چکیده: تحلیل پوششی داده‌ها (DEA) روشی برای ارزیابی کارایی نسبی مجموعه‌ای از واحدهای تصمیم گیرنده در یک فرآیند تولید است. یکی از شاخه‌های ارزیابی عملکرد، بررسی کارایی هزینه می باشد. کارایی هزینه توانایی تولید مقدار کنونی خروجی را با کمترین مقدار هزینه ارزیابی می‌کند. حال فرض کنیم که چندین گروه از واحدها مورد نظر می‌باشد که بطور مجزا عمل می‌کنند و تکنولوژی‌های متفاوتی دارند اما به طور متمرکز مدیریت می‌شوند یا به عبارتی دیگر منبع تامین کننده مواد اولیه آنها مشترک است اما هرکدام از این گروه ها هزینه‌های متفاوتی را برای این منابع پرداخت می‌کنند. مدل‌های سنتی DEA هیچ پیشنهادی برای محاسبه کارایی هزینه در چنین شرایطی که واحدها به گروه‌های با تکنولوژی‌های متفاوت دسته‌بندی شده باشند و هزینه ورودی‌ها متفاوت باشد، ارائه نمی‌کند. در این مقاله با استفاده از مفهوم کارایی هزینه و استفاده از مفهوم ابر مرز و با استفاده از ارتباط منطقی کارایی هزینه و کارایی تکنیکی روشی برای محاسبه کارایی هزینه در شرایط تکنولوژیکی متفاوت ارائه می‌شود. همچنین روشی ارائه می‌شود که برمبنای آن بتوان از انتقال واحدها به‌منظور بهبود عملکرد آنها استفاده کرد. روش ارائه شده در این تحقیق در مثال عددی و مطالعه کاربردی مورد استفاده قرار می‌گیرد و نتایج آن‌ها مورد بررسی قرار می‌گیرند. Manuscript profile

در مدل های تحلیل پوششی داده ها در بسیار ی مو ارد اصل دسترسی پذیری ضعیف به ازای خروجی های نامطلوب مانند آلاینده های محیطی به کار برده شده است . با توجه به این اصل ، مدل های مختلفی برای ارزیابی کارایی واحدهای تحت ارزیابی ارائه می شود . در این مقاله ، دوآلیتی در مدل دسترسی پذیری ضعیف کاسمانن (2005) و امیرتیموری و همکاران (2017) را بیان می کنیم . در ادامه تعبیر های اقتصادی دوال را در تکنولوژی های فوق بیان کرده و همچنین نقاط تصویر واحدهای نا کارا را معرفی می نماییم . سپس روش های مطرح شده در مثالی شرح داده می شود که شامل طراحی های مختلف در خط تولید یک کارخانه می باشد . ................................................ ................ . . . . . . . . . . . . . . . . . . . . . . . . . . . Manuscript profile

تحلیل پوششی داده ‌ها یک رویکرد نسبتاً جدید با ماهیت داده ‌ای برای ارزیابی عملکرد مجموعه ‌ای از ‏موجودیت ‌های همتا به نام واحدهای تصمیم گیری (‏DMUها) است که چندین ورودی را به چندین خروجی ‏تبدیل می کنند. DEA در دوره زمانی نسبتاً محدودی تبدیل به ابزار کمّی و تحلیلی قدرتمندی برای اندازه‌گیری و ارزیابی عملکرد شده است. DEA در انواع مختلفی از کاربردها در فعالیت ها و محیط‌ های مختلف در سرتاسر دنیا با موفقیت به کار گرفته‌ شده است. همچنین مسأله ی اندازه ‌گیری کارایی هزینه در سیستم‌ های تولیدی و اقتصادی یکی از مسائل مهم روز دنیا می ‌باشد. در دنیای واقعی سیستم‌ های اقتصادی و تولیدی وجود دارند که از ترکیب واحدهای مستقل تشکیل شده‌ اند و یکی از روش‌ های اندازه‌ گیری کارایی هزینه برای سیستم ‌های اقتصادی و تولیدی روش DEA می ‌باشد. این مقاله دو مدل DEA شبکه ای را برای اندازه گیری کارایی هزینه از مدل شبکه ای با مولفه های پردازش یکسان با در نظر گرفتن عملکردهای پردازش های فردی در ساختار شبکه را ارائه می کند. در این مقاله به بررسی مدل کارایی هزینه فار و همکاران پرداخته شده و با اعمال تغییراتی در مدل فار و همکاران به ارائه دو مدل جدید تحلیل پوششی داده های شبکه ای و توسعه یافته برای اندازه‌گیری کارایی هزینه در سیستم‌های شبکه‌ای اقتصادی و تولیدی پرداخته شده است. Manuscript profile

