| 7 |
Why is comprehensive risk analysis considered crucial in the development of multimodal transportation?
|
To identify and analyze potential threats |
|
วิเคราะห์ความเสี่ยงอย่างครอบคลุม การวิเคราะห์ความเสี่ยงเป็นกระบวนการที่สำคัญในการระบุและวิเคราะห์ประเด็นสำคัญเพื่อช่วยอุตสาหกรรมลดความเสี่ยงเหล่านั้น อย่างไรก็ตาม การระบุและจัดลำดับความสำคัญของความเสี่ยงมีความซับซ้อนมากขึ้นเนื่องจากความคลุมเครือของข้อมูลที่เกี่ยวข้อง การศึกษานี้เสนอการบูรณาการกระบวนการลำดับชั้นการวิเคราะห์แบบคลุมเครือ (FAHP) และการวิเคราะห์การห่อหุ้มข้อมูล (DEA) เพื่อระบุและประเมินความเสี่ยงเชิงปริมาณ วิธีการ FAHP-DEA ที่เสนอใช้วิธีการ FAHP
|
การวิเคราะห์ความเสี่ยงตามแบบจำลองสองขั้นตอนของ Fuzzy AHP-DEA สำหรับระบบการขนส่งสินค้าต่อเนื่องหลายรูปแบบ
สำนักพิมพ์: IEEE
อ้างอิงสิ่งนี้
ไฟล์ PDF
ขวัญจิรา แก้วฟัก; วันนาม ฮวีญ; วีริส อมราปาลา ; นันทพร รติสุนทร
ผู้เขียนทั้งหมด
19
อ้างอิงใน
เอกสาร
1455
เต็ม
มุมมองข้อความ
เปิดการเข้าถึง
ความคิดเห็น
ภายใต้สัญญาอนุญาตครีเอทีฟคอมมอนส์
เชิงนามธรรม
ส่วนเอกสาร
ฉัน.
การแนะนำ
ครั้งที่สอง
งานที่เกี่ยวข้อง
สาม.
กรอบการสร้างแบบจำลอง
IV.
กรณีศึกษา
วี.
บทสรุป ข้อจำกัด และการศึกษาต่อ
แสดงโครงร่างแบบเต็ม
ผู้เขียน
ตัวเลข
อ้างอิง
การอ้างอิง
คำหลัก
เมตริก
เชิงอรรถ
เชิงนามธรรม:
การขนส่งต่อเนื่องหลายรูปแบบกลายเป็นจุดสนใจหลักของระบบโลจิสติกส์ เนื่องจากปัญหาด้านสิ่งแวดล้อม ปัญหาความปลอดภัยทางถนน และความแออัดของการจราจร ส่งผลให้มีความสนใจด้านการวิจัยและนโยบายเกี่ยวกับปัญหาการขนส่งสินค้าต่อเนื่องหลายรูปแบบเพิ่มมากขึ้น อย่างไรก็ตาม มีความท้าทายที่สำคัญในการพัฒนาการขนส่งต่อเนื่องหลายรูปแบบซึ่งเกี่ยวข้องกับความเสี่ยงโดยธรรมชาติและความไม่แน่นอนหลายประการ เนื่องจากความเสี่ยงเป็นภัยคุกคามที่อาจส่งผลกระทบโดยตรงต่อระบบโลจิสติกส์และการขนส่ง จึงควรดำเนินการวิเคราะห์ความเสี่ยงอย่างครอบคลุม การวิเคราะห์ความเสี่ยงเป็นกระบวนการที่สำคัญในการระบุและวิเคราะห์ประเด็นสำคัญเพื่อช่วยอุตสาหกรรมลดความเสี่ยงเหล่านั้น อย่างไรก็ตาม การระบุและจัดลำดับความสำคัญของความเสี่ยงมีความซับซ้อนมากขึ้นเนื่องจากความคลุมเครือของข้อมูลที่เกี่ยวข้อง การศึกษานี้เสนอการบูรณาการกระบวนการลำดับชั้นการวิเคราะห์แบบคลุมเครือ (FAHP) และการวิเคราะห์การห่อหุ้มข้อมูล (DEA) เพื่อระบุและประเมินความเสี่ยงเชิงปริมาณ วิธีการ FAHP-DEA ที่เสนอใช้วิธีการ FAHP เพื่อกำหนดน้ำหนักของเกณฑ์ความเสี่ยงแต่ละข้อ วิธี DEA ใช้เพื่อประเมินตัวแปรทางภาษาและสร้างคะแนนความเสี่ยง วิธีการเพิ่มน้ำหนักแบบบวก (SAW) แบบง่ายใช้เพื่อรวมคะแนนความเสี่ยงภายใต้เกณฑ์ความเสี่ยงที่แตกต่างกันให้เป็นคะแนนความเสี่ยงโดยรวม กรณีศึกษาของอุตสาหกรรมถ่านหินแสดงให้เห็นว่าแบบจำลองการวิเคราะห์ความเสี่ยงที่นำเสนอนั้นใช้ได้จริง และช่วยให้ผู้ใช้จัดลำดับความสำคัญของความเสี่ยงได้แม่นยำยิ่งขึ้นในขณะที่เลือกเส้นทางการขนส่งต่อเนื่องหลายรูปแบบที่เหมาะสมที่สุด กระบวนการนี้ทำให้ผู้ใช้ให้ความสนใจกับความเสี่ยงที่มีลำดับความสำคัญสูงและมีประโยชน์สำหรับอุตสาหกรรมในการเพิ่มประสิทธิภาพเส้นทางการขนส่งต่อเนื่องหลายรูปแบบภายใต้เกณฑ์การตัดสินใจความเสี่ยง
โครงข่ายการขนส่งสินค้าต่อเนื่องหลายรูปแบบ
โครงข่ายการขนส่งสินค้าต่อเนื่องหลายรูปแบบ
เผยแพร่ใน: IEEE Access ( Volume: 8 )
หน้า: 153756 - 153773
วันที่ตีพิมพ์: 21 สิงหาคม 2020
ISSN อิเล็กทรอนิกส์: 2169-3536
ดอย: 10.1109/ACCESS.2020.3018669
สำนักพิมพ์: IEEE
หน่วยงานให้ทุน:
CCBY - IEEE ไม่ใช่ผู้ถือลิขสิทธิ์ของเนื้อหานี้ โปรดปฏิบัติตามคำแนะนำผ่าน https://creativecommons.org/licenses/by/4.0/ เพื่อรับบทความฉบับเต็มและข้อกำหนดในเอกสารประกอบ API
ส่วนที่ 1การแนะนำ
การขนส่งสินค้าเป็นองค์ประกอบสำคัญของห่วงโซ่อุปทานในการจัดเตรียมวัตถุดิบและสินค้าสำเร็จรูปให้มีความพร้อมใช้งานทันเวลาและการเคลื่อนย้ายที่มีประสิทธิภาพ[1] ] เนื่องจากการค้าโลกาภิวัตน์ โหมดเฉพาะรถบรรทุกแบบดั้งเดิมจึงไม่ใช่วิธีแก้ปัญหาที่เป็นไปได้สำหรับทุกสถานการณ์อีกต่อไป นอกจากนี้ ยังคำนึงถึงปัญหาการจราจรติดขัด ความปลอดภัยทางถนน และสิ่งแวดล้อมเป็นวาระสำคัญด้วย ด้วยเหตุนี้ นโยบายการขนส่งของสหภาพยุโรปจึงมีจุดมุ่งหมายเพื่อลดการขนส่งทางถนนโดยหันมาใช้รูปแบบการขนส่งที่ก่อให้เกิดมลพิษน้อยลงและประหยัดพลังงานมากขึ้น ปัจจุบันการขนส่งต่อเนื่องหลายรูปแบบถือเป็นองค์ประกอบสำคัญของระบบการขนส่งสมัยใหม่
อย่างไรก็ตาม เมื่อมุ่งเน้นไปที่ระบบการขนส่งสินค้าต่อเนื่องหลายรูปแบบ ปัญหาต่างๆ จะเห็นได้มากมาย[1] – [ 5 ] เนื่องจากการขนส่งต่อเนื่องหลายรูปแบบประกอบด้วยปัจจัยหลายอย่างและการมีปฏิสัมพันธ์ระหว่างรูปแบบที่แตกต่างกันจึงค่อนข้างซับซ้อน[2]ซึ่งนำไปสู่ความเสี่ยงและความไม่แน่นอนที่เพิ่มขึ้น[3 ] ความเสี่ยงคือภัยคุกคามที่อาจเกิดขึ้นซึ่งส่งผลกระทบทันทีต่อระบบขนส่ง[6 ] โดยเฉพาะอย่างยิ่งในการขนส่งต่อเนื่องหลายรูปแบบ ความเสี่ยงที่เกี่ยวข้องโดยตรงกับอุบัติเหตุมีบทบาทสำคัญในไม่เพียงแต่ส่งผลกระทบต่อต้นทุนและเวลาเท่านั้น แต่ยังช่วยลดความได้เปรียบทางการแข่งขันด้วย[7 ] นอกจากนี้ ความเสี่ยงอาจรบกวนกระบวนการโลจิสติกส์ ส่งผลกระทบต่อความทันเวลาในการจัดส่ง และทำให้เกิดความเสียหายต่อค่าขนส่งและต้นทุนหรือความล่าช้าที่ไม่คาดคิด[3] , [7] – [ 9] 9 ]
