تحلیل پوششی داده ها روشی برای اندازه گیری کارایی نسبی و به دست آوردن الگو برای واحد های تصمیم گیری و رتبه بندی این واحد ها می باشد. ابرکارایی، یکی از مدل های رتبه بندی می باشد که توسط اندرسن و پیترسن برای رتبه بندی واحدهای کارا ارائه شد. در این پایان نامه دو مدل تعمیم یافته ی ابرکارایی بررسی می گردد که قدرت تشخیص مدل های تحلیل پوششی داده ها را بهبود می بخشد. با توجه به کاربردی بودن dea بهبود و افزایش قدرت ارزیابی و تشخیص آن از نظر مدیریتی اساسی و مهم است . هدف به دست آوردن مدل هایی با قدرت تشخیص بالا نسبت به مدل های معمولی تحلیل پوششی داده ها است. مدل های پیشنهادی بال و همکاران علاوه بر بهبود قدرت تشخیص مدل های تحلیل پوششی داده ها، از انتشار فاحش وزن ها نسبت به میانگین شان جلوگیری می کند و این از امتیازات این مدل ها می باشد. اما از مشکلات مدل ارائه شده در فصل سوم، غیرخطی بودن تابع هدف مدل می باشد. ولی باید توجه داشت به دلیل مینیمم نمودن مجموع اختلاف میان متغیرها، از میانگین شان، مدل سعی می کند از انتشار خطا جلوگیری کند و این موضوع باعث می شود که هریک از وزن های ورودی و خروجی در محدوده ی خاص قرار بگیرند. از ایرادات مدل پیشنهادی در فصل سوم و چهارم، نامفهوم بودن تابع هدف می باشد و این که چگونه از انتشار وزن ها نسبت به میانگین جلوگیری می کند و همچنین روشن است که تابع هدف در این مدل هیچ بحثی از کارائی به میان نمی آورد و باید بعد از حل مدل، آن را به دست آورد. و از امتیازات این مدل، نسبت به مدل فصل سوم، خطی بودن مسئله می باشد. از پیشنهادات برای ادامه ی این موضوع، تعمیم هر دو مدل بال وهمکاران به دیگر مدل های تحلیل پوششی داده ها می باشد و نیز ارائه ی یک مدل خطی، که علاوه بر مینیمم کردن انتشار پراکندگی وزن ها بتواند کارایی را نیز به راحتی به دست آورد.

ارزیابی کارایی متقاطع ، مدت هاست به عنوان یک روش متناوب برای رتبه بندی واحدهای تصمیم گیرنده در تحلیل پوششی داده ها در نظر گرفته شده است . این پایان نامه مدل های برنامه ریزی آرمانی را که می تواند در مرحله دوم از ارزیابی متقاطع استفاده شود را در نظر می گیرد . مدل های برنامه ریزی آرمانی پیشنهاد شده مفهوم کارایی متفاوتی با تحلیل پوششی داده های کلاسیک ، معیارهای کارایی minsum و minmax دارند . مثال های عددی برای توضیح کاربردهای پیشنهاد مدل های کارایی متقاطع برنامه ریزی آرمانی ارائه شده اند .

کارایی متقاطع یکی از ابزارهای مهم برای بررسی کارایی و رتبه بندی واحدهای تصمیم گیری است و از جمله روشهایی است که توان بالایی در تفکیک پذیری واحدهای کارا دارد و برخلاف کارایی تکنیکی دارای محاسن زیادی است. و در تعیین کارایی متقاطع تعیین وزنها از اهمیت بسزایی برخوردار است و در این راستا روشهای متعددی مصرف شده است. در این ژایان نامه عملگر owa به عنوان یک ابزار در تعیین وزنها و به عنوان یکی از روشهای تصمیم گیری که قابلیت درنظر گرفتن اولویتها و ارزیابی های ذهنی تصمیم گیرنده را داراست مورد بررسی قرار می گیرد. استفاده از عملگر owa به تصمیم گیرنده اجازه می دهد تا به بهترین کارایی نسبی در انتخاب بهترین واحد تصمیم گیری دست یابد. انتظار میرود تعیین وزنها از طریق عملگر owa دارای برتریهای نسبی نسبت به روش های قبلی باشد.

