHP. European journal of operatonal research, 116(2), [313] Zmmermann, H. J. (2010). Fuzzy set theory.wley Interdscplnary Revews: Computatonal Statstcs,2(3), [314] Zolfan, S. H., Chen, I. S., Rezaenya, N., & Tamošatenė, J. (2012). A hybrd MCDM model encompassng AHP and COPRAS-G methods for selectng company suppler n Iran.Technologcal and economc development of economy,18(3), [315] Żywca, P., Stachowak, A., & Wygralak, M. (2016). An algorthmc study of relatve cardnaltes for nterval-valued fuzzy sets. Fuzzy Sets and Systems, 294,

217 PRILOZI PRILOZI Prlog I - Ocenjvanje krterjuma podkrterjuma u razlčtm oblastma K 1 K 2 K 3 K 4 K 5 Tabela P.I.1. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje prezolovanh cev K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (1, 3/2, 2) (2/3, 1, 2) E 2 (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) E 5 (1,1,1) (3/2, 2, 5/2) (2/3, 1, 2) (3/2, 2, 5/2) (2/3, 1, 2) E 1 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1, 1, 1) (2/5, 1/2, 2/3) E 2 (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (1, 3/2, 2) (1, 1, 1) E 3 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) E 4 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) E 5 (2/5, 1/2, 2/3) (1,1,1) (1/3, 2/5, 1/2) (1, 1, 1) (1/3, 2/5, 1/2) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (3/2, 2, 5/2) (1, 1, 1) E 2 (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) (5/2, 3, 7/2) (3/2, 2, 5/2) E 3 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 5 (1/2, 1, 3/2) (2, 5/2, 3) (1,1,1) (2, 5/2, 3) (1, 1, 1) E 1 (1/2, 2/3, 1) (1, 1, 1) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) E 2 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/7, 1/3, 2/5) (1,1,1) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 4 (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 5 (2/5, 1/2, 2/3) (1, 1, 1) (1/3, 2/5, 1/2) (1,1,1) (1/2, 2/3, 1) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 1, 1) (3/2, 2, 5/2) (1,1,1) E 2 (2/3, 1, 2) (1, 1, 1) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1,1,1) E 3 (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 4 (1/2, 2/3, 1) (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 5 (1/2, 1, 3/2) (2, 5/2, 3) (1, 1, 1) (1, 3/2, 2) (1,1,1) Tabela P.I.2. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje prezolovanh cev K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (3/2, 2, 5/2) E 2 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (3/2, 2, 5/2) E 4 (1,1,1) (1, 1, 1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) E 5 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 1, 1) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) E 2 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (1, 1, 1) (1/2, 1, 3/2) E 4 (1, 1, 1) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) E 5 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 1, 1) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 4 (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 4 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 5 (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1,1,1) E 2 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 3 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 4 (1/2, 2/3, 1) (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) E 5 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) 200

218 PRILOZI K 1 K 2 K 3 K 4 K 5 Tabela P.I.3. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje prezolovanh cev K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 3/2, 2) (5/2, 3, 7/2) E 2 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (5/2, 3, 7/2) E 3 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1/2, 1, 3/2) (5/2, 3, 7/2) E 4 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (5/2, 3, 7/2) E 5 (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 3/2, 2) (5/2, 3, 7/2) E 1 (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) E 2 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 3 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1, 3/2, 2) E 4 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (2, 5/2, 3) E 5 (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (2, 5/2, 3) E 3 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (3/2, 2, 5/2) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 5 (2/3, 1, 2) (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) E 3 (2/3, 1, 2) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (2, 5/2, 3) E 4 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 5 (1/2, 2/3, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) E 2 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) E 3 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1,1,1) E 4 (2/7, 1/3, 2/5) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 5 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) Tabela P.I.4. Ocenjvanje podkrterjuma grupe komnkacje poslovanje u oblast prozvodnje prezolovanh cev K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) E 2 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) E 3 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) E 4 (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) E 5 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 1, 1) E 1 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 2 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) E 3 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) E 5 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 1 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 1, 1) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 4 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 5 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 2 (1, 3/2, 2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 3 (1, 1, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 4 (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 5 (3/2, 2, 5/2) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (1, 1, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1,1,1) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) E 4 (1, 3/2, 2) (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 5 (1, 1, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) 201

219 PRILOZI Tabela P.I.5. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje nameštaja K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (2, 5/2, 3) (1, 3/2, 2) E 2 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (3/2, 2, 5/2) E 3 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) E 4 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (3/2, 2, 5/2) E 5 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) E 1 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (2/3, 1, 2) E 2 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 5 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1, 1, 1) E 2 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 1 (1/3, 2/5, 1/2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1, 1, 1) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 4 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1, 1, 1) E 5 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (1,1,1) E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1, 1, 1) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 4 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1, 1, 1) (1,1,1) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) Tabela P.I.6. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje nameštaja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (2, 5/2, 3) (2/3, 1, 2) E 2 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 5 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (3/2, 2, 5/2) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 2/3, 1) E 2 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 1, 1) E 4 (1, 1, 1) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 5 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 2/3, 1) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) E 2 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1, 1, 1) (2/3, 1, 2) E 4 (1/2, 1, 3/2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 5 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/7, 1/3, 2/5) E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (1,1,1) (2/3, 1, 2) E 4 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 5 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/7, 1/3, 2/5) E 1 (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (5/2, 3, 7/2) (1,1,1) E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) E 3 (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) E 4 (2/3, 1, 2) (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) E 5 (2/5, 1/2, 2/3) (1, 3/2, 2) (3/2, 2, 5/2) (5/2, 3, 7/2) (1,1,1) 202

220 PRILOZI K 1 K 2 K 3 K 4 K 5 Tabela P.I.7. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje nameštaja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1, 1, 1) (2/3, 1, 2) (2, 5/2, 3) E 2 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (5/2, 3, 7/2) E 3 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (2, 5/2, 3) E 4 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 1, 1) (5/2, 3, 7/2) E 5 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) (5/2, 3, 7/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 3/2, 2) E 2 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (3/2, 2, 5/2) E 3 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1, 3/2, 2) E 4 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (2, 5/2, 3) E 5 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1, 1, 1) (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (2, 5/2, 3) E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (2, 5/2, 3) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) E 4 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (5/2, 3, 7/2) E 5 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (5/2, 3, 7/2) E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (2, 5/2, 3) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) E 4 (1, 1, 1) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (5/2, 3, 7/2) E 5 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (1,1,1) E 2 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/3, 2/5, 1/2) (1,1,1) E 3 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) E 4 (2/7, 1/3, 2/5) (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (2/7, 1/3, 2/5) (1,1,1) E 5 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) Tabela P.I.8. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje nameštaja K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) E 2 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) E 3 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) E 4 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) E 5 (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) E 1 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) E 2 (1, 3/2, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1, 1, 1) (1, 1, 1) E 4 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1, 1, 1) E 5 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) E 1 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) E 2 (1, 3/2, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) E 4 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 5 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (3/2, 2, 5/2) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) E 2 (1/2, 1, 3/2) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) E 3 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) E 4 (1, 3/2, 2) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 5 (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 1 (2, 5/2, 3) (3/2, 2, 5/2) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) E 2 (3/2, 2, 5/2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) E 3 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) E 4 (1/2, 1, 3/2) (1, 1, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 5 (1, 3/2, 2) (1, 1, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) 203

221 PRILOZI Tabela P.I.9. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje PVC stolarje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) K 1 E 2 (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) E 3 (1,1,1) (2/3, 1, 2) (1, 3/2, 2) (1, 3/2, 2) (1, 1, 1) E 1 (1, 3/2, 2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) (1/2, 1, 3/2) K 2 E 2 (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) E 3 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1/2, 1, 3/2) E 1 (1, 3/2, 2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) K 3 E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 2/3, 1) E 1 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) K 4 E 2 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) E 3 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 1, 1) (1,1,1) (1/2, 2/3, 1) K 5 E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) E 1 (1/2, 1, 3/2) (2/3, 1, 2) (2/3, 1, 2) (1, 3/2, 2) (1,1,1) E 3 (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) (1, 3/2, 2) (1,1,1) Tabela P.I.10. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje PVC stolarje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) K 1 E 2 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) E 3 (1,1,1) (1, 1, 1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (3/2, 2, 5/2) K 2 E 2 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (3/2, 2, 5/2) E 3 (1, 1, 1) (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (1, 1, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) K 3 E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (2/3, 1, 2) E 1 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) K 4 E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (1, 1, 1) E 3 (1/2, 2/3, 1) (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (2/3, 1, 2) K 5 E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1, 1, 1) (1,1,1) E 1 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) E 3 (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) Tabela P.I.11. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje PVC stolarje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) K 1 E 2 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1, 3/2, 2) (2, 5/2, 3) E 3 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (5/2, 3, 7/2) E 1 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) K 2 E 2 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1, 1, 1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (3/2, 2, 5/2) E 1 (1,1,1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) K 3 E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) K 4 E 2 (1/2, 2/3, 1) (1, 1, 1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (2, 5/2, 3) K 5 E 2 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 1 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 3/2, 2) (1,1,1) E 3 (5/2, 3, 7/2) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/3, 2/5, 1/2) (1,1,1) 204

