مشخصات مقاله:
عنوان فارسی مقاله:
مشکلات اوزان تجزیه در مدل DEA (تحلیل پوششی داده) چند مرحله ای افزایشی
عنوان انگلیسی مقاله:
Pitfalls of decomposition weights in the additive multi-stage DEA model
کلمات کلیدی مقاله:
تحلیل پوششی داده ها، تجزیه کارایی افزایشی، سیستم سریال چند مرحله ای
مناسب برای رشته های دانشگاهی زیر:
مهندسی صنایع
مناسب برای گرایش های دانشگاهی زیر:
برنامه ریزی و تحلیل سیستم ها، بهینه سازی سیستم ها
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- تجزیه کارایی افزایشی در یک مدل DEA چند مرحله ای
2-1 مدل های چند مرحله ای افزایشی
2-2 مسئله مدل چند مرحله ای افزایشی
2-3 مثال سه مرحله ای
3- تجزیه کارایی افزایشی برای فرایند های دو مرحله ای
4- مدل های افزایشی با اوزان ثابت
5- مثال
6- بحث و نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Data envelopment analysis (DEA) is a popular method for evaluating the relative efficiency of decision-making units (DMUs) [2,15,4]. One of the unique features of the classical DEA method is that it does not make any assumption on the production system’s internal structure. This property makes DEA a general and robust method. However, the classical DEA model leaves out information about the internal structure, which often reveals process improvement opportunities (e.g., [3]). In addition, few industrial production systems consist of only a single-stage process. Recently, the classical DEA has been extended to multi-stage serial systems. One useful feature of the multi-stage DEA model is that it can estimate the technical efficiencies for a DMU as well as the stages inside it. The multi-stage model is gaining increasing prominence in both theoretical development and empirical applications of DEA [12,17,30,32,34,19]. However, the multi-stage model in its general form is a nonlinear problem, in that the objective function is a weighted sum of stage efficiency indexes. Therefore, the usual assumption adopted by most researchers is to model the weights (i.e., decomposition weights), which implicitly reflect the relative importance of different stages in a DMU, as variables and assume that the weights have a specific structure, such that the original problem can be converted to an equivalent LP.
1- مقدمه
تحلیل پوششی داده ها(DEA)یک روش رایج برای ارزیابی کارایی نسبی واحد های تصمیم گیری است(DMU ها) است(2-15-4). یکی از ویژگی های منحصر به فرد روش تحلیل پوششی داده کلاسیک، این است که هیچ گونه فرضی در مورد ساختار درونی سیستم های تولید ارایه نمی کند. این ویژگی موجب شده است تا DEA به یک روش عمومی و قوی تبدیل شود. با این حال، مدل تحلیل پوششی داده کلاسیک اطلاعاتی را در مورد ساختار درونی ارایه می کند که اغلب نشان دهنده فرصت های بهبود فرایند است( 3). به علاوه، تعداد کمی از سیستم های تولید صنعتی تنها متشکل از یک فرایند تک مرحله ای هستند.
اخیرا، تحلیل پوششی داده کلاسیک به سیستم های سریالی چند مرحله ای توسعه داده شده است. یک ویژگی مفید تحلیل پوششی داده کلاسیک چند مرحله ای این است که قادر به براورد و تخمین کارایی های فنی برای یک DMU و نیز مراحل درون آن است. مدل چند مرحله ای هم در زمینه توسعه نظری وهم کاربرد تجربی تحلیل پوششی داده کلاسیک اهمیت روز افزونی را کسب کرده است(12،17،20،32،34 و 19). با این حال، مدل چند مرحله ای در شکل کلی خود یک مسئله غیر خطی است. زیرا تابع هدف مجموع وزنی از شاخص های کارایی موجود است. از این روی فرض معمول پذیرفته شده توسط بسیاری از محققان، مدل سازی اوزان است( یعنی اوزان تجزیه) که به طور ضمنی نشان دهنده اهمیت نسبی مراحل مختلف در یک DMU به عنوان متغیر بوده و فرض می شود که اوزان دارای یک ساختار خاصی هستند به طوری که مسئله اولیه و اصلی را می توان به یک LP معادل تبدیل کرد.