มีสถานการณ์อุบัติเหตุที่เป็นไปได้สูงจำนวนมากในระบบการขนส่งสินค้า[10] – [ 12 ] เพื่อประเมินและลดผลกระทบของสถานการณ์เหล่านั้น การวิเคราะห์ความเสี่ยงเป็นเครื่องมือสำคัญที่ใช้ในการหารือเกี่ยวกับลักษณะและผลกระทบของความเสี่ยงที่เกี่ยวข้องกับการขนส่งสินค้า อย่างไรก็ตาม เมื่อพิจารณาการรับรู้ความเสี่ยงในการขนส่ง การศึกษาส่วนใหญ่จะเน้นเฉพาะโหมดถนน เรือ ทางรถไฟ หรือทางอากาศเท่านั้น มีการศึกษาน้อยมากที่เน้นเรื่องความเสี่ยงในการขนส่งต่อเนื่องหลายรูปแบบ[3] , [7] , [13] ]
การวิเคราะห์ความเสี่ยงเป็นกระบวนการในการจำแนกลักษณะและกำหนดอันตราย ประกอบด้วยสองขั้นตอนหลัก: ขั้นตอนเชิงคุณภาพของการจำแนกประเภทอันตราย และขั้นตอนเชิงปริมาณของการประเมินความเสี่ยง ระยะหลังรวมถึงการประมาณความเป็นไปได้และความรุนแรงของอันตรายแต่ละอย่าง การวิเคราะห์ความเสี่ยงในการขนส่งสามารถกำหนดได้ว่าเป็นปัญหาการตัดสินใจหลายเกณฑ์ (MCDM) และเสนอแบบจำลองเชิงคุณภาพเป็นหลักซึ่งขึ้นอยู่กับการประเมินเชิงอัตนัย[7] , [14] , [15] ]
นอกจากนี้ แบบจำลองเชิงปริมาณยังมีความซับซ้อนเมื่อเกี่ยวข้องกับความไม่แน่นอนและความคลุมเครือของกระบวนการตัดสินใจของมนุษย์ ด้วยเหตุนี้ ลักษณะแบบไดนามิกของการขนส่งต่อเนื่องหลายรูปแบบจึงนำไปสู่ปัญหาที่ซับซ้อนในกระบวนการวิเคราะห์ความเสี่ยง ตัวอย่างเช่น ในกระบวนการจำแนกความเสี่ยง จำเป็นต้องมีวิธีการในการจัดลำดับความสำคัญของความเสี่ยงโดยพิจารณาจากการตัดสินใจของผู้เชี่ยวชาญหลายราย
ดังนั้น ควรตระหนักถึง MCDM ที่เหมาะสมสำหรับการวิเคราะห์ความเสี่ยงในการขนส่งต่อเนื่องหลายรูปแบบ ในขณะเดียวกันก็แก้ไขปัญหาข้อขัดแย้งและการพึ่งพาอาศัยกันหลายประการได้อย่างมีประสิทธิภาพ[14 ] เพื่อเอาชนะความยากลำบาก การศึกษานี้เสนอกรอบการทำงานใหม่สำหรับการวิเคราะห์ความเสี่ยงในระบบการขนส่งสินค้าต่อเนื่องหลายรูปแบบบนพื้นฐานของแนวทาง FAHP-DEA ใช้วิธี FAHP เพื่อกำหนดน้ำหนักของแต่ละเกณฑ์ นอกจากนี้ FAHP ยังสามารถจัดการกับความคลุมเครือและความเป็นส่วนตัวของการตัดสินของมนุษย์ได้ วิธี DEA ใช้เพื่อกำหนดเกรดการประเมินในแง่ภาษาศาสตร์ และเพื่อสร้างคะแนนความเสี่ยงในท้องถิ่น ท้ายที่สุด วิธี SAW ช่วยให้สามารถรวมคะแนนความเสี่ยงในท้องถิ่นเป็นคะแนนความเสี่ยงโดยรวมสำหรับทางเลือกในการตัดสินใจแต่ละรายการ แนวทางดังกล่าวแสดงให้เห็นเส้นทางการขนส่งถ่านหินหลายรูปแบบที่เกิดขึ้นจริงในประเทศไทย เพื่อตรวจสอบความถูกต้องของแบบจำลองและผลลัพธ์ จะมีการดำเนินการจัดอันดับสหสัมพันธ์ของสเปียร์แมนและการวิเคราะห์สหสัมพันธ์แบบเพียร์สันในแต่ละวิธี MCDM ที่ได้รับการศึกษา
การมีส่วนร่วมที่สำคัญของการศึกษานี้สามารถสรุปได้ดังนี้:
แบบจำลอง FAHP-DEA ใหม่ที่นำเสนอมีประสิทธิภาพการแข่งขันเมื่อเปรียบเทียบกับเทคนิคอื่นๆ ในการประเมินความเสี่ยงในการขนส่งต่อเนื่องหลายรูปแบบ เพื่อหลีกเลี่ยงการเปรียบเทียบแบบคู่ในวิธี FAHP จำนวนมาก แบบจำลองที่นำเสนอกำหนดให้ผู้เชี่ยวชาญจัดทำการเปรียบเทียบแบบคู่ตามเกณฑ์การตัดสินใจเท่านั้น นอกจากนี้ คำศัพท์ทางภาษา เช่น สูงมาก สูง ปานกลาง ต่ำ และต่ำมาก ถูกนำมาใช้เพื่อทำให้การประเมินของผู้เชี่ยวชาญง่ายขึ้นเมื่อเลือกคะแนนความเสี่ยงในวิธี DEA ดังนั้น แบบจำลองนี้จึงไม่มีการสังเคราะห์เมทริกซ์การเปรียบเทียบแบบคู่ และต้องการเพียงการคำนวณอย่างง่ายเท่านั้น
การศึกษานี้เสนอกรอบการวิเคราะห์ความเสี่ยงที่ถูกต้องเพื่อลดอคติในการประเมินความเสี่ยง และเพื่อช่วยพัฒนาระบบสนับสนุนการตัดสินใจใหม่สำหรับการประเมินความเสี่ยงเชิงปริมาณในการขนส่งต่อเนื่องหลายรูปแบบ ใช้ระบบความคิดเห็นของผู้เชี่ยวชาญเชิงคุณภาพเพื่อจัดการความเสี่ยงส่วนบุคคลในการขนส่งสินค้าต่อเนื่องหลายรูปแบบ นอกจากนี้ แบบจำลองที่นำเสนอยังรวมทฤษฎีเซตคลุมเครือเพื่อลดความซับซ้อนและความไม่แน่นอนที่เกี่ยวข้องกับการวิเคราะห์ความเสี่ยง การศึกษานี้นำเสนอข้อมูลเชิงลึกที่เป็นประโยชน์แก่นักวิจัยและผู้ปฏิบัติงานในการวิเคราะห์และจัดลำดับความสำคัญความเสี่ยงด้านการขนส่ง ตลอดจนการปรับเส้นทางให้เหมาะสมภายใต้เกณฑ์การตัดสินใจความเสี่ยง
กรณีศึกษาของการวิเคราะห์ความเสี่ยงจะถูกนำเสนอควบคู่ไปกับการมีส่วนร่วมในวรรณกรรมโดยแนะนำรายการแบบองค์รวมของปัจจัยที่เป็นไปได้ที่ส่งผลต่อความเสี่ยงทั่วไป 5 ประเภท รวมถึงความเสี่ยงจากความเสียหายจากการขนส่งสินค้า ความเสี่ยงด้านโครงสร้างพื้นฐาน ความเสี่ยงในการปฏิบัติงาน ความเสี่ยงด้านความปลอดภัย และความเสี่ยงด้านสิ่งแวดล้อม ความเสี่ยงในการขนส่งต่อเนื่องหลายรูปแบบระบุเป็น 2 ระยะตามลำดับโดยใช้แนวทางการวิจัยทั้งเชิงคุณภาพและเชิงปริมาณ การจำแนกประเภทที่ครอบคลุมนี้ไม่เพียงแต่ช่วยให้นักวิจัยและผู้ปฏิบัติงานสามารถระบุและจำแนกปัจจัยเสี่ยงที่อาจเกิดขึ้นได้ แต่ยังเป็นจุดเริ่มต้นสำหรับการสร้างแบบจำลองดัชนีความเสี่ยงด้านการขนส่งที่ใช้กับกระบวนการขนส่งต่อเนื่องหลายรูปแบบ
ส่วนที่เหลือของบทความนี้มีการจัดระเบียบดังนี้ งานที่เกี่ยวข้องจะถูกนำเสนอโดยย่อใน ส่วน ที่II ส่วนที่ 3จะแนะนำกรอบงานการสร้างแบบจำลองของแบบจำลอง FAHP และ DEA ส่วนที่ 4แสดงให้เห็นกรณีศึกษาเชิงปฏิบัติ สุดท้าย ข้อสรุป ข้อจำกัด และงานในอนาคตจะถูกนำเสนอใน ส่วน ที่5
ส่วนที่ 2งานที่เกี่ยวข้อง