222 PRILOZI Tabela P.I.12. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje PVC stolarje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1, 1, 1) (2/5, 1/2, 2/3) K 1 E 2 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (1/2, 2/3, 1) E 3 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) E 1 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) K 2 E 2 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) E 3 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) (2/3, 1, 2) E 1 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) K 3 E 2 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (2/3, 1, 2) E 3 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 1 (1, 1, 1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) K 4 E 2 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1/3, 2/5, 1/2) E 3 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) K 5 E 2 (1, 3/2, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) (2, 5/2, 3) (1,1,1) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) Tabela P.I.13. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje plastčnh kesa folja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) K 1 E 2 (1,1,1) (1, 3/2, 2) (2, 5/2, 3) (3/2, 2, 5/2) (2/3, 1, 2) E 3 (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) (3/2, 2, 5/2) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) K 2 E 2 (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) E 3 (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 1, 1) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) K 3 E 2 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/3, 2/5, 1/2) E 3 (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) K 4 E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (2/5, 1/2, 2/3) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) K 5 E 2 (1/2, 1, 3/2) (1, 3/2, 2) (2, 5/2, 3) (3/2, 2, 5/2) (1,1,1) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) E 3 (2/3, 1, 2) (1, 1, 1) (1, 3/2, 2) (1, 3/2, 2) (1,1,1) Tabela P.I.14. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje plastčnh kesa folja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) K 1 E 2 (1,1,1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) K 2 E 2 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 1, 1) E 3 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) (2/3, 1, 2) K 3 E 2 (1,1,1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) (2/3, 1, 2) K 4 E 2 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1,1,1) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) K 5 E 2 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1,1,1) E 1 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) 205

223 PRILOZI Tabela P.I.15. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje plastčnh kesa folja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1, 3/2, 2) (2, 5/2, 3) K 1 E 2 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 3/2, 2) (2, 5/2, 3) E 3 (1,1,1) (2, 5/2, 3) (3/2, 2, 5/2) (1, 3/2, 2) (5/2, 3, 7/2) E 1 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) K 2 E 2 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) E 3 (1/3, 2/5, 1/2) (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1, 3/2, 2) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) K 3 E 2 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 3 (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) K 4 E 2 (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) K 5 E 2 (1/3, 2/5, 1/2) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 3 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) Tabela P.I.16. Ocenjvanje podkrterjuma grupe komunkacja poslovanje u oblast prozvodnje plastčnh kesa folja K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (2/5, 1/2, 2/3) K 1 E 2 (1,1,1) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/3, 1, 2) (2/7, 1/3, 2/5) E 3 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) E 1 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (2/3, 1, 2) K 2 E 2 (1, 3/2, 2) (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 3 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1, 1, 1) K 3 E 2 (2, 5/2, 3) (1, 3/2, 2) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) E 1 (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 2/3, 1) K 4 E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 3 (1/2, 1, 3/2) (1, 1, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) K 5 E 2 (5/2, 3, 7/2) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (1,1,1) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) Tabela P.I.17. Ocenjvanje podkrterjuma grupe fnansje u oblast prozvodnje žce K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) (1, 3/2, 2) (3/2, 2, 5/2) K 1 E 2 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (2, 5/2, 3) E 1 (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1, 3/2, 2) K 2 E 2 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 1 (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) K 3 E 2 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) K 5 E 2 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) E 1 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/3, 1, 2) (1,1,1) E 3 (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) 206

224 PRILOZI Tabela P.I.18. Ocenjvanje podkrterjuma grupe logstka u oblast prozvodnje žce K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) (1, 3/2, 2) K 1 E 2 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 3 (1,1,1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) (1/2, 1, 3/2) K 2 E 2 (1/2, 2/3, 1) (1,1,1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 3 (1,1,1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (1,1,1) K 3 E 2 (1/2, 2/3, 1) (1,1,1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) (3/2, 2, 5/2) K 4 E 2 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 5 E 2 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (1,1,1) E 3 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) Tabela P.I.19. Ocenjvanje podkrterjuma grupe kvaltet u oblast prozvodnje žce K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (2, 5/2, 3) K 1 E 2 (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (3/2, 2, 5/2) (2, 5/2, 3) E 3 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) K 2 E 2 (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (2, 5/2, 3) E 3 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) K 3 E 2 (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (2, 5/2, 3) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) K 5 E 2 (1/3, 2/5, 1/2) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 3 (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) Tabela P.I.20. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast prozvodnje žce K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) K 1 E 2 (1,1,1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1, 1, 1) (1/2, 1, 3/2) E 3 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1, 1, 1) (2/3, 1, 2) E 1 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) K 2 E 2 (3/2, 2, 5/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 3 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) E 1 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) K 3 E 2 (1/2, 1, 3/2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 1 (1, 1, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (1, 1, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 3 (1, 1, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) K 5 E 2 (2/3, 1, 2) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 1 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 3 (1/2, 1, 3/2) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) 207

225 PRILOZI Tabela P.I.21. Ocenjvanje podkrterjuma grupe fnansje u oblast automoblske ndustrje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 3/2, 2) (2/3, 1, 2) K 1 E 2 (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (2/3, 1, 2) E 3 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (1,1,1) E 1 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (2/5, 1/2, 2/3) K 2 E 2 (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) E 3 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1,1,1) (2/5, 1/2, 2/3) K 3 E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1, 3/2, 2) (1/2, 2/3, 1) E 3 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (2/5, 1/2, 2/3) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1,1,1) (2/5, 1/2, 2/3) K 4 E 2 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) E 3 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) K 5 E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (2, 5/2, 3) (1,1,1) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (3/2, 2, 5/2) (3/2, 2, 5/2) (1,1,1) E 3 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (1,1,1) Tabela P.I.22. Ocenjvanje podkrterjuma grupe logstka u oblast automoblske ndustrje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) K 1 E 2 (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 3 (1,1,1) (2/3, 1, 2) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) K 2 E 2 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) E 3 (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) (5/2, 3, 7/2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) K 3 E 2 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (1, 3/2, 2) (3/2, 2, 5/2) (3/2, 2, 5/2) (1,1,1) (1,1,1) K 4 E 2 (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 3 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 5 E 2 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1,1,1) E 1 (1, 3/2, 2) (3/2, 2, 5/2) (3/2, 2, 5/2) (1,1,1) (1,1,1) E 3 (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) Tabela P.I.23. Ocenjvanje podkrterjuma grupe kvaltet u oblast automoblske ndustrje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) K 1 E 2 (1,1,1) (3/2, 2, 5/2) (2/3, 1, 2) (2, 5/2, 3) (5/2, 3, 7/2) E 3 (1,1,1) (2, 5/2, 3) (2/3, 1, 2) (1, 3/2, 2) (2, 5/2, 3) E 1 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) K 2 E 2 (2/5, 1/2, 2/3) (1,1,1) (1/3, 2/5, 1/2) (1/2, 1, 3/2) (1, 3/2, 2) E 3 (1/3, 2/5, 1/2) (1,1,1) (5/2, 3, 7/2) (1/2, 2/3, 1) (1,1,1) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) K 3 E 2 (1/2, 1, 3/2) (2, 5/2, 3) (1,1,1) (5/2, 3, 7/2) (5/2, 3, 7/2) E 3 (1/2, 1, 3/2) (5/2, 3, 7/2) (1,1,1) (3/2, 2, 5/2) (5/2, 3, 7/2) E 1 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (1/3, 2/5, 1/2) (2/3, 1, 2) (2/7, 1/3, 2/5) (1,1,1) (1/2, 1, 3/2) E 3 (1/2, 2/3, 1) (1, 3/2, 2) (2/5, 1/2, 2/3) (1,1,1) (1, 3/2, 2) K 5 E 2 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (2/7, 1/3, 2/5) (2/3, 1, 2) (1,1,1) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 3 (1/3, 2/5, 1/2) (1,1,1) (5/2, 3, 7/2) (1/2, 2/3, 1) (1,1,1) 208

