Computadoras e Ingeniería Industrial 117 (2018) 303-318

listas de contenidos ofrecidos en ScienceDirect

Computadoras e Ingeniería Industrial

revista Página de inicio: www.elsevier.com/locate/caie

Fuzzy AHP-TOPSIS se acerca a las soluciones para la priorización de las barreras de logística inversa

Pornwasin Sirisawat • , Tossapol Kiatcharoenpol

Departamento de Ingeniería Industrial, Facultad de Ingeniería, el rey Mongkut ' s Instituto de Tecnología de Ladkrabang, Chalongkrung Road, Ladkrabang, Bangkok 10520, Tailandia

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

palabras clave: Debido a la creciente demanda de productos verdes y también las presiones de los clientes y otros jugadores a lo largo de la cadena de suministro, que ahora
Fuzzy Fuzzy TOPSIS AHP presta más atención a la conciencia del medio ambiente y la gestión sostenible, muchas empresas, especialmente en el sector de la electrónica han
logística inversa industria comenzado a darse cuenta de la importancia de la aplicación de suministro verde conceptos de gestión de la cadena en sus actividades; logística inversa (RL)
electrónica
la práctica es una de las estrategias importantes para proporcionar correo FFI ciente utilización de los recursos y minimizar los residuos de fin de vida (EOL)
productos siguiendo la legislación y los conceptos verdes. Sin embargo, recientemente revertir las prácticas de logística se enfrentan a algunas de las barreras
que hacen que la implementación de la logística inversa di FFI culto y sin éxito. Para aumentar correo FFI deficiencia en la adaptación logística inversa de la
industria de la electrónica, las empresas tienen que entender y tener en cuenta las prioridades de ambas barreras y soluciones para el desarrollo de políticas y
estrategias para superar estas barreras. Por lo tanto, este estudio se centró en la clasificación fi cación de las barreras de logística inversa y clasificación de los
obstáculos y las soluciones de aplicación de logística inversa en la industria electrónica. Este documento propone una metodología basada en proceso de
jerarquía analítica fuzzy (AHP Fuzzy) y la técnica fuzzy para un rendimiento orden por similitud con solución ideal (TOPSIS Fuzzy) en el que se aplica fuzzy
AHP para obtener los pesos de cada barrera mediante el uso de comparación por pares, y difusa TOPSIS se aplica para el fi clasificación final de las soluciones
de aplicación de logística inversa. El caso de Tailandia ' s industria de la electrónica se utiliza en el método propuesto. Para ilustrar la robustez del método, el
análisis de sensibilidad se utiliza en este estudio.

1. Introducción
Durante la última década los problemas ambientales se han convertido en un tema importante
en diversas industrias, incluyendo la industria electrónica, debido a un aumento de la conciencia
ambiental, la legislación forzada, la ecología industrial y la ciudadanía corporativa ( Prakash y Barua,
2015 ). Los tomadores de decisiones tienen que considerar cuestiones ambientales en cada actividad
de su organización a lo largo de su cadena de suministro ( Kannan, Jabbour, y Jabbour, 2014 ).
Muchas empresas han aplicado el concepto de logística inversa (RL) a sus políticas y estrategias de
desarrollo sostenible que se centraron en la reducción de los residuos y creado un valor de
devolución de productos usados ​( Sirisawat, Kiatcharoenpol, Choomrit, y Wangphanich, 2016 ). Rogers
y Tibben-Lembke (1998) , Explicó que RL es el proceso de planificación, ejecución y control del
correo FFI ciente, el costo e ff caz Florida ow de materias primas, en proceso de inventario, fi productos
terminados e información relacionada desde el punto de consumo hasta el punto de origen con el fin
de recuperar el valor o la correcta eliminación. RL se centra en maximizar el valor del artículo
devuelto o minimizar el costo total de la RL hacia atrás Florida flujo de
materiales ( Kannan, Pokharel, y Kumar, 2009 ). De acuerdo con la ley y la legislación, se obligó a los
productores a cuidar de su fin de vida (EOL) y productos de la Directiva sobre residuos de aparatos
eléctricos y electrónicos (RAEE) (Directiva 2002/96 / CE) fabricantes de productos electrónicos
forzadas a e FFI gestionar de manera suficiente el retorno y la disposición adecuada de los envases o
productos utilizados ( Govindan, Soleimani, y Kannan, 2015; Nikolaou, Evangelinos, y Allan, 2013 ). A
pesar de que el concepto RL es ampliamente utilizado en muchas empresas, que todavía tiene una
gran cantidad de barreras que hacen prácticas RL di FFI culto y sin éxito. Cada barrera no se puede
resolver al mismo tiempo y puede requerir di ff soluciones Erent o tratamiento ( Prakash y Barua, 2015;
Sharma, Panda, Mahapatra, y Sahu, 2011 ). Por lo tanto, es necesaria la prioridad y la clasificación de
las barreras y soluciones para resolver este tipo de barreras.
La investigación anterior ha estudiado y ha introducido algunas barreras, los conductores y
también soluciones para las prácticas de RL en muchos países ( Abdulrahman, Gunasekaran, y
Subramanian, 2014; Govindan, Kaliyan, Kannan, y Haq, 2014; Prakash y Barua, 2015; Rahman y
Subramanian, 2012; Ravi Shankar y de 2005; Sharma et al., 2011; Zaabi, Dhaheri, y Diabat, 2013 ).
Sin embargo, el estudio de las barreras y soluciones en Tailandia ' s

• Autor correspondiente.

Dirección de correo electrónico: sirisawat.p@gmail.com (P. Sirisawat).

https://doi.org/10.1016/j.cie.2018.01.015
Recibido 16 de abril de 2017. Recibido en forma 11 de septiembre 2017 revisado; Aceptado 18 de de enero de 2018
0360-8352 / © 2018 Elsevier Ltd. Todos los derechos reservados.
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

tabla 1
barreras prácticas RL con los criterios y subcriterios.

criterios código criterios Subcriterios referencias

barreras de gestión MB1 La falta de compromiso por parte de la alta dirección Ravi y Shankar (2005), Mathiyazhagan et al. (2013), Prakash y Barua (2015), Sharma et al. (2011), Jindal y
MB2 La falta de planificación estratégica para asegurar prácticas RL Sangwan (2011), Wiel et al. (2012), Zaabi et al. (2013), PWC (2008), Abdullah et al. (2011), Govindan et al.
(2014), Abdulrahman et al. (2014), Yacob (2012) y Rogers y Tibben-Lembke (2001)
MB3 La falta de conocimiento y comprensión de la adaptación RL

MB4 La falta de especificidad fi c objetivos de medio ambiente y gestión

de residuos

MB5 La falta de políticas para las prácticas de RL

barreras organización OB1 La falta de estructura organizativa adecuada y apoyo a Prakash y Barua (2015), Luthra, Kumar, Kumar, y Haleem (2011), Yacob (2012), Jindal y Sangwan (2011),
las prácticas RL Wiel et al. (2012), Zaabi et al. (2013), Abdullah et al. (2011), Sharma et al. (2011), Rogers y Tibben-Lembke
OB2 La falta de formación y la educación acerca de RL (2001), Govindan et al. (2014), y Pumpinyo y Nitivattananon (2014)
OB3 La falta de recursos de personal de la organización

barreras de productos PB1 dudosa calidad y cantidad de los productos de retorno Ravi y Shankar (2005), Prakash y Barua (2015), Sharma et al. (2011), Jindal y Sangwan (2011), Abdullah et
desde el punto de consumo al. (2011), Yacob (2012), Rahman y Subramanian (2012), y Govindan et al. (2014)
PB2 Menos valor económico se recuperó
PB3 Riesgo de almacenamiento de materiales peligrosos

Las barreras legales LB1 La falta de leyes forzada, la legislación y las directivas Prakash y Barua (2015), Rogers y Tibben-Lembke (2001), Jindal y Sangwan (2011), Zaabi et al. (2013),
de los productos EoL Abdulrahman et al. (2014), Rahman y Subramanian (2012), Sharma et al. (2011), Luthra et al. (2011),
LB2 La falta de políticas de apoyo del gobierno sobre las prácticas de RL Mathiyazhagan et al. (2013), Govindan et al. (2014), Pumpinyo y Nitivattananon (2014), y Sirisawat y
Kiatcharoenpol (2016)
LB3 Lagunas en las leyes y reglamentos de Tailandia sobre la gestión

de residuos

Las barreras tecnológicas TB1 La falta de información y tecnológicos sistemas de prácticas Ravi y Shankar (2005), Prakash y Barua (2015), Sharma et al. (2011), Jindal y Sangwan (2011), Luthra et al.
RL (2011), Zaabi et al. (2013), Mathiyazhagan et al. (2013), Pumpinyo y Nitivattananon (2014), y Govindan et al.
TB2 La falta de infraestructura tecnológica disponible para adoptar (2014)
prácticas de RL
TB3 La falta de experiencia técnica para apoyar las prácticas RL

TB4 Falta de Florida flexibilidad para cambiar de un sistema tradicional de

nuevo sistema

barreras de infraestructura IB1 La falta de instalación de infraestructura para apoyar la Prakash y Barua (2015), Abdulrahman et al. (2014), Yacob (2012), y Pumpinyo Nitivattananon (2014), y
aplicación RL Jindal y Sangwan (2011)
IB2 Falta de correo FFI ciente y e ff ectantes sistemas para monitorear

devoluciones y retiros

IB3 Aumento de la superficie de gestión de residuos no

estandarizada

Las barreras financieras FB1 Restricciones financieras Ravi y Shankar (2005), Sharma et al. (2011), Rogers y Tibben-Lembke (2001), Luthra et al. (2011), Wiel et al.
FB2 Altas inversiones y menos retorno de (2012), Mathiyazhagan et al. (2013), Govindan et al. (2014), Abdulrahman et al. (2014), Yacob (2012),
oninvestments Pumpinyo y Nitivattananon (2014), Rahman y Subramanian (2012), Prakash y Barua (2015), Jindal y
FB3 El gasto en la recolección y almacenamiento de los productos utilizados Sangwan (2011), y Zaabi et al. (2013)

FB4 Costo de envases ecológicos

FB 5 Coste de eliminación de residuos no peligrosos y peligrosos

Participación y apoyo ISB1 La falta de coordinación y colaboración con los proveedores de Ravi y Shankar (2005), Prakash y Barua (2015), Sharma et al. (2011), PWC (2008), Govindan et al. (2014),
barreras logística de 3 ª parte (3PL) Abdulrahman et al. (2014), Yacob (2012), Rahman y Subramanian (2012), Jindal y Sangwan (2011), y
ISB2 La falta de apoyo de socios de la cadena de suministro Mathiyazhagan et al. (2013)
ISB3 La falta de atención pública sobre las cuestiones ambientales

industria electrónica permanece sin estudiar.
Esta investigación se centra en la identificación fi cación de barreras en Tailandia ' s industria de la
electrónica y ocupa soluciones para resolver sus barreras. compañías de electrónica u otras
industrias de Tailandia relacionados podrían utilizar los resultados de la clasificación de soluciones
prácticas para resolver RL barreras y también desarrollar e FFI ciente y las políticas y estrategias
adecuadas para sus empresas para mejorar la competitividad. Un híbrido de los métodos de toma de
decisiones se utilizó para la priorización y la clasificación de las soluciones. Y el enfoque difusa se
utiliza para gestionar la imprecisión y la incertidumbre de las opciones humanas en las que el juicio
humano en la toma de decisiones a menudo ha sido claro y di FFI culto para estimar los valores
métodos propuestos. El resto de este trabajo se organiza como sigue: Sección 2 es revisiones de la
literatura sobre las barreras y soluciones prácticas de RL. Sección 3 presenta el método TOPSIS
fuzzy AHP y difusa. Sección 4 ilustra un enfoque para la clasificación soluciones de prácticas RL. Los
resultados y la discusión del caso de estudio se muestran en la Sección 5 . Por último, una conclusión
se da en la Sección 6 .
2. Revisión de la literatura

numéricos exactos ( Patil y Kant, 2014 ). Por lo tanto este estudio propone el proceso híbrido fuzzy
Analytical jerarquía (Fuzzy AHP) y la técnica fuzzy para un rendimiento orden por similitud con el 2.1. prácticas de logística inversa

método de solución ideal (TOPSIS Fuzzy) para priorizar y soluciones rango de prácticas RL. Fuzzy
AHP se utilizó para determinar los pesos de preferencia y TOPSIS Fuzzy se utilizó para soluciones fabricantes de productos electrónicos de Tailandia se han enfrentado a algunas barreras de

de clasificación. El caso empírico de Tailandia ' industria de la electrónica s se utiliza para el prácticas de logística inversa que hace la implementación de prácticas de logística inversa éxito y ine FFI
ciente. Muchas organizaciones tienen una gran cantidad de barreras como la falta de apoyo del
gobierno, la falta de conocimiento en las prácticas de logística inversa, la falta de investigación y
desarrollo de nuevas tecnologías, algunos fabricantes todavía no entiendo