การวิเคราะห์ความเสี่ยงเป็นกระบวนการที่เป็นระบบในการประเมินผลกระทบ การเกิด และผลของกิจกรรมหรือระบบของมนุษย์ กระบวนการวิเคราะห์ความเสี่ยงแบบดั้งเดิมประกอบด้วยขั้นตอนต่อไปนี้[3] , [16] : การระบุความเสี่ยง การประเมินความเสี่ยง และการบริหารความเสี่ยงและการติดตามการดำเนินการ ความหลากหลายของเทคนิคการวิเคราะห์ความเสี่ยงทำให้มั่นใจได้ว่ามีเทคนิคที่เหมาะสมสำหรับทุกสถานการณ์
มีการเสนอวิธีการต่างๆ ไว้ในเอกสารการวิเคราะห์ความเสี่ยง มีการศึกษาจำนวนมากที่ดำเนินการโดยใช้วิธี MCDM เพื่อวิเคราะห์ความเสี่ยงที่สำคัญ คารามูเซียนและคณะ [14]เสนอห้องปฏิบัติการทดลองและประเมินผลการตัดสินใจแบบไฮบริดและแบบจำลองกระบวนการเครือข่ายการวิเคราะห์ (DEMATEL-ANP) เพื่อจัดลำดับความสำคัญความเสี่ยงในโครงการก่อสร้าง ผลลัพธ์ที่ได้นำเสนอปัจจัยเสี่ยงที่สำคัญและกำหนดความสัมพันธ์ระหว่างกันในกรณีศึกษา อิลังกุมารันและคณะ [17]ใช้กระบวนการเครือข่ายการวิเคราะห์ (ANP) และแนวทางภาษาศาสตร์คลุมเครือเพื่อประเมินความเสี่ยงในสภาพแวดล้อมที่ร้อนของอุตสาหกรรมโรงหล่อ ยาซดีและคณะ [18]ใช้วิธีการที่ดีที่สุด-แย่ที่สุด (BWM) เพื่อการวิเคราะห์ความเสี่ยงที่เชื่อถือได้ โดยยึดตามรูปแบบการตัดสินใจแบบประชาธิปไตยและเผด็จการ แท้จริงและคณะ [19]เสนอโหมดความล้มเหลวและการวิเคราะห์ผลกระทบ (FMEA) ซึ่งใช้ MCDM และได้รับการพัฒนาโดยการบูรณาการวิธีการคร่าวๆ ที่ดีที่สุด-แย่ที่สุด (BWM) นอกจากนี้ ยังมีการใช้เทคนิคสำหรับการสั่งซื้อตามความคล้ายคลึงกับโซลูชันในอุดมคติ (TOPSIS) เพื่อประเมินปัจจัยเสี่ยงในเครื่องมือกล Matthews [20]ศึกษาองค์กรการบริหารความเสี่ยงและแนวทางปฏิบัติโดยใช้ระเบียบวิธี DEA ผลการวิจัยแสดงให้เห็นถึงความสำคัญของการประเมินความเสี่ยงในอุตสาหกรรมการธนาคาร ชิและคณะ [21]ใช้ตรรกะคลุมเครือกับปปส. เพื่อตรวจสอบความเสี่ยงของโครงการก่อสร้างในประเทศจีน สเควาสและคณะ [22]ใช้วิธี DEA เพื่อตรวจสอบประสิทธิภาพของฟาร์มโดยผสมผสานสารกำจัดศัตรูพืชที่หกล้นด้านสิ่งแวดล้อมตลอดจนปัจจัยการผลิตอื่น ๆ ที่เกี่ยวข้องกับความเสี่ยงในการผลิต วังและคณะ [23]แนะนำวิธี AHP-DEA สำหรับการประเมินความเสี่ยงของสะพาน และแสดงให้เห็นว่าวิธีการนี้ง่ายและใช้ได้กับกรณีศึกษา เก่งพล และ ต้วมมี[7]พัฒนาเครื่องมือประเมินความเสี่ยงเพื่อระบุความเสี่ยงด้านลอจิสติกส์ต่อเนื่องหลายรูปแบบโดยใช้กระบวนการวิเคราะห์ลำดับชั้น (AHP) และการวิเคราะห์การห่อหุ้มข้อมูล (DEA) เอกสารที่กล่าวมาข้างต้นบ่งชี้ถึงความสำคัญของการวิเคราะห์ความเสี่ยงในด้านต่างๆ นอกจากนี้ งานล่าสุดได้ใช้แบบจำลอง DEA เพื่อพัฒนาแบบจำลองการวิเคราะห์ความเสี่ยง
การวิเคราะห์การห่อหุ้มข้อมูล (DEA) เป็นเครื่องมือการประเมินที่เกี่ยวข้องกับหน่วยการตัดสินใจ (DMU) ที่แตกต่างกัน สามารถแก้ไขปัญหาที่ซับซ้อนมากมายได้โดยการบูรณาการอินพุตและเอาต์พุตหลายรายการพร้อมกันโดยใช้อัตราส่วนของผลรวมน้ำหนักที่จำกัดของเอาต์พุตต่อผลรวมน้ำหนักที่จำกัดของอินพุต[7] , [24] – [ 26 ] ในช่วงหลายปีที่ผ่านมา มีงานวิจัยจำนวนมากใช้วิธีการ DEA เพื่อวิเคราะห์ความเสี่ยงในด้านต่างๆ กรอบการทำงานของ DEA ได้ถูกนำไปใช้ในหลากหลายด้าน รวมถึงการประเมินประสิทธิภาพการบริการ[25] , [27]ประสิทธิภาพของโรงพยาบาล[28]การเลือกซัพพลายเออร์[29]และการขนส่ง[30] – [ 33 ]
อย่างไรก็ตาม วิธี DEA เป็นแนวทางการเขียนโปรแกรมเชิงเส้นแบบไม่มีพารามิเตอร์ ซึ่งจะประเมินประสิทธิภาพสัมพัทธ์ของเพื่อน DMU [7] , [21 ] การกำหนดน้ำหนักของตัวบ่งชี้ผลลัพธ์เกี่ยวข้องกับปัญหาการตัดสินใจหลายเกณฑ์ (MCDM) [25 ] มีการใช้วิธีการ MCDM หลายวิธีในการกำหนดน้ำหนักเกณฑ์ รวมถึงกระบวนการลำดับชั้นการวิเคราะห์ (AHP) AHP เหมาะอย่างยิ่งสำหรับการสร้างแบบจำลองและการถ่วงน้ำหนักข้อมูลเชิงคุณภาพด้วยระดับคะแนน 9 จุดที่คมชัด[24]และใช้การเปรียบเทียบแบบคู่สำหรับแต่ละเกณฑ์[8] มันถูกนำไปใช้ในการวิจัยต่างๆ รวมถึงการประเมิน การคัดเลือก และการพยากรณ์[7] , [8] , [23] , [34 ] อย่างไรก็ตาม AHP ไม่เหมาะเมื่อมีรายการจำนวนมากที่ต้องพิจารณาและจัดลำดับความสำคัญ เนื่องจากสามารถเปรียบเทียบทางเลือกในการตัดสินใจได้เพียงจำนวนจำกัด[24 ] นอกจากนี้ ข้อจำกัดอีกประการหนึ่งของ AHP แบบดั้งเดิมก็คือผู้เชี่ยวชาญไม่สามารถแสดงการตัดสินของตนเองด้วยค่าที่ชัดเจนในระดับการให้คะแนนได้ ทฤษฎีเซตคลุมเครือสามารถนำมาใช้แก้ข้อจำกัดได้ เนื่องจากทฤษฎีเซตนี้ให้ความแข็งแกร่งด้านตัวเลขในการจับความไม่แน่นอนที่เกี่ยวข้องกับกระบวนการรับรู้ของมนุษย์[24 ] เพื่อเอาชนะปัญหาเหล่านี้ ทฤษฎีเซตคลุมเครือที่บูรณาการกับ AHP จะถูกดำเนินการเพื่อจัดการกับความไม่แน่นอนและปัญหาที่ซับซ้อนเหล่านี้ที่เกี่ยวข้องกับสภาพแวดล้อมในการตัดสินใจ[21] , [31] , [35] – [ 37]
Therefore, the integration of FAHP and DEA has become an effective method to deal with the multiple inputs and outputs of risk analysis. For example, Vencheh and Mohamadghasemi [24] used a hybrid model of FAHP and DEA for multiple criteria inventory classification. They showed that the integrated FAHP–DEA approach is very simple and applicable to the problems with a large number of decision alternatives. Shi et al. [21] applied fuzzy logic and DEA to investigate the management of delivery risk in construction and proved that those methods could reduce risk assessment bias. Diouf and Kwak [29] presented a conceptual model based on fuzzy set theory, AHP, and DEA for supplier selection.
