Havayolu Operasyonlarında Dayanıklı Ekip Eşlemesi İçin Bir Karar Destek Modeli Önerisi: Pisagor AHP- Pisagor WASPAS Yaklaşımı

Abstract

Havayolu taşımacılığında etkili ekip planlaması, operasyonların güvenli, düzenli ve verimli bir şekilde gerçekleştirilmesi için kritik bir öneme sahiptir. Havayolu işletmelerinin büyüme ve rekabet avantajı elde edebilmeleri için beklentileri karşılamaları gerekmektedir. Havayolu operasyonlarında gerçekleştirilen yenilikler ve yolcu memnuniyetleri, yolcuların ilgili havayolu işletmesini tercih etmesini ve bu tercihin devamlılığının sağlanmasını mümkün kılmaktadır. Bu bağlamda, işletmeler yüksek kârlar elde edecek ve daha çok yolcuya ulaşma imkânı bulacaktır. Operasyonel süreçlerdeki başarıyı etkileyen en önemli aşamalardan biri de ekip planlamasıdır. Zira yakıt maliyetlerinden sonra havayolu işletmelerinin en büyük gider kalemi personel maliyetleridir. Kompleks ve çok kısıtlı bir yapıya sahip olan ekip planlama süreçleri başarıyla yönetildiği zaman işletmeye önemli avantajlar sağlayacaktır. Bu çalışmada, Türkiye’deki bir havayolu işletmesinin filolar için kabin ekibi planlama süreçleri incelenmiş ve ekip planlaması için bir karar modeli sunulmuştur. Çalışmada, 9 kriter ve 3 alternatif uçak tipi belirlenerek, Pisagor AHP-WASPAS yöntemi ile analiz yapılmıştır. Elde edilen bulgulara göre, ekip eşlemesi konusunda farklı bir bakış açısı ile havacılık sektörüne katkı sağlayacağı umulmaktadır.

Keywords

• Havayolu lojistiği
• Ekip planlama
• Havacılık sektörü
• Pisagor AHP
• Pisagor WASPAS

Ethical Statement

Çalışma herhangi bir etik kurul izni gerektirmemektedir

A Decision Support Model for Resilient Crew Mapping in Airline Operations: Pythagorean Fuzzy AHP- Pythagorean Fuzzy WASPAS Approach

Abstract

In airline transport, crew planning has a critical importance in carrying out operations in a safe, organised and efficient manner. Airline companies need to meet expectations in order to achieve growth and competitive advantage. Innovation in airline operations and passenger satisfaction are key drivers of passenger preference and continuity.In this context, businesses will earn high profits and have the opportunity to reach more passengers. One of the most important stages affecting the success in operational processes is crew planning. After fuel costs, the biggest expense item of airline companies is personnel costs. Team planning processes, which have a complex and very limited structure, will provide significant advantages to the business when managed successfully. In this study, cabin crew planning processes of an airline in Turkey for fleets were analysed and a decision model for crew planning was presented. In the study, 9 criteria and 3 alternative aircraft types were determined and analysed using with Pythagorean AHP-WASPAS method. According to the findings, it is hoped that it will contribute to the aviation industry with a unique perspective in terms of team mapping.

Keywords

• Airline logistics
• Team planning
• Aviation industry
• Pythagorean AHP
• Pythagorean WASPAS