304
P. Sirisawat, T. Kiatcharoenpol
normas globales como WEEE y RoHS, la falta de inversión, aumento de las leyes y la legislación en
materia de medio ambiente, etc. todos los cuales tienen una ff reflejada RL aplicación prácticas dentro
de Tailandia ' s industria de la electrónica.
Las barreras y soluciones para las prácticas de RL identi fi ed en el presente documento se proponen
y con fi confirmado por el autor ' s investigaciones previas. Revisión de la literatura se llevan a cabo para
establecer un grupo de barreras y soluciones categorizadas entonces probado empíricamente en un caso
de tailandés ' s industria electrónica utilizando la técnica de modelos de ecuaciones estructurales (SEM).
Todos ellos son estadísticamente significativa fi cativos barreras y soluciones. Por lo tanto, las barreras y
soluciones prácticas de RL se clasificaron fi ed como veremos a continuación:
2.1.1. Barreras de prácticas RL
2.1.1.1. barreras de gestión. barreras de administración incluyen la falta de compromiso por parte de
la alta dirección, con lo que la alta dirección no estaba dispuesto a poner en práctica RL y menos
electrónico ff ORT puso en la integración de RL a la gestión de la cadena de suministro ( Mathiyazhagan,
Govindan, NoorulHaq, y Geng, 2013; Ravi Shankar y 2005 ). Debido al cambio en la tecnología,
clientes y proveedores ' comportamiento, situación de la comercialización y la conciencia ambiental,
las empresas carecen de planificación estratégica para asegurar la aplicación RL ( Jindal y Sangwan,
2011; Prakash y Barua, 2015; PWC, 2008; Ravi Shankar y de 2005; Sharma et al., 2011; Wiel,
Bossink, y Masurel, 2012; Zaabi et al., 2013 ). Hay una falta de conciencia sobre el beneficio fi ts de
aplicación RL y la falta de comprensión acerca de RL adaptación en los procesos de negocio ( Abdullah,
Halim, Yaakub, y Abdullah, 2011; Abdulrahman et al, 2014.; Govindan et al, 2014.; Jindal y Sangwan,
2011; Mathiyazhagan et al, 2013.; Prakash y Barua, 2015; Ravi Shankar y de 2005; Sharma et al.,
2011; Wiel et al, 2012.; Yacob, 2012 ). Las empresas no tienen una especificidad fi c meta para el
medio ambiente, hubo poco de planificación para el control de la contaminación del medio ambiente y
también una falta de buenas prácticas de gestión de residuos ( Abdulrahman et al, 2014.; Govindan et
al, 2014.; Prakash y Barua, 2015 ). Debido al rápido aumento de la competencia y también el cambio
de escenarios de negocio, las empresas carecían de políticas de adaptar las prácticas RL en sus
organizaciones ( Jindal y Sangwan, 2011; Prakash y Barua, 2015; PWC, 2008; Ravi Shankar y de
2005; Rogers & TibbenLembke, 2001; Sharma et al., 2011; Yacob, 2012 ). (Ver tabla 1 ).
2.1.1.2. barreras organización. Organización barreras incluyen la falta de estructura organizativa
adecuada y el apoyo a las prácticas de RL ( Luthra et al., 2011; Prakash y Barua, 2015; Yacob, 2012 ).
Las organizaciones prestan menos atención a la formación de su sta ff o la prestación de la educación
sobre las prácticas de RL ( Abdullah et al., 2011; Jindal y Sangwan, 2011; Prakash y Barua, 2015;
Wiel et al, 2012.; Zaabi et al., 2013 ). Hay una falta de recursos de personal de los especialistas y la
formación adecuada de Sta ff para los sistemas recién actualizado ( Govindan et al, 2014.; Luthra et
al., 2011; Prakash y Barua, 2015; Pumpinyo y Nitivattananon, 2014; Rogers & Tibben-Lembke, 2001;
Sharma et al., 2011; Yacob, 2012 ). (Ver
tabla 1 ).
2.1.1.3. barreras de productos. Las empresas no pueden controlar la calidad y cantidad de los
productos devueltos desde el punto de consumo ( Abdullah et al., 2011; Jindal y Sangwan, 2011;
Prakash y Barua, 2015; Rahman y Subramanian, 2012; Ravi Shankar y de 2005; Sharma et al., 2011;
Yacob, 2012 ). Menos valor económico se recupera como empresas no pueden recuperar el valor y la
recuperación de activos / materiales procedentes de productos (EoL Jindal y Sangwan, 2011; Prakash
y Barua, 2015 ). Govindan et al. (2014) encontrado que la devolución de productos y activos EoL del
reciclaje tiene riesgo en términos de almacenamiento de materiales peligrosos. (Ver tabla 1 ).
2.1.1.4. Las barreras legales. Las barreras legales incluyen la falta de leyes forzada, la legislación y
las directivas de los productos (EOL Abdulrahman et al, 2014.; Jindal y Sangwan, 2011; Prakash y
Barua, 2015; Rahman y Subramanian, 2012; Rogers & Tibben-Lembke, 2001; Zaabi et al., 2013 ). La
falta de políticas de apoyo del gobierno sobre RL y pocos
305
Computadoras e Ingeniería Industrial 117 (2018) 303-318
/ prácticas estándar verdes para el medio ambiente productos respetuosos
( Govindan et al, 2014.; Luthra et al., 2011; Mathiyazhagan et al, 2013.; Prakash y Barua, 2015;
Pumpinyo y Nitivattananon, 2014; Sharma et al., 2011 ). Tailandia todavía tiene lagunas en sus leyes
y reglamentos sobre la gestión de residuos ( Sirisawat y Kiatcharoenpol, 2016 ). (Ver tabla 1 ).
2.1.1.5. Las barreras tecnológicas. Las barreras tecnológicas incluyen la falta de sistemas de
información y tecnológicas para las prácticas de RL, la falta de infraestructura tecnológica disponible
para adoptar prácticas de RL, la falta de experiencia técnica para apoyar las prácticas de RL, la falta
de Florida flexibilidad para cambiar de un sistema tradicional de nuevo sistema ( Govindan et al, 2014.;
Jindal y Sangwan, 2011; Luthra et al., 2011; Mathiyazhagan et al, 2013.; Prakash y Barua, 2015;
Pumpinyo y Nitivattananon, 2014; Ravi Shankar y de 2005; Sharma et al., 2011; Zaabi et al., 2013 ).
(Ver tabla 1 ).
2.1.1.6. barreras de infraestructura. barreras de infraestructura incluyen la falta de instalaciones de
infraestructura para apoyar la aplicación RL, tales como áreas de almacenamiento, equipos y medios
de transporte. Las empresas tienen una falta de correo FFI ciente y e ff ectantes sistemas para
monitorear devoluciones y productos retirados del mercado. Ha habido un incremento del área de
gestión de residuos no estandarizada ( Abdulrahman et al, 2014.; Jindal y Sangwan, 2011; Prakash y
Barua, 2015; Pumpinyo y Nitivattananon, 2014; Yacob, 2012 ). (Ver
tabla 1 ).
2.1.1.7. Financiero barreras. Financiero barreras incluir fi financiera
restricciones, las empresas tienen que asignar los fondos y otros recursos para la adaptación (RL Abdulrahman
et al, 2014.; Govindan et al, 2014.; Luthra et al., 2011; Mathiyazhagan et al, 2013.; Pumpinyo y
Nitivattananon, 2014; Rahman y Subramanian, 2012; Ravi Shankar y de 2005; Rogers &
Tibben-Lembke, 2001; Sharma et al., 2011; Wiel et al, 2012.; Yacob, 2012 ), Las altas inversiones de
los sistemas de información y tecnología, menos retorno de la inversión ( Govindan et al, 2014.; Jindal
y Sangwan, 2011; Mathiyazhagan et al, 2013.; Prakash y Barua, 2015 ). Las empresas también tienen
que considerar los gastos en la recolección y el almacenamiento de productos usados, el costo de
los envases con el medio ambiente y también el coste de eliminación de residuos no peligrosos tanto
y peligrosos ( Govindan et al, 2014.; Zaabi et al., 2013 ). (Ver tabla 1 ).
2.1.1.8. Participación y el apoyo barreras. Participación y el apoyo barreras incluyen la falta de
coordinación y colaboración con la logística de 3 ª parte (3PL) proveedores a lo largo de la cadena de
suministro ( Abdulrahman et al, 2014.; Govindan et al, 2014.; Prakash y Barua, 2015; PWC, 2008;
Rahman y Subramanian, 2012; Ravi Shankar y de 2005; Sharma et al., 2011; Yacob, 2012 ). La falta
de apoyo de los socios de la cadena de suministro, y una falta de atención pública sobre las
cuestiones ambientales ( Abdulrahman et al, 2014.; Govindan et al, 2014.; Jindal y Sangwan, 2011;
Luthra et al., 2011; Mathiyazhagan et al, 2013.; Prakash y Barua, 2015 ). (Ver tabla 1 ).
2.1.2. Las soluciones a las prácticas de RL
2.1.2.1. conciencia de la alta dirección y apoyo. La alta dirección tiene que entender y ser conscientes
del beneficio fi ct de cambio de los sistemas tradicionales a los nuevos sistemas y el potencial para
aumentar la ventaja competitiva mediante la adaptación de las prácticas de RL a los procesos de
negocio ( Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.2. procesos de logística inversa estandarizada. Las empresas tienen que utilizar simplificada fi Ed
y procesos estandarizados para implementar prácticas de RL que se centran en maximizar el valor
del artículo devuelto o minimizar el costo total de la RL hacia atrás Florida ow ( Badenhorst, 2016;
Kannan et al., 2009; Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.3. La implementación de colaboración multifuncional. Las empresas necesitan para crear la
colaboración e integración en todos los departamentos de un correo FFI ciente y e ff proceso RL
reflexivo ( Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
P. Sirisawat, T. Kiatcharoenpol
Tabla 2
Soluciones prácticas de RL.
Código soluciones
S1 conciencia de la alta dirección y el apoyo
S2 procesos de logística inversa estandarizados
S3 La implementación de colaboración multifuncional
S4 La colaboración estratégica con socios RL
S5 políticas y procesos claros determinados
S6 Implementar estrategias de evitación de retorno
S7 RL determinado como parte del programa de sostenibilidad
S8 Hacer cumplir la legislación ambiental, regulaciones y directivas
S9 Desarrollar la infraestructura e instalaciones de apoyo a las actividades RL
S10 Implementar prácticas verdes para productos electrónicos
S11 Desarrollar e invertir en tecnología de RL
S12 Establecer dirección de la colaboración entre los miembros de la cadena de suministro
S13 Desarrollar cadena de suministro de bucle cerrado mediante la integración de RL
S14 Establecer estrategia de subcontratación a terceros, de productos EoL
2.1.2.4. La colaboración estratégica con socios RL. Las empresas deben combinar todos los socios
RL en su planificación y estrategia para prácticas RL y también crear la colaboración,
mejora
desarrollo de procesos de negocio con socios RL a lo largo de la cadena de suministro ( Badenhorst y
Nel, 2012; Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.5. Determinado políticas y procesos claros. Las empresas deben determinar las políticas y
procedimientos claros a e ff prácticas RL caz gestionados que dependen de estar diseñado
adecuadamente y comunicado a todos los socios ( Badenhorst, 2016; Prakash y Barua, 2015; informe
de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.6. Implementar estrategias de evitación de retorno. Las empresas deben centrarse en estrategias de
evitación de retorno para controlar el volumen de los productos devueltos que pueden ayudar a las
empresas a aumentar la previsibilidad y capacidad de gestión de las devoluciones de productos ( Badenhorst,
2016; Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.7. RL determinado como parte del programa de sostenibilidad. Las empresas tienen que
determinar RL como parte de un programa de sostenibilidad, como RL puede reducir materias primas
u otros recursos de reutilizar y reciclar actividades, reducir los residuos y la contaminación del medio
ambiente y puede crear una ventaja competitiva para las organizaciones de clientes ' perspectivas
ambientales ( Prakash y Barua, 2015; informe de PWC, 2008 ). (Ver Tabla 2 ).
2.1.2.8. Hacer cumplir la legislación ambiental, regulaciones y directivas. El gobierno tiene que
estimular, promover y hacer cumplir la legislación ambiental, regulaciones y directivas a todos los
jugadores dentro de la cadena de suministro para servir como una guía para las prácticas de RL de
miembros de la cadena de suministro ( Badenhorst y Nel, 2012; Prakash y Barua, 2015 ). (Ver Tabla 2 ).
2.1.2.9. Desarrollar infraestructura e instalaciones para
ocupaciones. Las empresas deben mejorar y desarrollar la infraestructura y otras instalaciones tales
como almacenamiento, transporte, manejo de materiales, fábricas de clasificación, fábricas de
reciclaje, zonas de vertido, etc con el fin de apoyar las actividades de RL ( Badenhorst y Nel, 2012;
Prakash y Barua, 2015 ). (Ver Tabla 2 ).
2.1.2.10. Implementar prácticas verdes para productos electrónicos. Las empresas tienen que reducir
los materiales peligrosos, se centran en productos de diseño con conceptos ecológicos y también
utilizar los materiales para crear productos que pueden ser reciclados o reutilizados fácilmente. Las
empresas tienen que hacer negocios sigue estándar global de materiales peligrosos tales como
residuos de aparatos eléctricos y electrónicos (RAEE), la restricción del uso de ciertas sustancias
peligrosas en aparatos eléctricos y electrónicos (RoHS), etc ( Prakash y Barua, 2015 ). (Ver Tabla 2 ).
Computadoras e Ingeniería Industrial 117 (2018) 303-318
referencias
informe de PWC (2008) y Prakash y Barua (2015)
Kannan et al. (2009), informe de PWC (2008), Prakash y Barua (2015), y Badenhorst (2016)
informe de PWC (2008) y Prakash y Barua (2015)
informe de PWC (2008), Prakash y Barua, 2015, y Badenhorst y Nel (2012)
informe de PWC (2008), Prakash y Barua (2015), y Badenhorst (2016)
informe de PWC (2008), Prakash y Barua (2015) 0, y Badenhorst (2016)
informe de PWC (2008) y Prakash y Barua (2015)
Prakash y Barua (2015) y Badenhorst y Nel (2012)
Prakash y Barua (2015) y Badenhorst y Nel (2012)
Prakash y Barua (2015)
Prakash y Barua (2015) y Badenhorst (2016)
Prakash y Barua (2015) y Badenhorst (2016)
Prakash y Barua (2015)
Prakash y Barua (2015) y Badenhorst (2016)
2.1.2.11. Desarrollar e invertir en tecnología de RL. Desarrollar e invertir en tecnología de RL para los
productos devueltos, el uso de software de retorno y los sistemas de gestión de la información RL
y para comunicarse e integrarse con socios de la cadena de suministro y también crear un correo ff operación
de reciclaje reflexivo ( Badenhorst, 2016; Prakash y Barua, 2015 ). (Ver Tabla 2 ).
2.1.2.12. Establecer dirección de la colaboración entre los miembros de la cadena de suministro. Usando
eCollaboration creará una más e ff caz y e FFI ciente medio de comunicación entre miembros de la
cadena de suministro, y una respuesta rápida, precisa y activo de las actividades de RL ( Badenhorst,
2016; Prakash y Barua, 2015 ). (Ver Tabla 2 ).
2.1.2.13. Desarrollar una cadena de suministro de bucle cerrado mediante la integración de RL. Las empresas tienen que
integrar tanto la logística hacia adelante y RL para gestionar los productos,
fi financiera e información Florida ay, y aumentar un correo FFI ciente y e ff ectantes cadena de
suministro de circuito cerrado ( Prakash y Barua, 2015 ). (Ver
Tabla 2 ).
2.1.2.14. Establecer estrategia de subcontratación a terceros para EoL. El uso de 3PL puede reducir los
costos de inversión en tecnología para las prácticas de RL ya que pueden utilizar sus propios recursos y la
última tecnología para gestionar los productos RFL, rápido y con Florida flexibilidad ( Badenhorst, 2016;
Prakash y Barua, 2015 ). (Ver Tabla 2 ).
Figura 1 ilustra la estructura jerárquica de las soluciones de clasificación de las prácticas de RL.
Incluye cuatro niveles; el fi primer nivel es el objetivo general que tiene como objetivo clasificar las
soluciones prácticas de RL. El segundo nivel presenta los classi fi ed criterios principales de barreras
RL. El tercer nivel presenta los clasifica fi ed sub-criterios de barreras RL. Por último, el cuarto nivel
presenta los clasifica fi soluciones ed de prácticas RL.
2.2. AHP Fuzzy y métodos TOPSIS difusos
Varios estudios aplicados AHP difusa y métodos TOPSIS difusos para resolver di ff Erent
apoyo RL
situaciones y problemas. Patil y Kant (2014) aplicado difusa AHP-TOPSIS para identificar y dar
prioridad a las soluciones de gestión del conocimiento adopción (KM) en la cadena de suministro
para superar sus barreras en el que los resultados pueden ayudar a las organizaciones a
concentrarse en soluciones de alto rango y desarrollar estrategias para ponerlas en práctica como
prioridad. Sun (2010) propuesto un modelo de evaluación del rendimiento basado en AHP difusa y
métodos TOPSIS difusos. Senthil, Srirangacharyulu, y Ramesh (2014) adoptado un método
multicriterio toma de decisiones híbrido en el que se utilizaron AHP y TOPSIS difusa para la
evaluación y selección de contratistas de terceros logística inversa. Wang, Liu, Li, y Niu (2016)
integrada OWA - marco TOPSIS en entornos difusos intuicionistas de atributos múltiples problemas de
toma de decisiones. Yalcin, Bayrakdaroglu y Kahraman (2012) difusos aplicado métodos de toma de
decisión multicriterio en el que se utilizaron difusa AHP, TOPSIS y Vikor de fi-
evaluación del desempeño financiero de las industrias manufactureras turcos.
306
P. Sirisawat, T. Kiatcharoenpol
Figura 1. estructura jerárquica de las soluciones de clasificación de las prácticas de RL.
Awasthi, Chauhan, y Omrani (2011) TOPSIS difusa utiliza para generar puntuación global para la
evaluación de la sostenibilidad del transporte y la selección de la mejor alternativa. Yang, Bonsall, y
Wang (2011) TOPSIS difusa adoptado para la selección recipiente bajo entorno incierto. Lee, Chen, y
Kang (2011) usada difusa AHP e ISM para analizar los productos estratégicos para el silicio
fotovoltaico delgada fi lm industria de la energía de células solares.
Wang y Lee (2009) propuso un nuevo TOPSIS difusa para la evaluación de alternativas de
integración usando pesos subjetivos y objetivos. Gumus (2009) adoptada difusa-AHP y TOPSIS para
evaluar el transporte de residuos peligrosos fi rms.
Javanbarg, Scawthorn, Kiyono,
Shahbodaghkhan (2012) presentado optimización de enjambre de partículas (PSO) para resolver
múltiples criterios de toma de decisiones (MCDM) sistemas basados ​en una AHP difusa. Krohling y
Campanharo (2011) TOPSIS difusa aplicada para evaluar las calificaciones de alternativas de respuesta a
un derrame petrolero simulado.
Sindhu, Nehra, y Luthra (2017) usado híbrido AHP-TOPSIS a la investigación del estudio de
viabilidad del despliegue de parques solares.
Wang, Fan, y Wang (2010) métodos integrados fuzzy AHP, la programación de preferencia
difusa (FPP) y TOPSIS para determinar los pesos relativos de múltiples criterios de evaluación y
sintetizan las calificaciones de aeromotores candidatos. Onuţ, Kara, y yo þ ik (2009) desarrollado un
enfoque de evaluación de proveedores en base a la ANP borrosa y difusa TOPSIS
Computadoras e Ingeniería Industrial 117 (2018) 303-318
métodos para una empresa de telecomunicaciones Kaya y Kahraman (2011) la toma de decisiones
multicriterio propuesta en base a TOPSIS difusa en la planificación de la energía que se utiliza para
seleccionar la mejor alternativa tecnología energética. Paksoy, Pehlivan, y Kahraman (2012) aplicado
AHP difusa y TOPSIS difusa para la estrategia de organización de gestión de canales de distribución
para una fabricación de aceites comestibles vegetales fi rm operativo en Turquía. Ertu gramo Rul y
Karaka þ o gramo Lu (2009) adoptada AHP borrosa y TOPSIS para la evaluación del rendimiento de
cemento de Turquía fi rms.
Rostamzadeh y So fi una (2011) aplicada AHP borrosa y difusa TOPSIS para mejorar el rendimiento
y de sistemas de producción. Amiri (2010) utilizado métodos AHP y TOPSIS difusa para la selección
de aceite proyectan fi desarrollo de campos en el National Iranian Oil Company. Yu, Guo Guo, y
Huang (2011)
propone un modelo de evaluación para el B2C sitios web de comercio electrónico en correo alianza
basada en AHP y TOPSIS difusa. Kelemenis, Ergazakis y Askounis (2011) TOPSIS fuzzy aplicada a
apoyar a los gestores ' la selección en un gran TI griega fi rm. da gramo Deviren, Yavuz, y K yo l yo Carolina
del Norte (2009) adoptados métodos AHP y TOPSIS bajo ambiente difuso para el problema de
selección de armas. Awasthi, Chauhan, Omrani, y Panahi (2011) se utiliza un enfoques híbridos de
SERVQUAL y TOPSIS difusa para evaluar la calidad del servicio de transporte. Zyoud, Kaufmann,
Shaheen, Samhan, y Fuchs-Hanusch (2016) AHP difuso integrado y difusa para TOPSIS
307
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

