مدل های شبکه تحلیل پوششی داده ها با داده های بازه ای

مدل های شبکه تحلیل پوششی داده ها با داده های بازه ای

خلاصه

تحلیل پوششی داده ها (DEA) یک روش غیرپارامتری برای ارزیابی کارایی نسبی واحدهای تصمیم گیرنده است که با چندین ورودی و چندین خروجی تعریف می شود. این روش مبتنی بر حل مسائل برنامه نویسی خطی است. از سال 1978 که مدل پایه DEA معرفی شد، بسیاری از تغییرات آن مطرح شد. مدل های دو مرحله ای یا به طور کلی چند مرحله ای با ساختار سری یا موازی (مدل های شبکه) در میان آنها قرار دارند. مدل‌های استاندارد DEA مبتنی بر ورودی‌ها و خروجی‌های قطعی هستند. این مقاله با مدل‌های شبکه DEA با این فرض که ورودی‌ها و یا خروجی‌ها متغیرهای فاصله ای پیوسته هستند، سروکار دارند. بر اساس این فرض، امتیازات کارایی واحدهای تولیدی نیز متغیرهای تصادفی هستند. چندین رویکرد برای توصیف امتیازات کارایی تصادفی برای مدل‌های استاندارد DEA توسعه داده شد، اما تنها تعداد اندکی از رویکردها برای مدل‌های با ساختار شبکه توسعه داده شده است. این رویکردها بیشتر بر اساس فرمول بندی مسائل بهینه سازی خطی هستند. شبیه سازی، رویکرد روش‌شناختی دیگر برای مدل‌های DEA با داده‌های فاصله ای، است. این مقاله نتایج ارائه شده توسط آزمایشات شبیه سازی و بهینه سازی مدل های شبکه DEA را با داده های فاصله ای مقایسه می کند.

واژه‌های کلیدی: تحلیل پوششی داده‌ها، مدل‌های شبکه، داده‌های فاصله ای، کارایی.

DOI: 10.7763/IPEDR. 2013. V59. 7

Data Envelopment Analysis Network Models with Interval Data

Josef Jablonsky+

University of Economics, Prague, W. Churchill Sq. 4, 130 67 Praha 3, Czech Republic

Abstract.

Data envelopment analysis (DEA) is a non-parametric method for relative efficiency evaluation of decision making units described by multiple inputs and multiple outputs. It is based on solving linear programming problems. Since 1978 when basic DEA model was introduced many its modifications were formulated. Two or, in more general, multi-stage models with series or parallel structure (network models) belong among them. Standard DEA models are based on deterministic inputs and outputs. The paper deals with DEA network models under the assumption that inputs and/or outputs are continuous interval variables. Under this assumption the efficiency scores of production units are random variables as well. Several approaches for description of random efficiency scores were developed for standard DEA models but only few for models with network structure. They are mostly based on formulation of linear optimization problems. Another methodological approach for DEA models with interval data is simulation. The paper compares results given by simulation experiments and by optimization DEA network models with interval data.

Keywords: Data Envelopment Analysis, Network Models, Interval Data, Efficiency.