226 PRILOZI Tabela P.I.24. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast automoblske ndustrje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) K 1 E 2 (1,1,1) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1, 3/2, 2) E 1 (1, 3/2, 2) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) K 2 E 2 (1, 3/2, 2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 3 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (2, 5/2, 3) E 1 (3/2, 2, 5/2) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) K 3 E 2 (1,1,1) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (3/2, 2, 5/2) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) K 4 E 2 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (1, 1, 1) E 3 (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (5/2, 3, 7/2) K 5 E 2 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1, 1, 1) (1,1,1) E 1 (3/2, 2, 5/2) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (5/2, 3, 7/2) (1,1,1) Tabela P.I.25. Ocenjvanje podkrterjuma grupe logstka u poljoprvrednoj oblast K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) K 1 E 2 (1,1,1) (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) E 3 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) K 2 E 2 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 3 (1/2, 1, 3/2) (1,1,1) (1,1,1) (2/3, 1, 2) (3/2, 2, 5/2) E 1 (1, 3/2, 2) (2, 5/2, 3) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) K 3 E 2 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 3 (1/2, 1, 3/2) (1,1,1) (1,1,1) (2/3, 1, 2) (3/2, 2, 5/2) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) K 4 E 2 (1, 3/2, 2) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (1,1,1) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (2, 5/2, 3) K 5 E 2 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (1,1,1) (1,1,1) E 1 (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) E 3 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1,1,1) Tabela P.I.26. Ocenjvanje podkrterjuma grupe kvaltet u poljoprvrednoj oblast K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 3/2, 2) K 1 E 2 (1,1,1) (3/2, 2, 5/2) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1, 3/2, 2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (1,1,1) K 2 E 2 (2/5, 1/2, 2/3) (1,1,1) (2/7, 1/3, 2/5) (1/3, 2/5, 1/2) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) E 1 (1, 3/2, 2) (2, 5/2, 3) (1,1,1) (2/3, 1, 2) (2, 5/2, 3) K 3 E 2 (3/2, 2, 5/2) (5/2, 3, 7/2) (1,1,1) (1/2, 1, 3/2) (5/2, 3, 7/2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 1 (3/2, 2, 5/2) (5/2, 3, 7/2) (1/2, 1, 3/2) (1,1,1) (5/2, 3, 7/2) K 4 E 2 (1, 3/2, 2) (2, 5/2, 3) (2/3, 1, 2) (1,1,1) (2, 5/2, 3) E 3 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) K 5 E 2 (1/2, 2/3, 1) (2/3, 1, 2) (2/7, 1/3, 2/5) (1/3, 2/5, 1/2) (1,1,1) E 1 (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (1,1,1) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) 209

227 PRILOZI Tabela P.I.27. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u poljoprvrednoj oblast K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 1, 3/2) (2/5, 1/2, 2/3) K 1 E 2 (1,1,1) (1, 3/2, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) E 3 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) E 1 (3/2, 2, 5/2) (1,1,1) (2/3, 1, 2) (2, 5/2, 3) (1,1,1) K 2 E 2 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/3, 2/5, 1/2) E 3 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 1 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) (3/2, 2, 5/2) K 3 E 2 (3/2, 2, 5/2) (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (1,1,1) (1/2, 1, 3/2) E 1 (2/3, 1, 2) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) K 4 E 2 (3/2, 2, 5/2) (2, 5/2, 3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 3 (1, 3/2, 2) (1/2, 1, 3/2) (1,1,1) (1,1,1) (1/2, 1, 3/2) K 5 E 2 (3/2, 2, 5/2) (2, 5/2, 3) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 1 (3/2, 2, 5/2) (1,1,1) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 1, 3/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) Tabela P.I.28. Ocenjvanje podkrterjuma grupe fnansje u oblast ostalo K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (1, 3/2, 2) (2/3, 1, 2) K 1 E 2 (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (2/3, 1, 2) E 3 (1,1,1) (2/3, 1, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) (2/3, 1, 2) E 1 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) K 2 E 2 (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (2, 5/2, 3) (1, 1, 1) E 3 (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 1, 1) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (3/2, 2, 5/2) (1,1,1) K 3 E 2 (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (1/2, 2/3, 1) E 3 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (1/3, 2/5, 1/2) E 1 (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) K 4 E 2 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) (1/3, 2/5, 1/2) E 3 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 2/3, 1) K 5 E 2 (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (2, 5/2, 3) (1,1,1) E 1 (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (3/2, 2, 5/2) (1,1,1) E 3 (1/2, 1, 3/2) (1, 1, 1) (2, 5/2, 3) (1, 3/2, 2) (1,1,1) Tabela P.I.29. Ocenjvanje podkrterjuma grupe logstka u oblast ostalo K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (1, 3/2, 2) (3/2, 2, 5/2) K 1 E 2 (1,1,1) (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 3/2, 2) (2/3, 1, 2) E 3 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) K 2 E 2 (1, 3/2, 2) (1,1,1) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) E 3 (2/3, 1, 2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 1, 1) K 3 E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 3 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 1 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1,1,1) K 5 E 2 (1/2, 1, 3/2) (2/3, 1, 2) (1, 3/2, 2) (3/2, 2, 5/2) (1,1,1) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1,1,1) 210

228 PRILOZI Tabela P.I.30. Ocenjvanje podkrterjuma grupe kvaltet u oblast ostalo K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 3/2, 2) (5/2, 3, 7/2) K 1 E 2 (1,1,1) (1, 1, 1) (1, 3/2, 2) (2/3, 1, 2) (3/2, 2, 5/2) E 3 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) K 2 E 2 (1, 1, 1) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) (3/2, 2, 5/2) E 3 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (2/3, 1, 2) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) K 3 E 2 (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) (1/2, 1, 3/2) E 3 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) K 4 E 2 (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) (1, 3/2, 2) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) K 5 E 2 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) E 1 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) E 3 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) Tabela P.I.31. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast ostalo K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1, 1, 1) K 1 E 2 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1, 1, 1) E 3 (1,1,1) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) E 1 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) K 2 E 2 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) (1/2, 1, 3/2) E 3 (3/2, 2, 5/2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 1 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) K 3 E 2 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 3 (3/2, 2, 5/2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 1 (1/2, 1, 3/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) K 4 E 2 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 3 (1, 3/2, 2) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1,1,1) K 5 E 2 (1, 1, 1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 1 (1, 1, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 3 (1, 3/2, 2) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1,1,1) Tabela P.I.32. Ocenjvanje podkrterjuma grupe fnansje u oblast ekspertsko vrednovanje K 1 K 2 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1, 3/2, 2) (3/2, 2, 5/2) E 2 (1,1,1) (2/3, 1, 2) (1, 1, 1) (1, 3/2, 2) (1/2, 1, 3/2) E 3 (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (3/2, 2, 5/2) (2/3, 1, 2) E 4 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) E 5 (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) (2, 5/2, 3) E 6 (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (5/2, 3, 7/2) (5/2, 3, 7/2) E 7 (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (3/2, 2, 5/2) (3/2, 2, 5/2) E 8 (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) E 3 (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) (1/2, 1, 3/2) E 4 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1, 1, 1) E 5 (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 6 (2/3, 1, 2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) (3/2, 2, 5/2) E 7 (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) (1, 3/2, 2) E 8 (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) 211

