تحلیل پوششی دادهها (DEA) یک رویکرد نسبتاً جدید با ماهیت دادهای برای ارزیابی عملکرد مجموعهای از موجودیتهای همتا به نام واحدهای تصمیمگیری (DMUها) است که چندین ورودی را به چندین خروجی تبدیل میکنند. DEA در دورهی زمانی نسبتاً محدودی تبدیل به ابزار کمّی و تحلیلی قدرتمن أکثر
تحلیل پوششی دادهها (DEA) یک رویکرد نسبتاً جدید با ماهیت دادهای برای ارزیابی عملکرد مجموعهای از موجودیتهای همتا به نام واحدهای تصمیمگیری (DMUها) است که چندین ورودی را به چندین خروجی تبدیل میکنند. DEA در دورهی زمانی نسبتاً محدودی تبدیل به ابزار کمّی و تحلیلی قدرتمندی برای اندازهگیری و ارزیابی عملکرد شده است. در مقالهای به قلم طلوع و همکاران [5]، آنها یک مدل DEAی جدید برای پیدا کردن کارآترین قاعدهی ارتباطی در دادهکاوی پیشنهاد کردند. آنگاه، با استفاده از این مدل، آلگوریتمی برای رتبهبندی قواعد ارتباطی با در نظر گرفتن معیارهای متعدد ایجاد کردند. در این مقاله، ما نشان میدهیم که مدل آنها تنها یک قاعدهی ارتباطی کارآی خوشبینانه را به طور شانسی انتخاب میکند و کاملاً وابسته به روش حل یا برنامهی نرمافزاری است که برای حل مسئله استفاده میشود. به علاوه، نشان داده میشود که آلگوریتم پیشنهادی آنها تنها میتواند قواعد کارآی خوشبینانه را به طور تصادفی رتبهبندی کند، و قادر به رتبهبندی DMUهای غیرکارآی خوشبینانه نیست. همچنین، به معایب دیگری در این مقاله، اشاره میکنیم و رویکرد جدید «DEA با مرز دوگانه» را برای ایجاد یک رتبهبندی کامل قواعد ارتباطی پیشنهاد میکنیم. یک مثال عددی برخی از محتویات مقاله را توضیح خواهد داد.
تفاصيل المقالة
تحلیل پوششی دادهها ( DEA ) روشی برای سنجش عملکرد گروهی از واحدهای تصمیمگیری ( DMUها) است که از ورودیهای متعدد برای تولید خروجیهای متعدد استفاده میکنند. این روش عملکرد DMUها را با مینیممسازی نسبت ورودی وزنی به خروجی وزنی هر DMU، به ترتیب، مشروط به این قید که هی أکثر
تحلیل پوششی دادهها ( DEA ) روشی برای سنجش عملکرد گروهی از واحدهای تصمیمگیری ( DMUها) است که از ورودیهای متعدد برای تولید خروجیهای متعدد استفاده میکنند. این روش عملکرد DMUها را با مینیممسازی نسبت ورودی وزنی به خروجی وزنی هر DMU، به ترتیب، مشروط به این قید که هیچ یک از کارآییهای DMUهای دیگر کوچکتر از یک نباشد، اندازهگیری میکند (در حالت با ماهیت خروجی). کارآییهایی که به این ترتیب اندازهگیری میشوند، کارآیی خوشبینانه یا بهترین کارآیی نسبی نامیده میشوند. روش اندازهگیری کارآیی خوشبینانهی DMUها را خودارزیابی مینامند. در صورتی که نمرهی کارآیی خودارزیابی یک DMU یک باشد، به آن کارآی خوشبینانه میگویند؛ در غیر این صورت، به آن غیرکارآی خوشبینانه میگویند. رویکرد مشابهی وجود دارد که از مفهوم مرز ناکارآیی برای تعیین بدترین نمرهی کارآیی نسبی که میتوان به هر DMU اختصاص داد، استفاده میکند. DMUهای واقع روی مرز ناکارآیی بهعنوان ناکارآی بدبینانه تعیین میشوند، و آنهایی که روی مرز ناکارآ نیستند، بهعنوان غیرناکارآی بدبینانه اعلام میشوند. در این مقاله، این بحث مطرح میشود که هر دو کارآیی نسبی را باید با هم در نظر گرفت، و هر رویکردی که فقط یکی از آنها را در نظر گرفته باشد، دچار سوگیری خواهد بود. برای اندازهگیری عملکرد کلی DMUها، پیشنهاد میشود که هر دو کارآیی را در قالب یک بازه ادغام، و مدلهای DEAی پیشنهادی برای اندازهگیری کارآیی را مدلهای کراندار مینامیم. به این ترتیب، بازهی کارآیی تمام مقادیر ممکن کارآیی را که منعکس کنندهی دیدگاههای مختلف هستند، در اختیار تصمیم گیرنده قرار میدهد.
