مدل ترکیبی از تحلیل پوششی داده¬های استوار با شرایط لنگی مکمل قوی برای ارزیابی کارایی
الموضوعات : Journal of Business AnalysisAmir Amini 1 , Alireza Alinezhad 2 , یوسف محمدزاده 3
1 - دانشجوی دکتری توسعه اقتصادی، دانشکده اقتصاد و مدیریت، دانشگاه ارومیه، ارومیه، ایران
2 - Department of Industrial Engineerin, Qa. c., Isalamic Azad university, Qazvin, Iran
3 - دانشیار اقتصاد دانشگاه ارومیه
الکلمات المفتاحية: تحلیل پوششی داده¬های استوار , شرایط لنگی مکمل قوی , رویکرد بهینه¬سازی استوار, عدم قطعیت, کارایی ,
ملخص المقالة :
تحقق بخشیدن به اصل بهبود عملکرد از پیش‌شرط‌های اساسی سازمان‌ها برای بقا در شرایط رقابتی و متلاطم امروزی است. بدین منظور استقرار و پیاده‌سازی مناسب نظام جامع و کارای ارزیابی عملکرد به منظور تجزیه و تحلیل ابعاد مختلف سازمان به بهبود مستمر آن کمک شایانی خواهد کرد. لذا دستیابی به یک نظام ارزیابی فراگیر به عنوان مبنایی جهت اتخاد تصمیمات صحیح در راستای پیشبرد اهداف و اجرای استراتژی‌های سازمانی همواره از دغدغه‌های اصلی مدیران بوده است. در این تحقیق یک مدل ترکیبی از تحلیل پوششی دادههای استوار با شرایط لنگی مکمل برای ارزیابی کارایی ارائه میشود. ترکیب تحلیل پوششی دادهها با دیگر مدلها میتواند روشی قدرتمند ایجاد نماید که از آن میتوان برای ارزیابی کارایی واحدهای تصمیمگیرنده استفاده نمود. همچنین بکارگیری مدلهای ترکیبی در شرایط عدم قطعیت میتواند باعث کاربردیتر شدن این مدلها گردد. استفاده از رویکرد تحلیل پوششی دادههای استوار میتواند در بکارگیری مدلها در شرایط عدم قطعیت مفید باشد. مدل ارائه شده در این تحقیق با استفاده از رویکرد بهینهسازی استوار و برنامهریزی خطی به گسترش مدل ترکیبی تحلیل پوششی دادهها و شرایط لنگی مکمل قوی در شرایط عدم قطعیت، میپردازد. این موضوع میتواند کمک شایانی به گسترش استفاده از این روش نسبت به مدلهای پیشین نماید.
[1]. Ehrgott, M., Holder, A., & Nohadani, O. (2018). Uncertain data envelopment analysis. European Journal of Operational Research, 268 (1), 231-242.
[2]. Charnes, A., Cooper, W. W., Rhodes, E. (1978). Measuring the efficiency of decision-making units. European Journal of Operational Research. 2, 429-444.
[3]. Banker, R. D., Charnes, A., Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), 1078-1092.
[4]. Emrouznejad, A., Rostami-Tabar, B., & Petridis, K. (2016). A novel ranking procedure for forecasting approaches using Data Envelopment Analysis. Technological Forecasting and Social Change, 111, 235-243.
[5]. Sueyoshi, T., Sekitani, K. (2007). Measurement of returns to scale using a non-radi DEA model: A range-adjusted measure approach. European Journal of Research. 176, 1918-1946.
[6]. Sueyoshi, T., Sekitani, K. (2009). An occurrence of multiple projections in DEA-based measurement of technical efficiency: theoretical comparison among DEA models from desirable properties, European Journal of Operational Research, 196, 764-794.
[7]. Charnes, A., Cooper, W.W., Lewin, A. Y., Seiford, L. M. (1995). Data Envelopment Analysis: Theory, Methodology, and Application, Kluwer Academic Publisher.
[8]. Adler, N., Yazhemsky, E. (2010). Improving discrimination in data envelopment analysis: PCA–DEA or variable reduction, European Journal of Operational Research, 202, 273-284.
[9]. Zahedi-Seresht, M., Jahanshahloo, G. R., & Jablonsky, J. (2017). A robust data envelopment analysis model with different scenarios. Applied mathematical modelling, 52, 306-319.