la gestión de la pérdida de agua en los países en desarrollo. Mandic, Delibasic, Knezevic, y Benkovic Fuzzy método AHP y análisis medida se usó para el valor de medida sintética de comparación por
(2014) propuso un modelo multicriterio difusa para el análisis de la fi parámetros financieros de los parejas.
bancos de Serbia. Taylan, Bafail, Abdulaal, y Kabli (2014) métodos híbridos propuestas de AHP
Delaware fi nición 1. Un número M difusa en I que se TFN si su función de pertenencia
borrosa y difusa TOPSIS para la selección de proyectos de construcción y evaluación de riesgos. Colina
μ METRO
x R(): → [0,1] es igual a siguiente ecuación. (1) ( Chang, 1996 )
fi, Farahani, y Rezapour (2010) AHP propuesta borrosa y difusa TOPSIS para evaluar las opciones
alternativas en relación con el usuario ' s órdenes preferencia. Mahdevari, Shahriar, y Esfahanipour (X - - lmlxumu
)
• X ∈ [,]lmxmu
[,]
( )
(2014)
μ METRO
x () =• ( ) •• ∈De lo
•• ( )
•• •• contrario
TOPSIS difusa aplicada para evaluar la salud humana y la seguridad de los riesgos de gestión en las minas 0 (1)
subterráneas de carbón.
A partir de la ecuación. (1)LMU,
,•• que L y U significa el valor inferior y superior
Vinodh, Prasanna, y Prakash (2014) integrada AHP difusa -
de número difuso M, y m es el valor modal (como Fig. 3 ). TFN puede ser denotado por =
TOPSIS para determinar el mejor método para el reciclaje de plásticos entre los diversos procesos
METRO (,LMU, ) . Las leyes de funcionamiento de TFN = METRO (,LMU
1 1 1 y, )
de reciclaje de plástico. Shidpour, Shahrokhi, y Bernard (2013) un modelo de programación lineal 1

2 =
METRO (,LMU , muestran
2 2 2 se ) como siguiente Ecs. (2) - ( 6) ( Chang, 1996 ); Sun, 2010; Prakash y Barua,
multiobjetivo (MOLP) integrado a difusa AHP y TOPSIS con el fin de optimizar el diseño del producto.
2015 ).

A partir de la revisión de los estudios anteriores se encontró que muchos investigadores MM

1 + = 2 (,LMU
111 , ) (,+ LMU
222 , )
aplicaron muchas clases de múltiples criterios de toma de decisiones (MCDM) métodos y también se = +( l 1 lmmuull
2 ,1 + 2 ,1 + 2)
utilizan métodos híbridos de MCDM para ayudar a los tomadores de decisiones entender y tener una > mm uu1 ,20
para , 1 2 0; 1 ,2 > 0; > (2)
mayor concentración en el alto rango de criterios y también proporcionar el ranking de las mejores
alternativas en di ff Erent problemas y situaciones. Sin embargo, sólo unas pocas piezas de la MM
1- = 2 (,LMU
111 , ) -(,= lmulummulll
222 , )

investigación adoptaron métodos híbridos de AHP borrosa y difusa TOPSIS a problemas de - ( 1 2 ,1 - 2 ,1 2 - )

adaptación RL de la industria electrónica. Por lo tanto, el contexto de Tailandia ' industria de la para , 1 2 > 0; mm
1 ,2 > 0; uu1 ,20 > (3)
electrónica s permanece sin estudiar y sin explorar. Por lo tanto, se propusieron métodos híbridos de
MM
1 × = (,LMU
111 , ) (,× LMU
222 , )
AHP borrosa y difusa TOPSIS a esta investigación que se centran en las prácticas de RL y los 2

= ( llmmuull
1 2 1, 2 1 2 1 2 , )
problemas de ejecución de Tailandia ' s industria de la electrónica que se presenta en la Sección 4 .
para , > 0; mm
1 ,2 > 0; uu1 ,20 > (4)

MM
1 ÷ = 2 (,LMU
111 , ) / (,LMU
222 , )
= (/,lummulll
121 / 2 ,1 /)
2
3. Materiales y métodos
para , 1 2 > 0; mm
1 ,2 > 0; uu1 ,20 > (5)

En este estudio, la metodología trifásico se ha aplicado para identificar, priorizar y clasificación - -

METRO =
1
= (,LMU
1111, )
de ambas barreras y soluciones. los fi fase primera estudió la situación actual en la industria de la
(/,lulmllll
/ 1 1 , /) 1
electrónica de Tailandia e identi fi barreras y soluciones prácticas ed RL para resolver estas barreras.
para , 1 2 > 0; mm
1 ,2 > 0; uu1 ,20 > (6)
La segunda fase se utiliza fuzzy AHP para conseguir peso de criterios y sub-criterios de barreras y
obstáculos priorizados. La tercera fase aplica TOPSIS difusa para priorizar y clasificar las soluciones De acuerdo con el método de análisis grado de Chang (1996) .
de la práctica RL. A pesar de que la toma de decisiones se puede hacer mediante el uso de AHP 1 2 3
MMMM ,
gramo gramo
, gramo
, ... , gm
yo = 1,2,3,4,5,, ... norte
(7)
difusa, multicriterio proceso de toma de decisiones puede ser mejorado si se integra con otras yo yo yo yo

herramientas de soporte de decisiones ( Prakash y Barua, 2015 ). Por lo tanto, este estudio propone donde toda la M jgi j ( = 1,2,3,4,5,,) ... metro son números difusos triangulares dados
métodos híbridos de fuzzy AHP y TOPSIS difusa para la clasificación de las soluciones de las en Tabla 3 . Los pasos de Chang ' análisis s se puede mostrar como sigue:
prácticas de RL en la que se ilustra la metodología de investigación de este estudio in Figura 2 .