229 PRILOZI K 3 K 4 K 5 E 1 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 2 (1, 1, 1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (1, 1, 1) E 4 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) E 5 (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 6 (2/3, 1, 2) (1, 1, 1) (1,1,1) (1, 3/2, 2) (1, 3/2, 2) E 7 (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) (3/2, 2, 5/2) E 8 (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) E 2 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) E 3 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) E 4 (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) E 5 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 6 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (1,1,1) E 7 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) (1,1,1) E 8 (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 1 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) E 2 (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (1, 1, 1) (3/2, 2, 5/2) (1,1,1) E 4 (2/5, 1/2, 2/3) (1, 1, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 5 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 6 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (1,1,1) E 7 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) (1,1,1) E 8 (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) Tabela P.I.33. Ocenjvanje podkrterjuma grupe logstka u oblast ekspertsko vrednovanje K 1 K 2 K 3 K 4 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 2 (1,1,1) (1/2, 2/3, 1) (3/2, 2, 5/2) (2, 5/2, 3) (1/2, 1, 3/2) E 3 (1,1,1) (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 1, 3/2) (1/2, 2/3, 1) E 4 (1,1,1) (2/5, 1/2, 2/3) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) E 5 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) (2, 5/2, 3) E 6 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) E 7 (1,1,1) (1/2, 1, 3/2) (3/2, 2, 5/2) (1, 3/2, 2) (3/2, 2, 5/2) E 8 (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) E 1 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (1, 3/2, 2) (1,1,1) (2, 5/2, 3) (5/2, 3, 7/2) (3/2, 2, 5/2) E 3 (3/2, 2, 5/2) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 4 (3/2, 2, 5/2) (1,1,1) (2, 5/2, 3) (3/2, 2, 5/2) (3/2, 2, 5/2) E 5 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) E 6 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1, 1, 1) (1/2, 1, 3/2) E 7 (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (1, 3/2, 2) E 8 (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 2 (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) E 3 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (1,1,1) E 4 (1/2, 2/3, 1) (1/3, 2/5, 1/2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) E 5 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 6 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 7 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1,1,1) E 8 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) (1/2, 1, 3/2) E 1 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 2 (1/3, 2/5, 1/2) (2/7, 1/3, 2/5) (2/3, 1, 2) (1,1,1) (2/5, 1/2, 2/3) E 3 (2/3, 1, 2) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) E 4 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1,1,1) (1,1,1) E 5 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) E 6 (1/2, 2/3, 1) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 7 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) 212

230 PRILOZI K 5 E 8 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) (1/2, 1, 3/2) E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 2 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) E 3 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) (1,1,1) E 4 (2/3, 1, 2) (2/5, 1/2, 2/3) (1/2, 1, 3/2) (1,1,1) (1,1,1) E 5 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) E 6 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) E 7 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1,1,1) E 8 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) Tabela P.I.34. Ocenjvanje podkrterjuma grupe kvaltet u oblast ekspertsko vrednovanje K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (1/2, 1, 3/2) (2, 5/2, 3) E 2 (1,1,1) (1, 3/2, 2) (2, 5/2, 3) (1, 3/2, 2) (5/2, 3, 7/2) E 3 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) K 1 E 4 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 5 (1,1,1) (1, 3/2, 2) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) E 6 (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) (2, 5/2, 3) (2, 5/2, 3) E 7 (1,1,1) (3/2, 2, 5/2) (1, 3/2, 2) (1, 3/2, 2) (2, 5/2, 3) E 8 (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 3/2, 2) (5/2, 3, 7/2) E 1 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (2/3, 1, 2) (1, 3/2, 2) E 2 (1/2, 2/3, 1) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 3 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) K 2 E 4 (1/2, 2/3, 1) (1,1,1) (1, 1, 1) (1/2, 1, 3/2) (1, 3/2, 2) E 5 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (3/2, 2, 5/2) E 6 (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) (1, 3/2, 2) E 7 (2/5, 1/2, 2/3) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) E 8 (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) E 1 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 2 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) E 3 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) K 3 E 4 (1/2, 2/3, 1) (1, 1, 1) (1,1,1) (1/2, 1, 3/2) (1, 3/2, 2) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1, 3/2, 2) (3/2, 2, 5/2) E 6 (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 7 (1/2, 2/3, 1) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) E 8 (2/3, 1, 2) (1, 3/2, 2) (1,1,1) (1/2, 1, 3/2) (2, 5/2, 3) E 1 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) (2, 5/2, 3) E 2 (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 3 (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) K 4 E 4 (2/5, 1/2, 2/3) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (1/2, 1, 3/2) E 5 (2/5, 1/2, 2/3) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) E 6 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) E 7 (1/2, 2/3, 1) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) E 8 (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) (1,1,1) (3/2, 2, 5/2) K 5 E 1 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (1,1,1) E 2 (2/7, 1/3, 2/5) (2/5, 1/2, 2/3) (2/3, 1, 2) (2/5, 1/2, 2/3) (1,1,1) E 3 (1/2, 2/3, 1) (2/3, 1, 2) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) E 4 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) E 5 (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (2/3, 1, 2) (1,1,1) E 6 (1/3, 2/5, 1/2) (1/2, 2/3, 1) (2/3, 1, 2) (1,1,1) (1,1,1) E 7 (1/3, 2/5, 1/2) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) E 8 (2/7, 1/3, 2/5) (1/2, 2/3, 1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) 213

231 PRILOZI Tabela P.I.35. Ocenjvanje podkrterjuma grupe komunkacje poslovanje u oblast ekspertsko vrednovanje K 1 K 2 K 3 K 4 K 5 K 1 K 2 K 3 K 4 K 5 E 1 (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1/3, 2/5, 1/2) E 2 (1,1,1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1, 1, 1) (1/2, 2/3, 1) E 3 (1,1,1) (1/2, 2/3, 1) (1/2, 2/3, 1) (1/2, 1, 3/2) (2/3, 1, 2) E 4 (1,1,1) (1/2, 1, 3/2) (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 1, 3/2) E 5 (1,1,1) (2/3, 1, 2) (1/2, 1, 3/2) (1, 3/2, 2) (1/2, 1, 3/2) E 6 (1,1,1) (2/3, 1, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1/2, 2/3, 1) E 7 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1, 3/2, 2) (2/3, 1, 2) E 8 (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 1, 3/2) (1/2, 2/3, 1) E 1 (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (2/3, 1, 2) (1/2, 2/3, 1) E 2 (2, 5/2, 3) (1,1,1) (1, 1, 1) (2, 5/2, 3) (1, 3/2, 2) E 3 (1, 3/2, 2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 4 (2/3, 1, 2) (1,1,1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1, 1, 1) E 5 (1/2, 1, 3/2) (1,1,1) (1, 3/2, 2) (1/2, 1, 3/2) (3/2, 2, 5/2) E 6 (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) E 7 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (3/2, 2, 5/2) (1, 1, 1) E 8 (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (1, 3/2, 2) (2/3, 1, 2) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (1, 1, 1) (2/3, 1, 2) E 2 (3/2, 2, 5/2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 3 (1, 3/2, 2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) (1/2, 1, 3/2) E 4 (1/2, 1, 3/2) (1, 3/2, 2) (1,1,1) (2/3, 1, 2) (1, 3/2, 2) E 5 (2/3, 1, 2) (1/2, 2/3, 1) (1,1,1) (1/2, 1, 3/2) (1/2, 1, 3/2) E 6 (1, 3/2, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) (1, 1, 1) E 7 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (3/2, 2, 5/2) (1, 1, 1) E 8 (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (1, 3/2, 2) (2/3, 1, 2) E 1 (3/2, 2, 5/2) (1/2, 1, 3/2) (1, 1, 1) (1,1,1) (2/3, 1, 2) E 2 (1, 1, 1) (1/3, 2/5, 1/2) (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) E 3 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (1/2, 2/3, 1) E 4 (1, 3/2, 2) (3/2, 2, 5/2) (1/2, 1, 3/2) (1,1,1) (3/2, 2, 5/2) E 5 (1/2, 2/3, 1) (2/3, 1, 2) (2/3, 1, 2) (1,1,1) (2/3, 1, 2) E 6 (1/2, 1, 3/2) (1, 1, 1) (1/2, 1, 3/2) (1,1,1) (1/2, 1, 3/2) E 7 (1/2, 2/3, 1) (2/5, 1/2, 2/3) (2/5, 1/2, 2/3) (1,1,1) (2/5, 1/2, 2/3) E 8 (2/3, 1, 2) (1/2, 2/3, 1) (1/2, 2/3, 1) (1,1,1) (2/5, 1/2, 2/3) E 1 (2, 5/2, 3) (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (1,1,1) E 2 (1, 3/2, 2) (1/2, 2/3, 1) (2/3, 1, 2) (1, 3/2, 2) (1,1,1) E 3 (1/2, 1, 3/2) (2/3, 1, 2) (2/3, 1, 2) (1, 3/2, 2) (1,1,1) E 4 (2/3, 1, 2) (1, 1, 1) (1/2, 2/3, 1) (2/5, 1/2, 2/3) (1,1,1) E 5 (2/3, 1, 2) (2/5, 1/2, 2/3) (2/3, 1, 2) (1/2, 1, 3/2) (1,1,1) E 6 (1, 3/2, 2) (2/3, 1, 2) (1, 1, 1) (2/3, 1, 2) (1,1,1) E 7 (1/2, 1, 3/2) (1, 1, 1) (1, 1, 1) (3/2, 2, 5/2) (1,1,1) E 8 (1, 3/2, 2) (1/2, 1, 3/2) (1/2, 1, 3/2) (3/2, 2, 5/2) (1,1,1) 214