The previous research studies indicate that integration of FAHP and DEA is widely used and appropriate for performing risk analysis. The combined FAHP and DEA models can deal with both qualitative and quantitative data [7]. Furthermore, it is more practical and easier for ranking decisions compared to a large number of alternatives.
The proposed integrated FAHP–DEA methodology has the following advantages over the methods of absolute priorities [23]–[25]:
The proposed FAHP-DEA method is more efficient and straightforward than other techniques. The implementation of FAHP-DEA considers the relative priorities of factors and represents the best alternative. Moreover, FAHP can confirm the response consistency by comparing objects with multiple attributes based on the hierarchical structure. In addition, the redundancy of pairwise comparison makes the FAHP-DEA model less sensitive to evaluation errors.
The proposed method can group risk alternatives into different risk categories for each criterion by characterizing the linguistic assessment grades. When faced with a large number of alternatives, this approach is much more practical for rank-ordering decision alternatives.
The proposed method requires solving only one linear programming model for each criterion, whereas the others require the solution of many linear programming models for every criterion.
To the best of found knowledge, there has been no study using this model to evaluate risks in multimodal transportation systems. Therefore, a hybrid model utilizing the FAHP and DEA method is introduced in this study. DEA is used to generate the local risk scores for each criterion. Additionally, FAHP is used to effectively assess the weight calculation for the risk factors’ priorities.
SECTION III.Modeling Framework
A. Fuzzy Set Theory
Fuzzy set theory was initially proposed by Zadeh [38]. A significant contribution of the theory is its capability to represent vague data. Fuzzy set theory is similar to a human’s thought when expressing obscure words [24], for example, approximate, nearly, very, etc. A fuzzy set is a group of objects with a continuum of grades of membership, represented as values between 0 and 1. In this study, multimodal transportation risk analysis is carried out using experts’ subjective judgments and fuzzy set concepts to determine the weights of different criteria. Fuzzy sets and linguistic variables are firstly introduced, followed by their applications to AHP [24], [38].
Definition 1:A fuzzy set A~ in a universe of discourse X is defined by a membership function uA~(x) which associates any x∈X , with a real number in the interval [0, 1]. uA~(x) expresses the membership degree of x in A~ .
Definition 2:The α -cut of fuzzy set A~ is a crisp set A~α={x|uA~(x)≥α} . The support of A~ is the crisp set Supp(A~)={x|uA~(x)≥0} . A~ is normal if and only if Suppx∈XuA~(x)=1 .
Definition 3:A fuzzy subset A~ of the universe set X is convex if and only if uA~(λx+(1−λ)y)≥min(uA~(x),uA~(y)) , ∀x,y∈X , λ∈[0,1] , where min denotes the minimum operator.
Definition 4:A~ is a fuzzy number if and only if A~ is a normal and convex fuzzy set of R .
Definition 5:A triangular fuzzy number (TFN) A~ is defined with piecewise linear membership function uA~(x) as follows:
uA~(x)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪x−lm−l,u−xu−m,0,l≤x≤m,m≤x≤u,otherwise,(1)
View SourceRight-click on figure for MathML and additional features.where (l,m,u) is a triplet with l , u being the lower and upper bounds, respectively, and m being the most likely value of A~ .
Definition 6:Let A~=(l1,m1,u1) and B~=(l2,m2,u2) be two positive triangular fuzzy numbers and r be a positive real number. Then summation, subtraction, multiplication, distance, and inversion of the two triangular fuzzy numbers are defined as follows:
A~⊕B~=A~⊖B~=A~⊗B~=d(A~,B~)=A~⊗r=(A~)−1=[l1+l2,m1+m2,u1+u2],[l1−l2,m1−m2,u1−u2],[l1×l2,m1×m2,u1×u2],13[(l1−l2)2+(m1−m2)2+(u1−u2)2]−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−√,[l1×r,m1×r,u1×r],(1u1,1m1,1l1).
View SourceRight-click on figure for MathML and additional features.
B. Fuzzy AHP
The AHP method is the MCDM technique proposed by Saaty [39]. Generally, AHP uses comparison judgments and determines their relative importance weights. It is a significant technique for solving complex problems [25]. The AHP method’s steps are as follows:
Construct the hierarchy structure of a decision and alternatives (See Fig 1.).
Compute the criteria weights at each level of the hierarchy.
Aggregate the normalized weights to obtain the final scores.
FIGURE 1. - The hierarchy structure of decision.
FIGURE 1.
The hierarchy structure of decision.
Show All
However, the traditional AHP method is unable to deal with ambiguous problems. To relieve the shortcoming, fuzzy AHP is employed to solve uncertain problems more precisely. With fuzzy AHP, the pairwise comparisons of criteria and alternatives are performed through linguistic variables that are presented as triangular fuzzy numbers (TFNs). Various research [24], [35], [36] have applied FAHP to handle data uncertainty. Among the various methods, Chang [40] proposed an extent analysis method to derive weights for fuzzy comparison matrices. It has been adopted in several applications for its computational simplicity [41]–[43]. The algorithm can be described as follows:
Let X={x1,x2,…,xn} be an object set and U={u1,u2,…,um} be a goal set. According to Chang’s extent analysis method [40], each object is taken and an extent analysis for each goal gi is performed, making it possible to obtain the values of m extent analysis that can be demonstrated as M1gi,M2gi,…,Mmgii=1,2,…,n where all the Mjgi(j=1,2,..,m) are TFNs.
The steps of Chang’s extent analysis can be given as follows [43]:
Step 1:The value of a fuzzy synthetic extent with respect to the ith object is defined as:
สฉัน=∑เจ= 1มมเจกฉัน ⨂[∑ฉัน= 1n∑เจ= 1มมเจกฉัน]− 1(2)
View SourceRight-click on figure for MathML and additional features.To obtain ∑มเจ= 1มเจกฉัน , the fuzzy addition operation of ม extent analysis values for a particular matrix is performed such that
∑เจ= 1มมเจกฉัน= [∑เจ= 1มลเจ,∑เจ= 1มมเจ,∑เจ= 1มยูเจ](3)
View SourceRight-click on figure for MathML and additional features.and to obtain ∑nฉัน= 1∑มเจ= 1มเจกฉัน , the fuzzy addition operation is executed on มเจกฉัน( เจ= 1 , 2 , … , ม. ) values such that
∑ฉัน= 1n∑เจ= 1มมเจกฉัน= [∑ฉัน= 1nลฉัน,∑ฉัน= 1nมฉัน,∑ฉัน= 1nยูฉัน](4)
View SourceRight-click on figure for MathML and additional features.The inverse of the vector in (4) can be computed as:
[∑ฉัน= 1n∑เจ= 1มมเจกฉัน]− 1= [1∑nฉัน= 1ยูฉัน,1∑nฉัน= 1มฉัน,1∑nฉัน= 1ลฉัน](5)
View SourceRight-click on figure for MathML and additional features.
Step 2:If the ม1 and ม2 are two triangular fuzzy numbers, then the degree of possibility of ม2= (ล2 , ม2 , ยู2 ) ≥ม1= (ล1 , ม1 , ยู1 ) is defined as follows:
วี(ม2≥ม1) =ใช่แล้ว_ย≥ x[ ฉันn ( _มม1( x ) ,มม2( ย) ) ](6)
View SourceRight-click on figure for MathML and additional features.and can be equivalently expressed as follows:
วี(ม2≥ม1) ==เอช กเสื้อ(ม1∩ม2) =มม2( ง)⎧⎩⎨⎪⎪⎪⎪⎪⎪1 ,0 ,ล1-ยู2(ม2-ยู2) - (ม1-ล1),ม2≥ม1ล1≥ยู2มิฉะนั้น_ _ _ _ _ _ _(7)
View SourceRight-click on figure for MathML and additional features.where ง is the ordinate of the highest intersection point ดี between มม1 and มม2 (See Fig 2.)
