|
Title
|
رتبه بندی واحدهای تصمیم گیری (DMUها) در حضور داده های منفی
|
|
Type of Research
|
Thesis
|
|
Keywords
|
تحلیل پوششی داده ها، داده های منفی، رتبه بندی، ابرکارآیی، اندازه ی کارآیی
|
|
Abstract
|
تحلیل پوششی داده ها یا DEA ، روشی ناپارامتریاست که بعنوان ابزاری برای تعیین تابع تولید و محاسبه ی کارایی و ارائه ی راهکارهای بهبود کارایی برای مجموعه ای از واحدهای تولیدی مشابه یا واحدهای تصمیم گیری یا DMU ها بکار می رود.DEA، در واقع تعمیم کار فارل در ابداع اولین روش غیرپارامتری است[Farrel]. فارل، با استفاده از ورودی ها و خروجی های واحدهایتصمیم گیری و با استفاده از اصول حاکم بر آن ها، مجموغه ای با عنوان مجموعه ی امکان تولید را ارائه و مرز آن را تابع تولید تجربی خواند. این مرز را مرز کارآ نیز می نامند و واحدهای تصمیم گیری که روی این مرز قرار می گیرند، کارآا ارزیابی می شوند. از آنجایی که DEA تکنینک ارزیابی کارآیی نسبی واحدهای تصمیم گیری است، حداقل یکی از واحدها روی مرز و بقیه ی واحدها در زیر آن قرار دارند.تحلیل پوششی داده ها در طی 30 سال اخیر مفاهیم مختلفی از ارزیابی را در خود گنجانده و توسعه پیدا کرده است [1].
. مدل های DEA سنتی بر فرض نامنفی بودن ورودی و خروجی ها استوارند و این در حالی است که در دنیای واقعی ممکن است برخی از ورودی و/یا خروجی ها مقدار منفی و یا همزمان مقادیر منفی و مثبت به خود بگیرند. برای مثال در ارزیابی کارآیی دانشگاههای یک منطقه میزان رشد تحصیلی که یک عامل خروجی است در دوره ای از زمان، می تواند مقداری منفی داشته باشد. وضعیت مشابهی می تواند در میزان عملکرد شرکت های یک صنعت بازرگانی رخ دهد، وقتی که میزان سود حاصل از سرمایه گذاری به عنوان یک عامل خروجی، می تواند مقداری هم مثبت و هم منفی باشد. برای ورودی منفی نیز می توان میزان رشد کارمندان را در دوره ی رکود اقتصادی یک شرکت یا بانک در نظر گرفت که مقداری منفی است. بنایراین ما گاهی در عمل، با رویکردهایی روبرو می شویم که نیازمند ورودی و/یا خروجی های منفی ویا ورودی و خروجی هایی که می توانند دارای هم مقادیر مثبت و هم مقادیر منفی باشند (آزاد در علامت)، هستیم.
|
|
Researchers
|
elnaz babazadeh (Student)، jafar pourmahmoud (Primary Advisor)
|