تفاصيل المقالة
انتخاب تأمین کنندهی مناسب برای برونسپاری اکنون یکی از مهمترین تصمیمات بخش خرید است. این تصمیمات بخش مهمی از مدیریت تولید و تدارکات برای بسیاری از بنگاهها هستند. بعلاوه، تأمین کنندگان را میتوان به صورت نسبی از دیدگاههای خوشبینانه و بدبینانه ارزیابی و انتخاب کرد. أکثر
انتخاب تأمین کنندهی مناسب برای برونسپاری اکنون یکی از مهمترین تصمیمات بخش خرید است. این تصمیمات بخش مهمی از مدیریت تولید و تدارکات برای بسیاری از بنگاهها هستند. بعلاوه، تأمین کنندگان را میتوان به صورت نسبی از دیدگاههای خوشبینانه و بدبینانه ارزیابی و انتخاب کرد. روش تحلیل پوششی دادهها برای اندازهگیری کارایی سیستمهای تولیدی به کار میرود که ورودیهای متعددی را مصرف میکنند و خروجیهای متعددی را تولید مینمایند. در شرایط نرمال، مطلوب این است که ورودیهای کمتری مصرف شوند و خروجیهای بیشتری تولید شوند، زیرا این کار منجر به کارایی بالاتری میشود. این مقاله یک رویکرد جدید تحلیل پوششی دادهها با مرز دوگانه را برای ارزیابی و انتخاب تأمین کنندگان پیشنهاد میکند. رویکرد تحلیل پوششی دادهها با مرز دوگانه، میتواند بهترین تأمین کننده را در حضور محدودیتهای وزنی، عوامل غیرقابل کنترل، و دادههای اصلی و ترتیبی شناسایی کند. در این رویکرد، پیشنهاد میشود که هر دو کارایی خوشبینانه و بدبینانه نسبی را در قالب یک کارایی میانگین هندسی ادغام کنیم. کارایی میانگین هندسی نشان دهندهی عملکرد کلی هر تأمین کننده میباشد. مشاهده میشود که کارایی میانگین هندسی قدرت افتراق بیشتری نسبت به هر کدام از دو کارایی خوشبینانه و بدبینانه دارد. یک مثال عددی کاربرد روش پیشنهادی را نشان میدهد.
تفاصيل المقالة
به طور سنتی، مدلهای ارزیابی و انتخاب تأمین کننده مبتنی بر دادههای اصلی با تأکید کمتر بر روی دادههای ترتیبی بودهاند. اما با استفادهی گسترده از فلسفههای تولید، مانند تولید بهنگام، تأکید بیشتری بر لحاظ کردن همزمان دادههای اصلی و ترتیبی در فرآیند انتخاب تأمین کننده م أکثر
به طور سنتی، مدلهای ارزیابی و انتخاب تأمین کننده مبتنی بر دادههای اصلی با تأکید کمتر بر روی دادههای ترتیبی بودهاند. اما با استفادهی گسترده از فلسفههای تولید، مانند تولید بهنگام، تأکید بیشتری بر لحاظ کردن همزمان دادههای اصلی و ترتیبی در فرآیند انتخاب تأمین کننده میشود. کاربرد تحلیل پوششی دادهها (DEA) برای مسایل ارزیابی و انتخاب تأمین کننده مبتنی بر انعطافپذیری کامل وزنها است. با این حال، مشکل مجاز دانستن انعطافپذیری کامل وزنها آن است که مقادیر وزن به دست آمده با حل برنامهی DEAی نامقید غالباً با نظرات قبلی یا اطلاعات موجود اضافی در تعارض است. هدف این مقاله پیشنهاد مدلهای DEAی بازهای با ناحیهی اطمینان برای ارزیابی و انتخاب بهترین تأمین کننده در حضور محدودیتهای وزنی و دادههای نادقیق است. این مقاله رویکرد جدیدی مبتنی بر DEA با مرزهای کارآ و ناکارآ را برای ارزیابی و انتخاب بهترین تأمین کننده در حضور محدودیتهای وزنی و دادههای نادقیق پیشنهاد میکند. در این رویکرد، همزمان کارآییهای خوشبینانه و بدبینانهی هر تأمین کننده در نظر گرفته میشوند. وقتی که قیود ناحیهی اطمینان به مدلهای خوشبینانهی DEA بازهای اضافه میشوند، نمرات بازهی کارآیی محاسبه شده بدتر میشوند، و یک تأمین کننده که قبلاً به عنوان کارآی خوشبینانه تعیین شده بود، ممکن است غیرکارآی خوشبینانه شناخته شود. وقتی که قیود ناحیهی اطمینان به مدلهای بدبینانهی DEAی بازهای اضافه میشوند، نمرات بازهی کارآیی محاسبه شده بهبود مییابند، و یک تأمین کننده که قبلاً به عنوان ناکارآی بدبینانه شناسایی میشد، ممکن است غیرناکارآی بدبینانه شناخته شود. در مقایسه با DEAی سنتی، رویکرد DEA با مرزهای کارآ و ناکارآ میتواند بهترین تأمین کننده را به درستی و به آسانی شناسایی کند. یک مثال عددی کاربرد رویکرد پیشنهادی را نشان میدهد..