To compare ม1 and ม2 , the values of both วี(ม2≥ม1 ) and วี(ม1≥ม2 ) are required.
Step 3:Compute the overall degree of possibility for a convex fuzzy number greater than other convex fuzzy numbers มฉัน( ผม= 1 , 2 , … , k ) , which can be defined as
วี( ม≥ม1,ม2, … ,มเค)= นาทีV( ม≥มฉัน) ,ผม= 1 , 2 , … , k(8)
View SourceRight-click on figure for MathML and additional features.
Assume that,
d′(Mi)=minV(Mi≥Mk)(9)
View SourceRight-click on figure for MathML and additional features.for k=1,2,…,n and k≠i . The following formula can give the weight vector:
W′=(d′(M1),d′(M2),…,d′(Mn))T(10)
View SourceRight-click on figure for MathML and additional features.
Step 4:Normalization step: the normalized weight vectors and results are non-fuzzy numbers which are given as:
W=(d(M1),d(M2),…,d(Mn))T,(11)
View SourceRight-click on figure for MathML and additional features.where W is a non-fuzzy number.
Step 5:The graded mean integration approach is used to defuzzify the fuzzy weight, where a TFN P=(l,m,u ) can be defuzzified to a crisp number as follows:
Pcrisp=(4m+l+u)6(12)
View SourceRight-click on figure for MathML and additional features.
Step 6:It is essential to check the consistency index between the pairwise matrices. The consistency ratio (CR) is defined as the ratio between the consistency of an evaluation index (CI) and the consistency of a random index (RI) . Eqs. (13)–(15) calculate the consistency ratio (CR) :
CI=λmax−nn−1(13)
View SourceRight-click on figure for MathML and additional features.where λmax is the largest eigenvalue of the comparison matrix, and n is the dimension of the matrix.
λmax=∑[(∑Cj)×{W}](14)
View SourceRight-click on figure for MathML and additional features.where ∑Cj is the sum of the pairwise matrix, and W is the weight vector.
CR=CIRI(n)(15)
View SourceRight-click on figure for MathML and additional features.where RI(n) is a random index that depends on n , as shown in Table 1. The acceptance limit for CR is 0.1 or 10%. If the CR is greater than 0.1, the judgment of the pairwise comparison needs to be carried out again to make the decision more consistent.
TABLE 1 Random Index ( RI ) of Random Matrices [43]
Table 1-
Random Index (
$RI$
) of Random Matrices [43]
FIGURE 2. - The interaction between
$M_{1}$
and
$M_{2}$
.
FIGURE 2.
The interaction between M1 and M2 .
Show All
C. Integration of the FAHP and DEA
DEA, introduced by Charnes [44], is an analytical technique for determining the relative efficiencies of DMUs using several inputs and outputs. There have been abundant applications of combining the FAHP and DEA methods because they are simple and applicable to complex problems with many decision alternatives. This study is developed from previous literature [7], [23], in order to improve the reduction of bias in risk analysis.
The study focuses on MCDM problems with l criteria and n decision alternatives. The normalized weight vector, Wp , is obtained through pairwise comparison in the FAHP.
To define the relative importance of each alternative with respect to each criterion, a set of assessment grades in linguistic terms (such as Very High, High, Medium, Low and Very Low) is constructed for each criterion as Gp={Lp1,..,LpKj }, {p=1,..,l }, where Lp1,..,LpKj represents the linguistic terms of importance ranking from the most to the least important, and Kp is the number of assessment grades for criterion p . This definition evaluates the different numbers of assessment grades and identifies their relative importance for each criterion. Assume that criterion p is assessed by Np experts. Then, the assessment vectors can be characterized as:
R(Dp(Aij))={(Lp1,NEijp1),…,(Lpkj,NEijpkj)}(16)
View SourceRight-click on figure for MathML and additional features.where NEijpk (k=1,..,Kp ) is the number of experts who assess alternative routes Aij to grade Lpk under the criterion p . It is indicated that ∑Kpk=1NEijpk=Np for i=1,..,n;j=1,..,m . All the assessment vectors are derived from a decision matrix, listed in Table 2.
TABLE 2 Decision Matrix
Table 2-
Decision Matrix
Let S(Lpk) be the scoring of grade Lpk(k=1,…,Kp) . Thus, the local weight of each alternative with respect to each criterion can be defined as [7], [23]:
Vijp=∑k=1KpS(Lpk)NEijpk,fori=1,..,n;j=1,..,m;p=1,..,l(17)
View SourceRight-click on figure for MathML and additional features.
The local weight of each alternative with respect to every criterion is computed as a decision-making unit (DMU) using S(Lpk) as a decision variable and also the weight assigned to the output NEijpk . Thus, the local weight can be constructed as the following DEA model with common weights [7], [23]:
Maximize αSubject to α≤vijp=∑k=1KpS(Lpk)NEijpk≤1,for i=1,..,n;j=1,..,m;p=1,..,lS(Lp1)≥2S(Lp2)≥…≥KpS(LpKp)≥0(18)
View SourceRight-click on figure for MathML and additional features.where S(Lp1),..,S(LpKj) are decision variables and S(Lp1)≥2S(Lp2)≥…≥KpS(LpKp)≥0 is the strong ordering condition imposed on assessment grades proposed by Noguchi et al. [45]
The local risk scores of each criterion and decision alternative can be determined by Eq. (18). Then, the local weight of each decision alternative with respect to criterion l is generated by Eq. (17). Subsequently, the simple additive weighting (SAW) method is utilized to aggregate the local weight into an overall weight, as follows [7], [23]:
V(Aij)==∑p=1lWpVijp∑p=1lWp(∑k=1KpS(Lpk)NEijpk)for i=1,..,n;j=1,..,m;p=1,..,l(19)
View SourceRight-click on figure for MathML and additional features.where Wp is the criterion weight determined by the FAHP methodology, S(Lpk) are the optimal scores of the assessment grades solved by Eq. (18), and V(Aij) is the overall weight of n decision alternatives, from which the alternatives are prioritized [7], [23].
SECTION IV.Case Study
Multimodal freight transportation has become increasingly complex and vulnerable to various risks across all related activities, making it difficult to predict the process. The multimodal freight transportation system handles a wide range of freight for the main commodities, including coal—one of the world’s most important natural resources as it is used in electrical generation and other manufacturing processes. Therefore, in order to identify and evaluate these risks effectively, the combined FAHP and DEA methodology has been proposed to analyze multimodal transportation risks. An actual case study is presented regarding multimodal coal transportation routes between Srichang, Thailand and the cement industry in Saraburi, Thailand. In the following sections, the conceptual framework is discussed the step by step instructions demonstrated in Fig 3.
FIGURE 3. - The framework of quantitative risk assessment in multimodal transportation.
FIGURE 3.
The framework of quantitative risk assessment in multimodal transportation.
Show All
A. Identify the Routes
Multimodal transportation routes consist of different segmented routes, which can be classified into two types: where the goods are in motion by some mode of transportation, and where goods come to rest or change to another mode of transport. Thus, the possible routes as Aij are defined where i is a segmented route of multimodal route j .
To study risks of coal logistical services originating from Srichang to a destination in the cement industry in Saraburi, Thailand, the data for possible multimodal transportation routes, including distances in different transport modes are collected through expert interviews. There are 8 possible multimodal logistics routes, which are presented in Table 3 and Appendix A. As an example, the details of the first segmented route in Table 3 are as follows: A11 is a route from Srichang to the Pasak River by ship. A21 is a route from the Pasak River to Nakornluang Port, also by ship. A31 is Nakornluang Port, the point for changing the mode of transport. A41 is the truck route from Nakornluang Port to Mittraphap Road. Finally, A51 is a route from Mittraphap Road to the cement plant in Saraburi.
TABLE 3 Possible Multimodal Transportation Routes
Table 3-
Possible Multimodal Transportation Routes
B. Risk Identification
Risk identification is based on expert opinion and previous literature. This study utilizes a qualitative expert opinion system to manage risks in multimodal freight transportation. The expert team was composed of 10 experts who have a neutral understanding of the transportation risk, including logistics managers, shipping managers, academic researchers, etc. The main experts were directly involved in the process of transportation and logistics management for over 20 years (more details in Appendix B.).
The previous literature contained various studies on risk identification for transportation. Kengpol et al. [34] identified six risk factors in multimodal transportation including freight-damage risk, infrastructure risk, political risk, operational risk, macro risk, and environment risk. Pallis [46] classified 38 risk factors into five categories: human, machinery, environment, security, and natural. Shankar et al. [9] identified 18 categories of risks related to transportation systems. Vilko et al. [3] considered and classified risks into two categories of exogenous and endogenous risks (65 and 38 risks respectively).
