کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

بهبود تمایز واحدهای کارا در تحلیل پوششی داده‌ها با رویکردهای آماری و محاسبات نرم

نویسندگان :

اکبر امیری¹

1- آزاد اسلامی واحد تالش

کلمات کلیدی :

تحلیل پوششی داده ها،رویکردهای آماری،محاسبات نرم،رتبه بندی

چکیده :

تحلیل پوششی داده‌ها (DEA) مجموعه‌ای از مدل‌های ریاضی برای سنجش کارایی نسبی واحدهای تصمیم‌گیری همگن بر پایه ورودی‌ها و خروجی‌های مشابه است. در مدل‌های مضربی DEA، هر واحد تصمیم‌گیری وزن‌هایی را برای شاخص‌های ورودی و خروجی خود انتخاب می‌کند که منجر به محاسبه وزن‌های متفاوت برای شاخص‌های یکسان و ایجاد نتایج غیرواقع‌بینانه در مقایسه واحدهای تصمیم‌گیری می‌شود. برای رفع این مشکل، استفاده از مجموعه وزن‌های مشترک به‌عنوان یکی از رویکردهای محاسبات نرم، امکان ارزیابی منسجم‌تر واحدهای تصمیم‌گیری را فراهم می‌سازد. بااین‌حال، در این مقاله تعیین وزن‌های مشترک به‌گونه‌ای که بتواند تمایز واقعی میان واحدهای تصمیم‌گیری کارا را آشکار کند، نیازمند بهره‌گیری از روش‌های آماری پیشرفته است. در این پژوهش، از روش بوت‌استرپ به‌عنوان یک رویکرد آماری ناپارامتری استفاده می‌شود تا با برآورد بازه‌های اطمینان احتمالی برای وزن‌ها، مجموعه‌ای از وزن‌های مشترک قابل‌قبول استخراج گردد. به‌کارگیری این وزن‌های مشترکِ مبتنی بر بوت‌استرپ، امکان افتراق دقیق‌تر واحدهای تصمیم‌گیری کارا و رتبه‌بندی آن‌ها را فراهم می‌آورد. روش پیشنهادی روی ۲۷ واحد تصمیم‌گیری آزمایش شده است و با استفاده از این روش، تمامی واحدهای تصمیم گیری و بخصوص ۴ واحد تصمیم‌گیری کارا در بخش ۴ به طور کامل از یکدیگر متمایز شدند. بدین ترتیب، واحدهای تصمیم‌گیری که در مدل‌های کلاسیک DEA همگی کارا ارزیابی می‌شدند، بر اساس چارچوب ارائه‌شده قابل‌تمایز بوده و اولویت‌بندی آن‌ها از منظر کارایی و اثربخشی امکان‌پذیر می‌شود. رویکرد تلفیقی ارائه‌شده با ترکیب روش‌های آماری و محاسبات نرم، راهکاری کارآمد برای ارتقای قدرت تمایز و رتبه‌بندی در تحلیل پوششی داده‌ها ارائه می‌دهد.