در این مقاله از روش تحلیل پوششی داده‌ها برای اندازه گیری کارایی، در مواردی که با ورودی های مشترک تفکیک ناپذیر مواجه هستیم، استفاده شده است. هدف این تحقیق، ایجاد یک رویکرد جدید براساس مدل های تحلیل پوششی داده‌ها بر اساس استفاده بهینه از ورودی های مشترک تفکیک ناپذیر در چندین فعالیت متفاوت می‌باشد. در این مطالعه، در مرحله اول امتیاز کارایی از چندین فعالیت محاسبه می شود و سپس حداکثر امتیاز کارایی مربوط به هر واحد تصمیم گیری در نظر گرفته می‌شود. در مرحله دوم امتیاز کارایی که با رویکرد جدید در ورودی های مشترک تفکیک ناپذیر بدست آمده است، به عنوان محدودیت جدید به مدل اضافه می گردد. این روش بر روی داده های واقعی 25 شعبه یک بانک خصوصی در ایران پیاده سازی شده است. لذا در مرحله اول کارایی هر شعبه محاسبه می شود و سپس با توجه به سه نوع فعالیت تولید، بانکداری الکترونیکی و واسطه گری، دستورالعمل های بهبود ارائه می شود. استفاده از این روش باعث ارائه یک امتیاز واقعی کارایی برای هر واحد تصمیم گیری، به جای امتیاز کارایی سنتی شده و همچنین منجر به اخذ تصمیمات ساختار یافته تر بر اساس ارزیابی عملکرد شفاف تر در شعب بانک می گردد. Manuscript profile

امروزه ارزیابی کارایی سازمان‌ها و دانستن اینکه چگونه منابع باید سازماندهی شوند و برای رسیدن به نتایج بهینه استفاده موثر شوند بسیار حائز اهمیت می‌باشد. از جمله روش‌های ارزیابی کارایی، تحلیل پوششی داده‌ها می‌باشد. یکی از موضوعات مهم در تحلیل پوششی داده‌ها تخمین بیشترین اندازه مقیاس بهره‌وری (MPSS) تولید است. با توجه به حضور عوامل نامطلوب در سیستم‌های تولیدی، در این پژوهش مدل‌هایی جهت ارزیابی MPSSو تعیین بزرگترین و کوچکترین MPSS (نزدیکترین و دورترین نقاط MPSS) پیشنهاد می‌شود در حالی که خروجی‌های نامطلوب با دسترسی‌ضعیف در نظر گرفته می‌شوند. مدل‌های پیشنهادی نقش عوامل محیطی را در برآورد میزان کارایی واحدها مشخص می‌کنند. این مدل-ها به‌علت سهولت و زمان کوتاه در محاسبات می‌توانند در کارخانه‌ها، بیمارستان‌ها و همچنین توسط نگهبان محیط زیست برای نظارت مستمر بر وضعیت زیست محیطی تحت تاثیر فعالیت‌های صنعتی استفاده شوند و تاثیر عوامل محیطی را در برآورد کارایی نشان دهند. برای ارایه نتایج نظری از داده‌های صنعت چین با 31 واحد تصمیم گیرنده استفاده می‌کنیم. Manuscript profile

مدیریت زنجیره تامین برای موفقیت واحدهای اقتصادی و رضایت مشتریان لازم و اساسی است. علاوه بر این یک سیستم ارزیابی عملکرد مناسب به منظور مدیریت موثر زنجیره تامین ضروری است. با توجه به اهمیت مدیریت هزینه در زنجیره تامین، در این بررسی یک روش مبتنی بر تحلیل پوششی داده­ها به منظور ارزیابی کارایی هزینه زنجیره­های تامین حلقه بسته پیشنهاد می­شود در حالی که عوامل دو نقشی و خروجی نامطلوب حضور دارند. تحلیل­پوششی­داده­ها یک روش برنامه ریزی ریاضی موثر به منظور ارزیابی و تحلیل کارایی نسبی واحدهای تصمیم­گیرنده با چندین ورودی و خروجیاست. در واقع در این تحقیق با استفاده از تکنیک تحلیل پوششی داده­ها کارایی هزینه زنجیره­های تامین با سه مولفه، تامین­کننده، تولیدکننده، و تعمیر و بازیافت و همچنین جریان­های رو به جلو و عقب ارزیابی می­شود در حالی که عوامل دو نقشی و خروجی نامطلوب در سیستم مشاهده می­شوند. فرض دسترسی­پذیری ضعیف برای خروجی­های نامطلوب در نظر گرفته می­شود. همچنین یک مطالعه موردی به منظور تشریح و تحلیل روش پیشنهادی مطرح می­شود. نتایج نشان می­دهد تشخیص درست نقش عامل­ها و همچنین در نظر گرفتن عوامل نامطلوب و برگشت­پذیر در سیستم­های زنجیره تامین نقش مهمی در محاسبه درست کارایی هزینه در هریک از مولفه­ها و زنجیره تامین کل دارد. همچنین در روش پیشنهادی کارایی هزینه کل را می­توان به صورت مجموع وزن­داری از کارایی هزینه مولفه­ها بیان کرد. Manuscript profile