Paso 1. La matriz juicio fuzzy ~ a una () ij se puede expresar Matemáticas-

ematically como en la ecuación. (8) ( Efendigil, Onuţ, y Kongar de 2008 )

~ ~ ~ ~
••
1 un12 un13 ⋯⋯ un1 ( - 1)
norte un1 norte
3.1. Fase 1: Identi fi cación de RL prácticas, barreras y soluciones
~ ~ ~ ~
••• un21 1 un23 un2 ( norte 1) un2 norte

En esta fase, RL prácticas, barreras y soluciones para las prácticas de RL han sido identificados fi ~ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
UN =
ed y evaluado por expertos, académicos e investigadores a través de las revisiones bibliográficas ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
~ ~ ~ ~
relevantes en los que la identi fi barreras y soluciones ED se ilustran en la Figura 1 . un( norte
- 1) 1 ( un - 1) 2 (
norte un - 1) 3
norte ⋯⋯ 1 un( norte
- - 1) norte

••• ~ ~ ~ ~
unnorte
1 unnorte
2 unnorte
3 unnn( 1) 1 (8)
•

La matriz de juicio ~ UN es una × nn matriz difusa que contiene fuzzy

3.2. Fase 2: Fuzzy AHP
números ~ un ij.

proceso analítico jerárquico (AHP) era fi presentado por primera Saaty (1980) , Era métodos 1, yo = j
~
UNij = •••
múltiples criterios de toma de decisiones que son uno de los métodos más ampliamente utilizados y de
1,3,5,7,9 o ... 1,- -3,
1- - -
5, 7,
1
9 1 1 1
yo ≠ j (9)
gran alcance para resolver los problemas de decisión complejos ( Sun, 2010 ). Saaty ' s AHP tiene
algunas limitaciones debido a la facilidad de uso de AHP, tales como la escala de juicio está
desequilibrado y la ausencia de la incertidumbre; selección de juicio es subjetivo. Por lo tanto, se utilizó Paso 2. Los valores de medida sintética difusa con respecto a i-ésimo criterio es de fi define como:

método de aproximación para resolver este tipo de problemas ( Prakash y Barua, 2015 ).

•••
S yo = Σ METRO
GJ
× •••
yo
ΣΣ METRO
GJ
yo
AHP enfoque difuso fue presentado por Chang (1996) , triangulares jm
= 1 = =1
en jm 1 (10)
se prefieren número difuso (TFN) para la escala de comparación del par de

308
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Figura 2. metodología de investigación propuesta para la priorización de las barreras y soluciones prácticas de RL.

donde l es el valor límite inferior, m es el valor más prometedor y u es el valor límite superior.
•••
Σ METRO
GJ
= •••
yo
Σ Σ lΣij Σ
, Σ metro
ij , 1 u ij
jm
= 1 jm
= 1 jm
= 1 jm
=

Paso 3. El grado de posibilidad de 2 =

METRO (,LMU
222 M
, ) •= (,LMU
111 , )
••• ••• = •• 1 1 1
1

METRO , , ••
puede de fi define como:
• •
GJ
yo = 1 = 1 = 1 = 1 = 1 =1
ΣΣ u ij ΣΣ metro
ij ΣΣ l ij
Ni mj Ni mj Ni mj
= =1
en jm 1
VMM
( hgt
2 • MM mu
1) d
= ( 2 ∩ 1) ()=

309
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

1 Si MML
2 • • 1

= ••• 0 en caso
2 u2
contrario

l1 - - umuml
2

•• ( 2 2)( -
11 ) (11)

dónde μd es el más alto intersección entre dos fuzzy (ver Fig. 4 ) Para comparar entre METRO 1 y METRO
2 que se requiere para calcular tanto
VMM
( 2 • 1 )y VMM
( 1 • 2.)El grado de posibilidad para convexa difusa
números que ser mayor que k números convexa difusos i Myo( = 1,2,3,,) ... k
puede de fi define como:

VMMMMVMMMMMM
( • 1 ,2 , ... ,= k ) [( • 1 ), ( • ... • 2), ,( k )]

= min ( VMM • 1 ), yo = 1,2,3,, ... k (12)

Fig. 3. Las funciones de pertenencia de TFN.
Suponiendo que ' yo =
Un ()d Min ( VSS yo • k)

Tabla 3
por k = 1,2,3,4,5,, ( ... nk ≠ yo) , A continuación, el vector de peso está dado por
variables lingüísticas y números borrosos triangulares de criterios y calificaciones sub-criterios.

W d'='A d ((),
A 1
' (),, 2 ... ' Un( d n T) ) (13)
número difuso variables lingüísticas números difusos triangulares

dónde A iyo( = 1,2,3,4,5,,) ... norte son N elementos.

9 ̃ importancia extrema (8, 9, 10)

8 ̃ Muy fuerte a extrema importancia (7, 8, 9)

Etapa 4. Via normalización, los vectores de ponderación normalizados están dadas por
7 ̃ Muy fuerte importancia (6, 7, 8)

6 ̃ Fuerte a muy fuerte importancia (5, 6, 7)

5 ̃ importancia fuertes (4, 5, 6) W d=A d((),

A (),,1( 2 ... Un d n T) ) (14)

4 ̃ Moderado a fuerte importancia (3, 4, 5)

donde W es un número que no sea borrosa.
3 ̃ importancia moderada (2, 3, 4)

2 ̃ La misma importancia a moderada (1, 2, 3)

3.3. Fase 3: TOPSIS Fuzzy
1 ̃ igual importancia (1, 1, 1)

TOPSIS es uno de los criterios múltiples métodos de toma de decisiones (MCDM), propuesto
por Hwang y Yoon (1981) . Es ampliamente utilizado para los problemas de clasificación. El atributo
selectivo debe estar en la distancia más corta desde la solución ideal positiva y la distancia más
larga desde la solución ideal negativa ( Prakash y Barua, 2015; Zyoud et al., 2016 ). método TOPSIS
tiene algunas limitaciones en la captura de la imprecisión de los datos en un entorno fuzzy ( Kannan
et al., 2014 ), cual Yu (2002) afirmaron que la borrosidad y la vaguedad son características de
muchos de los problemas de toma de decisiones. Por lo tanto, bajo ambiente difusa podría ser un
correo ff reflejada a una incertidumbre del proceso de toma de decisiones. Por lo tanto, se propuso
método TOPSIS difusa y es muy apropiado y e ff ectantes más de TOPSIS método convencional para
resolver múltiples problemas de toma de decisión de criterios bajo ambiente difuso y gestionar la
incertidumbre en los juicios y evaluaciones de los tomadores de decisiones. ( Kannan et al, 2014.;
Prakash y Barua, 2015 ). Los pasos del método TOPSIS fuzzy utilizaron en este estudio, de acuerdo
Fig. 4. La intersección entre dos números difusos.
con

Tabla 4
variables lingüísticas y números borrosos triangulares de las valoraciones soluciones.

Sun (2010), Prakash y Barua (2015), Kannan et al. (2014) se pueden dar como en los siguientes:
número difuso variables lingüísticas números difusos triangulares

6 ̃ Excelente (E) (6, 7, 8)

5 ̃ Muy alta (VH) (5, 6, 7) Paso 1. Determinar el valor de calificación para las variables lingüísticas con los criterios y

4 ̃ Alta (H) (4, 5, 6) escala respectivos utilizados por calibraciones se da en Tabla 4 , Y con el fin de determinar el

3 ̃ Medio (M) (3, 4, 5) peso de criterios de evaluación, este estudio aplica fuzzy AHP a fi nd el peso de preferencia
2 ̃ Baja (L) (2, 3, 4) difusa.
1 ̃ Muy Baja (VL) (1, 2, 3) Paso 2. Construir el / matriz de desempeño difusa de alternativas considerando un grupo de
tomadores de decisiones k ( DDDD
1 ,2 3 , , ... , k) que contiene

m alternativas ( AAAA
1 ,2 3 , , ... , ) y n criterios
metro ( CCCC
1 ,2 3 , , ... , )
norte

Tabla 5
matriz de decisión borrosa de criterios.

MEGABYTE transmisión exterior PB LB tuberculosis IB pensión completa ES B Peso Rango

MEGABYTE (1, 1, 1) (0.14, 0.17, 0.20) (4, 5, 6) ... ... ... (3, 4, 5) (0.13, 0.14, 0.17) 0,1244 5
transmisión exterior(5, 6, 7) (1, 1, 1) (0.14, 0.17, 0.20) ... ... ... (4, 5, 6) (0.14, 0.17, 0.20) 0,1257 3
PB (0.17, 0.20, 0.25) (5, 6, 7) (1, 1, 1) ... ... ... (5, 6, 7) (0.14, 0.17, 0.20) 0.1252 4
LB ... ... ... ... ... ... ... ... 0.1243 6
tuberculosis ... ... ... ... ... ... ... ... 0.1269 1
IB ... ... ... ... ... ... ... ... 0,1234 8
pensión completa (0.20, 0.25, 0.33) (0.17, 0.20, 0.25) (0.14, 0.17, 0.20) ... ... ... (1, 1, 1) (0.13, 0.14, 0.17) 0.1240 7
ES B (6, 7, 8) (5, 6, 7) (5, 6, 7) ... ... ... (6, 7, 8) (1, 1, 1) 0.1261 2

310
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Paso 8. Calcular el coe cercanía FFI ciente CC ( ) de

yo cada alternativa
mediante el uso de la siguiente eq:

--
ddii
CC yo =+
+
, = ...1,, mC
. yo ∈ (0,1)
diyo (24)

Paso 9. Encuentra las filas de las alternativas

(15) Las alternativas se clasifican por su CC yo a la solución ideal en orden descendente.

dónde r Minnesota es la calificación de la alternativa UN metro con respecto al criterio do norte

4. La aplicación del modelo propuesto para las prácticas RL en Tailandia ' s industria de
Paso 3. calificación difusa agregado para las soluciones
la electrónica

calificación borrosa de la toma de decisiones enésima ~

ABN X= , pu ABN, dónde)
( l ABN ABN
4.1. Descripción problemas
un = 1,2,3,4,5,, ... metroy = segundo1,2,3,4,5,, ... norteentonces el fuzzy agregados fuzzy
clasificación ~ X ab de soluciones con respecto a cada criterio está dada por
Tailandia ' s empresas de electrónica han implementado más prácticas RL a sus procesos de
~
ab X= ( lpu , ab, ,dónde
ab ab )
negocio debido a una creciente conciencia de la importancia de las prácticas RL que se puede lograr
un mayor beneficio fi ct para las organizaciones. Sin embargo, sólo hay unos pocos negocios que han
min { 1
un =N l ABN }, b N= Σ pag
ABN
, cMax
N= u{ ABN } tenido éxito con la adaptación prácticas RL debido al hecho de que se enfrentan a diversos
=
nN 1 (dieciséis)
obstáculos en su implementación. Por lo tanto, para resolver estas barreras las empresas necesitan
para comprender y tener en cuenta el alto ranking de barreras que el correo ff ejado aplicación
Etapa 4. matriz de decisión difuso normalizado prácticas RL y también se centran en el alto rango de soluciones para superar estas barreras.

La matriz de decisión fuzzy normalizado denota por ~ segundo es fi define como sigue:
Por lo tanto, en este estudio una metodología de tres fases se utiliza para priorizar y barreras y

~ soluciones prácticas de RL en la industria electrónica de Tailandia y la metodología de rango se

= []pag
segundo
MN ij × (17) explica de la siguiente manera:

dónde yo = 1,2,3,4,5,, ... metroy j = 1,2,3,4,5,, ... norte

unij segundo
ij doij ••
~ * 4.2. Fase 1: Identi fi cación de barreras y soluciones RL
pag = ••• , , • y doj = Max (criterios
doij de beneficio)
***
doj doj doj
(18)
Se seleccionaron los que toman las decisiones que comprenden de 10 expertos académicos. En
---
unj unj unj
~ •• - este estudio, se utilizaron 8 criterios y 29 sub-criterios para priorizar las barreras RL (véase tabla 1 ) Y
pag = ••• , , • y unj = min (criterios
unij de coste)
doij segundo
ij unij (19) 14 soluciones para resolver estas barreras se identifican fi ed a través de la revisión de la literatura
(ver Tabla 2 ).