جهت رفع مشکلات محاسبه تغییرات بهره وری سود و مولفه‎های آن، ناشی از معرفی مرزهای سود متفاوت در دوره-های زمانی متفاوت در این پایان نامه شاخص بهره وری مالم کوئیست سراسری سود بررسی می‎شود. این شاخص زمانی که هزینه ورودی ها و قیمت خروجی ها مشخص می باشد و موقعی که تولید کننده ها به دنبال بیشترین سود کلی از واحدهای تصمیم گیری (dmu) هستند، قابل اجرا است. برای این منظور، ابتدا، دو روش جهت به دست آوردن هزینه‎ها و قیمت‎های مشترک، یکی با اولویت تصمیم گیرنده و دیگری بدون اولویت تصمیم گیرنده ارائه می‎شود، سپس، مرز سود کارایی مشترک به دست می آید. شاخص پیشنهادی را می توان به چندین مولفه مدور، یعنی، تغییر کارایی سود، تغییر تکنیکی سود، تغییر کارایی تکنیکی، تغییر کارایی تخصیصی، تغییر تکنیکی و تغییر قیمت-سود تجزیه کرد. برای نشان دادن شاخص پیشنهادی و مولفه های آن، مثال عددی در سه دوره متوالی از زمان داده شده است.

در این پایان نامه هدف بکار گیری یک مدل یکپارچه از مهمترین و مفیدترین تکنیک های mcdm،ahpوtopsis برای آزمایش جایگاه کارخانه های اتومبیل در ایران مبباشد. در نگاه دیگر روش at ترکیبی از دو روش ذکر شده بری بدست آوردن رتبه بندی نهایی است. در کنار آنها ما مدل dea را پایه ای برای مقابسه و قابل اطمینان بودن روشهای mcdm فرض نموده ایم که at قابل اطمینان تر از ahp و topsisاست. نتایج تایید میکند که ایمنی و قیمت مهمترین معیار انتخاب اتومبیل می باشد،پس از مقابسه محصولات داخلی و خارجی و رتبه بندی آن ها بر پایه معیارها و زیرمعیارها ضرورت بهبود اتومبیل های داخلی در جایگاههای مختلف توصیه شده است.

کارایی متقاطع یک روش مهم برای مقایسه و رتبه بندی d m u ها است. از انواع مدل های کارایی متقاطع، مدل مهاجمانه و نیک خواهانه است از آن جا که ممکن است این دو مدل نتایج متفاوتی در رتبه بندی d m u ها داشته باشند، مدل بی طرف بیان شده است از مزایای این مدل کاهش تعداد وزن های صفر برای خروجی ها است. سپس مدلی معرفی می شود که تعداد وزن های صفر هم زمان برای ورودی ها و خروجی ها کاهش می یابد. در ادامه پایان نامه، با توسعه ی مدل های بی طرف وزن های متقاطع تعریف می شود و در پایان، با طرح مثالی تفاوت بین مدل های ارایه شده مورد بررسی قرار می گیرد.

تحلیل پوششی داده ها یک مساله برنامه ریزی خطی براساس روش های غیر پارامتری برای ارزیابی کارایی نسبی واحدهای تصمیم گیری متجانس براساس چندین ورودی و چندین خروجی است.مدل های موجود در dea به دو دسته مدل های شعاعی و مدل های غیر شعاعی و غیر شعاعی تقسیم می شوند.مدل های شعاعی تنها با تغییرات متناسب ورودی ها و خروجی ها ارتباط دارند و از متغیرهایکمککی ورودی ها و خروجی ها چشم پوشی می کنند.از طرف دیگر مدل های غیر شعاعی مستقیما با متغیرهای کمکی ورودی ها و خروجی ها در ارتباط هستند. مدل sbm یک مدل غیر شعاعی است که کارایی آن می تواند به کارایی های شعاعی، قیاسی و ترکیبی تجزیه شود. کارایی ترکیبی مقیاسی برای ورودی هایی که مصرف می شوند تا خروجی ها را تولید کنند.اندازه کارایی ترکیبی مرسوم به برخی داده های قطعی نیاز دارد که ممکن است همیشه در کاربردهای دنیای حقیقی در دسترس نباشند. در مسائل دنیای حقیقی داده ها ممکن است فازی یا غیر صریح باشند. در این پایان نامه ابتدا مقدمه ای از تحلیل پوششی داده ها آورده شده است. در ادامه با استفاده از ماهیت های ورودی مدل های ccr فازی و sbm فازی مفهومی از کارایی ترکیبی فازی آورده شده است،سپس روشی برای ارزیابی ضریب همبستگی فازی بین ورودی های فازی و خروجی های فازی با استفاده از مقدار مورد انتظار و در نهایت روشی جدید برای رتبه بندی dmu ها با استفاده از کارایی ترکیبی بررسی شده است.

