روشی برای الگویابی با داده های سهمی

محورهای موضوعی : آمار

بیژن رحمانی پرچکلایی ¹ (گروه ریاضی، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران)
زهره مقدس ² (گروه ریاضی، دانشگاه آزاد اسلامی، واحد قزوین، قزوین، ایران)

تاریخ دریافت : 1394/08/18 تاریخ پذیرش : 1393/11/20 تاریخ انتشار : 1394/11/12

کلید واژه: Data Envelopment Analysis, Target, Share Data,

چکیده مقاله :

تحلیل پوششی داده­ها روشی بر مبنای برنام ه­ریزی ریاضی است برای ارزیابی کارایی نسبی و الگویابی مجموعه ه­ای از واحد­های تصمیم­ گیرنده. الگویابی و هدف گذاری معقوله بسیار مهمی می ­باشد زیرا به کمک آن می­ توان کارایی را بهبود داد. موضوعی که در این مقاله مورد بررسی قرار گرفته است الگویابی با داده­های سهمی است. داده هر واحد نشان دهنده سهم آن واحد از یک مجموع ثابت است. واضح است که سهم واحد­ها به یکدیگر وابسته است. پس هر تغییری در سهم یک واحد، واحد­های دیگر را تحت تاثیر قرار می­ دهد. در این مقاله یک روش دو مرحله ه­ای تعمیم یافته برای الگویابی در حضور داده­ های سهمی معرفی می­ شود و با یک مثال مدل پیشنهادی بررسی می­شود

چکیده انگلیسی:

Data Envelopment Analysis (DEA) is a mathematical programming technique for evaluatingthe relative efficiency of a set of Decision Making Units (DMUs) and can also be utilized forsetting target. Target setting is one of the important subjects since according to its resultsefficiency can be increased. An important issue to be currently discussed, is to set targetwhile considering share data. These data for each individual indicate the share of the unit,which takes part in an activity, from the whole amount which is a predefined constant. It isobvious that the sum of units’ share is equal to the entire amount. Thus, any changes in themagnitude of these data has to be dependent on the changes in data of other units. In thispaper a two-stage procedure is developed to find benchmark units where share data exist. Thefact that all DMUs are jointly projected onto the new efficient frontier and simplicity, are thesignificant features of the proposed method. With a numerical example we demonstrate howthis method works.

منابع و مأخذ:

[1] J. Aparicio, J.L. Ruiz, and I. Sirvent, Closest targets and minimum distance to the Pareto-efficient frontier in DEA, J Prod Anal. 28 (2007), pp.209–218.

[2] C. Baek, and J. Lee, The relevance of DEA benchmarking information and the Least-Distance Measure, Mathematical and Computer Modelling. 49 (2009), pp.265-275.

[3] R.D. Banker, A. Charnes, and W.W. Cooper, Some models for estimating technical and scale efficiencies in data envelopment analysis, Management Sience. 30 (1984), pp.1078-1092.

[4] A. Charnes, W.W. Cooper, and E. Rhodes, Measureing the efficiency of decision making units, European journal of operational reaserch. 2 (1978), pp.429-444.

[5] W.D. Cook, L.M. Seiford, and J. Zhu, Models for performance benchmarking: measuring the efficiect of e-business activities on banking performance, Omega. 32 (2004), pp.313–322.

[6] E. Gonzalez, and A. Alvarez, From efficiency measurement to efficiency improvemenT: The choice of a relevent benchmark, European journal of operational reaserch. 133 (2001), pp.512- 520.

[7] J.L. Hougaard, and H. Keiding, Continuous benchmark selections. Operations Research Letters. 32 (2004), pp.94-98

[8] J.L. Hougaard, and M. Tvede, Benchmark selection: An axiomatic approach, European journal of operational reaserch. 137 (2002), pp.218–228

[9] C.N. Madu, and C. Kuei, Application of data envelop analysis in benchmarking, International Journal of Quality Science. 3 (1998), pp.320-327

[10] A. Post, and J. Spronk, An integrated benchmarking approach to distribution center performance using DEA modeling, Journal of Operations Management. 20 (1999), pp.19-32.