دانلود مقاله ترجمه شده ارزیابی بهره وری متقاطع DEA بر پایه بهبود پارتو

چکیده

ارزیابی بهره وری متقاطع، به عنوان یک ابزار گسترده برای تحلیل پوششی داده ها (DEA)، دارای کاربرد گسترده ای در ارزیابی و رده بندی واحدهای تصمیم گیر (DMUها) است. متأسفانه ممکن است امتیازهای بهره وری متقاطع تولید شده، بهینه- پارتو نباشند؛ که همین امر اثربخشی این روش را کاهش داده است. ما برای حل این مشکل، یک رویکرد ارزیابی بهره وری متقاطع مبتنی بر بهبود پارتو پیشنهاد می کنیم؛ که حاوی دو مدل (مدل برآورد بهینگی پارتو و مدل بهبود پارتوی بهره وری متقاطع) و یک الگوریتم می باشد. مدل برآورد بهینگی پارتو برای تخمین این موضوع مورد استفاده قرار می گیرد که آیا مجموعه ای مفروض از امتیازات بهره وری متقاطع می توانند جواب های بهینه- پارتو باشند. اگر این امتیازات بهره وری متقاطع، بهینه پارتو نباشند، پس مدل بهبود پارتو برای ایجاد بهبود پارتوی بهره وری متقاطع برای تمام DMUها مورد استفاده قرار می گیرد. بر خلاف سایر رویکردهای بهره وری متقاطع، رویکرد پیشنهادی ما همیشه مجموعه ای از بهره وری های متقاطع بهینه- پارتو تحت اصول و مبانی از پیش مشخص برای انتخاب وزن برای این DMUها به دست می آورد. علاوه بر این، چنانچه الگوریتم پیشنهادی در گام3 به پایان برسد، نتایج ارزیابی تولید شده توسط رویکرد ما، تمامی روش های ارزیابی اعم از خود ارزیابی، ارزیابی یکجا و ارزیابی وزن مشترک در DEA را به صورت یکپارچه درمی آورد. به ویژه زمانی که الگوریتم به پایان می رسد، بهره وری خود ارزیابی و بهره وری ارزیابی شده به صورت یکجا، در یک بهره وری ارزیابی وزن مشترک، به همگرایی می رسند. این باعث می گردد که نتایج حاصل از ارزیابی، از مقبولیت بیشتری از سوی تمامی DMUها برخوردار باشد. 

1-مقدمه

تحلیل پوششی داده (DEA)، که در اصل توسط چارنز، کوپر و رودس (1978) مطرح گردید، یک روش برنامه ریزی غیر خطی برای ارزیابی میزان بهره وری گروهی از واحدهای تصمیم گیر همگن (DMUها) با ورودی های چندگانه و خروجی های چندگانه می باشد (کوک، هاریسون، ایمانیراد، روز و ژو، 2013؛ کوک، لیانگ، ژا و ژو، 2009؛ ایمانیراد، کوک، آویلِس- ساکوتو و ژو،2015؛ تاناسولیس، کورتلانِن، جونز و جونز، 2011؛ یانگ، لی، چِن و لیانگ، 2014)...