ارزیابی کارایی مدل تحلیل پوششی داده های دو مرحله‌ای مبتنی بر اعداد فازی شهودی مثلثی و متغیرهای کمکی
الموضوعات :
نفیسه جواهریان
1
,
علی حمزه ای
2
,
حسین صیادی توارانلو
3
,
رضا سلیمانی دامنه
4
1 - گروه ریاضی کاربردی، دانشگاه ازاد اسلامی واحد کرمان، کرمان، ایران
2 - استادیار گروه ریاضی، دانشگاه آزاد اسلامی واحد کرمان، کرمان، ایران
3 - دانشیار، گروه مدیریت، دانشکده علوم انسانی، دانشگاه میبد، میبد، ایران
4 - استادیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه ولیعصر(ع) رفسنجان، رفسنجان، ایران
الکلمات المفتاحية: Slack variables, Intuitionistic fuzzy two-stage data envelopment analysis, Intuitionistic fuzzy triangular numbers, ِِData envelopment analysis,
ملخص المقالة :
یکی از بهترین ابزارها برای ارزیابی عملکرد واحدهای تصمیم گیرنده، تحلیل پوششی داده ها است. تحلیل پوششی داده های سنتی در سنجش واحدهای کارا و ناکارا و ارزیابی عملکرد سیستمهای شبکه ای به درستی عمل نمی کنند و مدلهای سنتی تحلیل پوششی داده ها به ساختارهای درونی و مقادیر میانی توجهی ندارند. به همین علت در سالهای اخیر مدلهای تحلیل پوششی داده ها معروف به مدلهای تحلیل پوششی داده های شبکه ای معرفی شده اند، این مدلها با لحاظ نمودن مقادیر میانی، این نقص را برطرف کردند. در این مقاله برای شناسایی کارایی واحدها از تحلیل پوششی داده ها مبتنی بر متغیرهای کمکی شبکه ای بصورت دو مرحله ای و از داده های فازی شهودی مثلثی، استفاده شده است. به طوری که در ابتدا مدل تحلیل پوششی داده های دو مرحله ای معرفی می گردد و سپس مدل بر اساس ضرایب متغیرهای فازی شهودی تبدیل گردیده و سرانجام به کمک عملگرهای حسابی روی داده های فازی شهودی به ساختارهای دو مرحله ای قطعی تبدیل می شود. اهمیت این مدل اندازه گیری مقادیر متغیرهای کمبود و مازاد می باشد، که بر اساس مدل تون و تسوتسوی به بهینه سازی مقادیر میانی برای واحدهای ناکارا می پردازد و نهایتا ناکارایی را بهتر نشان می دهد. سرانجام مقادیر بهینه شده میانی در مدل مطرح شده لحاظ گردیده و بدین طریق منجر به بهبود مقدار کارایی کل سیستم می شوند .
]1[ ج. گرامی، ارائه یک روش دو مرحله ای برای تعیین الگوی مناسب و بازده به مقیاس (مطالعه موردی: دبیرستانهای دخترانه ناحیه یک شهرستان شیراز)، پژوهشهای نوین در ریاضی، س. پنجم، ش. هجدهم، (1398)
]2[ س. ه. ناصری، ا. غلامی، ع. ابراهیم نژاد، م. فلاح جلودار، یک رویکرد جدید مبتنی بر آلفا برشها برای حل مدل تحلیل پوششی دادهها با ورودیها و خروجیهای تصادفی فازی، پژوهشهای نوین در ریاضی، س. دوم، ش. پنجم، (1395)
[3] R. D. Banker, A. Charnes, W. W. Cooper, Some models for estimating technical and scale inefficiencies in
data envelopment analysis, Management science, 30 (1984), 1078-1092.
[4] A. Charnes, W. W. Cooper, E. Rhodes, Measuring the efficiency of decision making units, European journal of operational research, 2 (1978), 429-444.
[5] M. J, Farrell, The measurement of productive efficiency. Journal of the Royal Statistical Society: Series A (General), 120 (1957), 253-281.
[6] A. Barzegarinegad G. R. Jahanshahloo,, M. Rostamy-Malkhalifeh, A full ranking for decision making units using ideal and anti-ideal points in DEA, The Scientific World Journal, 2014 (2014), 1-8.