232 PRILOZI Prlog II - Prmer proračuna u Mcrosoft Excelu za koršćene metode Slka P.II.1. Prmer proračuna normalzovane matrce Fuzzy TOPSIS metode 215

233 PRILOZI Slka P.II.2. Prmer proračuna Fuzzy TOPSIS metode nakon formranja normalzovane matrce 216

234 PRILOZI Slka P.II.3. Prmer proračuna EDAS metode 217

235 PRILOZI A1 A2 A3 A4 A5 A6 AV C1 4,72 7,03 4,74 6,37 4,48 5,52 4,00 5,43 4,00 5,43 3,65 4,63 3,66 5,74 3,66 5,74 C2 1,37 2,35 2,47 2,96 4,72 7,03 3,35 4,99 5,73 7,69 5,65 6,63 3,33 5,28 3,33 5,28 C3 2,02 2,84 6 7,43 5,01 6,65 2,02 2,84 7,39 8,83 5,39 6,83 3,98 5,90 3,98 5,90 C4 8,47 8,96 7,39 8,83 4,37 6,6 4,12 6,33 2,56 5,67 3,72 5,73 4,38 7,02 4,38 7,02 C5 1,44 4,26 2,22 4,95 6,27 8,28 5,63 7,26 7,01 8,65 3,05 5,78 3,66 6,53 3,66 6,53 C6 3,05 5,78 4,09 5,91 4,97 7,28 3,67 5,88 4,74 6,37 4,00 5,43 3,50 6,11 3,50 6,11 C7 3,37 4,35 3,94 4,92 4,74 6,37 3,77 6,78 5,11 7,78 3,00 3,00 3,42 5,53 3,42 5,53 C8 2,54 6,38 3,39 6,61 4,22 6,95 4,05 6,03 5,35 6,99 4 5,43 3,36 6,40 3,36 6,40 C9 3,26 6,12 3,01 4,65 4,09 5,91 4,57 6,65 4,72 7,03 3,93 6,07 3,37 6,07 3,37 6,07 PDA A1 A2 A3 A4 A5 A6 NDA A1 A2 A3 A4 A5 A6 C1-1,02 3,37-1,00 2,71-1,26 1,86-1,74 1,77-1,74 1,77-2,09 0,97 C1-3,37 1,02-2,71 1,00-1,86 1,26-1,77 1,74-1,77 1,74-0,97 2,09 C2 0,98 3,91 0,37 2,81-3,70 0,56-1,66 1,93-4,36-0,46-3,30-0,38 C2-3,91-0,98-2,81-0,37-0,56 3,70-1,93 1,66 0,46 4,36 0,38 3,30 C3-3,88-1,14 0,10 3,45-0,89 2,67-3,88-1,14 1,49 4,85-0,51 2,85 C3 1,14 3,88-3,45-0,10-2,67 0,89 1,14 3,88-4,85-1,49-2,85 0,51 C4-4,58-1,45-4,45-0,37-2,22 2,65-1,95 2,90-1,29 4,46-1,35 3,30 C4 1,45 4,58 0,37 4,45-2,65 2,22-2,90 1,95-4,46 1,29-3,30 1,35 C5-5,09 0,60-4,31 1,29-0,26 4,62-0,90 3,60 0,48 4,99-3,48 2,12 C5-0,60 5,09-1,29 4,31-4,62 0,26-3,60 0,90-4,99-0,48-2,12 3,48 C6-3,06 2,28-2,02 2,41-1,14 3,78-2,44 2,38-1,37 2,87-2,11 1,93 C6-2,28 3,06-2,41 2,02-3,78 1,14-2,38 2,44-2,87 1,37-1,93 2,11 C7-2,16 0,93-1,59 1,50-0,79 2,95-1,76 3,36-0,42 4,36-2,53-0,42 C7-0,93 2,16-1,50 1,59-2,95 0,79-3,36 1,76-4,36 0,42 0,42 2,53 C8-3,86 3,02-3,01 3,25-2,18 3,59-2,35 2,67-1,05 3,63-2,40 2,07 C8-3,02 3,86-3,25 3,01-3,59 2,18-2,67 2,35-3,63 1,05-2,07 2,40 C9-2,81 2,75-3,06 1,28-1,98 2,54-1,50 3,28-1,35 3,66-2,14 2,70 C9-2,75 2,81-1,28 3,06-2,54 1,98-3,28 1,50-3,66 1,35-2,70 2,14 PDA A1 A2 A3 A4 A5 A6 NDA A1 A2 A3 A4 A5 A6 C1 1,02 3,37 1,00 2,71 1,26 1,86 1,74 1,77 1,74 1,77 0,00 0,00 C1 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,97 2,09 C2 0,98 3,91 0,37 2,81 0,00 0,00 1,66 1,93 0,00 0,00 0,00 0,00 C2 0,00 0,00 0,00 0,00 0,56 3,70 0,00 0,00 0,46 4,36 0,38 3,30 C3 0,00 0,00 0,10 3,45 0,89 2,67 0,00 0,00 1,49 4,85 0,51 2,85 C3 1,14 3,88 0,00 0,00 0,00 0,00 1,14 3,88 0,00 0,00 0,00 0,00 C4 0,00 0,00 0,00 0,00 2,22 2,65 1,95 2,90 1,29 4,46 1,35 3,30 C4 1,45 4,58 0,37 4,45 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 C5 0,00 0,00 0,00 0,00 0,26 4,62 0,90 3,60 0,48 4,99 0,00 0,00 C5 0,60 5,09 1,29 4,31 0,00 0,00 0,00 0,00 0,00 0,00 2,12 3,48 C6 0,00 0,00 2,02 2,41 1,14 3,78 0,00 0,00 1,37 2,87 0,00 0,00 C6 2,28 3,06 0,00 0,00 0,00 0,00 2,38 2,44 0,00 0,00 1,93 2,11 C7 0,00 0,00 0,00 0,00 0,79 2,95 1,76 3,36 0,42 4,36 0,00 0,00 C7 0,93 2,16 1,50 1,59 0,00 0,00 0,00 0,00 0,00 0,00 0,42 2,53 C8 0,00 0,00 3,01 3,25 2,18 3,59 2,35 2,67 1,05 3,63 0,00 0,00 C8 3,02 3,86 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 2,07 2,40 C9 0,00 0,00 0,00 0,00 1,98 2,54 1,50 3,28 1,35 3,66 2,14 2,70 C9 2,75 2,81 1,28 3,06 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 PDA A1 A2 A3 A4 A5 A6 WI NDA A1 A2 A3 A4 A5 A6 WI C1 0,18 0,92 0,17 0,74 0,22 0,51 0,30 0,49 0,30 0,49 0,00 0,00 0,397 1,000 C1 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,17 0,57 0,397 1,000 C2 0,19 1,17 0,07 0,84 0,00 0,00 0,32 0,58 0,00 0,00 0,00 0,00 0,370 0,868 C2 0,00 0,00 0,00 0,00 0,11 1,11 0,00 0,00 0,09 1,31 0,07 0,99 0,370 0,868 C3 0,00 0,00 0,02 0,87 0,15 0,67 0,00 0,00 0,25 1,22 0,09 0,72 0,430 0,949 C3 0,19 0,98 0,00 0,00 0,00 0,00 0,19 0,98 0,00 0,00 0,00 0,00 0,430 0,949 C4 0,00 0,00 0,00 0,00 0,32 0,61 0,28 0,66 0,18 1,02 0,19 0,75 0,442 0,963 C4 0,21 1,05 0,05 1,02 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,442 0,963 C5 0,00 0,00 0,00 0,00 0,04 1,26 0,14 0,98 0,07 1,36 0,00 0,00 0,215 0,879 C5 0,09 1,39 0,20 1,18 0,00 0,00 0,00 0,00 0,00 0,00 0,32 0,95 0,215 0,879 C6 0,00 0,00 0,33 0,69 0,19 1,08 0,00 0,00 0,22 0,82 0,00 0,00 0,448 0,917 C6 0,37 0,87 0,00 0,00 0,00 0,00 0,39 0,70 0,00 0,00 0,32 0,60 0,448 0,917 C7 0,00 0,00 0,00 0,00 0,14 0,86 0,32 0,98 0,08 1,28 0,00 0,00 0,328 0,890 C7 0,17 0,63 0,27 0,47 0,00 0,00 0,00 0,00 0,00 0,00 0,08 0,74 0,328 0,890 C8 0,00 0,00 0,47 0,96 0,34 1,07 0,37 0,79 0,16 1,08 0,00 0,00 0,418 0,862 C8 0,47 1,15 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,32 0,71 0,418 0,862 C9 0,00 0,00 0,00 0,00 0,33 0,75 0,25 0,97 0,22 1,09 0,35 0,80 0,388 0,857 C9 0,45 0,83 0,21 0,91 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,388 0,857 SPI A1 A2 A3 A4 A5 A6 SNI A1 A2 A3 A4 A5 A6 C1 0,07 0,92 0,07 0,74 0,09 0,51 0,12 0,49 0,12 0,49 0,00 0,00 C1 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,07 0,57 C2 0,07 1,02 0,03 0,73 0,00 0,00 0,12 0,50 0,00 0,00 0,00 0,00 C2 0,00 0,00 0,00 0,00 0,04 0,97 0,00 0,00 0,03 1,14 0,03 0,86 C3 0,00 0,00 0,01 0,82 0,07 0,64 0,00 0,00 0,11 1,16 0,04 0,68 C3 0,08 0,93 0,00 0,00 0,00 0,00 0,08 0,93 0,00 0,00 0,00 0,00 C4 0,00 0,00 0,00 0,00 0,14 0,58 0,12 0,64 0,08 0,98 0,09 0,73 C4 0,09 1,01 0,02 0,98 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 C5 0,00 0,00 0,00 0,00 0,01 1,11 0,03 0,86 0,02 1,20 0,00 0,00 C5 0,02 1,22 0,04 1,03 0,00 0,00 0,00 0,00 0,00 0,00 0,07 0,84 C6 0,00 0,00 0,15 0,63 0,08 0,99 0,00 0,00 0,10 0,75 0,00 0,00 C6 0,17 0,80 0,00 0,00 0,00 0,00 0,17 0,64 0,00 0,00 0,14 0,55 C7 0,00 0,00 0,00 0,00 0,05 0,77 0,10 0,88 0,03 1,14 0,00 0,00 C7 0,06 0,56 0,09 0,41 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,66 C8 0,00 0,00 0,20 0,83 0,14 0,92 0,15 0,68 0,07 0,93 0,00 0,00 C8 0,20 0,99 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,14 0,61 C9 0,00 0,00 0,00 0,00 0,13 0,65 0,10 0,83 0,09 0,93 0,14 0,69 C9 0,18 0,72 0,08 0,78 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 SPI 0,14 1,94 0,45 3,76 0,70 6,16 0,74 4,88 0,61 7,57 0,26 2,10 SNI 0,79 6,23 0,24 3,21 0,04 0,97 0,26 1,57 0,03 1,14 0,46 4,09 1,04 2,10 3,43 2,81 4,09 1,18 3,51 1,72 0,50 0,91 0,58 2,28 NSPI 0,02 3,20 0,06 6,21 0,09 10,17 0,10 8,06 0,08 12,49 0,03 0,28 NSNI 0,87-6,89 0,96-3,07 0,99-0,22 0,96-0,99 0,99-0,44 0,93-4,19 ASI 0,892-3,690 1,021 3,139 1,086 9,949 1,057 7,073 1,075 12,053 0,960-3,913 AVASI -1,40 2,08 5,52 4,07 6,56-1, Slka P.II.4. Prmer proračuna Grube EDAS metode 218