Traditional data envelopment analysis (DEA) models usually evaluate the efficiency scores of decision making units (DMUs) with precise data from an optimistic point of view where the status of each measure (i.e. input/output) is certain. However, there are occasions in real world applications that measures can play both input and output roles in an imprecise environment. In the current study, measures with two roles, input and output, are called “adaptable measures”. This paper proposes a DEA-based approach for estimating the performance of DMUs where adaptable and fuzzy data exist. Indeed, efficiency scores are calculated from two aspects, optimistic and pessimistic, when there are adaptable and fuzzy data. Two different efficiency scores are integrated into a geometric average efficiency. Thus, the overall efficiency is calculated and adaptable variables are split into input and output variables in evaluating the efficiency of each DMU. A numerical example is used to illustrate the approach. Manuscript profile

مشابهت یابی معنایی متون (STS)یک وظیفه چالش‌برانگیز در زبان‌های با منابع دیجیتالی محدود است، دشواری‌های اصلی ناشی از کمبود مجموعه‌های آموزشی دسته‌بندی‌شده و مشکلات مرتبط با آموزش مدل‌های مؤثر است. در اینجا یک رویکرد یادگیری مشترک با استفاده از مدل خودتوجه بهبودیافته برای مقابله با چالش STS در ساختارهای زبانی (فاعل، مفعول، فعل) SOV و (فاعل، فعل، مفعول) SVO معرفی شده است. ابتدا یک مجموعه داده چندزبانه جامع با داده‌های موازی برای زبان‌های SOV و SVO را ایجاد کرده و تنوع زبانی گسترده‌ای را تضمین می‌کنیم. ما یک مدل خودتوجه بهبودیافته با رمزگذاری نسبی موقعیت وزن‌دار جدید غنی‌شده با تزریق اطلاعات هم‌رخدادی از طریق عوامل اطلاعات مشترک نقطه‌ای (PMI) معرفی می‌کنیم. علاوه بر این، ما از یک چارچوب یادگیری مشترک استفاده می‌کنیم که نمونه های مشترک بین زبان‌ها را به منظور بهبود STS بین زبانی استفاده می‌کند. با آموزش همزمان در چندین جفت زبان، مدل ما توانایی انتقال دانش را به دست می‌آورد و به طور مؤثر پل ارتباطی بین زبان‌های با ساختارهای متفاوت SOV و SVO ایجاد می کند. مدل پیشنهادی ما بر روی مجموعه داده‌های STS- Benchmarks فارسی-انگلیسی و فارسی-فارسی ارزیابی شد و به ترتیب به ضریب همبستگی پیرسون 88.29٪ و 91.65٪ دست‌یافت. آزمایش‌های انجام‌شده نشان می‌دهند که مدل پیشنهادی ما در مقایسه با مدل‌های دیگر عملکرد بهتری داشته است. مطالعه کاهشی نیز نشان می‌دهد که سیستم ما قادر به همگرایی سریعتر است و کمتر مستعد بیش برازش است Manuscript profile