[7] F. Hosseinzadeh lotfi, M. Navabakhs, A. Tehranian, M. Rostamy-Malkhalifeh, R. Shahverdi, Ranking bank branches with interval data the application of DEA, International Mathematical Forum, 2 (9), (2007), 429-440.
[8]H. Nikfarjam, M. Rostamy-Malkhalifeh, S. Mamizadeh-Chatghayeh, Measuring supply chain efficiency based on a hybrid approach, Transportation Research Part D: Transport and Environment, 39 (2015), 141-150.
[9] R. Fare, S. Grosskopf, Intertemporal production frontiers, dynamic DEA, Kluwer Academic, In collaboration Boston, (1996).
[10] R. Färe, S. Grosskopf, Network DEA, Socio-Econ, Plan. Sci, 34 (2000), 35-49.
[11] H. F. Lewis, T. R. Sexton. Network DEA: efficiency analysis of organizations with complex internal structure. Computers and Operations Research 2004, 31: 1365-1410.
[12] T. R. Sexton, H. F. Lewis, Two-stage DEA: An application to major league baseball, Journal of Productivity Analysis, 19 (2003), 227-249.
[13] A. M Prieto, J. L. Zofio, Network DEA efficiency in input–output models: with an application to OECD countries, European journal of operational research, 178 (2007), 292-304.
[14] K. Tone, A slacks-based measure of efficiency in data envelopment analysis, European journal of operational research 130 (2001), 498-509.
[15] A. Ashrafi, A. Jaafar, L. S Lee, A. Bakar, Efficiency decomposition for two-process production systems with shared inputs in data envelopment analysis, Applied Mathematical Sciences, 5 (2011), 2593-2602.
[16] M. Rostamy-Malkhalifeh, E. Mollaeian, S. Mamizadeh-Chatghayeh, A new non-radial network DEA model for evaluating performance supply chain, Indian Journal of Science and Technology, 6 (3), (2013), 4188-4192.
[17] E. Khamseh, Ranking Efficient DMUs in Two-stage Network DEA with Common Weights method, Journal of New Researches in Mathematics, 3(2017), 5-18.
[18] K. Tone, M. Tsutsui, Network DEA: A slacks-based measure approach, European journal of operational research, 197 (2009), 243-252.
[19] K. Tone, M. Tsutsui, Dynamic DEA: A slacks-based measure approach. Omega 38 (2010), 145-156.
[20] K. Tone, M. Tsutsui, Dynamic DEA with network structure. In, Workshop on DNDEA 2013, 2013, 1-10.
[21] L. A. Zadeh, Fuzzy sets, Information and control 8 (1965), 338-353.
[22] M. Tavana, K. Khalili-Damghani, A new two-stage Stackelberg fuzzy data envelopment analysis model, Measurement, 53 (2014), 277-296.
[23] A. Hatami-Marbini, M. Tavana, A. Emrouznejad, Productivity growth and efficiency measurements in fuzzy environments with an application to health care, International Journal of Fuzzy System Applications (IJFSA) 2 (2012), 1-35.
[24] P. Peykani, E. Mohammadi, A. Emrouznejad, M. S Pishvaee, M. Rostamy-Malkhalifeh, Fuzzy data envelopment analysis: an adjustable approach, Expert Systems with Applications, 136 (2019), 439-452.
[25] P. Peykani, E. Mohammadi, M. S Pishvaee, M. Rostamy-Malkhalifeh, A. Jabbarzadeh, A novel fuzzy data envelopment analysis based on robust possibilistic programming: possibility, necessity and credibility-based approaches, RAIRO-Operation, 52 (2018) 1445–1463.
[26] P. Peykani, E. Mohammadi, M. Rostamy-Malkhalifeh, F. Hosseinzadeh Lotfi, Fuzzy data envelopment analysis approach for ranking of stocks with an application to Tehran stock exchange, Advances in Mathematical Finance and Applications 4 (1), (2019), 31-43.
[27] A. Rahmani, F. Hosseinzadeh lotfi, M. Rostamy-Malkhalifeh, T. Allahviranloo, A new method for defuzzification and ranking of fuzzy numbers based on the statistical beta distribution, Advances in Fuzzy Systems, 2016 (2016), 1-8.
