تحلیل پوششی داده ها
حسین عزیزی
چکیده
هدف: فرآیند تحلیل سلسله‌مراتبی یک روش تصمیم‌گیری چندمعیاره است که در عرصه‌های مختلفی به‌صورت گسترده مورد استفاده قرار گرفته است. به دست آوردن اولویت‌های معیارها یا گزینه‌های تصمیم از ماتریس‌های مقایسه زوجی در AHP به‌صورت گسترده‌ای مورد مطالعه قرار گرفته است. این مقاله رویکرد «DEA با مرز دوگانه» را برای تعیین اولویت در ...
بیشتر
هدف: فرآیند تحلیل سلسله‌مراتبی یک روش تصمیم‌گیری چندمعیاره است که در عرصه‌های مختلفی به‌صورت گسترده مورد استفاده قرار گرفته است. به دست آوردن اولویت‌های معیارها یا گزینه‌های تصمیم از ماتریس‌های مقایسه زوجی در AHP به‌صورت گسترده‌ای مورد مطالعه قرار گرفته است. این مقاله رویکرد «DEA با مرز دوگانه» را برای تعیین اولویت در AHP پیشنهاد می‌کند. در این رویکرد جدید، از دو مدل DEA خوشبینانه و بدبینانه برای به دست آوردن بهترین اولویت‌های محلی از یک ماتریس مقایسه زوجی، صرف نظر از اینکه کاملا سازگار باشد یا نباشد، استفاده می‌شود.روش‌شناسی پژوهش: یکی از روش‌های تعیین اولویت، تحلیل پوششی داده‌ها است که در ترکیب با AHP، روش DEAHP را برای به دست آوردن و تجمیع وزن‌ها در AHP ایجاد می‌کند. بررسی‌ها نشان می‌دهد که روش DEAHP برای به دست آوردن و تجمیع وزن‌ها در AHP، معیوب است و گاه برای ماتریس‌های مقایسه زوجی ناسازگار، بردارهای اولویت مخالف با شهود ایجاد می‌کند که موجب محدودیت کاربرد آن می‌شود. در این مقاله، یک رویکرد مبتنی بر «DEA با مرز دوگانه» را برای غلبه بر مشکلات DEAHP ارایه می‌کنیم.یافته‌ها: به خاطر نیاز به توسعه نظریه DEAHP و روش‌های آن و هم کاربردهای واقعی آن، مدل DEAHP بدبینانه جدیدی را پیشنهاد کردیم که یک معیار یا گزینه تصمیم را از دیدگاه بدبینانه ارزیابی می‌کند. سپس با استفاده از یک شاخص، وزن‌های به دست آمده از دیدگاه‌های خوشبینانه و بدبینانه را تلفیق کردیم تا یک ارزیابی کلی از معیارها یا گزینه‌های تصمیم به دست آید. چند مثال عددی، ازجمله یک کاربرد واقعی از AHP برای انتخاب یک تیم نوآوری برای یک دانشگاه ارایه شدند، نتایج نشان‌دهنده مزایای رویکرد پیشنهادی و کاربردهای بالقوه آن می‌باشند.اصالت/ارزش افزوده علمی: رویکرد DEA با مرز دوگانه برای ماتریس‌های مقایسه زوجی کاملا سازگار وزن‌های حقیقی تولید می‌کند و برای ماتریس‌های مقایسه زوجی ناسازگار، بهترین اولویت‌های محلی را ایجاد می‌کند که منطقی و متناسب با قضاوت‌های ذهنی تصمیم گیرندگان هستند.
تحلیل پوششی داده ها
حسین عزیزی
چکیده
مطالعات نشان داده است که تحلیل پوششی داده‌ها (DEA) یک روش عالی تحلیل کارایی مبتنی بر داده‌ها برای مقایسه‌ی واحدهای تصمیم‌گیری دارای ورودی‌های متعدد و خروجی‌های متعدد است. انتخاب ورودی‌ها و خروجی‌ها (اندازه‌های عملکردی) در DEA کار ظریفی است. اساساً گنجاندن تعداد زیاد ورودی‌ها و خروجی‌ها کار خوبی محسوب می‌شود. ...
بیشتر
مطالعات نشان داده است که تحلیل پوششی داده‌ها (DEA) یک روش عالی تحلیل کارایی مبتنی بر داده‌ها برای مقایسه‌ی واحدهای تصمیم‌گیری دارای ورودی‌های متعدد و خروجی‌های متعدد است. انتخاب ورودی‌ها و خروجی‌ها (اندازه‌های عملکردی) در DEA کار ظریفی است. اساساً گنجاندن تعداد زیاد ورودی‌ها و خروجی‌ها کار خوبی محسوب می‌شود. ولی گنجاندن ورودی‌ها و خروجی‌های متعدد ممکن است به معنای آن باشد که مقدار زیادی اطلاعات اضافی گنجانده شده است، و این ممکن است منجر به آن شود که برخی از واحدهای تصمیم‌گیری صرفاً به خاطر اینکه از نظر برخی از متغیرهای زاید عملکرد بالایی دارند، به‌عنوان کارا محسوب شوند. از طرفی، در برخی از موقعیت‌ها، بعضی اندازه‌های عملکردی می‌توانند هم نقش ورودی و هم نقش خروجی را ایفا کنند. به این اندازه‌های عملکردی، اندازه‌های انعطاف‌پذیر یا عوامل دونقشی می‌گویند. گرچه مدل‌هایی برای کار با اینگونه عوامل دونقشی ابداع شده‌اند، اما این مقاله ارزیابی عملکرد را از دو دیدگاه خوشبینانه و بدبینانه برای انتخاب ارائه دهنده‌ی تدارکات معکوس طرف ثالث در حضور عوامل دونقشی متعدد پیشنهاد می‌کند. یک مثال عددی کاربرد رویکرد پیشنهادی را نشان می‌دهد.