Paso 5. matriz de decisión normalizado fuzzy ponderado se muestra como sigue:

4.3. Fase 2: Calcular el peso de las barreras de prácticas RL mediante el uso de AHP difusa

~~~
V = []v MN ij × yo = 1,2,3,, ... metroy j = 1,2,3,, ... norte

dónde V pw
= × ~ij Los tomadores de decisiones evalúan criterios y subcriterios utilizando TFN como se da en Tabla
j
(20)
3 . La matriz de decisión difusa y matriz de decisión agregado difusa de criterios y subcriterios con
peso calculado se dan en tablas 5 - 14 .
Paso 6. Determinar la solución difusa positivo ideales (FPIs) y solución ideal negativa fuzzy
(FNIS) según la siguiente fórmula: medida sintética Fuzzy de 8 criterios se muestran en la Tabla 15 mediante el uso de la ecuación. (10) . Los

+ + + + cálculos de grado de posibilidad de criterios (valores V) se dan en la Tabla 16 mediante el uso de la ecuación. (11) a
UN = ...{ v 1 , , v norte}, dónde v j
= {Max () si
v ij j ∈ J ; Min () si
v ij j ∈ ' J },
continuación, utilizando la Ec. (12) para determinar los valores mínimos de grado de posibilidad son los siguientes:
j = 1,2,3,4,5,, ... norte (21)

- - - -
UN = ...{ v 1 , , v norte}, dónde v = {Min () siv ij j ∈ J ; Max () vsiij j ∈ ' J },
j
d 'MB
( = (
) Min VS 1 = =S k ) min (0.991,0.994,1,0.980,1,1,0.987) = 0,980
j = 1,2,3,4,5,, ... norte (22)
por otro criterios utilizando el mismo proceso
d 'OB
( ) = 0.990, ( d 'PB ) = 0.987, ( d 'LB ) = 0.980, ( d 'TB ) = 1, d()'IB
Paso 7. Calcular la distancia de cada alternativa de FPIs y FNIS
= 0.973, ( d 'FB ) = 0.977, ( d 'ISB ) = 0,994.
El vector de peso de cada criterio está dada por

+ ~ -
El cálculo de la distancia ~ ( re yo y re yo ) de cada alternativa de W ('=0.980,0.990,0.987,0.980,1,0.973,0.977,0.994) T
+
UN y- UN se calcula como sigue:
A través de la normalización de vector de pesos, el fi vector de peso final obtenido como =
1/2

ΣΣ
+ 2 +
re yo = ••• ( vvij - •••ij=)... , yo 1,, metro

jn= 1 W ( 0.1244,0.1257,0.1252,0.1243,0.1269,0.1234,0.1240,0.1261)
1/2

- 2 - Debido al mismo proceso de cálculo de peso, los pesos de los restantes criterios y la fi resultados
re yo = ••• ( vvij - •••ij=)... , yo 1,, metro
NAL de comparación por pares de criterios y sub-criterios también ilustran en Tabla 17 .
jn= 1 (23)

311
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Tabla 6
Calculado matriz fuzzy decisión agregada de criterios.

MEGABYTE transmisión exterior PB LB tuberculosis IB pensión completa ES B Peso Rango

MEGABYTE (1, 1, 1) (0,10, 1,20, 6) (0,11, 2,60, 7) ... ... ... (0,13, 2,85, 7) (0,10, 1,13, 6) 0,1244 5
transmisión exterior (0.17, 3.95, 10) (1, 1, 1) (0,13, 2,09, 7) ... ... ... (0,13, 2,73, 7) (0,13, 3, 10) 0,1257 3
PB (0,14, 2,21, 9) (0,14, 3,05, 8) (1, 1, 1) ... ... ... (0,13, 3,56, 7) (0,14, 2,17, 6) 0.1252 4
LB ... ... ... ... ... ... ... ... 0.1243 6
tuberculosis ... ... ... ... ... ... ... ... 0.1269 1
IB ... ... ... ... ... ... ... ... 0,1234 8
pensión completa (0,14, 1,40, 8) (0,14, 1,61, 8) (0,14, 1,15, 8) ... ... ... (1, 1, 1) (0,10, 1,87, 9) 0.1240 7
ES B (0.17, 3.75, 10) (0,10, 2,20, 8) (0,17, 1,85, 7) ... ... ... (0.11, 3.87, 10) (1, 1, 1) 0.1261 2

Tabla 7
Calculado matriz fuzzy decisión agregada de sub-criterios (MB).

MB1 MB2 MB3 MB4 MB5 Peso Rango

MB1 (1, 1, 1) (2, 6,30, 10) (4, 7,70, 10) (4, 7,50, 10) (1, 5,80, 10) 0,231 1
MB2 (0.10, 0.19, 0.50) (1, 1, 1) (0.13, 3.84, 10) (0.11, 4.05, 10) (0.13, 1.92, 10) 0,200 3
MB3 (0.10, 0.13, 0.25) (0,10, 1,41, 8) (1, 1, 1) (0,10, 1,61, 9) (0,10, 0,35, 3) 0,174 5
MB4 (0.10, 0.14, 0.25) (0,10, 1,35, 9) (0.11, 3.83, 10) (1, 1, 1) (0,10, 0,85, 7) 0,189 4
MB5 (0.10, 0.33, 1) (0,10, 3,36, 8) (0.33, 5.95, 10) (0.14, 5.02, 10) (1, 1, 1) 0,206 2

Tabla 8 Tabla 12
Calculado matriz fuzzy decisión agregada de sub-criterios (OB). Calculado matriz fuzzy decisión agregada de sub-criterios (IB).

OB1 OB2 OB3 Peso Rango IB1 IB2 IB3 Peso Rango

OB1 (1, 1, 1) (0.14, 3.77, 10) (1, 4,20, 10) 0,360 1 IB1 (1, 1, 1) (0.11, 1.93, 10) (0.10, 0.29, 1) 0,310 3
OB2 (0,10, 1,12, 7) (1, 1, 1) (0.17, 3.55, 10) 0,343 2 IB2 (0,10, 3,96, 9) (1, 1, 1) (0.10, 2.60, 10) 0,340 2
OB3 (0.10, 0.46, 1) (0,10, 1,25, 6) (1, 1, 1) 0,297 3 IB3 (1, 5,30, 10) (0.10, 4.07, 10) (1, 1, 1) 0,350 1

Tabla 9 las soluciones están representadas en Tabla 18 . Entonces la ecuación. (dieciséis) se utiliza para
Calculado matriz fuzzy decisión agregada de sub-criterios (PB). calcular matriz de decisión fuzzy agregado de soluciones y los resultados se dan en Tabla 19 . Debido
a la bene fi t o coste criterios siguiendo las Ecs. (18) y (19) , Este estudio considera todos los criterios de
PB1 PB2 PB3 Peso Rango
barreras como criterios de coste. Por lo tanto, la ecuación. (19) se utilizó para normalizar matriz de

PB1 (1, 1, 1) (0.13, 4.25, 10) (0,10, 2,08, 7) 0,337 2 decisión borroso de soluciones como se muestra en Tabla 20 . Para el cálculo de matriz de decisión
PB2 (0,10, 1,18, 8) (1, 1, 1) (0,10, 1,63, 8) 0,324 3 normalizado fuzzy peso de soluciones, los pesos obtenidos del uso de método AHP difusa en la Fase
PB3 (0.14, 3.45, 10) (0.13, 3.43, 10) (1, 1, 1) 0,339 1 2 (ver Tabla 17 ) Se utilizaron para calcular usando la Ec. (20) como se da en Tabla 21 . Como este
estudio considera criterios como barreras criterios de coste, es de fi Ned la solución ideal positiva difusa
(FPIs) como +
Tabla 10
Calculado matriz fuzzy decisión agregada de sub-criterios (LB).
UN ( 0,0,0) y solución ideal negativa fuzzy (FNIS) como - UN ( 1,1,1)
LB1 LB2 LB3 Peso Rango entonces la distancia desde FPIs y FNIS se calcula usando la Ec. (23)
y el Consejo de Europa cercanía FFI ciente se puede obtener con la ecuación. (24) que se muestra en Tabla 22 . Por
LB1 (1, 1, 1) (0.10, 1.26, 10) (0.10, 0.18, 0.50) 0,301 3
lo tanto, la CC yo valores se utilizaron en fi clasificación final de las soluciones para las prácticas de RL.
LB2 (0.10, 4.21, 10) (1, 1, 1) (0.13, 3.24, 10) 0,347 2
LB3 (2, 6,10, 10) (0,10, 2,35, 8) (1, 1, 1) 0,352 1

4.4. Fase 3: Clasificación de soluciones prácticas RL mediante el uso de TOPSIS difusa 5. Resultados y discusión

La calificación evaluado tomador de decisiones de la matriz de las variables lingüísticas de soluciones Los métodos difusos AHP y TOPSIS difusa híbridos hacen que sea más sistemática y útil para

prácticas de RL mediante el uso de variables lingüísticas y números borrosos triangulares se dan en Tabla la toma de decisiones para elegir la mejor alternativa de RL prácticas barreras y soluciones para

4 en el que TFN matriz de evaluación de resolver sus barreras de priorizar y procesos de clasificación debido a la di FFI cultad de comparación
de

Tabla 11
Calculado matriz fuzzy decisión agregada de sub-criterios (TB).

TB1 TB2 TB3 TB4 Peso Rango

TB1 (1, 1, 1) (0,10, 2,86, 8) (0,10, 3,53, 9) (0.14, 3.20, 10) 0,259 2
TB2 (0.13, 2.90, 10) (1, 1, 1) (1, 4,80, 10) (1, 4,30, 10) 0,264 1
TB3 (0.11, 1.93, 10) (0.10, 0.38, 1) (1, 1, 1) (0.25, 3.17, 10) 0,248 3
TB4 (0,10, 1,46, 7) (0.10, 0.40, 1) (0,10, 1,06, 4) (1, 1, 1) 0,229 4

312
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Tabla 13
Calculado matriz fuzzy decisión agregada de sub-criterios (FB).

FB1 FB2 FB3 FB4 FB 5 Peso Rango

FB1 (1, 1, 1) (0,11, 2,23, 9) (0,11, 1,63, 9) (0,11, 1,53, 9) (0,10, 1,61, 9) 0,198 5
FB2 (0,11, 3,15, 9) (1, 1, 1) (0,14, 2,72, 9) (0,13, 3,65, 9) (0,10, 2,01, 9) 0,201 2
FB3 (0,11, 3,48, 9) (0,11, 1,97, 7) (1, 1, 1) (0,11, 3,05, 8) (0,11, 1,02, 6) 0.1987 4
FB4 (0,11, 3,74, 9) (0,11, 2,13, 8) (0,13, 1,50, 9) (1, 1, 1) (0,11, 1,30, 9) 0.1988 3
FB 5 (0.11, 3.93, 10) (0.11, 3.70, 10) (0,17, 3,97, 9) (0,11, 4,16, 9) (1, 1, 1) 0,204 1

Tabla 14 Tabla 17
Calculado matriz fuzzy decisión agregada de sub-criterios (ISB). Por clasificación final de RL prácticas barreras.

ISB1 ISB2 ISB3 Peso Rango Criterio Peso Subcriterios Peso Finalizada Posición Mundial

peso
ISB1 (1, 1, 1) (0,13, 2,85, 9) (0,11, 0,83, 4) 0,325 2
ISB2 (0,11, 2,07, 8) (1, 1, 1) (0,11, 0,98, 6) 0,324 3 administración 0,124 MB1 0,231 0.02869 20
ISB3 (0,25, 4,77, 9) (0,17, 4,67, 9) (1, 1, 1) 0,352 1 barreras MB2 0,200 0.02484 24
MB3 0,174 0.02168 29
MB4 0,189 0.02351 28
MB5 0,206 0.02564 21
¿Cuál es más importante que el otro. Este enfoque se utilizó en RL prácticas de implementación de
Tailandia ' s industria de la electrónica para mejorar y desarrollar la implementación prácticas RL en la Organización 0,126 OB1 0,360 0.04525 1

cadena de suministro de visita electrónica. También fomenta una conciencia del beneficio fi ct de barreras OB2 0,343 0.04313 6
OB3 0,297 0.03729 15
prácticas RL a la organización y reduce el impacto ambiental. El valor más alto coeficiente de
ponderación utilizado para tener en cuenta las prácticas más importantes RL barreras de productos 0,125 PB1 0,337 0.04220 8
PB2 0,324 0.04056 12
PB3 0,339 0.04246 7
barreras que eran representado tal ese
Las barreras legales 0,124 LB1 0,301 0.03737 14
TB> ISB> OB> PB> MB> LB> FB> IB, que se da en
LB2 0,347 0.04318 5
Las Tablas 5 y 6 . Se muestra que las barreras tecnológicas son la barrera más importante para la
LB3 0,352 0.04375 3
aplicación RL prácticas.
Tecnológico 0,127 TB1 0,259 0.03287 17
Subcriterios en este estudio representan que las barreras tecnológicas subcriterios son TB2> TB1>
barreras TB2 0,264 0.03347 dieciséis
TB3> TB4 ( Tabla 11 ), Que muestran una falta de infraestructura tecnológica disponible para adoptar TB3 0,248 0.03147 18
prácticas de RL es la mayor barrera coeficiente de ponderación y la falta de Florida flexibilidad para TB4 0,229 0.02907 19

cambiar de sistema tradicional al nuevo sistema es la más baja barrera coeficiente de ponderación de
infraestructural 0,123 IB1 0,310 0.03828 13
todas las barreras tecnológicas. Valor Ranking de participación y el apoyo barreras son ISB3> ISB1> barreras IB2 0,340 0.04195 9

ISB2 ( Tabla 14 ), Respectivamente, en el que la falta de atención pública sobre las cuestiones IB3 0,350 0.04322 4

ambientales es el más alto coeficiente de ponderación barrera. barreras de organización OB1 valor de Las barreras financieras 0,124 FB1 0,198 0.02453 27
clasificación son> OB2> OB3 ( Tabla 8 ), Respectivamente, en el que la falta de estructura de FB2 0,201 0.02491 23
FB3 0,199 0.02464 26