References

1. Aksu, E. Ö., ve Temiz, İ. (2021). Havayolu operasyonlarında dayanıklı ekip eşleme için eniyileme yaklaşımı: Bir havayolu şirketi uygulaması. Politeknik Dergisi, 24(2), 417-429.
2. Akyurt, İ. Z. ve Yaşlıoğlu, D. T. (2018). Havacılık sektöründe ekip planlama yönetimi: Bir Türk havayolu örneği. İşletme Araştırmaları Dergisi, 10(1), 424-446.
3. Aydemir-Karadağ A., Dengiz B. ve Bolat A. (2013). Crew pairing optimization based on hybrid approaches. Computers & Industrial Engineering, 65(1): 87-96,
4. Az, M. T., ve Ayvaz, B. (2022). Havayolu ekip rotasyon optimizasyonu için genetik algoritma kullanımı. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 21(42), 194-210.
5. Cacchiani, V. & Salazar-González, J. J. (2020). Heuristic approaches for flight retiming in an integrated airline scheduling problem of a regional carrier. Omega, 91, 102028.
6. Chen C. H., Liu T. K. & Chou J. H. (2013). Integrated short haul airline crew scheduling using multiobjective optimization genetic algorithms. IEEE Transactions on Systems, Man and Cybernetics: Systems, 43(5), 1077-1090.
7. Chutima, P., & Arayikanon, K. (2020). Many-objective low-cost airline cockpit crew rostering optimisation. Computers & Industrial Engineering, 150, 106844.
8. Çankaya, G., ve Arıkan, M. (2009). Sütun oluşturma yaklaşımı ile bir havayolu ekip çizelgeleme uygulaması. Journal of The Faculty of Engineering & Architecture of Gazi University, 24(1), 43-50.