[28] A. Ebrahimnejad, Cost efficiency measures with trapezoidal fuzzy numbers in data envelopment analysis based on ranking functions: application in insurance organization and hospital, International Journal of Fuzzy System Applications (IJFSA) 2 (2012), 51-68.
[29] C. Kao, S. T. Liu, Fuzzy efficiency measures in data envelopment analysis, Fuzzy sets and systems, 113 (2000), 427-437.
[30] P. Guo, H. Tanaka, Fuzzy DEA: a perceptual evaluation method, Fuzzy sets and systems, 119 (2001), 149-160.
[31] S. Lertworasirikul, S. C. Fang, H. L. Nuttle, J. A. Joines, Fuzzy BCC model for data envelopment analysis, Fuzzy Optimization and Decision Making, 2 (2003), 337-358.
[32] S. Saati, A. Memariani, G. R. Jahanshahloo, Efficiency analysis and ranking of DMUs with fuzzy data, Fuzzy Optimization and Decision Making, 1 (2002), 255-267.
[33] S. Saati, N. Imani, Classifying Flexible Factors Using Fuzzy Concept, Journal of New Researches in Mathematics, 1(2), (2015), 36-46.
[34] G. R. Jahanshahloo, M. Sanei, M. Rostamy-Malkhalifeh, H. Saleh, A comment on “A fuzzy DEA/AR approach to the selection of flexible manufacturing systems”, Computers and Industrial Engineering, 56 (4), (2009), 1713-1714
[35] M. Rostamy-Malkhalifeh, E. Mollaeian, Evaluating performance supply chain by a new non-radial network DEA model with fuzzy data, Journal of Data Envelopment Analysis and Decision, 9 (2012), 1-9.
[36] K. T. Atanassov, Intuitionistic fuzzy sets, fuzzy sets ans systems, 20 (1), (1986), 87-96.
[37] E. Szmidt, J. Kacprzyk, Intuitionistic fuzzy sets in group decision making, Notes on IFS, 2 (1996).
[38] X. Zhang, P. Liu, Method for aggregating triangular fuzzy intuitionistic fuzzy information and its application to decision making, Technological and economic development of economy 16 (2010), 280-290.
[39] A. Arya, S. P. Yadav, Development of intuitionistic fuzzy data envelopment analysis models and intuitionistic fuzzy input–output targets, Soft Computing, (2018), 1-19.
[40] J. Puri, S. P. Yadav, Intuitionistic fuzzy data envelopment analysis: An application to the banking sector in India, Expert Systems with Applications, 42 (2015), 4982-4998.
[41] İ. Otay, B. Oztaysi, S. C. Onar, C. Kahraman, Multi-expert performance evaluation of healthcare institutions using an integrated intuitionistic fuzzy AHP and DEA methodology, Knowledge-Based Systems, 133 (2017), 90-106.
[42] M. E. Dotoli, N. Falagario, M. Sciancalepore, A Cross-Efficiency Fuzzy Data Envelopment Analysis Technique For Performance Evaluation of Decision Making Units Under Uncertainty,
Computers & Industrial Engineering, 79 (2015), 103-114.
[43] S. H. R. Hajiagha, H. Akrami, E. Kazimieras Zavadskas, S. S. Hashemi, An intuitionistic fuzzy data envelopment analysis for efficiency evaluation under ucertainty: case of a finance and credit institution, (2013).
[44] A. Arya, S. P. Yadav, Development of intuitionistic fuzzy super-efficiency slack based measure with an application to health sector, Computers and Industrial Engineering, 115 (2018), 368-380.
[45] G. Mahapatra, T. Roy, Reliability evaluation using triangular intuitionistic fuzzy numbers arithmetic operations, World Academy of Science, Engineering and Technology, 50 (2009), 574-581.
[46] C. Tofallis, Input efficiency profiling: an application to airlines, Computers and Operations Research, 24 (1997), 253-258.
[47] B. Daneshvar Rouyendegh, The DEA and intuitionistic fuzzy TOPSIS approach to departments performances: a pilot study, Journal of Applied Mathematics (2011).
[48] G. Klir, B. Yuan, Fuzzy sets and fuzzy logic: theory and applications, Upper Saddle River, (1995).