تفاصيل المقالة
تکنیکهای دادهکاوی، یعنی استخراج الگوها از پایگاههای دادهای بزرگ، در تجارت به صورت گستردهای مورد استفاده قرار میگیرند. با استفاده از این تکنیکها ممکن است قواعد زیادی حاصل شوند و فقط تعداد کمی از آنها به دلیل محدودیت بودجه و منابع برای پیادهسازی در نظر گرفته شوند. أکثر
تکنیکهای دادهکاوی، یعنی استخراج الگوها از پایگاههای دادهای بزرگ، در تجارت به صورت گستردهای مورد استفاده قرار میگیرند. با استفاده از این تکنیکها ممکن است قواعد زیادی حاصل شوند و فقط تعداد کمی از آنها به دلیل محدودیت بودجه و منابع برای پیادهسازی در نظر گرفته شوند. ارزیابی و رتبهبندی جالب بودن و مفید بودن قواعد انجمنی در دادهکاوی اهمیت زیادی دارد. در مطالعات قبلی که در مورد شناسایی قواعد انجمنی جالب از نظر ذهنی انجام شده است، اکثر روشها مستلزم وارد کردن دستی یا پرسیدن از کاربر برای افتراق صریح قواعد جالب از ناجالب بوده است. این روشها نیازمند محاسبات بسیار زیادی هستند و حتی ممکن است به نتیجهگیریهای ناسازگار منتهی شوند. برای غلبه بر این مشکلات، این مقاله پیشنهاد میکند که از رویکرد تحلیل پوششی دادهها (DEA) با مرز دوگانه برای انتخاب کارآترین قاعدهی انجمنی استفاده شود. در این رویکرد علاوه بر بهترین کارآیی نسبی هر قاعدهی انجمنی، بدترین کارآیی نسبی آن نیز در نظر گرفته میشود. در مقایسه با DEAی سنتی، رویکرد DEA با مرز دوگانه میتواند کارآترین قاعدهی انجمنی را به درستی و به آسانی شناسایی کند. به عنوان یک مزیت، رویکرد پیشنهادی از نظر محاسباتی کارآمدتر از کارهای قبلی در این زمینه است. با استفاده از مثالی از تحلیل سبد بازار، قابلیت کاربرد روش مبتنی بر DEAی ما برای اندازهگیری کارآیی قواعد انجمنی با معیارهای چندگانه نشان داده خواهد شد.
تفاصيل المقالة
تحلیل پوششی دادهها (DEA) یک رویکرد دادهای برای ارزیابی عملکرد مجموعهای از موجودیتهای همتا به نام واحدهای تصمیم گیری (DMUها) است، که عملکرد آنها بر اساس اندازههای متعدد مشخص میشود. تعریف DMU عمومی و انعطاف پذیر است. در مسئلهی مورد نظر ما، DMU به یک فناوری اشاره أکثر
تحلیل پوششی دادهها (DEA) یک رویکرد دادهای برای ارزیابی عملکرد مجموعهای از موجودیتهای همتا به نام واحدهای تصمیم گیری (DMUها) است، که عملکرد آنها بر اساس اندازههای متعدد مشخص میشود. تعریف DMU عمومی و انعطاف پذیر است. در مسئلهی مورد نظر ما، DMU به یک فناوری اشاره دارد. انتخاب بهترین فناوری فاز مهمی از انتقال فناوری محسوب میشود. این مقاله پیشنهاد میکند که از DEA با مرزهای کارآ و ناکارآ برای انتخاب بهترین فناوری در حضور هر دو نوع دادههای اصلی و ترتیبی استفاده شود. در این رویکرد، همزمان کارآییهای خوشبینانه و بدبینانهی هر فناوری در نظر گرفته میشود. در مقایسه با DEAی سنتی، رویکرد DEA با مرزهای کارآ و ناکارآ میتواند بهترین فناوری را به درستی و به آسانی شناسایی کند. یک مثال عددی کاربرد روش پیشنهادی را نشان میدهد.
تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications