تحلیل پوششی داده ها (DEA) ابزار مناسبی برای تخمین زدن انواع کارایی های مختلف می باشد. شناسایی و تشخیص منابع ناکارایی نقش مهمی در تحلیل عملکرد واحدها به منظور برنامه ریزی در جهت ارتقای وضعیت واحدهای تصمیم گیرنده (DMUs) دارد. حال اگر اطلاعات مربوط به ورودی ها و خروجی ها و اطلاعات قیمتی واحدهای تحت ارزیابی در اختیار ما باشد می توانیم فقدان های مربوط به عدم دستیابی سود و درآمد و هزینه بهینه را با توجه به میزان ناکارایی های مربوط به آنها محاسبه کنیم. در این تحقیق قصد داریم مجموعه های امکان تولید قیمتی و هزینه ای جدیدی را معرفی کنیم و برمبنای آنها یک منبع جدید ناکارایی و یک منبع جدید فقدان که ناشی از انتخاب نادرست بردارهای قیمت در فضای غیررقابتی (یعنی در شرایطی که امکان تغییر در قیمت های ورودی ها و خروجی ها از یک DMU به DMU ی دیگر وجود دارد می باشد) را ارائه دهیم. تفاصيل المقالة

On account of the existence of uncertainty, DEA occasionally faces the situation of imprecise data, especially when a set of DMUs include missing data, ordinal data, interval data, stochastic data, or fuzzy data. Therefore, how to evaluate the efficiency of a set of DMUs in interval environments is a problem worth studying. In this paper, we discussed the new method for evaluation and ranking interval data with stochastic bounds. The approach is exemplified by numerical examples. تفاصيل المقالة

Envelopment Analysis (DEA) is a very eective method to evaluate the relative eciency of decision-making units (DMUs). DEA models divided all DMUs in two categories: ecient and inecientDMUs, and don't able to discriminant between ecient DMUs. On the other hand, the observedvalues of the input and output data in real-life problems are sometimes imprecise or vague, suchas interval data, ordinal data and fuzzy data. This paper develops a new ranking system under thecondition of constant returns to scale (CRS) in the presence of imprecise data, In other words, inthis paper, we reformulate the conventional ranking method by ideal point as an imprecise dataenvelopment analysis (DEA) problem, and propose a novel method for ranking the DMUs when theinputs and outputs are fuzzy and/or ordinal or vary in intervals. For this purpose we convert alldata into interval data. In order to convert each fuzzy number into interval data we use the nearestweighted interval approximation of fuzzy numbers by applying the weighting function and also weconvert each ordinal data into interval one. By this manner we could convert all data into intervaldata. The numerical example illustrates the process of ranking all the DMUs in the presence of fuzzy,ordinal and interval data. تفاصيل المقالة