در این تحقیق، روشی عادلانه برای رتبه بندی واحدهای تصمیم گیری بر مبنای مفهوم تحلیل پوششی داده ها ارائه داده شده است که این روش هم بر اساس دیدگاه خوش بینانه و هم بر اساس دیدگاه بدبینانه بیان شده است؛ پس نسبت به روش هایی که فقط بر پایه یکی از این نگرش ها است، عادلانه تر است. بدین منظور، ابتدا بیشترین و کمترین مقادیر کارایی برای هر واحد تصمیم گیری با فرض اینکه مجموع مقادیر کارایی برای تمام واحدها معادل یک می باشد محاسبه گردیده است، سپس برای هر واحد به نسبت ترکیبی از بیشترین و کمترین مقدار کارایی، رتبه آن محاسبه شده است. در ادامه نسخه فازی مدل ccr با اعداد فازی مثلثی نا متقارن ارائه شده است. سپس با ادغام این دو روش، روشی مبتنی بر کمینه و بیشینه کارایی برای واحدهای تصمیم گیری با داده های فازی پیشنهاد شده است. سپس با یک مثال جزئیات مدل پیشنهادی تشریح و با رویکرد ساعتی مقایسه شده است و در ادامه نشان داده شده است که این روش به عنوان یک ابزار ارزیابی عملکرد برای رتبه بندی تمام واحد ها بسیار عالی عمل می نماید.

یکی از روش های ارزیابی عملکرد واحدها، استفاده از روشهای ناپارامتری مانند تحلیل پوششی داده ها است که بوسیله آن با استفاده از مقدار بهینه در مدل ccr و با کمک شاخص بهره وری مالم کوئیست طی دو دوره زمانی شماره 1 و 2 تغییرات کارائی واحدهای مربوطه محاسبه می شود. گاهی ممکن است در بعضی از داده های ورودی و یا خروجی واحدهای تحت بررسی مقادیر منفی مشاهده شود که در این صورت استفاده از روشهای ارزیابی عملکرد متداول و نیز استفاده از مدلهای کلاسیک در تحلیل پوششی داده ها مقدور نمی باشد بنابراین، از روشهای جایگزین جهت ارزیابی داده هایی که حاوی مقادیر منفی هستند، استفاده می شود. یکی از این روشهای جایگزین استفاده از مدل rdm می باشد که بوسیله آن یک مرز کارائی متا برای واحدها در نظر گرفته می شود که تمامی واحدها را پوشش می دهد. سپس با استفاده از شاخص بهره وری متامالم کوئیست و نیز متالونبرگر، واحدها در دو یا چند دوره زمانی متوالی و یا نامتوالی امکان ارزیابی عملکرد از لحاظ پیشرفت و یا پسرفت را دارند.

دکتر جهانشاهلو و همکاران در سال 2011 مقاله ای در رابطه با تحلیل حساسیت واحدهای ناکارا در تحلیل پوششی داده ها ارایه کردند.این پایان نامه که برگرفته از همین مقاله است در صدد راهی برای بهبود واحدهای ناکاراست.در این پایان نامه تحلیل حساسیت واحد ناکارا مورد ارزیابی قرار می گیرد که با ارایه روشی نو بتوان یک واحد ناکارا را بهبود بخشید و این واحد ناکارا بتواند نمره کارایی جدیدی را کسب نماید . این نمره کارایی جدید توسط مدیر مجموعه تعریف می شود . در این صورت این واحد ناکارا میتواند با روش های مختلفی از جمله کاهش ورودی ، افزایش خروجی و یا ترکیب هر دو به مرز جدید برسد و بهبودی داشته باشد و رضایت مدیر سیستم را جلب نماید. این روش میتواند در زنجیره تأمین مورد استفاده قرار بگیرد.

در بسیاری از زمینهها می توان مواردی را یافت که دسته خروجی بصورت زیر مجموعههای مجزا یا واحدهای کاری مجزا میباشد و رفتار بازده نسبت به مقیاس تولید برای یک زیر گروه با گروههای دیگر فرق داشته باشد؛ چنین وضعیتی را با عنوان "تناسب چند متغیره" نامگذاری میکنیم. زیر گروههای تولیدی مختلف در یک شرکت،بخشهای مختلف یک بیمارستان و برنامههای مختلف یک دانشگاه را میتوان به عنوان نمونههایی از تناسب چند متغیره نام برد. شناسایی چنین رفتارهای مختلفی بینش مهمی در خصوص بهترین اندازه تولید،در هر یک از زیرگروهها را در اختیار مدیریت قرار می دهد. در این پایان نامه در جاهایی که تناسب چند متغیره وجود دارد؛ ابزارهایی مبتنی بر تحلیل پوششی داده ها ارائه میگردد.