-
حرية الوصول المقاله
1 - تخصیص منابع محدود متمرکز در تحلیل پوششی داده ها با داده های تصادفی
نجمه ملک محمدیبررسی عملکرد و تخصیص منابع در سازمان های بزرگ مانند: بانک ها، دانشگاه ها و فرودگاه ها، یکی از شاخص های مهم در علم مدیریت سازمانی می باشد. در این مقاله، با کمک تحلیل پوششی داده ها که روشی بسیار قوی در ارزیابی کارایی سازمان ها است، به تحلیل و بررسی عملکرد و تخصیص منابع می أکثربررسی عملکرد و تخصیص منابع در سازمان های بزرگ مانند: بانک ها، دانشگاه ها و فرودگاه ها، یکی از شاخص های مهم در علم مدیریت سازمانی می باشد. در این مقاله، با کمک تحلیل پوششی داده ها که روشی بسیار قوی در ارزیابی کارایی سازمان ها است، به تحلیل و بررسی عملکرد و تخصیص منابع می پردازیم . تخصیص بهینه ی منابع در سازمان ها، مهمترین ابزار اجرای استراتژی و برنامه ای بلند مدت برای آن ها محسوب می شود و سیاست ها و اهداف برنامه ی سازمان ها، در تخصیص بهینه ی منابع به فعالیت ها انعکاس می یابد. در واقع، با توجه به اهمیت عملکرد آتی سازمان ها، مدیران با در نظر گرفتن کارایی هر واحد، راهبردهایی برای هدف گذاری و چگونگی تخصیص منابعی شامل نیروی انسانی، هزینه های مالی، امکانات تکنولوژیکی و غیره را ارایه می دهند. از طرفی، با توجه به اینکه داده های واقعی در سازمان ها معمولاً به صورت تصادفی و نامعین می باشند، در این مقاله به ارایه روش هایی برای تخصیص منابع با داده های تصادفی پرداخته می شود. همچنین در راستای این تحقیق به راهبرد هایی برای تخصیص منابع و همچنین مواجه شدن با منابع محدود در داده های تصادفی خواهیم پرداخت که منجر به ارایه مدلی جدید درتحلیل پوششی داده ها خواهد گردید. در این مدل، داده های تصادفی به علت احتمالی بودن، با یک توزیع احتمال مناسب عنوان می شوند . یکی از دستاوردهای ارزنده در این مقاله، برطرف سازی مشکل تخصیص مناسب و بهینه منابع محدود با داده های تصادفی می باشد. در آخر، با نتایج عددی، مزایای مدل جدید نسبت به مدل های پیشین با داده های تصادفی نشان داده شده است. تفاصيل المقالة -
حرية الوصول المقاله
2 - Performance evaluation of Iran universities with Stochastic Data Envelopment Analysis (SDEA)
M. Khodabakhshi H. KheirollahiPerformance evaluation of universities is an important issue between researchers. Classic data envelopment analysis (DEA) models with deterministic data have been used by many authors to measure efficiency of universities in different countries. However, DEA with stoc أکثرPerformance evaluation of universities is an important issue between researchers. Classic data envelopment analysis (DEA) models with deterministic data have been used by many authors to measure efficiency of universities in different countries. However, DEA with stochastic data are, rarely used to measure efficiency of universities. In this paper, input oriented model in stochastic data envelopment analysis is used to evaluate universities in Iran. In addition, super efficiency model is developed in stochastic DEA to rank stochastic efficient units. To obtain numerical results with stochastic data, a deterministic equivalent of each stochastic model is used which can be converted to a quadratic program. Thirty-three Iran universities have been considered in this study for which computational results of both classic and stochastic approaches are obtained. تفاصيل المقالة -
حرية الوصول المقاله
3 - Applying MCDEA Models to Rank Decision Making Units with Stochastic Data
A. Ghofran M. Sanei G. Tohidi H. BevraniAs a technique based on mathematical programming, Data Envelopment Analysis (DEA) is used for evaluating the efficiency of homogeneous Decision Making Units (DMUs). DEA models need accurate input and output data. In many situations, on the one hand, accurate measurement أکثرAs a technique based on mathematical programming, Data Envelopment Analysis (DEA) is used for evaluating the efficiency of homogeneous Decision Making Units (DMUs). DEA models need accurate input and output data. In many situations, on the one hand, accurate measurement of inputs and outputs is difficult due to their volatility and complexity. This conflict results in uncertain DEA models. Its main problem is transformation of deterministic equivalent of stochastic model into quadratic programming, time-consuming and complexity and it requires presuppositions. By means of Bi-objective multiple criteria DEA (Bio-MCDEA) model that considers stochastic data, our proposed model reduces some of these problems and facilitates problem solving through presenting primary presupposition and final linear model. The efficiency score of DMUs is determined by applying stochastic Bio- MCDEA model. Eventually, we used the data of seventeen Iranian electricity distribution companies to illustrate the methods developed in the present paper. تفاصيل المقالة -