9. Danışman, O. (2021). Ekip atama probleminin çok kriterli karar verme yöntemleri ile incelenmesi [Yüksek lisans tezi, Başkent Üniversitesi]. YÖK Ulusal Tez Merkezi Veri Tabanı.
10. Demiralay, E. (2022). Bulanık ortamda akıllı ve sürdürülebilir kriterlerle tedarikçi seçim süreci için strateji geliştirme [Yüksek lisans tezi, Konya Teknik Üniversitesi]. YÖK Ulusal Tez Merkezi Veri Tabanı.
11. Deveci, M., & Demirel, N. Ç. (2018). A survey of the literature on airline crew scheduling. Engineering Applications of Artificial Intelligence, 74, 54-69.
12. Deveci, M., & Demirel, N. Ç. (2018). Evolutionary algorithms for solving the airline crew pairing problem. Computers & Industrial Engineering, 115, 389-406.
13. Gül M. & Ak M. F. (2018). A comparative outline for quantifying risk ratings in occupational health and safety risk assessment. J. Clean. Prod., 196, 653-664.
14. Göker, Z. (2018). Fatigue in the aviation: An overview of the measurements and countermeasures. Journal of Aviation, 2(2), 185-194.
15. Ilbahar, E., Karaşan, A., Cebi, S., & Kahraman, C. (2018). A novel approach to risk assessment for occupational health and safety using Pythagorean fuzzy AHP & fuzzy inference system. Safety Science, 103, 124-136.
16. Ilbahar, E., & Kahraman, C. (2018). Retail store performance measurement using a novel interval-valued Pythagorean fuzzy WASPAS method. Journal of Intelligent & Fuzzy Systems, 35(3), 3835-3846.
17. Kasirzadeh, A., Saddoune, M., & Soumis, F. (2017). Airline crew scheduling: models, algorithms, and data sets. EURO Journal on Transportation and Logistics, 6(2), 111-137.
18. Küçükönal, H., & Korul, V. 2002. Havayolu işletmelerinde insan kaynakları yönetimi. Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 4(12), 67-90.
19. Medard, C. P., & Sawhney, N. (2007). Airline crew scheduling from planning to operations. European Journal of Operational Research, 183(3), 1013-1027.
20. Muter, İ., Birbil, Ş. İ., Bülbül, K., Şahin, G., Yenigün, H., Taş, D., & Tüzün, D. (2013). Solving a robust airline crew pairing problem with column generation. Computers & Operations Research, 40(3), 815-830.
21. Montlaur, A., Delgado, L., & Prats, X. (2023). Domain-driven multiple-criteria decision-making for flight crew decision support tool. Journal of Air Transport Management, 112, 102463.
22. Orhan, İ. E., Kapanoğlu, M., ve Karakoç, T. H. (2010). Havayolu operasyonlarında planlama ve çizelgeleme. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 16(2), 181-191.
23. Onar, S. Ç., Öztürk, E., Öztayşi, B., Yüksel, M., Kahraman, C., & Teknoloji, T. (2018). Pisagor bulanik akilli çok ölçütlü yasal takip avukatlik ofisi performans değerlendirme modeli. Ed. Hür Bersam Bolat, Bildiriler Kitabı, 88. 89-97.
24. Özkan Aksu, E., ve Temiz, i. (2021). Havayolu operasyonlarında dayanıklı ekip eşleme için eniyileme yaklaşımı: Bir havayolu şirketi uygulaması. Politeknik Dergisi, 24(2), 417-429.
25. Quesnel F., Desaulniers G., & Soumis F. (2017). A new heuristic branching scheme for the crew pairing problem with base constraints. Computers and Operations Research, 80, 159-172.
26. Parmentier, A. ve Meunier, F. (2020). Aircraft routing and crew pairing: Updated algorithms at Air France. Omega, 93, 102073.
27. Peng, X., ve Yang, Y. (2016). Fundamental properties of interval‐valued Pythagorean fuzzy aggregation operators. International Journal of Intelligent Systems, 31(5), 444-487.
28. Rani, P., Mishra, A. R., Pardasani, K. R., Mardani, A., Liao, H., & Streimikiene, D. (2019). A novel VIKOR approach based on entropy and divergence measures of Pythagorean fuzzy sets to evaluate renewable energy technologies in India. Journal of Cleaner Production, 238, 117936.
29. Salazar-González, J. J. (2014). Approaches to solve the fleet-assignment, aircraft-routing, crew-pairing and crew-rostering problems of a regional carrier. Omega, 43, 71-82.
30. Saldıraner, Y. (2015). Sivil havacılık faaliyetleri ve Türk sivil havacılık otoritesi için organizasyon yapısı önerisi [Doktora tezi, Anadolu Üniversitesi]. YÖK Ulusal Tez Merkezi Veri Tabanı.
31. Sancar, S. (2022). Pisagor bulanık AHP ve pisagor bulanık WASPAS yöntemleri ile bakım stratejisi seçimi: Gazete matbaası örneği. [Yüksek lisans tezi, İbn Haldun Üniversitesi]. YÖK Ulusal Tez Merkezi Veri Tabanı.
32. Sivil Havacılık Genel Müdürlüğü (2015). Havayolu taşımacılığı ve ekonomik düzenlemeler teori ve Türkiye uygulaması. Ankara: Sivil Havacılık Genel Müdürlüğü Yayınları.
33. Soykan, B. ve Erol, S. (2014). A branch-and-price algorithm for the robust airline crew pairing problem. Savunma Bilimleri Dergisi, 13(1), 37-74.
34. Ünver, S. (2021). Pandemi sürecinin havayolu işletmelerinde görev yapan kabin memurlarının işgören devir hızına etkisi: Türkiye ve Avrupa hava sahası örneği [Yüksek lisans tezi, Aydın Adnan Menderes Üniversitesi]. YÖK Ulusal Tez Merkezi Veri Tabanı.
35. Wen, X., Sun, X., Sun, Y., ve Yue, X. (2021). Airline crew scheduling: Models and algorithms. Transportation Research Part E: Logistics And Transportation Review, 149, 102304.
36. Yager, R. R. (2013, June). Pythagorean fuzzy subsets. Paper presented at the IFSA World Congress and NAFIPS Annual Meeting (IFSA/NAFIPS) Conference Edmonton, AB, Canada. doi: 10.1109/IFSA-NAFIPS.2013.6608375.
37. Zeighami, V., Saddoune, M., ve Soumis, F. (2020). Alternating lagrangian decomposition for integrated airline crew scheduling problem. European Journal of Operational Research, 287(1), 211-224.
38. Zeren, B., & Özkol, I. (2012). An improved genetic algorithm for crew pairing optimization. Journal of Intelligent Learning Systems and Applications, 4(1), 70–80
39. Zeren, B., & Özkol, I. (2016). A novel column generation strategy for large scale airline crew pairing problems. Expert Systems with Applications, 55, 133-144.