236 PRILOZI C 1 C2 C3 C4 C5 C6 C7 C8 C9 4,72 7,03 1,37 2,35 2,02 2,84 8,47 8,96 1,44 4,26 3,05 5,78 3,37 4,35 2,54 6,38 3,26 6,12 4,74 6,37 2,47 2,96 6,00 7,43 7,39 8,83 2,22 4,95 4,09 5,91 3,94 4,92 3,39 6,61 3,01 4,65 4,48 5,52 4,72 7,03 5,01 6,65 4,37 6,60 6,27 8,28 4,97 7,28 4,74 6,37 4,22 6,95 4,09 5,91 4,00 5,43 3,35 4,99 2,02 2,84 4,12 6,33 5,63 7,26 3,67 5,88 3,77 6,78 4,05 6,03 4,57 6,65 4,00 5,43 5,73 7,69 7,39 8,83 2,56 5,67 7,01 8,65 4,74 6,37 5,11 7,78 5,35 6,99 4,72 7,03 3,65 4,63 5,65 6,63 5,39 6,83 3,72 5,73 3,05 5,78 4,00 5,43 3,00 3,00 4,00 5,43 3,93 6,07 7,03 7,69 8,83 8,96 8,65 7,28 7,78 6,99 7,03 Normalzacja C 1 C2 C3 C4 C5 C6 C7 C8 0,67 1,00 0,18 0,31 0,23 0,32 0,95 1,00 0,17 0,49 0,42 0,79 0,43 0,56 0,36 0,91 0,46 0,87 0,67 0,91 0,32 0,38 0,68 0,84 0,82 0,99 0,26 0,57 0,56 0,81 0,51 0,63 0,48 0,95 0,43 0,66 0,64 0,79 0,61 0,91 0,57 0,75 0,49 0,74 0,72 0,96 0,68 1,00 0,61 0,82 0,60 0,99 0,58 0,84 0,57 0,77 0,44 0,65 0,23 0,32 0,46 0,71 0,65 0,84 0,50 0,81 0,48 0,87 0,58 0,86 0,65 0,95 0,57 0,77 0,75 1,00 0,84 1,00 0,29 0,63 0,81 1,00 0,65 0,88 0,66 1,00 0,77 1,00 0,67 1,00 0,52 0,66 0,73 0,86 0,61 0,77 0,42 0,64 0,35 0,67 0,55 0,75 0,39 0,39 0,57 0,78 0,56 0,86 0,218 0,336 0,097 0,154 0,018 0,025 0,037 0,059 0,023 0,032 0,130 0,202 0,049 0,068 0,063 0,091 0,165 0,291 Otežana Normalzovana matrca C 1 C2 C3 C4 C5 C6 C7 C8 C9 0,15 0,34 0,02 0,05 0,00 0,01 0,03 0,06 0,00 0,02 0,05 0,16 0,02 0,04 0,02 0,08 0,08 0,25 0,15 0,30 0,03 0,06 0,01 0,02 0,03 0,06 0,01 0,02 0,07 0,16 0,02 0,04 0,03 0,09 0,07 0,19 0,14 0,26 0,06 0,14 0,01 0,02 0,02 0,04 0,02 0,03 0,09 0,20 0,03 0,06 0,04 0,09 0,10 0,24 0,12 0,26 0,04 0,10 0,00 0,01 0,02 0,04 0,01 0,03 0,07 0,16 0,02 0,06 0,04 0,08 0,11 0,28 0,12 0,26 0,07 0,15 0,02 0,03 0,01 0,04 0,02 0,03 0,08 0,18 0,03 0,07 0,05 0,09 0,11 0,29 0,11 0,22 0,07 0,13 0,01 0,02 0,02 0,04 0,01 0,02 0,07 0,15 0,02 0,03 0,04 0,07 0,09 0,25 0,34 0,02 0,03 0,01 0,03 0,20 0,07 0,09 0,29 0,11 0,15 0,00 0,06 0,00 0,05 0,02 0,02 0,07 d1+ 0,34 A1 0,503 1 d2+ 0,33 A2 0,465 5 d3+ 0,33 A3 0,477 4 d4+ 0,33 A4 0,480 3 d5+ 0,34 A5 0,486 2 d6+ 0,36 A6 0,418 6 d1-0,34 d2-0,29 d3-0,30 d4-0,31 d5-0,32 d6-0,26 Slka P.II.5. Prmer proračuna Grube TOPSIS metode 219