حرية الوصول المقاله
4 - ارائه مدلی جدید به منظور پیش بینی عملکرد واحدهای تصمیم گیرنده براساس تحلیل پوششی داده های تصادفی فازی
علی یعقوبی الهام قبادیاز مهم ترین ابزارها جهت محاسبه کارایی واحدهای تصمیم گیرنده، تکنیک تحلیل پوششی داده ها (DEA) است که برای محاسبه کارایی از ورودی ها و خروجی های گذشته واحدها استفاده می کند. عدم امکان تخمین کارایی، استفاده از ورودی و خروجیهای قطعی و توزیع غیرواقعی اوزان به ورودی ها و خروجی أکثراز مهم ترین ابزارها جهت محاسبه کارایی واحدهای تصمیم گیرنده، تکنیک تحلیل پوششی داده ها (DEA) است که برای محاسبه کارایی از ورودی ها و خروجی های گذشته واحدها استفاده می کند. عدم امکان تخمین کارایی، استفاده از ورودی و خروجیهای قطعی و توزیع غیرواقعی اوزان به ورودی ها و خروجی‌ها از نقاط ضعف DEA می باشد. بنابراین در این مقاله در راستای رفع مشکلات مذکور، مدلی جدید با لحاظ عدم قطعیت در تحلیل پوششی داده های تصادفی (SDEA) ارائه گردیده که با درنظرگرفتن همزمان ورودی ها و خروجی های واحدها بصورت متغیرهای تصادفی نرمال همراه با اوزان فازی برای آن ها، سعی در پیش بینی کارایی واحدهای تصمیم گیرنده دارد. نهایتاً در راستای تایید اثربخشی مدل پیشنهادی، یک مطالعه کاربردی در صنعت بانکداری صورت گرفته و کارایی های پیش بینی شده شعب با کارایی واقعی آنها مقایسه می گردد. همبستگی بالای بین نتایج، نشان از دقت و صحت مدل پیشنهادی دارد. تفاصيل المقالة -
حرية الوصول المقاله
5 - A New Dynamic Random Fuzzy DEA Model to Predict Performance of Decision Making Units
Ali Yaghoubi Maghsoud Amiri Azamdokht Safi SamghabadiData envelopment analysis (DEA) is a methodology for measuring the relative efficiency of decision making units (DMUs) which ‎consume the same types of inputs and producing the same types of outputs. Believing that future planning and predicting the â أکثرData envelopment analysis (DEA) is a methodology for measuring the relative efficiency of decision making units (DMUs) which ‎consume the same types of inputs and producing the same types of outputs. Believing that future planning and predicting the ‎efficiency are very important for DMUs, this paper first presents a new dynamic random fuzzy DEA model (DRF-DEA) with ‎common weights (using multi objective DEA approach) to predict the efficiency of DMUs under mean chance constraints and ‎expected values of the objective functions. In the initial proposed†â€DRF-DEA model, the inputs and outputs are assumed to be ‎characterized by random triangular fuzzy variables with normal distribution, in which data are changing sequentially. Under this ‎assumption, the solution process is very complex. So we then convert the initial proposed DRF-DEA model to its equivalent multi-‎objective stochastic programming, in which the constraints contain the standard normal distribution functions, and the objective ‎functions are the expected values of functions of normal random variables. In order to improve in computational time, we then ‎convert the equivalent multi-objective stochastic model to one objective stochastic model with using fuzzy multiple objectives ‎programming approach. To solve it, we design a new hybrid algorithm by integrating Monte Carlo (MC) simulation and Genetic ‎Algorithm (GA). Since no benchmark is available in the literature, one practical example will be presented. The computational results ‎show that our hybrid algorithm outperforms the hybrid GA algorithm which was proposed by Qin and Liu (2010) in terms of ‎runtime and solution quality. ‎ تفاصيل المقالة -
حرية الوصول المقاله
6 - Comparison of the Dependence Structures of Stochastic Copula-DEA Model
Sima Balak Mohammad Hassan Behzadi Ali NazariThe stochastic data envelopment analysis (SDEA) is based on treating input values and output values as random variables. Typically, in research related to stochastic data envelopment analysis, variables are assumed to be independent of one another. It is likely that the أکثرThe stochastic data envelopment analysis (SDEA) is based on treating input values and output values as random variables. Typically, in research related to stochastic data envelopment analysis, variables are assumed to be independent of one another. It is likely that there will be a dependency structure between variables. We investigated the dependence structure between input variables and between output variables. To estimate this dependence