[10]. Sengupta, J. K. (1992). A fuzzy systems approach in data envelopment analysis. Computers and Mathematics with Applications. 24, 259-266.
[11]. Cooper, W. W., Li, S., Seiford, L. M., & Zhu, J. (2004). Sensitivity analysis in DEA. In Handbook on data envelopment analysis (pp. 75-97). Springer, Boston, MA.
[12]. Puri, J., Yadav, S.P. (2013). A concept of fuzzy input mix efficiency in fuzzy DEA and its application in banking sector. Expert Systems with Applications, 40, 1437-1450.
[13]. Stern, Z.S., Mehrez, A., Hadad, Y. (2000). An AHP/DEA methodology for ranking decision making units, International Transactions in Operational Research. 7, 109-124.
[14]. Sueyoshi, T., Goto, M. (2009). Methodological comparison between DEA (data envelopment analysis) and DEA–DA (Discriminant analysis) from the perspective of bankruptcy assessment, European Journal of Operational Research, 199, 561-575.
[15]. Sueyoshi, T., Goto, M. (2012). Efficiency-based ranking assessment for electric power industry: a combined use of Data Envelopment Analysis (DEA) and DEA Discriminant Analysis (DA). Energy Econ. 34, 634-644.
[16]. Sueyoshi, T., Goto, M. (2013). A use of DEA–DA to measure importance of R&D expenditure in Japanese information technology industry. Decision Support Systems, 54, 941-952.
[17]. Zhou, Z., Zhao, L., Lui, S., Ma, C. (2012). A generalized fuzzy DEA-AR performance assessment model. Mathematical and Computer Modeling, 55, 2117-2128.
[18]. Moutinho, V., Madaleno, M., & Robaina, M. (2017). The economic and environmental efficiency assessment in EU cross-country: Evidence from DEA and quantile regression approach. Ecological Indicators, 78, 85-97.
[19]. Sueyoshi, T., Goto, M. (2011). A combined use of DEA (Data Envelopment Analysis) with Strong Complementary Slackness Condition and DEA–DA (Discriminant Analysis). Mathematics Letters. 24. 1051-1056.
[20]. Hladík, M. (2019). Universal efficiency scores in data envelopment analysis based on a robust approach. Expert Systems with Applications, 122, 242-252.
[21]. Simar, L., Wilson, P. (1998). Sensitivity of efficiency scores: how to bootstrap in nonparametric frontier models. Management Sciences. 44 (1), 49-61.
[22]. Simar, L., Wilson, P. (1999). Of course we can bootstrap DEA scores! But does it mean anything? Logic trumps wishful thinking. Journal of Productivity Analysis. 11, 93–97.
[23]. Simar, L., Wilson, P. (2000). Statistical inference in nonparametric frontier models: the state of the art. Journal of Productivity Analysis. 13, 49-78.
[24]. Amirkhan, M., Didehkhani, H., Khalili-Damghani, K., & Hafezalkotob, A. (2018). Mixed uncertainties in data envelopment analysis: A fuzzy-robust approach. Expert Systems with Applications, 103, 218-237.
[25]. Mehregan, Mohammad Reza, Ferasat, Alireza, Kamiab Moghaddas, Amin (2006). Technical efficiency analysis of national petroleum refineries using combined neural networks model and data envelopment analysis, Journal of Executive Management, No. 6 (1), Vol. 23, 105-128.
[26]. Ben-Tal, A., Nemirovski, A. (2000). Robust solutions of linear programming problems contaminated with uncertain data. Mathematical Programming. 88, 411-421.
[27]. Bertsimas, D., Sim, M. (2004). The price of robustness, Operations Research. 52 (1), 35-53.
[28]. Bertsimas, D., Sim, M. (2003). Robust discrete optimization and network flows. Mathematical Programming Series B, 98, 49-71.
[29]. Bertsimas, D., Sim, M. (2006). Tractable approximations to robust conic optimization problems. Mathematical Programming, 107 (1), 5-36.
[30]. Bertsimas, D., Pachamanova, D., Sim, M. (2004). Robust linear optimization under general norms. Operations Research Letters 32, 510-516.
[31]. Ertay, T., Ruan, D., Tuzkaya, U.R. (2006). Integrating data envelopment analysis and analytic hierarchy for the facility layout design in manufacturing systems. Information Science, 176, 237-262.
