طراحی مدل تحلیل پوششی داده های تصادفی چندهدفه به منظور پیش بینی کارایی واحدهای سازمانی

تحلیل پوششی داده­ها (dea) تکنیکی است که کارایی واحدهای تصمیم­گیرنده (dmu) را براساس ورودی­ها و خروجی­های آن ها اندازه گیری می­نماید. از آنجا که پیش­بینی کارایی واحدها برای برنامه­ریزی دقیق­تر برای آینده اهمیت بسزایی دارد، این مقاله ابتدا مدلی جدید به نام مدل تحلیل پوششی داده­های تصادفی فازی چندهدفه (mofs-dea) با اوزان مشترک در محیطی پویا  ارایه می­نماید که تغییرات داده­ها را در طول دوره­های متوالی ارزیابی در نظر می­گیرد. در این مدل از مفهوم مقدار مورد انتظار برای توابع هدف در راستای پیش­بینی کارایی مورد انتظار واحدها و نیز از مفهوم فازی متوسط شانس در بیان محدودیت­های مدل استفاده و ‎همچنین در این مدل ورودی­ها و خروجی­ها به صورت  متغیرهای فازی مثلثی تصادفی با توزیع نرمال، فرض شده است. سپس تحت این فرض به دلیل پیچیده بودن فرآیند حل، مدل mofs-dea به مدل برنامه­ریزی تصادفی چندهدفه ی معادلش تبدیل می­گردد. آنگاه برای کاهش زمان محاسباتی، مدل تصادفی چند هدفه­ ی معادل mofs-dea با استفاده از رویکرد برنامه ­ریزی فازی به مدل تصادفی تک هدفه تبدیل می­ گردد. همچنین برای حل مدل حاصله، الگوریتم هیبریدی نوینی از طریق تلفیق الگوریتم ژنتیک (ga) و تکنیک شبیه­ سازی مونت­کارلو (mc) طراحی می­ گردد. نهایتاً در راستای تایید صحت و اثربخشی مدل و الگوریتم هیبریدی پیشنهادی، یک مطالعه ی موردی در انتها صورت گرفته و نتایج حاصله از الگوریتم پیشنهادی با نتایج حاصل از الگوریتم هیبریدی مشابه کین و لیو مقایسه می­ شود که نتایج حاکی از برتری زمان محاسباتی و کیفیت نتایج الگوریتم هیبریدی پیشنهادی می ­باشد.