organización adecuada y el apoyo para las prácticas RL es la más alta barrera weightage. barreras
FB4 0,199 0.02465 25
producto, el valor de clasificación son PB3> PB1> PB2 ( Tabla 9 ), Respectivamente, en el que el riesgo
FB 5 0,204 0.02527 22
de almacenamiento de materiales peligrosos es el más alto coeficiente de ponderación
participación y 0,126 ISB1 0,325 0.04093 10
barreras de apoyo ISB2 0,324 0.04082 11
ISB3 0,352 0.04436 2

Tabla 15
Los valores de medida sintética difusa de criterios.

MEGABYTE = (1,77, 16,00, 52) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.111, 3.292)
transmisión exterior = (1,88, 20,47, 58) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.143, 3.672)
PB = (1,90, 18,93, 55) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.132, 3.482)
LB = (1,90, 14,25, 60) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.099, 3.799)
tuberculosis = (1,85, 25,54, 68) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.178, 4.305)
IB = (1,83, 12,92, 50) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.090, 3.165)
pensión completa = (1,88, 13,29, 58) X (1/463, 1 / 143.48, 1 / 15.80) = (0.004, 0.093, 3.672)
ES B = (2,79, 22,09, 62) X (1/463, 1 / 143.48, 1 / 15.80) = (0.006, 0.154, 3.925)

Tabla 16
grado Calculado de la posibilidad de criterios (valores V).

MEGABYTE transmisión exterior PB LB tuberculosis IB pensión completa ES B

MEGABYTE - 0,991 0,994 1 0,980 1 1 0,987

transmisión exterior 1 - 1 1 0,990 1 1 0,997
PB 1 0,997 - 1 0,987 1 1 0,994
LB 0,997 0,989 0,991 - 0,980 1 1 0,986
tuberculosis 1 1 1 1 - 1 1 1
IB 0,993 0,984 0,987 0,997 0,973 - 0,999 0,980
pensión completa 0,995 0,987 0,989 0,998 0,977 1 - 0,984
ES B 1 1 1 1 0,994 1 1 -

313
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Tabla 18 barrera. barreras de gestión de valor de clasificación son MB1> MB5> MB2> MB4> MB3 ( Tabla 7 ), En
TFN Evaluaciones de matriz de soluciones. el que la falta de compromiso por parte de la alta dirección es la más alta barrera coeficiente de
ponderación y la falta de conciencia y comprensión de la adaptación RL es la más baja barrera
MB1 MB2 MB3 ... ... ISB1 ISB2 ISB3
coeficiente de ponderación de todas las barreras de gestión. Las barreras legales valor de clasificación
S1 (6, 7, 8) (6, 7, 8) (6, 7, 8) ... ... ( 6, 7, 8) (6, 7, 8) (6, 7, 8) son LB3> LB2> LB1 ( Tabla 10 ), Respectivamente, en el que las lagunas en las leyes y reglamentos de
S2 (4, 5, 6) (6, 7, 8) (6, 7, 8) ... ... ( 6, 7, 8) (6, 7, 8) (4, 5, 6) Tailandia sobre la gestión de residuos es la mayor barrera coeficiente de ponderación. Similar, fi barreras
S3 (4, 5, 6) (6, 7, 8) (6, 7, 8) ... ... ( 5, 6, 7) (6, 7, 8) (4, 5, 6)
financieras valor de clasificación son FB 5> FB2> FB4> FB3> FB1 ( Tabla 13 ), En el que coste de
... ... ... ... ... ... ... ... ...
eliminación de residuos no peligrosos y peligrosos es la más alta barrera weightage y fi limitaciones
... ... ... ... ... ... ... ... ...
S13 (6, 7, 8) (5, 6, 7) (6, 7, 8) ... ... ( 6, 7, 8) (6, 7, 8) (6, 7, 8) financieras es el más bajo coeficiente de ponderación de la barrera fi barreras financieras. Por último,
S14 (3, 4, 5) (3, 4, 5) (3, 4, 5) ... ... ( 2, 3, 4) (2, 3, 4) (2, 3, 4) las barreras de infraestructura valor de clasificación son IB3> IB2> IB1 ( Tabla 12 ), Respectivamente,
en el que aumento del área de gestión de residuos no estandarizada es la más alta barrera weightage.

Tabla 19
Calculado matriz agregada decisión fuzzy de soluciones.

Para resolver estas barreras, la clasificación de soluciones prácticas para RL barreras se ha sugerido que
MB1 MB2 MB3 ... ... ISB1 ISB2 ISB3
los tomadores de decisiones para hacer la mejor alternativa para soluciones debido al hecho de que, como se

S1 (5, 7, 8) (5, 7, 8) (2, 6, 8) ... ... ( 1, 6, 8) (5, 6, 8) (1, 6, 8) mencionó anteriormente. Por lo tanto, el más alto CC yo valor se utiliza para tener en cuenta para la clasificación
S2 (1, 5, 8) (2, 5, 8) (2, 5, 8) ... ... ( 2, 6, 8) (1, 5, 8) (2, 5, 8) de las soluciones.
S3 (1, 5, 8) (3, 6, 8) (3, 6, 8) ... ... ( 2, 6, 8) (2, 6, 8) (1, 5, 8)
los CC yo valores son S1> S7> S11> S5> S3
... ... ... ... ... ... ... ... ...
> S9> S4> S13> S8> S2> S6> S10> S12> S14, respectivamente, que se da en Tabla 22 . El más
... ... ... ... ... ... ... ... ...
S13 (1, 5, 8) (2, 6, 8) (3, 6, 8) ... ... ( 3, 6, 8) (3, 6, 8) (1, 5, 8) alto CC yo valor es la conciencia la alta dirección y el apoyo y la más baja CC yo valor es establecer
S14 (1, 4, 8) (1, 4, 8) (1, 4, 8) ... ... ( 1, 4, 6) (1, 4, 6) (1, 3, 6) estrategias de subcontratación a terceros de los productos EoL. Cuando nos convertimos variable
lingüística a número difuso (véase Tabla 4 ) y

Tabla 20
matriz normalizada decisión difusa de soluciones.

MB1 MB2 MB3 ... ... ISB1 ISB2 ISB3

S1 (0.13, 0.15, 0.20) (0.13, 0.15, 0.20) (0.13, 0.17, 0.50) ... ... (0.13, 0.17, 1) (0.13, 0.16, 0.20) (0.13, 0.17, 1)
S2 (0.13, 0.22, 1) (0.13, 0.20, 1) (0.13, 0.19, 0.50) ... ... (0.13, 0.17, 0.50) (0.13, 0.20, 1) (0.13, 0.20, 0.50)
S3 (0.13, 0.21, 1) (0.13, 0.16, 0.33) (0.13, 0.17, 0.33) ... ... (0.13, 0.18, 0.50) (0.13, 0.18, 0.50) (0.13, 0.22, 1)
... ... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ... ...
S13 (0.13, 0.21, 1) (0.13, 0.17, 0.50) (0.13, 0.17, 0.33) ... ... (0.13, 0.18, 0.33) (0.13, 0.18, 0.33) (0.13, 0.20, 1)
S14 (0.13, 0.26, 1) (0.13, 0.24, 1) (0.13, 0.23, 1) ... ... (0.17, 0.28, 1) (0.17, 0.28, 1) (0.17, 0.29, 1)

Tabla 21
Weighted normalized fuzzy decision matrix of solutions.

MB1 MB2 MB3 ... ISB1 ISB2 ISB3

S1 (0.004, 0.004, 0.006) (0.003, 0.004, 0.005) (0.003, 0.004, 0.011) ... (0.005, 0.007, 0.041) (0.005, 0.006, 0.008) (0.006, 0.008, 0.044)
S2 (0.004, 0.006, 0.029) (0.003, 0.005, 0.025) (0.003, 0.004, 0.011) ... (0.005, 0.007, 0.020) (0.005, 0.008, 0.041) (0.006, 0.009, 0.022)
S3 (0.004, 0.006, 0.029) (0.003, 0.004, 0.008) (0.003, 0.004, 0.007) ... (0.005, 0.007, 0.020) (0.005, 0.007, 0.020) (0.006, 0.010, 0.044)
... ... ... ... ... ... ... ...
... ... ... ... ... ... ... ...
S13 (0.004, 0.006, 0.029) (0.003, 0.004, 0.012) (0.003, 0.004, 0.007) ... (0.005, 0.007, 0.014) (0.005, 0.007, 0.014) (0.006, 0.009, 0.044)
S14 (0.004, 0.008, 0.029) (0.003, 0.006, 0.025) (0.003, 0.005, 0.022) ... (0.007, 0.011, 0.041) (0.007, 0.011, 0.041) (0.007, 0.013, 0.044)

Tabla 22
Coe cercanía FFI ciente CC ( ) y fi clasificación final de las soluciones para las prácticas de RL.
yo

Código soluciones D+ RE- CCi Rango

S1 conciencia de la alta dirección y el apoyo 0.7592 49.6431 0.98494 1

S2 procesos de logística inversa estandarizados 0.9156 49.5338 0.98185 10
S3 La implementación de colaboración multifuncional 0.8652 49.5541 0.98284 5
S4 La colaboración estratégica con socios RL 0.8757 49.5591 0.98264 7
S5 políticas y procesos claros determinados 0.8416 49.5857 0.98331 4
S6 Implementar estrategias de evitación de retorno 0.9426 49.5099 0.98132 11
S7 RL determinado como parte del programa de sostenibilidad 0.7935 49.6206 0.98426 2
S8 Hacer cumplir la legislación ambiental, regulaciones y directivas 0.8909 49.5323 0.98233 9
S9 Desarrollar la infraestructura e instalaciones de apoyo a las actividades RL 0.8717 49.5491 0.98271 6
S10 Implementar prácticas verdes para productos electrónicos 0.9446 49.4959 0.98127 12
S11 Desarrollar e invertir en tecnología de RL 0.8291 49.5770 0.98355 3
S12 Establecer dirección de la colaboración entre los miembros de la cadena de suministro 0.9504 49.5011 0.98116 13
S13 Desarrollar cadena de suministro de bucle cerrado mediante la integración de RL 0.8857 49.5548 0.98244 8
S14 Establecer estrategias de subcontratación a terceros para productos EoL 1.0173 49.4387 0.97984 14

314
P. Sirisawat, T. Kiatcharoenpol Computadoras e Ingeniería Industrial 117 (2018) 303-318

Tabla 23 tecnológico (TB2), fi restricciones financieras (FB1), altas inversiones y menos (FB2) retorno de la
Las puntuaciones totales de números difusos.
inversión, el costo de los envases favorable al medio ambiente (FB4), la falta de apoyo de los socios
de la cadena de suministro (ISB2) y la falta de atención pública sobre las cuestiones ambientales
S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14
(ISB3), en la que los resultados se dan en Tabla 23 y Fig. 5 . Por lo tanto, los tomadores de
MB1 57 36 37 37 43 40 45 42 31 33 31 30 38 28 decisiones de Tailandia ' industria de la electrónica de s u otras partes interesadas deberían centrarse
MB2 56 41 51 53 51 55 54 39 37 37 35 43 48 32 en el ranking de las dos barreras prácticas RL y soluciones para la implementación prácticas RL ser
MB3 50 43 50 49 43 44 52 37 38 41 43 47 49 33
una guía para elegir y las barreras más importantes que una ff ected la organización y también elegir
MB4 49 47 45 49 45 40 46 43 46 48 41 41 42 33
las soluciones más adecuadas para resolver estas barreras.
MB5 56 39 40 40 51 41 48 45 42 37 34 33 37 32
OB1 58 43 49 42 50 36 51 27 43 32 34 31 41 26
OB2 54 41 34 40 42 30 47 27 33 26 32 32 45 33
OB3 53 40 47 40 39 35 47 28 33 26 27 35 38 26
PB1 37 45 33 45 44 41 48 34 32 35 38 40 48 33
5.1. Análisis de sensibilidad
PB2 40 46 35 42 43 40 46 31 31 35 38 39 46 31
PB3 41 45 31 39 38 38 44 43 31 33 32 35 46 37
LB1 49 36 29 39 42 32 39 49 34 30 32 34 39 22 Se utilizó un análisis de sensibilidad para probar la sensibilidad de peso criterios y treinta
LB2 52 36 31 41 43 36 46 50 35 30 32 35 40 23 experimentos se probó utilizando TOPSIS difusa para CC yo valores de los que se dan en Tabla 24 .
LB3 46 38 31 36 45 35 47 54 36 38 36 38 40 25
En este estudio, los altos pesos de criterios fueron sustituidos y otros pesos de los criterios eran
TB1 45 41 34 39 40 44 42 30 41 38 51 40 44 27
constantes. En sensibilidad experimento de análisis 1, el peso de las barreras MB1 = 0,44 y otras
TB2 49 37 33 37 42 44 41 29 48 36 48 40 44 27
TB3 37 35 34 40 41 39 36 23 32 28 41 36 36 38 barreras MB2-ISB3 = 0,02 se mantuvo constante. Para el experimento 2, el peso de las barreras MB2
TB4 38 30 34 38 43 40 40 23 36 32 39 31 38 32 = 0,44 y el peso de otras barreras MB1, MB3ISB3 = 0,02 se mantuvo constante. El mismo proceso se
IB1 43 39 31 37 37 35 37 30 51 30 36 33 36 26
utilizó para probar el experimento a la derecha a través hasta experimento 29. En el último
IB2 40 42 40 47 41 38 49 36 40 36 47 40 44 29
experimento de prueba, se asumió los pesos de todas las barreras para tener el mismo valor
IB3 40 36 35 41 37 34 49 48 42 38 40 35 42 28
FB1 43 30 21 28 36 31 41 24 30 28 33 28 37 29 MB1-ISB3 = 0,034.
FB2 46 36 27 27 37 31 40 22 27 28 38 30 38 30
FB3 39 40 28 37 41 34 42 28 27 27 33 35 37 36
FB4 44 41 28 32 39 31 43 29 28 30 39 31 34 28
Por lo tanto, la fi nal del rango CC yo los valores se representaron en Tabla 24 .
FB5 43 40 30 32 40 33 44 34 31 31 36 30 35 31
Fig. 6 ilustra el valor más alto de CC yo en la que S1 tiene más alto CC yo
ISB1 48 48 46 51 48 41 52 32 34 30 31 39 47 26
ISB2 54 41 46 46 43 40 45 33 30 30 32 38 46 26 valor en trece experimentos (1, 2, 5 - 8, 11, 16, 17, 22, 23, 28, 30). S7 tiene más alto CC yo valor en fi cinco
ISB3 48 41 35 44 40 36 45 43 35 35 31 33 39 24 experimentos (3, 4, 20, 21, 27). S4 tiene más alto CC yo valor en dos experimentos (9, 10). S5 tiene
más alto CC yo valor en tres experimentos (12 - 14). S11 tiene más alto CC yo valor en tres experimentos
(15, 18, 25). S9 tiene más alto CC yo valor en dos experimentos (19, 29). S13 y S14 tienen la mayor CC
analizado las puntuaciones totales de número difuso de cada una de las soluciones de los expertos, se
yo valor en un experimento (26 y 24 respectivamente). Por lo tanto, los resultados del experimento
encontró que si los tomadores de decisiones usan conciencia de la administración superior y el apoyo
análisis de sensibilidad representados que la clasificación de soluciones para aplicación prácticas RL
(S1) a ser el fi primera prioridad para resolver las barreras RL, que puede resolver la falta de compromiso
es relativamente sensible a los pesos barreras.
de la alta dirección (MB1), la falta de planificación estratégica para asegurar prácticas RL (MB2), la falta
de especificidad fi meta c para el medio ambiente y gestión de residuos (MB4), la falta de políticas para
las prácticas de RL (MB5), la falta de estructura organizativa adecuada y el apoyo a las prácticas de RL
(OB1), la falta de formación y la educación sobre RL (OB2), la falta de personal de la organización
6. Conclusión
recursos (OB3), la falta de leyes forzada, la legislación y las directivas de los productos EoL (LB1), la
falta de políticas de apoyo del gobierno sobre las prácticas de RL (LB2), la falta de disposición
Hoy en día, muchas empresas aplican aplicación prácticas RL en sus procesos de negocio
debido a la cada vez mayor de la conciencia ambiental y también para el sostenible del negocio. Pero
es con la cara

Fig. 5. Las puntuaciones totales de número difuso de cada solución.

315
P. Sirisawat, T. Kiatcharoenpol Computers & Industrial Engineering 117 (2018) 303–318

Tabla 24
Análisis de sensibilidad.

Exp. No. condiciones experimentos S1 S2 S3 S4 S5 S6 S7 S8 S9 S10 S11 S12 S13 S14

1 MB1 = 0,44, MB2-ISB3 = 0,02 0,981 0,982 0,981 0,989 0,982 0,985 0,982 0,981 0,981 0,981 0,982 0,981 0,981 0,980
2 MB2 = 0,44, MB1, MB3-ISB3 = 0,02 0,981 0,987 0,985 0,989 0,987 0,987 0,988 0,985 0,985 0,985 0,986 0,985 0,985 0,980
3 MB3 = 0,44, MB1, MB2, MB4-ISB3 = 0,987 0,985 0,987 0,02 0,987 0,986 0,986 0,988 0,985 0,985 0,986 0,987 0,986 0,987 0,980
4 MB4 = 0,44, MB1-MB3, MB5-ISB3 = 0,02 0,987 0,987 0,985 0,987 0,987 0,985 0,988 0,986 0,987 0,986 0,986 0,985 0,985 0,980
5 MB5 = 0,44, MB1-MB4, OB1-ISB3 = 0,02 0,981 0,986 0,985 0,989 0,986 0,985 0,988 0,986 0,985 0,985 0,982 0,981 0,981 0,980
6 OB1 = 0,44, MB1-MB5, OB2-ISB3 = 0,02 0,981 0,987 0,981 0,989 0,987 0,981 0,988 0,981 0,982 0,981 0,982 0,981 0,981 0,980
7 OB2 = 0,44, MB1-OB1, OB3-ISB3 = 0,02 0,981 0,982 0,981 0,989 0,982 0,981 0,988 0,981 0,981 0,981 0,982 0,981 0,981 0,980
8 OB3 = 0,44, MB1-OB2, PB1-ISB3 = 0,02 0,981 0,987 0,981 0,988 0,982 0,981 0,988 0,981 0,981 0,981 0,982 0,981 0,981 0,980
9 PB1 = 0,44, MB1-OB3, PB2-ISB3 = 0,02 0,985 0,982 0,987 0,983 0,982 0,981 0,982 0,981 0,981 0,981 0,982 0,981 0,981 0,980
10 PB2 = 0,44, MB1-PB1, PB3-ISB3 = 0,02 0,986 0,982 0,987 0,983 0,982 0,981 0,982 0,981 0,981 0,981 0,982 0,981 0,981 0,980
11 PB3 = 0,44, MB1-PB2, LB1-ISB3 = 0,02 0,981 0,982 0,981 0,987 0,982 0,985 0,982 0,981 0,981 0,981 0,982 0,981 0,981 0,980
12 LB1 = 0,44, MB1-PB3, LB2-ISB3 = 0,02 0,981 0,981 0,981 0,983 0,987 0,981 0,982 0,987 0,981 0,981 0,982 0,981 0,985 0,980
13 LB2 = 0,44, MB1-LB1, LB3-ISB3 = 0,02 0,981 0,982 0,981 0,983 0,987 0,981 0,982 0,985 0,981 0,984 0,982 0,981 0,981 0,980
14 LB3 = 0,44, MB1-LB2, TB1-ISB3 = 0,02 0,981 0,982 0,981 0,983 0,987 0,981 0,982 0,987 0,981 0,985 0,982 0,981 0,985 0,980
15 TB1 = 0,44, MB1-LB3, TB2-ISB3 = 0,02 0,981 0,982 0,981 0,983 0,982 0,981 0,982 0,981 0,982 0,981 0,988 0,985 0,981 0,980
dieciséis TB2 = 0,44, MB1-TB1, TB3-ISB3 = 0,02 0,981 0,982 0,981 0,988 0,982 0,981 0,982 0,981 0,987 0,981 0,988 0,985 0,981 0,980
17 TB3 = 0,44, MB1-TB2, TB4-ISB3 = 0,02 0,981 0,987 0,981 0,987 0,982 0,981 0,982 0,981 0,981 0,981 0,986 0,985 0,981 0,984
18 TB4 = 0,44, MB1-TB3, IB1-ISB3 = 0,02 0.983 0.981 0.982 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.987 0.981 0.981 0.980
19 IB1=0.44, MB1-TB4, IB2-ISB3=0.02 0.983 0.981 0.982 0.981 0.982 0.981 0.982 0.981 0.986 0.981 0.982 0.981 0.981 0.980
20 IB2=0.44, MB1-IB1, IB3-ISB3=0.02 0.983 0.981 0.982 0.987 0.982 0.981 0.988 0.981 0.987 0.981 0.987 0.981 0.981 0.980
21 IB3=0.44, MB1-IB2, FB1-ISB3=0.02 0.983 0.981 0.982 0.981 0.982 0.981 0.988 0.985 0.987 0.981 0.987 0.981 0.981 0.980
22 FB1=0.44, MB1-IB3, FB2-ISB3=0.02 0.983 0.981 0.981 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.982 0.981 0.981 0.980
23 FB2=0.44, MB1-FB1, FB3-ISB3=0.02 0.987 0.981 0.981 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.986 0.981 0.981 0.980
24 FB3=0.44, MB1-FB2, FB4-ISB3=0.02 0.983 0.981 0.982 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.982 0.981 0.981 0.984
25 FB4=0.44, MB1-FB3, FB5-ISB3=0.02 0.983 0.981 0.982 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.986 0.981 0.981 0.980
26 FB5=0.44, MB1-FB4, ISB1-ISB3=0.02 0.983 0.981 0.982 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.986 0.981 0.986 0.980
27 ISB1=0.44, MB1-FB5, ISB2-ISB3=0.02 0.983 0.985 0.986 0.987 0.987 0.981 0.988 0.981 0.981 0.981 0.982 0.981 0.987 0.980
28 ISB2=0.44, MB1-ISB1, ISB3=0.02 0.989 0.981 0.986 0.981 0.982 0.981 0.982 0.981 0.981 0.981 0.982 0.981 0.987 0.980
29 ISB3=0.44, MB1-ISB2=0.02 0.983 0.985 0.982 0.981 0.982 0.981 0.982 0.981 0.985 0.981 0.982 0.981 0.981 0.980
30 MB1-ISB3=0.034 0.985 0.982 0.983 0.983 0.984 0.982 0.984 0.983 0.983 0.982 0.984 0.982 0.983 0.980

Fig. 6. The results of closeness coe ffi cient values.

algunas barreras que hacen que la implementación de prácticas de RL sin éxito. Por lo tanto, para
resolver estas barreras tienen que utilizar las soluciones adecuadas para superar sus barreras. En
situaciones reales, los que toman las decisiones no pueden tomar la decisión debido a que exista una
gran cantidad de soluciones y es tan di FFI culto a aplicar todas estas soluciones en el mismo tiempo.
Por lo tanto,
hay una necesidad de clasificar las soluciones para resolver las barreras de RL aplicación prácticas. En
este estudio presentado los métodos híbridos de AHP difusa y TOPSIS difusa para la clasificación de
soluciones para resolver bayas para las prácticas de RL. Fuzzy AHP se utilizó para obtener el peso de las
barreras RL y TOPSIS difusa se utiliza para obtener la clasificación de las soluciones. En este estudio, a
través de

316
P. Sirisawat, T. Kiatcharoenpol
literature review and expert views 29 barriers and 14 solutions have been identi fi ed. The results of the
study presented that top management awareness and support is the highest ranking value of
solutions in this case study which Thailand electronics industry was used in the proposed framework.
The ranking of solutions can be a guideline and support decision makers or top management to
determine policy and strategies to solve RL practices barriers implementation. For the future research
direction, this study can use other fuzzy multi-criteria decision making methods such as fuzzy VIKOR,
fuzzy ANP and fuzzy ELETRE.
References
Abdullah, N., Halim, N. A., Yaakub, S., & Abdullah, H. H. (2011). Reverse logistics
adoption among Malaysian manufacturers. In International conference on management, economics and social
sciences (ICMESS'2011) Bangkok Dec.
Abdulrahman, M. D., Gunasekaran, A., & Subramanian, N. (2014). Critical barriers in
implementing reverse logistics in the Chinese manufacturing sectors. International Journal of Production
Economics, 147, 460 – 471 .
Amiri, M. P. (2010). Project selection for oil- fi elds development by using the AHP and
fuzzy TOPSIS methods. Expert Systems with Applications, 37, 6218 – 6224 .
Awasthi, A., Chauhan, S. S., & Omrani, H. (2011). Application of fuzzy TOPSIS in eval-
uating sustainable transportation systems. Expert Systems with Applications, 38,
12270 – 12280 .
Awasthi, A., Chauhan, S. S., Omrani, H., & Panahi, A. (2011). A hybrid approach based on
SERVQUAL and fuzzy TOPSIS for evaluating transportation service quality. Computers & Industrial Engineering,
61, 637 – 646 .
Badenhorst, A. (2016). Prioritizing the implementation of practices to overcome opera-
tional barriers in reverse logistics. Journal of Transport and Supply Chain Management, 10( 1) .
Badenhorst, A., & Nel, J. D. (2012). Identifying potential solutions for speci fi c reverse
logistics problems. Journal of Transport and Supply Chain Management .
Chang, D. Y. (1996). Applications of the extent analysis method on fuzzy AHP. European
Journal of Operational Research, 95, 649 – 655 .
Da ğ deviren, M., Yavuz, S., & K ı l ı nç, N. (2009). Weapon selection using the AHP and
TOPSIS methods under fuzzy environment. Expert Systems with Applications, 36,
8143 – 8151 .
Efendigil, T., Önüt, S., & Kongar, E. (2008). A holistic approach for selecting a third-party
reverse logistics provider in the presence of vagueness. Computers & Industrial Engineering, 54, 269 – 287
. Senthil, S., Srirangacharyulu, B., & Ramesh, A. (2014). A robust hybrid multi-criteria
Ertu ğ rul, İ., & Karaka ş o ğ lu, N. (2009). Performance evaluation of Turkish cement fi rms
with fuzzy analytic hierarchy process and TOPSIS methods. Expert Systems with Applications, 36, 702 – 715