The identified risks were analyzed by the highly qualified expert panel. Delphi method is the expert survey technique for identifying, prioritizing and aiding in the follow-up of expert interviews in decision-making [7], [14], [34]. To obtain a perspective on multimodal freight transportation risks, experts were asked repeatly until no further change occurs [7], [8].
With respect to experts’ opinions, the given factors and their categories have been empirically validated in the multimodal transportation domain. Based on these results, the risk factors can be assessed in terms of the following criteria:
Freight-damage risk: This includes damaged or lost products during transfer, delivery at a warehouse, and delivery to a customer [7], [34].
Infrastructure risk: This includes road density, lanes, tunnels, the facility for handling equipment and material, railway density, transit utilization, etc. [7]
Operational risk: This involves document standardization, problems with documents or contracts, lack of skilled workers, strikes, lockouts, stoppage or restraint of labor from any cause, errors in server systems, etc. [34]
Security risk: This is a significant consideration in overall transportation risk planning and it includes theft from insiders, terrorism, fire and accidents.
Environmental risk: This includes natural phenomena which can have a negative effect on the transportation environment. Examples include natural disasters, climate change, floods, tropical storms and the rainy season [47].
C. Quantitative Risk Analysis
Risk analysis is a process for identifying, determining, and assessing hazards [34]. It is applied extensively in a variety of applications, including logistics and transportation with a primary aim of minimizing accident occurrences by reducing their possibilities.
This study introduces a valid quantitative risk analysis approach for determining the value of decision variables. The quantitative risk assessment calculates the risk level of an activity which might raise hazards for people, environment, or systems [7]. In traditional transportation, risks can be calculated by multiplying the probability of accident occurrence by accident consequence as indicated in Eq. (20) [7], [48]:
Rij=Pij×Cij(20)
View SourceRight-click on figure for MathML and additional features.where Rij is the risk level along route segment i of multimodal route j , Pij is the possibility of accident occurrence, and Cij represents the consequences of the accident.
Multimodal transportation is a complex system with many categories of risk. The suggestions from experts indicate that the growing risk trend in multimodal transportation is based upon the mode of transportation and shipping distance. Thus, the shipping distance along each segment of a multimodal transportation route affects the quantitative risk analysis—longer distances can lead to higher risk levels. Besides, estimating risk scores relies on the consensus of conflicting expert opinions. Therefore, a proper risk assessment model has been developed to consider the weighted risk level based on shipping distances. The multimodal transportation risk assessment is a MCDM problem which consists of l criteria (p=1,..,l ). The ratio between each segmented route and the total multimodal transportation route distance is defined as △EAijpk . The quantitative risk assessment developed from Eq. (20) can be calculated as follows [7]:
RAijpk=PAijpk×CAijpk×△EAijpk(21)
View SourceRight-click on figure for MathML and additional features.where RAijpk is the risk level of segmented route i of multimodal route j for criteria p by expert k who assesses link Aij . PAijpk is the probability assessment scale rank of Aij . CAijpk is the severity impact assessment scale of Aij . △EAijpk is the ratio between distances of segmented route i and the total distance of multimodal route j .
The ranking scales in the probability and severity impact assessments were expressed using the percentage of increased cost and the increased time of logistics on the route, as illustrated in Table 4. This table was developed from previous studies and experts’ opinions. In this study, there were 10 experts who have experience in transportation fields. The decision-making environment necessitates reliance on the opinions of multiple experts. However, expert decision-makers may not always give the same importance to the decision being made or specifics of a decision-making transaction because they may not always have equal degrees of relevancy, knowledge, and experience with respect to a specific decision.
TABLE 4 The Rank of Probability and Severity Assessment Scale (Adapted From Kengpol and Tuammee [7])
Table 4-
The Rank of Probability and Severity Assessment Scale (Adapted From Kengpol and Tuammee [7])
To simplify experts’ assessment while selecting scores, the measures of these criteria need to be converted into linguistic terms, defined as Very High, High, Medium, Low, and Very Low [24]. A visual representation is used to map multimodal transportation risks and define a set of assessment grades in linguistic terms. A risk matrix consists of a probability assessment scale rank (1–5) on the horizontal axis and a severity impact assessment scale rank (1–5) on the vertical axis, as shown in Fig. 4.
FIGURE 4. - Risk matrix based on expert opinions.
FIGURE 4.
Risk matrix based on expert opinions.
Show All
After identifying transportation risks, their quantitative values are calculated based on the risk level using Eq. (21). The risk matrix is then converted into assessment grades in linguistic variables. This process is necessary to define a set of assessment grades to describe multimodal transportation risk quantitatively. The risk assessment data are illustrated in Table 9 (more details in the next section).
TABLE 5 Fuzzy Linguistic Scale
Table 5-
Fuzzy Linguistic Scale
TABLE 6 Risk Factors Pairwise Comparison Matrix
Table 6-
Risk Factors Pairwise Comparison Matrix
TABLE 7 Normalized Matrix of Risk Factors
Table 7-
Normalized Matrix of Risk Factors
TABLE 8 Fuzzy Weight of Risk Factors and Their Categories
Table 8-
Fuzzy Weight of Risk Factors and Their Categories
TABLE 9 Risk Assessment Data
Table 9-
Risk Assessment Data
The following illustrates the calculation of the risk level of the segmented route A11 shown in Table 3. For freight-damage risk, the segmented route A11 can be assessed as follows. The first expert defines the probability rank as PA1111=3 and the impact severity rank as CA1111=3 . The ratio between the distance of segmented route and the total distance of the route is △EA1111=195km207km=0.942 . Thus, the risk level of RA1111 for freight-damage risk on segmented route A11 is 3×3×0.942=8.478 . Consequently, the risk score can be approximately measured by the risk magnitude in Fig. 4 as Medium. Furthermore, experts 1–5 assess it to be Medium and experts 6–9 assess risk as Low. The last expert evaluates it to be Very Low. The rest of the data for other cases can be described in a similar way in Table 9.
D. Determination of the Weights of Criteria Using FAHP
In this study, risks in the context of multimodal transportation were identified based on literature review and expert interviews. Due to the meaning and similarities of transportation risks, these risks are grouped into five categories, namely freight-damage risk, infrastructure risk, operational risk, security risk, and environmental risk. The identified risks were analyzed to determine their importance weights using the FAHP method. The data collected will be converted into the Geometric Mean to measure the pairwise comparison.
In order to determine the criteria for the risk analysis process, decision-makers or experts consider the pairwise judgment matrices and evaluate their relative importance weights with respect to the goals, using linguistic terms. These linguistic evaluations are subsequently transformed into TFNs by means of the conversation scale presented in Table 5. Pairwise judgment matrices are finalized based on the experts’ opinion and transformed into positive fuzzy numbers using the standard TFNs. The constructed fuzzy pairwise judgment matrices for various categories of risk are presented in Table 6.
To test the consistency of the pairwise matrix, the consistency in a crisp comparison matrix are evaluated by following the criteria discussed in step 6 of Fuzzy AHP section. A triangular fuzzy number of the pairwise comparison matrix of the risk categories is defuzzified to a crisp number in Eq. (12). According to the result, the λmax of the fuzzy crisp matrix is 5.301. The dimension of matrix is 5; thus the RI is 1.12 for n=5 (Table 1). The calculation of the consistency index (CI) and the consistency ratio (CR) are represented in Eqs. (13)–(15). The value of CI is 0.075 and CR is 0.070, which is smaller than 10%. Thus, the pairwise comparison matrix developed for the multimodal risk factors is consistent and acceptable.
When the consistency in the comparison matrix is accepted, the fuzzy values of pairwise comparison are converted to crisp values through Chang’s extent analysis as mentioned above (Table 7). First, the fuzzy synthesis extent values and the priority weights are calculated using Eq. (2). Equations (3)–(5) are used to present the degree of the synthetic extent values. An example of the weight calculation and these values are obtained:
∑j=15Mjg1=∑i=15∑j=15Mjgi===(1.00,1.00,1.00)+(1.74,2.14,2.49)+(2.70,3.38,4.00)+(3.10,4.21,5.28)+(2.70,3.38,4.00)=(11.25,14.11,16.77)(11.25,14.11,16.77)+(13.84,16.98,20.14)+(6.20,6.95,7.69)+(3.11,3.22,3.40)+(2.56,2.66,2.83)=(36.948,43.926,50.835)[∑i=15∑j=15Mjgi]−1(150.835,143.926,136.948)(0.020,0.023,0.027)
View SourceRight-click on figure for MathML and additional features.
Once the weight vector is derived by Eq. (6), the step of the normalized weight vector (Ni ) is used to obtain the priority weight vector of each criteria by Eqs. (10)–(11). Thus, the minimum degree of possibility for each pairwise comparison is computed as:
d′(F)=d′(I)=d′(O)=d′(S)=d′(E)=minV(F≥I,O,S,E)=0.329minV(I≥F,O,S,E)=0.398minV(O≥F,I,S,E)=0.162minV(S≥F,I,O,E)=0.075minV(E≥F,I,O,S)=0.062
View SourceRight-click on figure for MathML and additional features.
