در بسیاری از کاربردهای واقعی تحلیل پوششی داده‌ها، وضعیت بعضی از شاخص‌ها به عنوان ورودی یا خروجی کاملاً معلوم نیست. یعنی در برخی از موقعیت‌ها، یک شاخص می‌تواند برای برخی از واحدهای تصمیم‌گیری نقش ورودی و برای برخی دیگر نقش خروجی داشته باشد. این نوع شاخص‌ها را شاخص‌های انعطاف‌پذیر ‌می‌نامند. برای توسعه مدل‌های تعیین نوع شاخص‌های انعطاف‌پذیر، در تحلیل پوششی داده‌ها، در این مقاله مدلی مطرح می‌شود که به طور هم‌زمان فاکتورهای انقباض ورودی‌ها کمینه و فاکتورهای انبساط خروجی‌ها در اندازه‌ی راسل با حضور شاخص‌های انعطاف‌پذیر بیشینه ‌شود. اندازه‌ی مطرح شده در تابع هدف مدل پیشنهادی، خطی است. به عبارت دیگر، رابطه‌ی بین شاخص‌ها را به صورت یک تابع جمعی بیان می‌کند. در واقع این مدل، غیرخطی بودن تابع هدف اندازه‌ی راسل و اندازه‌ی بهبود یافته‌ی راسل را ندارد. در پایان، با ارائه مثال‌، مدل پیشنهادی با مدل‌های موجود مشابه مقایسه شده و مزایای آن به بحٍ گذاشته خواهد شد. تفاصيل المقالة

تحلیل پوششی داده­ها (DEA) یک روش غیر پارامتری برای اندازه­گیری عملکرد نسبی واحدهای تصمیم­گیرنده می­باشد. در مدل­های متداول و مرسوم DEA هریک از واحدهای تصمیم­گیرنده به­عنوان یک جعبه­ی سیاه در نظر گرفته می شوند که با دریافت تعدادی ورودی، تعدادی خروجی را تولید می­کنند و ساختار درونی آنها نادیده گرفته می­شود. در سال­های اخیر بخش وسیعی از مطالعات صورت گرفته در این زمینه توجه خود را به DMUهایی با ساختارهای درونی شبکه­ای معطوف نموده­اند و ضمن دسته­بندی و معرفی برخی از ساختارهای شبکه­ای مدل­هایی را برای ارزیابی کارایی آنها ارائه کرده­اند. هدف اصلی در این مقاله توسعه­ی یک مدل جدید به منظور ارزیابی کارایی یک ساختار شبکه­ای دو مرحله­ای برای اندازه­گیری عملکرد واحدهای تصمیم­گیرنده (DMUs) می­باشد. علاوه براین در این مقاله کار لی و همکارانش در سال 2012 را با بهبود روش جستجوی ابتکاری برای تخمین جواب­های بهینه­ی مدل­های متمرکز غیرخطی بسط می­دهیم. به منظور ارزیابی مدل پیشنهادی در این مطالعه، روش اصلاح شده را رویفرایند R&D منطقه­ای مربوط به 30 منطقه در سطح یک استان در کشور چین مورد بررسی قرار می­دهیم. نتایج و مقایسه­ها نشان می­دهند که روش پیشنهاد شده روشی کاراست و پیچیدگی محاسباتی بسیار کمتری نسبت به روش­های دیگر دارد. تفاصيل المقالة

Due to the nonlinear and discrete nature of BCC (Banker, Charnes, and Cooper, [11]) models for determining the most efficient decision-making unit, it is practically impossible to evaluate the models' dual and, consequently, optimistic case. Thus, in this paper, the linear model with linear constraints proposed by Akhlaghi et al. [2] is used to investigate the dual equality of the model's robust problem and the optimistic case of the new model's dual under VRS uncertainty. The model proposed in this paper is novel in comparison to previous models because it solves the most efficient decision-making unit only once, without relying on uncertain data to determine its rank. The paper demonstrates how the proposed robust model can also ascertain the most efficient decision-making unit when uncertainty exists. Furthermore, the dual issues raised by robust counterparts in the new linear programming (LP) model are addressed to identify the most efficient decision-making unit. The robust counterpart is demonstrated to be equivalent to a linear program under interval uncertainty, and the dual of the robust counterpart is shown to be equal to the optimistic counterpart of the dual problem. Consequently, this study aims to demonstrate that the dual problem is equivalent to a decision-maker operating under optimal data, whereas the primal robust problem is equivalent to a decision-maker operating through the worst-case possible data scenario. تفاصيل المقالة