ارایه یک مدل بر اساس متغیر های کمکی برای محاسبه کارایی و اثر بخشی ایستگاه های مترو شهر تهران در تحلیل پوششی داده ها با ورودی و خروجی های وابسته
الموضوعات :
علی محمد قلیها
1
,
فرهاد حسین زاده لطفی
2
,
محمدرضا شهریاری
3
,
محسن واعظ قاسمی
4
1 - گروه مدیریت صنعتی، واحد امارات، دانشگاه آزاد اسلامی
2 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - عضو هیأت علمی دانشگاه آزاد اسلامی واحد تهران جنوب
4 - گروه ریاضی دانشگاه آزاد اسلامی واحد رشت گیلان ایران
الکلمات المفتاحية: Dependent Inputs and Outputs, Efficiency, Effectiveness, Data Envelopment Analysis, Two-step,
ملخص المقالة :
کارایی نسبی مجموعه ای از واحد های تصمیم گیرنده با چندین ورودی و خروجی به کمک تحلیل پوششی داده ها به دست می آید. یکی از پیش فرض های اصلی مدل های کلاسیک تحلیل پوششی داده ها در نظر گرفتن هر واحد تصمیم گیرنده، به عنوان یک جعبه سیاه است. همچنین مستقل بودن ورودی ها و خروجی ها نسبت به هم می باشد. در این مقاله عملکرد ایستگاه های مترو شهر تهران را با لحاظ نمودن ساختار شبکه دو مرحله ای که در آن مرحله اول نشان دهنده کارایی و مرحله دوم نشان دهنده اثر بخشی آن می باشد، تعریف و سپس با توجه به وجود شاخص ها، ورودی وابسته به هم را در مرحله اول و دوم مدل های دو مرحله ای را اصلاح نموده و مدل حاصل را برای 71 ایستگاه مترو در شهر تهران بکار گرفته شده و در نهایت از این تعداد ۳ ایستگاه کارا و 2 ایستگاه اثر بخش بوده اند. در مجموع از بین 71 ایستگاه هیچ ایستگاه مترویی دارای بهره وری یک نبوده است.
]1[ جعفریان مقدم، احمدرضا و فتحعلی، مسعود (1387) انتخاب راه آهنهای برتر دنیا در زمینه حمل و نقل کالا جهت الگو برداری برای راه آهن ایران با استفاده از روش تحلیل پوششی دادهها (DEA) و روش تحلیل سلسله مراتبی (AHP)، مجموعه مقالات دهمین همایش حمل و نقل ریلی.
]2[ موحدی، محمدمهدی و حسینی، سید محیالدین (1389) "تعیین و رتبهبندی کارآیی نواحی مختلف راه آهن جمهوری اسلامی ایران با استفاده از تحلیل پوششی دادهها"، مجله ریاضیات کاربردی واحد لاهیجان، بهار 1389. 49-64.
[3] Charnes, A., Cooper, W.W., Rhodes, E.L., 1978. Measuring the efficiency of decision making units. European Journal of Operational Research 2, 429–444.
[4] Färe, R., & Grosskopf, S. (1996). Intertemporal production frontiers: With dynamic DEA. Boston: Kluwer.
[5] Färe, R., & Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences, 34, 35–49.
[6] Jiang, Changbing (2009) "a model of evaluating transportation system efficiency based on data envelopment analysis approach", Second International Symposium on Electronic Commerce and Security.
[7] Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European Journal of Operational Research, 185, 418–429.
[8] Kao, C., & Hwang, S. N. (2010). Efficiency measurement for network systems: IT impact on firm performance. Decision Support Systems, 48, 437–446.
[9] Kao, C. (2017). Network data envelopment analysis: Foundations and extensions. Switzerland: Springer International Publishing.
[10] Lipeng, Feng and Guohua, Zhou (2010) "Analysis on the scale of input-output in diversified railway", IEEE.
[11] Movahedi, M., Saati, S. and Vahidi, A. R. (2007) "Iranian railway efficiency (1971-2004): An application of DEA", Int. J. Contemp.Math. Sciences, 2 (31), pp.1569-1579.
[12] Tone, K., 2001. A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research 130, 498–509.
[13] Yu, M. M. and Lin, E. T. (2008) “Efficiency and effectiveness in railway performance using a multi-activity network DEA model”, Omega, 36(6), pp.1005-1017.