Semantic Textual Similarity (STS) is considered one of the subfields of natural language processing that has gained extensive research attention in recent years. Measuring the semantic similarity between words, phrases, paragraphs, and documents plays a significant role in natural language processing and computational linguistics. Semantic Textual Similarity finds applications in plagiarism detection, machine translation, information retrieval, and similar areas. STS aims to develop computational methods that can capture the nuanced degrees of resemblance in meaning between words, phrases, sentences, paragraphs, or even entire documents which is a challenging task for languages with low digital resources. This task becomes intricate in languages with pronoun-dropping and Subject-Object-Verb (SOV) word order specifications, such as Persian, due to their distinctive syntactic structures. One of the most important aspects of linguistic diversity lies in word order variation within languages. Some languages adhere to Subject-Object-Verb (SOV) word order, while others follow Subject-Verb-Object (SVO) patterns. These structural disparities, compounded by factors like pronoun-dropping, render the task of measuring cross-lingual STS in such languages exceptionally intricate. In the context of low-resource languages like Persian, this study proposes a customized model based on linguistic properties. Leveraging pronoun-dropping and SOV word order specifications of Persian, we introduce an innovative enhancement: a novel weighted relative positional encoding integrated into the self-attention mechanism. Moreover, we enrich context representations by infusing co-occurrence information through pointwise mutual information (PMI) factors. This paper introduces a cross-lingual model for semantic similarity analysis between Persian and English texts, utilizing parallel corpora. The experiments show that our proposed model achieves better performance than other models. Ablation study also shows that our system can converge faster and is less prone to overfitting. The proposed model is evaluated on Persian-English and Persian-Persian STS-Benchmarks and achieved 88.29% and 91.65% Pearson correlation coefficients on monolingual and cross-lingual STS-B, respectively. Manuscript profile

Internet of Things describes a large number of devices (things) are connected through a number of sensors via Internet, and lack of some nodes cooperation in providing service to other nodes might interrupt the connection of some things, decreasing network efficiency. A multi-phase mechanism based on fuzzy logic and Game theory has been designed to recognize and motivate the selfish and malicious nodes to cooperate in IoT. In the first phase, the nodes are grouped into clusters with cluster-heads for data collection. In the second phase, a multiply and dynamic game is executed while forwarding their data packet or others’ data packet. Nodes can select their strategy when data packet forwarding in the third phase (Fuzzy logic). Nodes will determine the neighboring node reputation by using fuzzy system. The amount of reputation of each of the nodes has been realized and finally, with the help of second phase and fuzzy logic, each node is decided to be cooperate or selfish nodes and in case of head, clusters and fuzzy logic in some cases, the opportunity node will be reestablished to cooperate in network activities otherwise the node will be isolated. The simulation of the proposed method has been evaluated and the parameters of selfish node detection accuracy 5%, false positive rate 8% and packet delivery rate 12% are perform better than other previous methods. . Manuscript profile

Banks are one of the most important financial sectors in order to the economic development of each country. Certainly, efficiency scores and ranks of banks are significant and effective aspects towards future planning. Sometimes the performance of banks must be measured in the presence of undesirable and vague factors. For these reasons in the current paper a procedure based on data envelopment analysis (DEA) is introduced for evaluating the efficiency and complete ranking of decision making units (DMUs) where undesirable and fuzzy measures exist. To illustrate, in the presence of undesirable and fuzzy measures, DMUs are evaluated by using a fuzzy expected value approach and DMUs with similar efficiency scores are ranked by using constraints and the Maximal Balance Index based on the optimal shadow prices. Afterwards, the efficiency scores of 25 branches of an Iranian commercial bank are evaluated using the proposed method. Also, a complete ranking of bank branches is presented to discriminate branches. Manuscript profile

In this article, we investigate a new continuous linear model with constraints for the direct selection of the most efficient unit in the analysis of data coverage presented by Akhlaghi et al. (2021) on uncertainty robust optimization. Considering the importance of incorporating uncertainty into performance evaluation models in the real world and its increasing application in various problems, we propose a robust optimization approach. Given the discrete and non-convex nature of the introduced models for selecting the most efficient decision-making unit, examining the dual and finding an optimistic scenario is practically impossible. Therefore, by utilizing the linear model presented by Akhlaghi et al. (2021) with constraints for identifying the most efficient unit, we can investigate the robustness of the desired model using(BS )Bertsimas and Sim's (2004) robust estimation method while also considering uncertainty. We aim to demonstrate that employing a robust formulation leads to reliable performance in uncertain conditions Manuscript profile

In models of data envelopment analysis (DEA), an optimal set of weights is generally assumed to represent the assessed decision making unit (DMU) in the best light in comparison to all the other DMUs, and so there is an optimal set of weights corresponding to each DMU. The present paper, proposes a three stage method to determine one common set of weights for decision making units. Then, we use these weights to rank efficient units. We demonstrate the approach by applying it to rank gas companies. Manuscript profile