تاکنون بسیاری از انواع مدل‌های مکان‌یابی به‌ منظور پیدا کردن الگوهای فضایی مطلوب با توجه به معیارهای مکانی مختلف از جمله، هزینه، پوشش و در دسترس بودن توسعه یافته‌اند. تمرکز اولیه این مدل‌ها بر دسترسی مکانی ارائه دهندگان خدمات و برآورد تقاضاها است و برخی از این مدل‌ها در چارچوب مدل‌های برنامه‌ریزی چندهدفه می‌باشند. پس از پیدایش علم تحلیل پوششی داده‌ها، برخی پژوهشگران میزان کارایی تأسیسات منتخب را به‌عنوان یکی از توابع هدف در مسائل مکان‌یابی در نظر گرفته و به ارائه راهکارهایی پرداخته‌اند. در این مقاله به ارائه یک مدل برنامه‌ریزی چندهدفه با تلفیق یک مدل ارزیابی کارایی وزن مشترک و مدل مکان‌یابی می‌پردازیم. مدل حاصل، بر خلاف مدل‌های سابق تنها با یک بار اجرا مراکز منتخب کارا از بین چند مرکز بالقوه مشخص می‌گردند. مدل پیشنهادی توسط مثالی عددی بررسی‌شده است و نتایج نشان دهنده تضاد بین توابع مکان‌یابی و کارایی است. Manuscript profile

در مدل‌های کلاسیک تحلیل پوششی داده‌ها عوامل به دو دسته ورودی و خروجی تقسیم می‌شوند حال آنکه در برخی مسائل کاربردی ماهیت برخی عوامل از ابتدا مشخص نیست که به این عوامل، انعطاف‌پذیر گفته می‌شود. مدل‌هایی که تا کنون برای این منظور ارائه شده است واحد محور می‌باشند یعنی هر واحد تنها با توجه به وضعیت خودش به ارزیابی خود و تعیین ماهیت عوامل انعطاف‌پذیر برای خود و سایر واحدها می‌پردازد. که مساله باعث تخمین خوش‌بینانه کارایی خواهد شد. در این مطالعه با استفاده از یک مدل وزن مشترک به ارزیابی کارایی و تعیین ماهیت یکتا برای عوامل انعطاف‌پذیر پرداخته می‌شود. همچنین تحلیلی از مدل پیشنهادی در یک مثال کاربردی در صنعت انرژی بادی آمده است. Manuscript profile

he financial management field has witnessed significant developments in recent years to help decision makers, managers and investors, to made optimal decisions. In this regard, the institutions investment strategies and their evaluation methods continuously change with the rapid transfer of information and access to the fi- nancial data. When information is available as several inputs and output factors, the data envelopment analysis (DEA) applies to calculate the efficiency of com- panies. Distinguishing efficient companies from inefficient ones, makes it possi- ble for the financial managers to select suitable portfolios. The discriminating power of DEA depends on the number of companies under evaluation and the number of inputs and outputs. When the number of inputs and outputs are high compared to the number of units, most of the units will be evaluated as efficient, thus the discriminating power of DEA decreases and the results are not reliable. To deal with this problem, the Quick-Reduct algorithm of the rough set theory (RST) was used in this study to reduce inputs or outputs. It should be noted that the advantage of this algorithm is its ability to use negative data. Manuscript profile