اندازه‌گیری کارایی یک شبکه سه مرحله ای با استفاده از رویکرد تحلیل پوششی داده ها با در نظر گرفتن مرز دوگانه
الموضوعات :احسان واعظی 1 , سید اسماعیل نجفی 2 , سید محمد حاجی مولانا 3 , فرهاد حسین زاده لطفی 4 , مهناز احد زاده نمین 5
1 - گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
5 - گروه ریاضی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران.
الکلمات المفتاحية: Clustering, Cooperative approach, Undesirable outputs, Double-frontier, k-means algorithm, Network DEA,
ملخص المقالة :
این مقاله یک روش را برای اندازه گیری کارایی، رتبه بندی و خوشه بندی شبکه های پیچیده با درنظر گرفتن مرز دوگانه پیشنهاد می دهد. مدل پیشنهادی ساختار جعبه سیاه را باز می‌کند و اطلاعات مهمی در خصوص نقاط کارا و ناکارای شبکه ارائه می‌دهد. بدین منظور در این مقاله یک شبکه سه مرحله ای شامل ورودی ها و خروجی های اضافی مطلوب و نامطلوب در نظر گرفته می شود و از رویکرد همکارانه کارایی کل شبکه محاسبه می‌گردد. به دلیل اینکه هر نتیجه‌گیری که یکی از این دو دیدگاه خوشبینانه یا بدبینانه را شامل شود یکطرفه و ناقص خواهد بود، در این مقاله از مرز دوگانه جهت تحلیل شبکه استفاده می شود. همچنین با توجه به پیچیدگی مدل همکارانه، یک روش حل اکتشافی برای خطی سازی مدل های غیرخطی ارایه می گردد. پس از مشخص شدن نقاط کارا و ناکارای شبکه، از الگوریتم کامینز جهت خوشه بندی واحدها استفاده می‌شود. نهایتا در این مقاله به منظور کاربرد مدل پیشنهادی یک کارخانه تولید محصولات لبنی با یک منطقه تولید، یک منطقه انبار و یک منطقه تحویل شبیه سازی و بصورت پویا در 24 دوره زمانی مورد ارزیابی قرار می گیرد. نتایج رتبه بندی نشان داد که دوره زمانی 10 بهترین و دوره زمانی 1 بدترین کارایی را در بین 24 دوره زمانی دارند.
[1] A. Kabnurkar, Mathematical Modeling for Data Envelopment Analysis with Fuzzy Restrictions on Weights (Doctoral dissertation, Virginia Tech), (2001).
[2] A. Amirteimoori, and F. Yang, A DEA model for two-stage parallel-series production processes. RAIRO-Operations Research, 48(1), 123-134, (2014).
[3] M.N. Kritikos, A full ranking methodology in data envelopment analysis based on a set of dummy decision making units. Expert Systems with Applications, 77, 211-225, (2017).
[4] A. Charnes, W.W. Cooper and E. Rhodes, Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429-444, (1978).
[5] R.D. Banker, A. Charnes and W.W. Cooper, Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092, (1984).
[6] T. Lee, Y. Zhang and B.H. Jeong, A multi-period output DEA model with consistent time lag effects. Computers & Industrial Engineering, 93, 267-274, (2016).
[7] R. Fare and S. Grosskopf, Network DEA, Socio Economics Planning Science, Vol. 4, No. 1, pp. 35–49, (2000).
[8] H. Fukuyama and W.L. Weber, A slacks-based inefficiency measure for a two-stage system with bad outputs. Omega, 38(5), 398-409, (2010).
[9] C. Kao, Efficiency decomposition in network data envelopment analysis: A relational model. European Journal of Operational Research. 192 (3): 949-962, (2009).
[10] S. Shahriari, A Network Data Envelopment Analysis (NDEA) Model to evaluate firm’s Strategic Entrepreneurship. (Unpublished doctoral dissertation). Tehran University, Tehran, Iran, (2013).
[11] W.D. Cook, J. Zhu, G. Bi, and F. Yang, Network DEA: Additive efficiency decomposition. European journal of operational research, 207(2), 1122-1129, (2010).
[12] Q. An, M. Yang, J. Chu, J. Wu and Q. Zhu, Efficiency evaluation of an interactive system by data envelopment analysis approach. Computers & Industrial Engineering, 103, 17-25, (2017).
