دانلود مقاله ترجمه شده روش تحلیل احاطه داده های جدید برای تعیین اولویت و تصمیم گیری گروهی در فرآیند سلسله مراتبی تحلیلی

روش DEAHP برای  انحراف وزن و تراکم در فرآیند سلسله مراتبی تحلیلی(AHP)  ، معیوب شناخته شد و بعضی مواقع  بردار های اولویت بی منطق برای ماتریس های مقایسه دو به دو ناهمگون تولید می نماید که کاربرد آن را خیلی محدود می سازد. مقاله پیشرو یک روش تحلیل احاطه داده های جدید را برای تعیین اولویت درAHP  پیشنهاد می کند و این روش را تا وضعیت AHP  گروهی بسط می دهد.در این روش شناسی جدید DEA ، دو مدل DEA  به طور ویژه ساخته شده اند که از دو مدل DEAHP فرق دارند که برای استنتاج بهترین اولویت های مکانی از ماتریس مقایسه دو به دو یا ماتریس های مقایسه دو به دو گروهی استفاده شدند ، اهمیتی ندارد که آیا آنها به طور کامل سازگار یا غیر سازگار هستند. روش جدید DEA  ، وزن های صحیح کاملاً سازگار با ماتریس های دو به دو تولید می کند و بهترین اولویت های مکانی که منطقی و سازگار با قضاوت های ذهنی تصمیم گیرنده  برای ماتریس های مقایسه دو به دو ناسازگار هستند. در ساختار های سلسله مراتبی ،روش جدید DEA از روش وزنی اضافی برای تراکم بهترین اولویت های مکانی بدون نیاز به ساده سازی بهره می برد.

مثال های عددی در کل مقاله سنجیده شدند تا مزایای روش شناسی جدید DEA  و کاربرد های بالقوه اش را در هر دو نوع تصمیم گیری AHP  و گروهی نشان دهند.

چگونه  برادار اولویت را از ماتریس مقایسه دو به دو مشتق گرفت که موضوع پژوهشی مهمی  در فرآیند سلسله مراتبی تحلیلی بود و به طور اساسی در در نوشته های AHP  بررسی شده است. جدا از روش شناخته شده  بردار مشخصه Saaty [10] ، بکلی تعدادی از شیوه های گزینه پیشنهاد شده اند که عبارتند از : روش حداقل مربعات وزنی (WLSM)  [3]  ، روش حد اقل مربعات اگاریتمی (LLSM) [5] ، روش حداقل مربعات هندسی (GLSM) [7] ، روش برنامه ریزی نامعلوم (FPM) [8] ، روش ویژه وزنی گرادیانی(GEM)  [4] و غیره.

اخیراً ، رامانتاهان [9] روش DEAHP را برای مشتق گیری وزنی و تراکم وزنی در AHP پدید آورد. روش DEAHP ، هر معیار  یا گزینه را در ماتریس مقایسه دو به دو به عنوان نهاد تصمیم گیری می نگرد ، که در تحلیل احاطه داده ها ، واحد تصمیم گیری (DMU) نامیده می شوند ، اجزای ردیف ماتریس مقایسه دو به دو مثل خرو جی های واحد های تصمیم گیری و از ورودی ساختگی استفاده می کند که دارای مقدار یک برای تمامی واحد های تصمیم گیری بود تا یک مدل CCR  ناشی از ورودی برای هر واحد تصمیم گیری بسازد تا بهترین کارآمدی نسبی ممکن آن را محاسبه نمایند.سپس بهترین اثربخشی های نسبی به عنوان اولویت های مکانی واحد های تصمیم گیری بکار می روند (معیار ها یا گزینه های تصمیم). DEAHP ثابت کرد که قادر می باشد تا وزن های صحیح برای سازگاری کامل با ماتریس های مقایسه دو به دو را تولید نماید و اخیراً برای انتخاب تامین کننده توسط سوکلی و همکاران اعمال گردید.[12] . با این وجود ، همچنین روش DEAHP  نشان داد که دارای بعضی اشکالات می باشد که با مثال های عددی در مطالعه وانگ و همکارانش نشان داده شدند[13] .مهم ترین اشکال این است که در اینجا تضمینی وجود ندارد که روش DEAHP  قادر به تولید بردار های وزنی مستدل برای ماتریس های مقایسه دو به دو ناهمگون نمی باشد...