استوار‌سازی مدلهای DEA برای شناسایی واحدهای دارای بدترین عملکرد
نویسندگان
چکیده مقاله:
An original data envelopment analysis (DEA) model is to evaluate each decision-making unit (DMU) with a set of most favorable weights of performance indices to finding worst-practice DMUs. Indeed classical DEA models evaluate each DMUs compared to the most effective DMU. Since in this way the relative efficiency is calculated, therefore at least one of the DMUs are located on the efficiency frontier. In comparison to classical DEA models, there are other DEA models which evaluate DMUs based on unfavorable scenario and by making the inefficiency frontier, identify the DMUs with worst-practice performance. The efficient DMUs obtained from the original DEA construct an efficient (best-practice) frontier. In this paper, by using of robust optimization approaches, we proposed two models to evaluate DMUs in the worst-practice sense and our aim is to obtain DMUs with worst-practice performance in problems that faced with uncertainty in data. Also to ranking the DMUs with worst-practice we use the super-efficiency concept and called it super-inefficiency. By using of two numerical example we demonstrate the capability of proposed models in presentation of reliable ranking and finding the worst-practice DMUs.
منابع مشابه
اندازه‌گیری بدترین عملکرد واحدهای تصمیم‌گیری: تلفیق خروجی‌های نامطلوب و ورودی‌های غیرقابل کنترل در DEA نادقیق
در ارزیابی عینی عملکرد واحدهای تصمیم‌گیری (DMUs)، دو مشکل وجود دارد. مشکل اول نحوه کار با خروجی‌های نامطلوب است که در کنار خروجی‌های مطلوب تشکیل می‌شوند و مشکل دوم نحوه کار با متغیرهای غیرقابل‌کنترل است که غالباً تأثیر محیط عملیاتی را حفظ می‌کنند. با توجه به مشکلات ساخت مدل و دسترس‌پذیری دادهها، تعداد کمی از مقالات منتشر شده هر دو مشکل فوق را به‌طور هم‌زمان در نظر گرفته‌اند. هدف از مقاله حاضر، ...
متن کاملتوسعهای بر روش AHP / DEA برای رتبه‌بندی واحدهای تصمیم‌گیرنده
روشAHP/DEA برای رتبه‌بندی واحدهای تصمیم‌گیرنده، از کارهایی است که در زمینه‌ی ترکیب دو مقوله‌ی تحلیل پوششی دادهها (DEA) و فرآیند تحلیل سلسلهمراتبی (AHP) انجام شده است. این روش ایده‌ای جدید در زمینه‌ی ترکیبDEA وAHP است که توانسته با ترکیب نقاط قوتDEA وAHP به رتبه‌بندی واحدهای تصمیم‌گیرنده (DMU) بپردازد. با این وجود، دراین روش مشکلاتی از جمله منطقی نبودن مقایسهی دو واحد تصمیم‌گیرنده در یک مدلDE...
متن کاملروش AHP/DEA تقاطعی برای رتبه‌بندی واحدهای تصمیم‌گیرنده
تمامی مدلهای پایه در تحلیل پوششی دادهها، واحدهای تصمیم‌گیرنده را به دو دسته کارا و ناکارا بخش می‌کنند و هیچ تفکیکی برای واحدهای کارا قائل نمیشوند. در فرآیند تحلیل سلسلهمراتبی نیز با وجود ارائهی یک رتبه‌بندی کامل از واحدها، فرآیند تشکیل ماتریس مقایسات زوجی بر اساس نظرات خبرگان بوده که این نظرات باعث ایجاد خطا و ناسازگاری ماتریسهای حاصل میشود. در این نوشتار ابتدا یک روش ترکیبی موسوم به ر...
متن کاملبررسی روشهای محاسبه تراکم برای واحدهای تصمیم گیری با استفاده از مدلهای dea
اخیراً مفهوم اقتصادی تراکم مورد بحث بسیاری از محققین تحلیل پوششی داده ها واقع شده است. در اقتصاد، تراکم از این بابت حائز اهمیت است که امکان افزایش خروجی ها را با کاهش ورودی ها و بدون تغییر سایر پارامترها فراهم می نماید. در این تحقیق روش های محاسبه تراکم برای واحدهای تصمیم گیری با استفاده ازمدل های dea مورد بررسی قرار گرفته و قضایای هر کدام نیز ارائه گردیده است. روشهای ارائه شده شامل fgl، bcsw،...
شناسایی عینی بازده به مقیاس تکنولوژی برای مدلهای DEA
یکی از مسائل مهم و چالش‌برانگیز در به‌کارگیری یک مدل تحلیل پوششی دادهها (DEA)، تعیین درست بازده به مقیاس (RTS) برای مجموعه دادهها است که ما آن را بازده به مقیاس تکنولوژی (TRTS) می‌نامیم تا تفکیک صحیحی میان بازده به مقیاس تکنولوژی و بازده به مقیاس واحدهای تصمیم‌گیرنده داشته باشیم. در حال حاضر تنها روشهای عینی۱ موجود برای شناسایی بازده به مقیاس تکنولوژی، روشهای آماری می‌باشند که ب...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 14 شماره 3
صفحات 35- 53
تاریخ انتشار 2017-10
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023