کارایی متقاطع تصادفی در ارزیابی واحدهای تصمیم گیری با فاکتورهای نامطلوب
محورهای موضوعی : مدیریت
مهدی خدادادی پور
1
(گروه مدیریت ،واحد دهاقان ،دانشگاه آزاد اسلامی ، دهاقان ، ایران.)
سید محمد رضا داودی
2
(دانشیار مدیریت ،واحد دهاقان ،دانشگاه آزاد اسلامی ، دهاقان ، ایران.)
کلید واژه: تحلیل پوششی تصادفی داده ها, مدل ورودی محور CCR , ارزیابی کارایی متقاطع تصادفی, خروجی نامطلوب تصادفی , معیار رتبه بندی میانگین,
چکیده مقاله :
در این مقاله با استفاده از مدل مضربی CCR ورودی‌محور و دارای خروجی‌های نامطلوب با درنظر گرفتن خطای مشخص و با استفاده از تکنیکهای اماری وتوزیع نرمال یک مدل تصادفی جدید تحت عنوان معیار رتبه بندی میانگین جهت ارزیابی کارایی داده های تصادفی پیشنهاد می گردد. همچنین کارایی متقاطع تصادفی برای رتبه بندی DMU ها در تحلیل پوششی داده های تصادفی بر اساس برنامه ریزی قیودتصادفی و مقدار میانگین تعریف گردیده و از انجایی که وزن های بهینه منحصر فرد نیستند جهت رتبه بندی بهتر و اولویت دادن به انها روش خود خواهانه پیشنهاد می گردد . نهایتا مدل های پیشنهاد شده برای تعداد32 نیروگاه حرارتی در کشور آنگولا در بازه زمانی 2010 تا 2022که تولید کننده انرژی هستند و دارای ورودی ها ی مطلوب و خروجی های مطلوب و نامطلوب تصادفی هستند پیاده سازی و اجرا گردید. نتایج حاصله نشان داد که در استفاده از مدل های پیشنهاد شده با قدرت بیشتری کارایی تصادفی DMU ها جهت جداسازی و رتبه بندی انجام گرفته است.
abstract: In this article, using the input-oriented multiple CCR model with undesirable outputs, taking into account the specific error, and using statistical techniques and normal distribution, a new random model is proposed under the title of average rating criterion to evaluate the efficiency of random data. Also, in the random crossover efficiency for ranking DMUs in the coverage analysis of random data is defined based on random limit programming and average value, and since the optimal weights are not unique, an arbitrary method is suggested for better ranking and prioritizing them. Finally, the proposed models for the number of 32 thermal power plants in Angola between 2010 and 2022, which produce energy and have desirable inputs and random desirable and undesirable outputs, were implemented and executed. The results showed that in using the proposed models, the random efficiency of DMUs for separation and ranking has been done with greater power.