Therefore, the weight vector is computed as W′= (0.329, 0.398, 0.162, 0.075, 0.062). The preference weights are normalized for each risk as W= (0.321, 0.388, 0.157, 0.073, 0.061). In other words, the relative weight criteria from FAHP for freight-damage risk, infrastructure risk, operational risk, security risk, and environmental risk are 0.321, 0.388, 0.157, 0.073 and 0.061 respectively, as shown in Table 8.
E. An Hybrid Model of FAHP-DEA Methodology
The proposed model of FAHP-DEA can classify alternatives into different categories for each criterion, which are characterized by linguistic assessment grades [23]. Moreover, the integration of the FAHP and DEA methodology can solve an MCDM problem with a large number of decision alternatives.
This case study has five main criteria with 51 alternatives. The FAHP method is used to evaluate the criteria weights. It intends to determine the overall risk score of each segmented route. From the previous section, the importance weights of freight-damage risk, infrastructure risk, operational risk, security risk and environmental risk are 0.321, 0.388, 0.157, 0.073, and 0.061, respectively.
To quantitatively describe multimodal transportation risks, a set of assessment grades need to be defined for each of the five risk criteria. For example, the following set of assessment grades is defined for the five criteria by G= {Very High, High, Medium, Low, Very Low} ={VH,H,M,L,VL} . The numbers and different sets of assessment grades were defined according to the risk matrix.
Table 9 presents the distribution decision matrix of assessment results for the 51 segmented routes, which were assessed by 10 experts. Consider freight-damage risk for the segmented route A11 , five experts assessed the grades as “Medium”, four experts assessed it as “Low”, and one expert assessed it as “Very Low”. For the other segmented routes, assessment data can be described in the same way. The risk assessment data are subsequently used to generate the local risk scores for each criterion by the DEA model in Eq. (17).
The optimal solution for all decision variables S(Lpk) can be calculated as:
Let the freight-damage risk assessment in Table 9 be an example to calculate the optimal solution of decision variables S(Lpk) , solving by Eq. (18). S(Lpk) is a decision variable and the weight assigned to the output NEijpk . Then, the DEA model with common weights can be constructed as follows:
Maximize αSubject to0S(VH11)+0S(H11)+5S(M11)+4S(L11)+1S(VL11)≤10S(VH11)+0S(H11)+5S(M11)+5S(L11)+0S(VL11)≤10S(VH11)+0S(H11)+2S(M11)+3S(L11)+5S(VL11)≤10S(VH11)+0S(H11)+0S(M11)+0S(L11)+10S(VL11)≤10S(VH11)+0S(H11)+5S(M11)+5S(L11)+0S(VL11)≤1⋮0S(VH11)+0S(H11)+6S(M11)+4S(L11)+0S(VL11)≤1S(VH11)+0S(H11)+0S(M11)+0S(L11)+0S(VL11)≥2S(H11)0S(VH11)+2S(H11)+0S(M11)+0S(L11)+0S(VL11)≥3S(M11)0S(VH11)+0S(H11)+3S(M11)+0S(L11)+0S(VL11)≥4S(L11)0S(VH11)+0S(H11)+0S(M11)+4S(L11)+0S(VL11)≥5S(VL11)S(VH11),S(H11),S(M11),S(L11),S(VL11)≥0(22)
View SourceRight-click on figure for MathML and additional features.where S(VH) , S(H) , S(M) , S(L) and S(VL) are the optimal scores of the assessment grades “Very High”, “High”, “Medium”, “Low”, “Very Low”, respectively and α is the optimal local weight of each criterion. Additionally, the optimal solutions of decision variables S(Lpk) for other criteria can be computed in a similar way.
The local weight of each decision alternative with respect to every criterion is determined as a DMU, where S(Lpk) is a decision variable and also the weight assigned to the output NEijpk . The following optimal solutions of each criterion S(Lpk) are calculated using Eq. (18). For freight-damage risk, infrastructure risk, and operational risk, the optimal solutions are as follows:
S(VH)=0.13333 , S(H)=0.066667 , S(M)=0.044444 , S(L)=0.033333 , S(VL)=0.026666 and α=0.999985
The following optimal solutions are obtained for security risk and environmental risk, respectively.
S(VH)=0.18462 , S(H)=0.092307 , S(M)=0.061537 , S(L)=0.046151 , S(VL)=0.036917 and α=0.867769
S(VH)=0.14286 , S(H)=0.071428 , S(M)=0.047619 , S(L)=0.035714 , S(VL)=0.028571 and α=1.000000
Thus, the optimal solutions of each criterion S(Lpk) are illustrated in Table 10. Consequently, these optimal solutions can be used to calculate the local risk scores of the 51 segmented routes with respect to each of the five criteria using Eq. (16), presented in Table 11.
TABLE 10 The Optimal Solution of Each Criterion
Table 10-
The Optimal Solution of Each Criterion
TABLE 11 The Overall Multimodal Transportation Risk Scores
Table 11-
The Overall Multimodal Transportation Risk Scores
The final step is to aggregate local risk scores into overall risk scores for each decision alternative using the SAW method in Eq. (19). The results, along with the risk priority ranking, are presented in Table 12.
TABLE 12 The Quantitative Risk Scores of Multimodal Routes With Risk Priority Ranking
Table 12-
The Quantitative Risk Scores of Multimodal Routes With Risk Priority Ranking
The example of local risk calculation for segmented route A11 is shown below:
Freight-damage risk:
(5×0.044444)+(4×0.033333)+(1×0.026666)=0.382218
Infrastructure risk:
10×0.033333=0.333333
Operational risk:
(2×0.066666)+(5×0.044444)+(3×0.033333)=0.455551
Security risk:
(2×0.092307)+(6×0.061537)+(1×0.046151)+(1×0.036917)=0.636904
Environmental risk:
(5×0.047619)+(3×0.035714)+(2×0.028571)=0.402379
As stated in the previous section, the relative weight criteria from FAHP can be determined to complete the overall transportation risk scores in Table 12. The overall risk score can be solved by the SAW method in Eq. (19). Thus, the total risk score in segmented route A11 can be calculated as follows:
V(A11)=(w1v111)+(w2v111)+(w3v111)+(w4v111)+(w5v111)=(0.321×0.382)+(0.388×0.333)+(0.157×0.455)+(0.073×0.637)+(0.061×0.402)=0.394
The last step is to combine the risk scores in each segmented multimodal route. Table 12 represents the quantitative risk scores of multimodal routes with risk priority ranking.
Based on the ranking in Table 12, these risks can be prioritized: the highest risk score is 4.747 in route 4 and the lowest is 2.241 in route 1. The optimal multimodal transportation route is route 1 from Srichang to the Pasak River by ship. Then, to Nakornluang Port, also by ship; switching to truck transport to Mittraphap Road; and finally, shipping by truck from Mittraphap Road to the cement plant in Saraburi.
Table 12 provides a breakdown of the risk analysis results. Of the 5 risks identified in the interview and literature, possible multimodal routes have been evaluated on the basis of corresponding FAHP and DEA methods. It is apparent that the highest overall risk score is for route 4 because of several changes in the mode of transportation and longer required lead time. The main aim of risk analysis is to reduce the impact of uncontrollable accidents on the working transportation process. The results could alert the user to select the appropriate corrective action and reduce time consumption.
This study supports the development of a valid decision support approach that is flexible and applicable to an industrial sector adopting multimodal transportation risk practices. In this perspective, the present work attempts to contribute to the reliable literature and expert knowledge by presenting the identification, analysis and prioritization of risks. The list of risks identified would certainly facilitate users in understanding the theory of risks. Moreover, coal industry companies were examined in the study. Comparing the risks arising from fundamentally different activities along a multimodel transportation route requires care in the wise selection of the appropriate route from the alternatives, which are ranked as routes 1, 7, 3, 8, 2, 6, 5, 4, from least to the most risky. Route 4 has the highest risk score and needs a higher level of managerial attention as compared to other routes. The results show that the integrated FAHP-DEA for risk analysis in multimodal transportation can help users select a better decision on the optimal-risk route.
F. Comparison With Other Decision-Making Approaches
Comparison and correlation analysis of the integrated FAHP-DEA model with results of other fuzzy multi-criteria decision making (MCDM) approaches are conducted to ensure greater consistency and validity of the model. The advantage of the integrated FAHP-DEA model is presented by its comparison with well-known fuzzy MCDM approaches for determining the criteria weight, a category to which the FAHP and DEA methods also belong. The fuzzy best-worst method (FBWM) [49] and fuzzy full consistency method (FFUCOM) [50] were investigated, since the validity of both MCDM methodologies are based on the concept of pairwise comparison and the degree of consistency, which are the fundamental foundation of the FAHP and DEA methods.
