شناسایی عینی بازده به مقیاس تکنولوژی برای مدل‌های DEA

Authors

  • انسیه حاجی‌نژاد دانشجوی دکتری ریاضی کاربردی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران
  • محمدرضا علیرضایی دانشیار، گروه ریاضی کاربردی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران
Abstract:

یکی از مسائل مهم و چالش‌برانگیز در به‌کارگیری یک مدل تحلیل پوششی داده‌ها (DEA)، تعیین درست‌ بازده به مقیاس (RTS) برای مجموعه داده‌ها است که ما آن را بازده به مقیاس تکنولوژی (TRTS) می‌نامیم تا تفکیک صحیحی میان بازده به مقیاس تکنولوژی و بازده به مقیاس واحدهای تصمیم‌گیرنده داشته باشیم. در حال حاضر تنها روش‌های عینی۱ موجود برای شناسایی بازده به مقیاس تکنولوژی، روش‌های آماری می‌باشند که با وجود تئوری قوی، در کاربرد با دشواری‌هایی همراه هستند. در این مقاله ساختاری عینی، نوین و غیرآماری برای شناسایی بازده به مقیاس تکنولوژی به طور صرف براساس داده‌ها ارئه نموده و آن را روش زاویه‌ها می‌نامیم. دلیل این نامگذاری آن است که در این روش، شکاف میان فرض بازده به مقیاس تکنولوژی ثابت و متغیر با استفاده از زاویه میان ابرصفحات محاسبه می‌شود. شکاف در دو بخش افزایشی و کاهشی مرز محاسبه می‌گردد. هرچه شکاف در بخش افزایشی (کاهشی) بزرگ‌تر باشد، بازده به مقیاس تکنولوژی به فرض افزایشی (کاهشی) نزدیک‌تر است. نوآوری روش پیشنهادی در این است که بازده به مقیاس تکنولوژی را صرفاً با استفاده از داده‌ها و بدون هیچ‌گونه فرض آماری شناسایی می‌کند. افزون بر این، برخلاف آزمون‌های آماری که صرفاً به رد یا قبول فرضیه‌ای می‌پردازند، شکاف ارائه‌ شده در این مقاله میزان افزایشی یا کاهشی بودن بازده به مقیاس تکنولوژی را نیز نشان می‌دهد. درستی روش پیشنهادی با استفاده از 6 نمونه یک ورودی - یک خروجی با بازده به مقیاس تکنولوژی متفاوت و قابل مشاهده و نیز یک نمونه دو ورودی - یک خروجی نشان داده شده است. افزون بر این، روش زاویه‌ها برای شناسایی بازده به مقیاس تکنولوژی مجموعه داده شرکت‌های گاز استانی مورد استفاده قرار گرفته است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تخمین بازده به مقیاس در dea نادقیق

در این پایان نامه بازده به مقیاس را با روش دیگری که پایه و اساس آن مدل جمعی است تخمین می-زنیم. در تحلیل پوششی داده های معمولی، فرض بر این است که داده های ورودی و خروجی دقیقا مشخص هستند. البته این فرض همیشه درست نیست، زیرا در مسائل واقعی اغلب داده ها را نمی توان دقیقا اندازه گیری کرد. به عبارت دیگر داده ها در جهان واقعی اغلب نادقیق هستند. به همین علت ما در این پایان نامه روش معرفی شده برای تخمین...

15 صفحه اول

dea در حضور داده های صحیح تحت حالت های مختلف بازده به مقیاس

مدل های dea معمول برنامه ریزی خطی بر پایه ی ورودی ها و خروجی های پیوسته(مقادیر حقیقی ) در نظر مِی گیرند. در حالی که در بسیاری از کاربردها بعضی از داده های ورودی و یا خروجی به طور مشخص دارای مقدار صحیح هستند.حالت هایی که باید دارای مقادیر صحیح باشند معمولا شامل منابع خدمات یا نتایج هستند که نمی توانند تقسیم شوند. به عنوان مثال تعداد کارگران تعداد ماشین ها تعداد مشتریان تعداد مقالات و ... عمدت...

15 صفحه اول

تراکم و بازده به مقیاس dea در حضور جواب های بهینه چندگانه

درحال حاضر مفهوم اقتصادی تراکم، مورد بحث بسیاری از پژوهشگران درعلم تحلیل پوششی داده ها واقع شده است. آنها برای پی بردن به رابطه تئوری بین بازده به مقیاس و مفهوم تراکم، تلاش بسیاری انجام داده اند زیرا این دو مفهوم اقتصادی دقیقا به هم مربوط هستند.تون وساهو در مقاله ای با عنوان محاسبه درجه مقیاس کشسانی و تراکم در تحلیل پوششی داده ها به ارتباط تئوری بین تراکم و بازده به مقیاس پرداختند.

استوار‌سازی مدل‌های DEA برای شناسایی واحدهای دارای بدترین عملکرد

An original data envelopment analysis (DEA) model is to evaluate each decision-making unit (DMU) with a set of most favorable weights of performance indices to finding worst-practice DMUs. Indeed classical DEA models evaluate each DMUs compared to the most effective DMU. Since in this way the relative efficiency is calculated, therefore at least one of the DMUs are located on the efficiency fro...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 2  issue 2

pages  85- 107

publication date 2017-07-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023