کلیدواژه‌ها = تحلیل پوششی داده‌ها (DEA)

ارائه‌ی مدل جدید DEA شبکه‌ای مبتنی بر تابع فاصله‌ی جهت‌دار برای پردازش هم‌زمان داده‌های منفی و مقدار صحیح

دوره 29، شماره 4، زمستان 1404، صفحه 1-32

https://doi.org/10.48311/mri.2026.28272

حسین عزیزی، سمیه رشید

چکیده تحلیل پوششی داده‌ها (DEA) به‌عنوان یک روش غیرپارامتری و داده‌محور، ابزاری کارآمد برای ارزیابی کارایی نسبی مجموعه‌ای از واحدهای تصمیم‌گیرنده (DMUها) با چندین ورودی و خروجی است. با این حال، مدل‌های کلاسیک DEA ساختار درونی DMUها را نادیده می‌گیرند و آن‌ها را به‌عنوان جعبه‌های سیاه در نظر می‌گیرند. برای رفع این محدودیت، DEAی شبکه‌ای توسعه یافته است که تعاملات درونی بین اجزای DMU را به طور صریح مدل‌سازی می‌کند. علاوه بر این، در بسیاری از کاربردهای واقعی، برخی متغیرهای ورودی، خروجی یا محصولات بینابینی دارای ماهیت گسسته و مقادیر صحیح هستند و حتی ممکن است داده‌های منفی نیز وجود داشته باشد. این ویژگی‌ها در مدل‌های مرسوم DEA نادیده گرفته می‌شوند و می‌توانند منجر به برآوردهای نادرست و غیرعملی گردند. در این مقاله، یک مدل DEAی شبکه‌ای مبتنی بر تابع فاصله‌ی جهت‌دار برای سیستم‌های سری دو بخشی ارائه می‌شود که قابلیت پردازش همزمان داده‌های منفی و مقدار صحیح را داراست. مدل پیشنهادی با تعریف مناسب بردار جهت، امکان اندازه‌گیری کارایی سیستم تحت هر دو فرض بازده به مقیاس ثابت و متغیر را فراهم می‌کند. برای نمایش قابلیت‌های مدل پیشنهادی، یک مطالعه‌ی موردی بر روی ۲۹ زنجیره‌ی تأمین ایرانی در صنعت تجهیزات مصرفی پزشکی انجام شده است. نتایج نشان می‌دهد که مدل پیشنهادی نه‌تنها قادر است DMUهای کارا و ناکارا را به‌درستی تفکیک کند، بلکه با ارائه‌ی نقاط تصویر، مسیر دقیق اصلاح عملکرد هر بخش را نیز مشخص می‌سازد. یافته‌ها نشان می‌دهد که رویکرد پیشنهادی می‌تواند به‌عنوان ابزاری معتبر برای ارزیابی و بهبود کارایی زنجیره‌های تأمین، به‌ویژه در صنایع حساس نظیر تجهیزات

سنجش کارآیی در تحلیل پوششی داده‌ها با استفاده از مرزهای کارآ و ناکارآ

دوره 16، شماره 3، پاییز 1391، صفحه 153-173

حسین عزیزی

چکیده تحلیل پوششی داده ها (DEA) یک رویکرد داده ای برای ارزیابی عملکرد مجموعه ای از موجودیت های متجانس به نام واحدهای تصمیم گیری (DMUها) است، که عملکرد آنها بر اساس اندازه های متعدد مشخص می شود. DEAی سنتی که مبتنی بر مفهوم مرز کارآیی است، بهترین نمره ی کارآیی را تعیین می کند که می توان به هر یک از DMUها اختصاص داد. DMUها بر اساس این نمرات به عنوان کارآی DEA (کارآی خوشبینانه) یا غیرکارآی DEA (غیرکارآی خوشبینانه) تقسیم بندی می شوند، و DMUهای کارآی DEA، مرز کارآیی را مشخص می کنند. رویکرد مشابهی وجود دارد که از مفهوم مرز ناکارآیی برای تعیین بدترین نمره ی کارآیی نسبی که می توان به هر DMU اختصاص داد، استفاده می کند. DMUهای واقع روی مرز ناکارآیی به عنوان ناکارآی DEA یا ناکارآی بدبینانه تعیین می شوند، و آنهایی که روی مرز ناکارآ نیستند، به عنوان غیرناکارآی DEA یا غیرناکارآی بدبینانه اعلام می شوند. در این مقاله، این بحث مطرح می شود که هر دو کارآیی نسبی را باید با هم در نظر گرفت، و هر رویکردی که فقط یکی از آنها را در نظر گرفته باشد، دچار سوگیری خواهد بود. برای اندازه گیری عملکرد کلی DMUها، پیشنهاد می شود که هر دو کارآیی را در قالب یک بازه ادغام کنیم، و مدل های DEAی پیشنهادی برای اندازه گیری کارآیی را مدل های DEAی کراندار می نامیم. به این ترتیب، بازه ی کارآیی تمام مقادیر ممکن کارآیی را که منعکس کننده ی دیدگاه های مختلف هستند، در اختیار تصمیم گیرنده قرار می دهد. یک مثال عددی در مورد شرکت های گاز ایران با استفاده از مدل های DEAی پیشنهادی بررسی می شود، تا سادگی و سودمندی آن را نشان دهند.