237 PRILOZI C 1 C2 C3 C4 C5 C6 C7 C8 C9 4,72 7,03 1,37 2,35 2,02 2,84 8,47 8,96 1,44 4,26 3,05 5,78 3,37 4,35 2,54 6,38 3,26 6,12 4,74 6,37 2,47 2,96 6 7,43 7,39 8,83 2,22 4,95 4,09 5,91 3,94 4,92 3,39 6,61 3,01 4,65 4,48 5,52 4,72 7,03 5,01 6,65 4,37 6,6 6,27 8,28 4,97 7,28 4,74 6,37 4,22 6,95 4,09 5,91 4,00 5,43 3,35 4,99 2,02 2,84 4,12 6,33 5,63 7,26 3,67 5,88 3,77 6,78 4,05 6,03 4,57 6,65 4,00 5,43 5,73 7,69 7,39 8,83 2,56 5,67 7,01 8,65 4,74 6,37 5,11 7,78 5,35 6,99 4,72 7,03 3,65 4,63 5,65 6,63 5,39 6,83 3,72 5,73 3,05 5,78 4,00 5,43 3,00 3,00 4 5,43 3,93 6,07 4,74 7,03 5,73 7,69 7,39 8,83 8,47 8,96 7,01 8,65 4,97 7,28 5,11 7,78 5,35 6,99 4,72 7,03 Max 3,65 4,63 1,37 2,35 2,02 2,84 2,56 5,67 1,44 4,26 3,05 5,43 3,00 3,00 2,54 5,43 3,01 4,65 Mn Normalzacja C 1 C2 C3 C4 C5 C6 C7 C8 C9 0,32 1,00 0,00 0,16 0,00 0,12 0,92 1,00 0,00 0,39 0,00 0,65 0,08 0,28 0,00 0,86 0,06 0,77 0,32 0,80 0,17 0,25 0,58 0,79 0,75 0,98 0,11 0,49 0,25 0,68 0,20 0,40 0,19 0,91 0,00 0,41 0,25 0,55 0,53 0,90 0,44 0,68 0,28 0,63 0,67 0,95 0,45 1,00 0,36 0,71 0,38 0,99 0,27 0,72 0,10 0,53 0,31 0,57 0,00 0,12 0,24 0,59 0,58 0,81 0,15 0,67 0,16 0,79 0,34 0,78 0,39 0,91 0,10 0,53 0,69 1,00 0,79 1,00 0,00 0,49 0,77 1,00 0,40 0,78 0,44 1,00 0,63 1,00 0,43 1,00 0,00 0,29 0,68 0,83 0,49 0,71 0,18 0,50 0,22 0,60 0,22 0,56 0,00 0,00 0,33 0,65 0,23 0,76 0,218 0,336 0,097 0,154 0,018 0,025 0,037 0,059 0,023 0,032 0,130 0,202 0,049 0,068 0,063 0,091 0,165 0,291 w Otežavanje normalzovane matrce C 1 C2 C3 C4 C5 C6 C7 C8 C9 C1 C2 C3 C4 C5 C6 C7 C8 C9 0,287 0,672 0,097 0,178 0,018 0,028 0,071 0,118 0,023 0,045 0,130 0,332 0,053 0,087 0,063 0,170 0,175 0,516 0,474 0,110 0,018 0,076 0,024 0,186 0,056 0,079 0,306 0,288 0,606 0,114 0,193 0,029 0,045 0,065 0,117 0,025 0,048 0,162 0,339 0,059 0,095 0,075 0,174 0,165 0,410 0,435 0,128 0,029 0,071 0,027 0,213 0,062 0,091 0,246 0,272 0,522 0,148 0,292 0,026 0,042 0,047 0,096 0,038 0,062 0,189 0,404 0,067 0,116 0,087 0,181 0,209 0,501 0,376 0,185 0,027 0,052 0,040 0,260 0,072 0,102 0,322 0,241 0,513 0,127 0,242 0,018 0,028 0,046 0,094 0,036 0,058 0,149 0,337 0,057 0,122 0,084 0,162 0,229 0,554 0,350 0,152 0,018 0,050 0,038 0,202 0,064 0,096 0,365 0,241 0,513 0,164 0,308 0,032 0,050 0,037 0,088 0,041 0,064 0,182 0,361 0,071 0,136 0,103 0,182 0,235 0,582 0,350 0,203 0,033 0,041 0,042 0,237 0,079 0,116 0,385 0,218 0,433 0,163 0,282 0,027 0,043 0,044 0,088 0,028 0,051 0,159 0,316 0,049 0,068 0,084 0,150 0,203 0,513 0,295 0,193 0,028 0,047 0,029 0,202 0,050 0,093 0,324 0,256 0,538 0,133 0,244 0,024 0,038 0,050 0,099 0,031 0,054 0,161 0,347 0,059 0,101 0,082 0,170 0,201 0,510 0,375 0,157 0,025 0,055 0,032 0,215 0,063 0,095 0,321 0,397 0,189 0,031 0,075 0,043 0,254 0,080 0,126 0,355 Matrca Q Matrca Q konacna C 1 C2 C3 C4 C5 C6 C7 C8 C9 C1 C2 C3 C4 C5 C6 C7 C8 C9 SUMA 0,486 0,075 0,021 0,028 0,034 0,277 0,056 0,138 0,459 0,486 0,075-0,021-0,028-0,034-0,277-0,056-0,138-0,459-0, ,430 0,055 0,023 0,023 0,033 0,257 0,056 0,132 0,403 0,430 0,055 0,023-0,023-0,033-0,257-0,056-0,132-0,403-0, ,376 0,050 0,022 0,004 0,035 0,290 0,067 0,129 0,424 0,376-0,050 0,022 0,004 0,035 0,290 0,067 0,129 0,424 1, ,393 0,006 0,021 0,007 0,032 0,265 0,077 0,117 0,451-0,393 0,006-0,021 0,007 0,032-0,265 0,077 0,117 0,451 0, ,393 0,071 0,026 0,018 0,035 0,259 0,083 0,120 0,469-0,393-0,071 0,026 0,018 0,035 0,259 0,083 0,120 0,469 0, ,366 0,048 0,022 0,013 0,033 0,243 0,053 0,110 0,437-0,366-0,048 0,022 0,013-0,033-0,243-0,053-0,110 0,437-0,382 4 Slka P.II.6. Prmer proračuna Grube MABAC metode 220

238 PRILOZI CRITERIA C 1 C 2 C 3 C 4 C 5 C 6 C 7 C 8 C 9 S 1 5,857 1,857 2,429 8,714 2,714 4,429 3,857 4,429 4,714 S 2 5,571 2,714 6,714 8,143 3,571 5,286 4,429 5,000 3,857 S 3 5,000 5,857 5,857 5,571 7,286 6,143 5,571 5,571 5,000 S 4 4,714 4,143 2,429 5,286 6,429 4,714 5,286 5,000 5,571 S 5 4,714 6,714 8,143 4,143 7,857 5,571 6,429 6,143 5,857 S 6 4,143 6,143 6,143 4,714 3,571 4,714 3,000 4,714 5,000 MAX 5,857 6,714 8,143 8,714 7,857 6,143 6,429 6,143 5,857 MIN 4,143 1,857 2,429 4,143 2,714 4,429 3,000 4,429 3,857 Normalzacja CRITERIA C 1 C 2 C 3 C 4 C 5 C 6 C 7 C 8 C 9 S 1 1,000 1,000 0,000 0,000 0,000 0,000 0,250 0,000 0,429 S 2 0,833 0,824 0,750 0,125 0,167 0,500 0,417 0,333 0,000 S 3 0,500 0,176 0,600 0,688 0,889 1,000 0,750 0,667 0,571 S 4 0,333 0,529 0,000 0,750 0,722 0,167 0,667 0,333 0,857 S 5 0,333 0,000 1,000 1,000 1,000 0,667 1,000 1,000 1,000 S 6 0,000 0,118 0,650 0,875 0,167 0,167 0,000 0,167 0,571 WEIGHTS= > 0,277 0,126 0,022 0,048 0,028 0,166 0,059 0,077 0,228 Otezavanje Normalzovane matrce V C 1 C 2 C 3 C 4 C 5 C 6 C 7 C 8 C 9 S 1 0,554 0,251 0,022 0,048 0,028 0,166 0,073 0,077 0,326 S 2 0,508 0,229 0,038 0,054 0,032 0,249 0,083 0,103 0,228 S 3 0,416 0,148 0,034 0,081 0,052 0,332 0,102 0,128 0,358 S 4 0,369 0,192 0,022 0,084 0,047 0,194 0,098 0,103 0,423 S 5 0,369 0,126 0,043 0,096 0,055 0,277 0,117 0,154 0,456 S 6 0,277 0,140 0,035 0,090 0,032 0,194 0,059 0,090 0,358 G 0,405 0,175 0,031 0,073 0,040 0,229 0,086 0,106 0,350 Q=V-G C 1 C 2 C 3 C 4 C 5 C 6 C 7 C 8 C 9 S 1 0,149 0,076-0,010-0,025-0,012-0,063-0,013-0,029-0,024 0,049 3 S 2 0,103 0,054 0,006-0,019-0,007 0,020-0,003-0,004-0,122 0,028 5 S 3 0,010-0,027 0,003 0,008 0,012 0,103 0,016 0,022 0,008 0,157 2 S 4-0,036 0,017-0,010 0,011 0,008-0,035 0,011-0,004 0,073 0,036 4 S 5-0,036-0,049 0,012 0,023 0,015 0,048 0,031 0,048 0,106 0,198 1 S 6-0,128-0,035 0,004 0,017-0,007-0,035-0,028-0,016 0,008-0,220 6 Slka P.II.7. Prmer proračuna MABAC metode 221