structure, we used the Copula approach. Therefore, we have proposed a stochastic DEA model with a dependence structure called Copula-SDEA in this study and evaluated this model using both input-oriented and output-oriented models. We evaluated the proposed models using real data from 10 car companies. The implementation of the proposed model showed that, different results can be drawn when taking into account the dependence structure between stochastic inputs and (or) outputs. Additionally, a comparison of Copula-SDEA models with the SDEA model revealed that the evaluation of the efficiency of DMUs with Copula-SDEA models differed significantly from the SDEA model. Moreover, the results indicate that in both input- and output-oriented models, considering the dependence structure between inputs is more important than considering the dependence structure between outputs. تفاصيل المقالة -
حرية الوصول المقاله
7 - Stochastic Sensitivity Analysis in Data Envelopment Analysis
Nasim Arabjazi Mohsen Rostamy-Malkhalifeh Farhad Hosseinzadeh Lotfi Mohammad Hasan BehzadiData Envelopment Analysis (DEA) is an impeccable approach based on mathematical programming for the efficiency measurement of homogeneous Decision-Making Units (DMUs). One of the topics of interest in data envelopment analysis (DEA) is the sensitivity and stability anal أکثرData Envelopment Analysis (DEA) is an impeccable approach based on mathematical programming for the efficiency measurement of homogeneous Decision-Making Units (DMUs). One of the topics of interest in data envelopment analysis (DEA) is the sensitivity and stability analysis of a specific DMU that determines ranges within which all data may be altered for any DMU before a reclassification from efficient to inefficient status (or vice versa) happens. In many real-world applications, the managers to estimate the under supervision DMUs encounter stochastic data and require a way to deal with the sensitivity analysis of DMUs with this special data. In DEA, efficient DMUs are of primary importance as they define the efficient frontier. The intent of this paper is to present the sensitivity analysis with stochastic data for efficient DMUs when inputs and outputs are stochastic and variations in the data are simultaneously considered for all DMUs. The models explained in this paper for treating sensitivity analysis in DEA are expanded by according them chance-constrained programming formulations. The ordinary route used in chance-constrained programming is followed here by replacing these stochastic models with their deterministic equivalents. The optimal solution of these models leads to allowable input/ output variations. تفاصيل المقالة -
حرية الوصول المقاله
8 - ارزیابی بهره وری، کارایی و رتبه بندی نیروگاه های حرارتی: یک رویکرد مبتنی بر تحلیل پوششی داده های تصادفی
مهدی خدادادی پوردر تحلیل پوششی داده ها (DEA) مدل های مختلف در زمینه های گوناگون با داده های مختلف برای ارزیابی و رتبه بندی واحدهای تصمیم گیرنده (DMU) طراحی شده است. حال آنکه در بسیاری از مسائل کاربردی، مدیران واحدها با داده هایی تصادفی روبرو هستند و آنها برای ارزیابی واحدهای تحت نظارت أکثردر تحلیل پوششی داده ها (DEA) مدل های مختلف در زمینه های گوناگون با داده های مختلف برای ارزیابی و رتبه بندی واحدهای تصمیم گیرنده (DMU) طراحی شده است. حال آنکه در بسیاری از مسائل کاربردی، مدیران واحدها با داده هایی تصادفی روبرو هستند و آنها برای ارزیابی واحدهای تحت نظارت خود به روشی نیاز دارند که بتواند اینگونه DMU ها را ارزیابی و رتبه بندی کنند. در کار کردن با داده‌های تصادفی با در نظر گرفتن احتمالی برای وقوع حالت های پیش بینی نشده (سطح خطا)، که از طرف مدیران ارائه می شود، DMU ها ارزیابی می شوند. در این مقاله با استفاده تکنیک های آمار و احتمالات و توزیع نرمال و مدلBCC دارای خروجیهای نامطلوب و با در نظر گرفتن خطای مشخص یک مدل تصادفی جدید تحت عنوان معیار رتبه‌بندی میانگین جهت ارزیابی کارایی داده‌های تصادفی پیشنهاد می شود. بر اساس آن کارایی متقاطع تصادفی محاسبه گردیده است. از آنجایی که وزن های بهینه در ارزیابی کارایی متقاطع تصادفی منحصر به فرد نیستند برای رتبه‌بندی بهتر و اولویت دادن به آنها روش خودخواهانه پیشنهاد می شود. نهایتاً مدل های پیشنهاد شده برای 32 واحد نیروگاه حرارتی که دارای ورودی ها و خروجی های مطلوب و نامطلوب تصادفی هستند پیاده سازی شده است. تفاصيل المقالة
سند
Sanad is a platform for managing Azad University publications
الروابط
المراكز ذات الصلة
دعامة
الصفحات الرسمية
حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446