Each of the selected models was analyzed through the previous discussion in which the DEA, FAHP-DEA, FBWM-DEA and FFUCOM-DEA models were employed. For the purpose of validation, the obtained results will present the risk factor priority and the route ranking.
Mathematical models were performed in a similar way for the risk calculations. The weight coefficients for comparison with similar subject models—FAHP, FBWM and FFUCOM—were further utilized on as input data in the DEA model (Table 13), and the final results of DEA, FAHP-DEA, FBWM-DEA and FFUCOM-DEA models are illustrated in Table 14.
TABLE 13 Alternative Risk Criteria Weight Ranks
Table 13-
Alternative Risk Criteria Weight Ranks
TABLE 14 The Results Obtained Using Different Methods
Table 14-
The Results Obtained Using Different Methods
The alternative ranking discussed previously indicated that route 4 was selected due to its the highest weight with respect to other risk factors. Furthermore, the FAHP-DEA and FFUCOM-DEA models yielded the same ranking results, while the DEA and FBWM-DEA models gave different rankings.
From the results obtained in Table 13, it can be noted that these weights are different due to a number of reasons, summarized briefly below:
In the initial stage of determining the weight coefficients of the FAHP, FBWM, and FFUCOM models (Table 13), FFUCOM only requires n−1 pairwise comparisons, whereas FBWM requires 2n−3 pairwise comparisons, and for FAHP, it is necessary to perform n(n−1)/2 pairwise comparisons.
When comparing the pairwise matrix, FBWM uses integer values, unlike FAHP, which requires the use of a ratio scale. On the contrary, FFUCOM can apply any scale (integer or decimal).
The FBWM and FAHP models rely on adherence to mathematical transitivity. FFUCOM allows satisfying the complete consistency of the model while respecting the conditions of transitivity.
G. Result Validation Using Spearman’s Rank and Pearson Correlation Coefficient
The correlation analysis is considered to describe the direction and strength of the relationship between two variables. Possible correlations range from +1 to −1. A zero correlation indicates that there is no relationship between the variables. A correlation of −1 indicates a perfect negative correlation, meaning that as one variable increases, the other decreases. A correlation of +1 indicates a perfect positive correlation, meaning that both variables move in the same direction.
The results obtained from Table 14 represent that risk scores and risk priority ranking were examined to evaluate the relationship between the results obtained by fuzzy MCDM methods. Generally, two main types of Spearman’s rank correlation coefficient and Pearson correlation coefficient are measured. In this case, Spearman’s rank correlation evaluates the ranked value for each variable, whereas Pearson correlation is used to evaluate the final score value. The computation of Spearman’s rank correlation and Pearson correlation are based on the following definitions [51]:
Spearman’s rank correlation coefficient:
Correlation=1−6∑ni=1d2in(n2−1)(23)
View SourceRight-click on figure for MathML and additional features.where di is the difference between two rankings and n is the number of observations.
Pearson correlation coefficient:
Correlation
=n∑ni=1xiyi−∑ni=1xi∑ni=1yin∑ni=1x2i−(∑ni=1xi)2−−−−−−−−−−−−−−−−−√n∑ni=1y2i−(∑ni=1yi)2−−−−−−−−−−−−−−−−−√(24)
View SourceRight-click on figure for MathML and additional features.where n is the total number of values, x is the value in the first set of data, and y is the value in the second set of data.
The results from Spearman’s rank correlation coefficient and Pearson correlation coefficient analysis, shown in Fig. 5, confirm the validity of the proposed FAHP-DEA method. The FAHP-DEA is most highly correlated with the final ranking while the DEA method is least correlated with the final ranking.
FIGURE 5. - Correlation between the results of the risk priority ranking.
FIGURE 5.
Correlation between the results of the risk priority ranking.
Show All
Furthermore, as opposed to other subjective models, the FAHP-DEA method has relatively less variation in the obtained risk scores than FFUCOM-DEA and other methods as shown in Table 14. The stability in the analysis of FAHP-DEA method makes evident that the priority of risk factors remain steady. On the other hand, the results from FFUCOM-DEA method indicate that the risk scores for route 2 and 6 are 3.300 and 3.309, respectively. This suggests that FFUCOM-DEA method produces almost identical risk scores, making it difficult to confidently rank the risk priorities. The scatter plots depicted in Fig 6 presented that the difference between adjacent risk scores of FAHP-DEA method are more uniformly distributed compared to other methods.
FIGURE 6. - Scatter plots between the results of the risk scores and risk priority ranking.
FIGURE 6.
Scatter plots between the results of the risk scores and risk priority ranking.
Show All
In conclusion, the FAHP-DEA method produces the best overall results. On the basis of case study findings, it clearly proves that the proposed FAHP-DEA method significantly outperforms other approaches.
SECTION V.Conclusion, Limitation and Further Study
Multimodal freight transportation is a complex problem sensitive to various risks. It is difficult to predict the process, as it faces risks in all activities. From the managerial perspective, risks are potential threats that can negatively impact normal activities or prevent actions. Multimodal freight transportation is the integration of two or more modes of transport to move goods from the source to the destination. Accidents can occur at any point along the transportation routes. Therefore, to raise user’s attention to the high priority risks related to multimodal freight transportation, this study proposed the integrated FAHP-DEA process to model multimodal transportation risks quantitatively.
The proposed risk analysis model is the combination of quantitative risk analysis, FAHP, and DEA to prioritize and optimize the multimodal transportation routes. The FAHP technique is used to determine the weights of the risk criteria. The DEA method is employed to determine the values of the linguistic terms such as Very High, High, Medium, Low and Very Low to assess transportation risks under each criterion. Finally, the SAW method is applied to aggregate the risks under different criteria into an overall risk score. The literature review revealed that the integrated FAHP-DEA is very simple, applicable to many decision alternatives and particularly effective for complex MCDM problems.
A practical case study of the coal industry in Thailand has been conducted regarding multimodal transportation routes. The high visibility risks involved with complex multimodal freight transportation are identified. With prior literature and expert knowledge, 5 main multimodal transportation risk categories are investigated. Subsequently, the local risk scores of 51 segmented routes with respect to 5 criteria are generated. The FAHP-DEA approach is an effective tool for analyzing and prioritizing the critical risks in complex systems. The results of this study provide risk scores with priority ranking. Moreover, the risk assessment model can generate an optimal route in accordance with weights from the users.
The main contribution of this study is the development of reliable and practical risk model to support users in optimizing a route under risks. Furthermore, the results suggest that the users should consider the source and nature of risk impact to minimize the risks in multimodal freight transportation.
According to the correlation analysis using Spearman’s rank correlation coefficient and the Pearson correlation coefficient, the proposed FAHP-DEA method clearly produces results that are consistent with the actual results. This clearly indicates that the proposed method is not only a practical decision-making approach but also highly reliable and accurate.
Nonetheless, there are limitations concerning the data. The majority of data acquired in this study is specific to the environment. These factors can be adjusted before applying to other cases. Therefore, the factors based on experts’ preference scores need to be constructed carefully. The data and its analysis are typically subject to the context of industries.
For potential future research, this proposed risk analysis model can help support a new platform to systematically analyze risk and extend its applications to other complex and critical installations. The conceptual framework will be exploited by developing decision support software for quantitative risk analysis in transportation. It could provide an accurate, practical, and systematic decision support tool.
Appendix ARoute Identification
Route 1:Srichang + Pasak River + Nakornluang Port − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
Route 2:Srichang + Pasak River + Nakornluang Port − Jumpa District − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
Route 3:Srichang + Pasak River + Nakornluang Port − Don Yanang District − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
Route 4:Srichang + Laem Chabang = Sri Racha = Chonburi = Chachoengsao = Bang Nam Piew = NakornNayok = Kaeng Khoi Train Station − Kaeng Khoi Cement Plant Saraburi
Route 5:Srichang − Laem Chabang = Sri Racha = Chonburi = Chachoengsao = Bang Nam Piew = NakornNayok = Kaeng Khoi Train Station − Kaeng Khoi Cement Plant Saraburi
Route 6:Srichang + Bang Pa Kong − Bang Nam Piew − NakornNayok − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
Route 7:Srichang + Bang Pa Kong − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
Route 8:Srichang + Bang Pa Kong − NongRong District − Mittraphap Road − Kaeng Khoi Cement Plant Saraburi
(Note: + is ship transport, = is train transport, − is truck transport.)
Appendix B
See table 15.
TABLE 15 Profile of Experts
Table 15-
Profile of Experts
ผู้เขียน
ตัวเลข
อ้างอิง
การอ้างอิง
คำหลัก
เมตริก
เชิงอรรถ
|
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|