239 PRILOZI Slka P.II.8. Prmer proračuna Grube MAIRCA metode 222

240 PRILOZI Slka P.II.9. Prmer proračuna Grube MULTIMOORA 223

241 PRILOZI Slka P.II.10. Prmer proračuna Grube COPRAS metode 224

242 PRILOZI C R C+R C-R C+R C-R rough weghts w K1 2,740 25,844 2,551 23,891 5,292 49,734-21,150 23,292 27,513 1,071 27,53 0,121 21,80 54,92 0,397 1,000 K2 2,190 21,469 2,067 22,051 4,257 43,521-19,861 19,402 23,889-0,230 23,89 0,105 20,31 47,65 0,370 0,868 K3 2,278 22,797 2,779 25,344 5,057 48,141-23,067 20,018 26,599-1,524 26,64 0,117 23,61 52,14 0,430 0,949 K4 2,424 22,705 2,541 26,193 4,964 48,898-23,770 20,164 26,931-1,803 26,99 0,119 24,28 52,89 0,442 0,963 K5 2,841 27,027 1,387 13,850 4,228 40,876-11,008 25,640 22,552 7,316 23,71 0,104 11,79 48,25 0,215 0,879 K6 2,122 20,699 2,477 26,275 4,599 46,975-24,153 18,223 25,787-2,965 25,96 0,114 24,59 50,39 0,448 0,917 K7 2,522 23,897 2,171 19,896 4,693 43,793-17,374 21,725 24,243 2,175 24,34 0,107 18,00 48,89 0,328 0,890 K8 1,935 19,686 2,554 24,467 4,488 44,153-22,532 17,133 24,321-2,700 24,47 0,108 22,97 47,36 0,418 0,862 K9 1,939 20,628 2,464 22,784 4,403 43,412-20,845 18,164 23,908-1,341 23,95 0,105 21,31 47,06 0,388 0,857 K1 K2 K3 K4 K5 K6 K7 K8 K9 K1 1,5723 1,5602 1,7887 1,8284 0,9955 1, ,4195 1,7231 1,5719 K2 1,3979 1,1901 1,4759 1,5116 0,7853 1,522 1,2028 1,4226 1,3214 K3 1,4962 1,3397 1,4681 1,6122 0,8899 1, ,2135 1,5089 1,3943 K4 1,4745 1,3406 1,5932 1,503 0,8651 1, ,2311 1,4977 1,4437 K5 1,7607 1,6047 1,8705 1,908 0,9492 1, ,4945 1,7897 1,6572 K6 1,3544 1,2359 1,4226 1,47 0,7658 1, ,1016 1,3807 1,3113 K7 1,5637 1,4123 1,632 1,6996 0,8929 1, ,2091 1,5996 1,5128 K8 1,284 1,167 1,3769 1,3925 0,719 1, ,0417 1,2159 1,2241 K9 1,3172 1,2087 1,4339 1,4416 0,7554 1, ,1202 1,3719 1,1874 α 1,3935 w 0,397 1,000 0,370 0,868 0,430 0,949 0,442 0,963 0,215 0,879 0,448 0,917 0,328 0,890 0,418 0,862 0,388 0,857 Slka P.II.11. Završn korac proračuna Grube DEMATEL metode 225

243 Bografja autora sa bblografjom Bografja autora sa bblografjom Tražo sam Snagu. I Bog m je dao Poteškoće koje su me osnažle. Tražo sam Mudrost. I Bog m je dao Probleme koje je trebalo rešt. Tražo sam Bogatstvo. I Bog m je dao Mozak Telo da mogu radt. Tražo sam Hrabrost. I Bog m je dao Prepreke koje je trebalo savladat. Tražo sam Ljubav. I Bog m je dao Ljude kojma je trebalo pomoć. Tražo sam Usluge. I Bog m je dao Prlke. Nsam dobo nšta od onog što sam tražo, al dobo sam sve što m je trebalo. Svet oc Bografja: Željko (Radvoje) Stevć rođen je godne u Loznc. Osnovnu školu je završo u Kozluku kao dobtnk Vukove dplome, dok je srednju Saobraćajnu školu završo u Karakaju (Zvornk) godne, kada je upsao Saobraćajn fakultet Unverzteta u Istočnom Sarajevu. Dplomrao je kao prv u generacj na Saobraćajnom fakultetu u Doboju, smer logstka godne, gde je završo II cklus studja odbranvš završn master rad godne, takođe kao prv u generacj. Autor koautor je 59 naučnh radova objavljenh u zemlj nostranstvu na naučnm konferencjama u časopsma sledećh kategorja: 3 rada na SCI lst (dva kategorje M22 1 kategorje M23), 8 radova M24, 2 rada u vodećem naconalnom časopsu M51, po 1 rad u časopsma naconalnog značaja kategorje M52 odnosno M53. Autor je 2 rada kategorje M31 predavanja po pozvu na međunarodnom naučnom skupu, 40 radova kategorje M33, te 2 rada kategorje M63. Koautor je jednog unverztetskog udžbenka. Dobtnk je prestžne stpendje Fond dr Mlan Jelć (Mnstarstvo nauke tehnologje Republke Srpske) godne. Oba puta je bo prvoplasran na rang lst. Pored toga u novembru godne na 7. Festvalu nauke koj organzuje Mnstarstvo nauke tehnologje Republke Srpske proglašen je za najboljeg mladog stražvača III cklusa studja. Dobtnk je medalje zasluga za narod u oblast obrazovanja nauke godne. Bo je član naučnog odbora 10. Naučno-stručne konferencje Student u susret nauc sa međunarodnm učešćem godne. Bo je član Organzaconog odbora Naučnog smpozjuma Nov Horzont (Doboj) godne, a sekretar stomenog smpozjuma godne. Pored toga bo je član Organzaconog odbora Internatonal Conference on Management, Engneerng and Envronment (Beograd). Recenzent je u dva časopsa sa SCI lste: Internatonal Journal of Industral Engneerng: Theory, Applcatons and Practce (USA) Internatonal Journal of Envronment and Polluton (UK). Član je Internatonal Socety on MCDM koordnaconog odbora sped Saobraćajnog fakulteta za povezvanje Vsokog obrazovanja prvrede. Bblografja: Stevć, Ž., Pamučar, D., Vasljevć, M., Stojć, G., & Korca, S. (2017). Novel Integrated Mult-Crtera Model for Suppler Selecton: Case Study Constructon Company. Symmetry,9(11), 279. (M22) Stevć, Ž., Pamučar, D., Kazmeras Zavadskas, E., Ćrovć, G., & Prentkovsks, O. (2017). The Selecton of Wagons for the Internal Transport of a Logstcs Company: A Novel Approach Based on Rough BWM and Rough SAW Methods. Symmetry,9(11), 264. (M22) 226