. Sharma, S. K., Panda, B. N., Mahapatra, S. S., & Sahu, S. (2011). Analysis of barriers for
Govindan, K., Kaliyan, M., Kannan, D., & Haq, A. N. (2014). Barriers analysis for green
supply chain management implementation in Indian industries using analytic hierarchy process. International
Journal of Production Economics, 147, 555 – 568 .
Govindan, K., Soleimani, H., & Kannan, D. (2015). Reverse logistics and closed-loop
supply chain: A comprehensive review to explore the future. European Journal of Operational Research,
240, 603 – 626 .
Gumus, A. T. (2009). Evaluation of hazardous waste transportation fi rms by using a two-
step fuzzy-AHP and TOPSIS methodology. Expert Systems with Applications, 36,
4067 – 4074 .
Hwang, C. L., & Yoon, K. (1981). Multiple attributes decision making methods and applica-
tions. Berlin: Springer .
Javanbarg, M. B., Scawthorn, C., Kiyono, J., & Shahbodaghkhan, B. (2012). Fuzzy AHP-
based multi criteria decision making systems using particle swarm optimization.
Expert Systems with Applications, 39, 960 – 966 .
Jindal, A., & Sangwan, K. S., (2011). Development of an interpretive structural model of
barriers to reverse logistics implementation in Indian industry. In Proceedings of the 18th CIRP international 448
conference on life cycle engineering, Technische Universität Braunschweig, Braunschweig, Germany, May 2nd – 4th.
Kannan, D., Jabbour, A. B. L. D. S., & Jabbour, C. J. C. (2014). Selecting green suppliers
based on GSCM practices: Using fuzzy TOPSIS applied to a Brazilian electronics company. European
Journal of Operational Research, 233, 432 – 447 .
Kannan, G., Pokharel, S., & Kumar, P. S. (2009). A hybrid approach using ISM and fuzzy
TOPSIS for the selection of reverse logistics provider. Resources, Conservation and Recycling, 54, 28 – 36 .
Kaya, T., & Kahraman, C. (2011). Multi criteria decision making in energy planning using
a modi fi ed fuzzy TOPSIS methodology. Expert Systems with Applications, 38,
6577 – 6585 .
Kelemenis, A., Ergazakis, K., & Askounis, D. (2011). Support managers ’ selection using an
extension of fuzzy TOPSIS. Expert Systems with Applications, 38, 2774 – 2782 .
Krohling, R. A., & Campanharo, V. C. (2011). Fuzzy TOPSIS for group decision making: A
case study for accidents with oil spill in the sea. Expert Systems with Applications, 38,
4190 – 4197 .
Lee, A. H. I., Chen, H. H., & Kang, H. Y. (2011). A model to analyze strategic products for
photovoltaic silicon thin- fi lm solar cell power industry. Renewable and Sustainable Energy Reviews, 15( 2011),
1271 – 1283 .
Luthra, S., Kumar, V., Kumar, S., & Haleem, A. (2011). Barriers to implement green
supply chain management in automobile industry using interpretive structural modeling technique-An
Indian perspective. Journal of Industrial Engineering and Management, 231 – 257 .
Mahdevari, S., Shahriar, K., & Esfahanipour, A. (2014). Human health and safety risks
317
Computers & Industrial Engineering 117 (2018) 303–318
management in underground coal mines using fuzzy TOPSIS. Science of the Total Environment, 488 – 489, 85
– 99 .
Mandic, K., Delibasic, B., Knezevic, S., & Benkovic, S. (2014). Analysis of the fi nancial
parameters of Serbian banks through the application of the fuzzy AHP and TOPSIS methods. Economic
Modelling, 43, 30 – 37 .
Mathiyazhagan, K., Govindan, K., NoorulHaq, A., & Geng, Y. (2013). An ISM approach for
the barrier analysis in implementing green supply chain management. Journal of Cleaner Production, 47, 283 –
297 .
Nikolaou, I. E., Evangelinos, K. I., & Allan, S. (2013). A reverse logistics social respon-
sibility evaluation framework based on the triple bottom line approach. Journal of Cleaner Production, 56, 173 – 184
.
Önüt, S., Kara, S. S., & I ş ik, E. (2009). Long term supplier selection using a combined
fuzzy MCDM approach: A case study for a telecommunication company. Expert Systems with
Applications, 36, 3887 – 3895 .
Paksoy, T., Pehlivan, N. Y., & Kahraman, C. (2012). Organizational strategy development
in distribution channel management using fuzzy AHP and hierarchical fuzzy TOPSIS.
Expert Systems with Applications, 39, 2822 – 2841 .
Patil, S. K., & Kant, R. (2014). A fuzzy AHP-TOPSIS framework for ranking the solutions
of Knowledge Management adoption in Supply Chain to overcome its barriers. Expert Systems with Applications,
41, 679 – 693 .
Prakash, C., & Barua, M. K. (2015). Integration of AHP-TOPSIS method for prioritizing the
solutions of reverse logistics adoption to overcome its barriers under fuzzy environment. Journal of
Manufacturing Systems, 37, 599 – 615 .
Price water house Coopers. (2008). Reverse Logistics, Integrated Supply Chain Solutions,
May 2008.
Pumpinyo, S., & Nitivattananon, V. (2014). Investigation of barriers and factors a ff ecting
the reverse logistics of waste management practice: A case study in Thailand.
Sustainability, 6, 7048 – 7062. http://dx.doi.org/10.3390/su6107048 .
Rahman, S., & Subramanian, N. (2012). Factors for implementing end-of-life computer
recycling operations in reverse supply chains. International Journal of Production Economics, 140, 239 – 248 .
Ravi, V., & Shankar, R. (2005). Analysis of interactions among the barriers of reverse
logistics. Technological Forecasting & Social Change, 72, 1011 – 1029 .
Rogers, D. S., & Tibben-Lembke, R. S., (1998). Going backwards: Reverse logistics trends
and practices. Reverse Logistics Executive Council, University of Nevada, Reno Center for Logistics
Management (pp. 2).
Rogers, D. S., & Tibben-Lembke, R. S. (2001). An examination of reverse logistics prac-
tices. Journal of Business Logistics, 22( 2) .
Rostamzadeh, R., & So fi an, S. (2011). Prioritizing e ff ective 7Ms to improve production
systems performance using fuzzy AHP and fuzzy TOPSIS (case study). Expert Systems with Applications, 38, 5166
– 5177 .
Saaty, T. L. (1980). Analytic hierarchy process. New York: McGraw Hill .
decision making methodology for contractor evaluation and selection in third-party reverse logistics. Expert
Systems with Applications, 41, 50 – 58 .
reverse logistics: An Indian perspective. International Journal of Modeling and Optimization, 1( 2) .
Shidpour, H., Shahrokhi, M., & Bernard, A. (2013). A multi-objective programming ap-
proach, integrated into the TOPSIS method, in order to optimize product design; in three-dimensional concurrent
engineering. Computers & Industrial Engineering, 64,
875 – 885 .
Sindhu, S., Nehra, V., & Luthra, S. (2017). Investigation of feasibility study of solar farms
deployment using hybrid AHP-TOPSIS analysis: Case study of India. Renewable and Sustainable Energy
Reviews, 73, 496 – 511 .
Sirisawat, P., & Kiatcharoenpol, T. (2016). Correlation of barriers to reverse logistics
performance using structural equation modeling. In IEEE international conference on industrial engineering and
engineering management.
Sirisawat, P., Kiatcharoenpol, T., Choomrit, N., &Wangphanich, P. (2016). Study of green
procurement practices: A case study of the computer parts industry in Thailand. In
Proceedings of the 2016 international conference on industrial engineering and operations management Kuala
Lumpur, Malaysia, March 8 – 10.
Sun, C. C. (2010). A performance evaluation model by integrating fuzzy AHP and fuzzy
TOPSIS methods. Expert Systems with Applications, 37, 7745 – 7754 .
Taylan, O., Bafail, A. O., Abdulaal, R. M. S., & Kabli, M. R. (2014). Construction projects
selection and risk assessment by fuzzy AHP and fuzzy TOPSIS methodologies. Applied Soft Computing, 17, 105 – 116
.
Tor fi, F., Farahani, R. Z., & Rezapour, S. (2010). Fuzzy AHP to determine the relative weights of evaluation criteria and
Fuzzy TOPSIS to rank the alternatives. Applied Soft Computing, 10, 520 – 528 .
Vinodh, S., Prasanna, M., & Prakash, N. H. (2014). Integrated fuzzy AHP – TOPSIS for
selecting the best plastic recycling method: A case study. Applied Mathematical Modelling, 38, 4662 – 4672 .
Wang, J., Fan, K., & Wang, W. (2010). Integration of fuzzy AHP and FPP with TOPSIS
methodology for aeroengine health assessment. Expert Systems with Applications, 37,
8516 – 8526 .
Wang, T. C., & Lee, H. D. (2009). Developing a fuzzy TOPSIS approach based on sub-
jective weights and objective weights. Expert Systems with Applications, 36,
8980 – 8985 .
Wang, T., Liu, J., Li, J., & Niu, C. (2016). An integrating OWA – TOPSIS framework in
intuitionistic fuzzy settings for multiple attribute decision making. Computers & Industrial Engineering, 98, 185
– 194 .
Wiel, A. V. D., Bossink, B., & Masurel, E. (2012). Reverse logistics for waste reduction in
cradle-to cradle oriented fi rms. International Journal of Technology Management, 60 .
Yacob, P. (2012). Barriers to reverse logistics practices in Malaysian SMEs. International
Journal of Academic Research in Economics and Management Sciences, 1( 5) .
P. Sirisawat, T. Kiatcharoenpol
Yalcin, N., Bayrakdaroglu, A., & Kahraman, C. (2012). Application of fuzzy multi-criteria
decision making methods for fi nancial performance evaluation of Turkish manufacturing industries. Expert
Systems with Applications, 39, 350 – 364 .
Yang, Z. L., Bonsall, S., &Wang, J. (2011). Approximate TOPSIS for vessel selection under
uncertain environment. Expert Systems with Applications, 38, 14523 – 14534 .
Yu, C. S. (2002). AGP-A HP method for solving group decision-making fuzzy AHP pro-
blems. Computers & Operations Research, 29, 1969 – 2001 .
Yu, X., Guo, S., Guo, J., & Huang, X. (2011). Rank B2C e-commerce websites in e-alliance
318
Computers & Industrial Engineering 117 (2018) 303–318
based on AHP and fuzzy TOPSIS. Expert Systems with Applications, 38, 2774 – 2782 .
Zaabi, S. A., Dhaheri, N. A., & Diabat, A. (2013). Analysis of interaction between the
barriers for the implementation of sustainable supply chain management.
International Journal of Advanced Manufacturing Technology, 68, 895 – 905 .
Zyoud, S. H., Kaufmann, L. G., Shaheen, H., Samhan, S., & Fuchs-Hanusch, D. (2016). A
framework for water loss management in developing countries under fuzzy environment: Integration of
Fuzzy AHP with Fuzzy TOPSIS. Expert Systems with Applications, 61, 86 – 105 .