In many applications, discrimination among decision making units (DMUs) is a problematic technical task procedure to decision makers in data envelopment analysis (DEA). The DEA models unable to discriminate between extremely efficient DMUs. Hence, there is a growing interest in improving discrimination power in DEA yet. The aim of this paper is ranking extreme efficient DMUs in DEA based on exploiting the leave-one out idea and combining of Manhattan and infinity norms with constant and variable returns to scale. The proposed method has been able to overcome the existing difficulties in some ranking methods. پرونده مقاله

One of the difficulties of Data Envelopment Analysis(DEA) is the problem of de_ciency discrimination among efficient Decision Making Units(DMUs) and hence, yielding large number of DMUs as efficient ones. The main purpose of this paper is to overcome this inability. One of the methods for ranking efficient DMUs is minimizing the Coefficient of Variation (CV) for inputs-outputs weights. In this paper, it is introduced a nonlinear model for ranking efficient DMUs based on the minimizing the mean absolute deviation of weights and then we convert the nonlinear model proposed into a linear programming form. پرونده مقاله

In many applications, ranking of decision making units (DMUs) is a problematic technical task procedure to decision makers in data envelopment analysis (DEA), especially when there are extremely efficient DMUs. In such cases, many DEA models may usually get the same efficiency score for different DMUs. Hence, there is a growing interest in ranking techniques yet. The purpose of this paper is ranking extreme efficient DMUs in DEA based on exploiting the leave-one out and minimizing the maximum distance between DMU under evaluation and boundary efficient in input and output directions. The proposed method has been able to overcome the lacks of infeasibility and unboundedness in some DEA ranking methods. پرونده مقاله

The main drawbacks that arise for data envelopment analysis (DEA) are: lack of discriminationpower amongst efficient decision making units (DMUs) and scattering input-output weights. In theDEA, sometimes the mismatch of the input or output weights in the decision-making units (DMUs)under consideration leads to assigning higher weight to variables with the less significance and/or thelower or zero weight to the variables with high significance. Accordingly, most DEA models introducemore than one efficient DMU in evaluating the relative efficiency of decision-making units. The presentpaper is conducted to overcome these inabilities. In this trends, we present a novel DEA model basedon minimizing the sum of absolute deviations of all input-output weights from each other. The proposedmodel provides to enhance the discrimination power and adjusts the balance dispersion of input-outputweights. Finally, well-known numerical experiments are considered to demonstrate the efficiency andvalidation of the suggested model. پرونده مقاله

با پیش‌بینی نابسامانی مالی، پیشگیری‌ها و اقدامات مقتضی لازم توسط مدیران و سرمایه‌گذاران انجام شود. پژوهش حاضر، دو مدل پیش بینی ورشکستگی با استفاده از شبکه عصبی و الگوریتم فراابتکاری کرم شب‌تاب در بورس اوراق بهادار تهران، آزمون و نتایج با هم مقایسه می شود. برای اجرای آزمون ابتدا یک مقادیر اولیه برای وزن‌ها و بایاس‌های شبکه تعیین شده و سپس در طی پروسه بهینه‌سازی، جمعیتی از وزنها و بایاس‌های مختلف توسط الگوریتم کرم شب‌تاب تولید می‌شوند. تابع تبدیل مورد استفاده در لایه خروجی از نوع خطی و برای لایه میانی یک تابع غیرخطی سیگمویدی انتخاب شده است. برای انجام این پژوهش داده‌های 79 شرکت در بازه زمانی 1391 تا 1394 گردآوری و با به‌کارگیری الگوریتم‌های شبکه عصبی پس انتشار و کرم شب تاب تجزیه و تحلیل شدند. یافته‌های این پژوهش نشان می دهد که شبکه عصبی بهینه شده بوسیله الگوریتم کرم شب‌تاب عملکرد بهتری نسبت به شبکه عصبی پس انتشار خطا در پیش‌بینی ورشکستگی شرکت‌های نمونه دارد. همچنین الگوریتم کرم شب‌تاب به خوبی نسبت بین شرکت‌های ورشکسته و عدم ورشکسته را همانند داده های واقعی حفظ کرده است. پرونده مقاله