رتبه بندی واحدهای تصمیم گیرنده با استفاده از تحلیل پوششی داده ها با در نظر گرفتن دوره های زمانی متعدد

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه ریاضی، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.

چکیده

تحلیل پوششی داده‌ها (DEA)  تکنیکی برای ارزیابی واحدهای تصمیم‌گیرنده متجانس است. در این روش، عدد کارایی برای هر واحد، از مقایسه‌ی عملکرد هر واحد تصمیم‌گیرنده (DMU) با عملکرد بقیه واحدها به‌دست می آید. عدد کارایی مذکور به‌عنوان معیاری برای رتبه‌بندی واحدها قابل استفاده است. در بسیاری از موارد تعداد قابل توجهی از واحدها کارا شده و لذا، کارایی حاصل از مدل‌های کلاسیک DEA نمی تواند معیار مناسبی برای رتبه بندی دقیق DMU ها باشد. در این پژوهش، روشی برای رتبه‌بندی DMU ها با استفاده از کارایی آن‌ها در دوره‌های زمانی متعدد ارائه می‌شود، به‌صورتی که سه نوع مجموعه امکان تولید معرفی می‌شود و متناظر با هر مجموعه، یک عدد کارایی برای هر DMU به‌دست می آید. سپس، سه مقدار کارایی منتج از سه روش مذکور، با استفاده از روش آنتروپی شانون با یکدیگر ترکیب شده و یک معیار کارایی کلی برای هر واحد تعریف می‌کنند. این معیار در‌نهایت به‌عنوان شاخص اصلی برای رتبه‌بندی واحدها در‌نظر گرفته می‌شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Ranking of decision-making units using data envelopment analysis by considering multiple time periods

نویسندگان [English]

  • Reza Maddahi
  • Hamidreza Yazdani
Department of Mathematics, Najafabad Branch, Islamic Azad University, Najaf abad, Iran.
چکیده [English]

Data Envelopment Analysis (DEA) is a technique for evaluating homogeneous decision-making units. In this method, the efficiency score for each unit is obtained by comparing the performance of each Decision-Making Unit (DMU) with the performance of the other units. This performance score can be used as a criterion for ranking units. In many cases, a significant number of units are efficient, and therefore, the efficiency of the classic DEA models cannot be a good criterion for accurate ranking of DMUs. In this study, a method for ranking DMUs using their efficiency is presented in several time periods, so that three types of production possibility sets are introduced. In the first type, for each time period, an independent production possibility set is defined, in the second type, a combination production possibility set is used for all time periods, and in the third type, a community production possibility set is created, which considers all time periods. Then, corresponding to each type, one efficiency number is obtained for each DMU. Therefore, the three values of efficiency resulting from the three methods are combined using the Shannon entropy method and define a general performance criterion for each unit. This criterion is ultimately considered as the main indicator for ranking units.

کلیدواژه‌ها [English]

  • Data Envelopment Analysis
  • Ranking
  • Performance Evaluation
  • Efficiency
  • time period
Amani, N., & Bagherzadeh, V. H. (2018). Efficiency evaluation of regional electronic companies in Iran by network DEA: a based on the conversion of the Structures into a uniform structure [ارزیابی کارایی شرکت های برق منطقه ای ایران با تحلیل پوششی داده‌های شبکه ای: بر اساس تبدیل ساختار ها به یک ساختار یکنواخت]. Journal of decisions and operations research, 3(3), 249-280.
Jahangiri, A. (2019). Application of data envelopment analysis technique in Iran banking system [کاربردتکنیک تحلیل پوششی داده ها در نظام بانک داری ایران]. Journal of decisions and operations research, 3(4), 368-401.
Khanmohamadi, M., & Heydari, H. (2018). Evaluation of efficiency and ranking cement companies active in the market with improved method of integrating DEA and AHP [بررسی کارایی و رتبه بندی شرکت های سیمانی فعال در بورس با استفاده از روش بهبود یافته تلفیق تحلیل پوششی داده ها و فرآیند تحلیل سلسله مراتبی]. Journal of decisions and operations research, 3(2), 138-150.
Shafiee, M. (2017). Bank branches efficiency assessment using dynamic data envelopment analysis approach to SBM [ ارزیابی کارایی شعب بانک با استفاده از مدل تحلیل پوششی داده های پویا با رویکردSBM]. Journal of new researches in mathematics3(10), 5-18.
Tavakoli, M. M., & Shirooye zad, H. (2016). Proposing a method for combine of DEA ranking techniques by decision making approach - with a case study [ارائه روشی جهت ترکیب روش های رتبه بندی تحلیل پوششی داده ها با استفاده از رویکرد تصمیم گیری چندمعیاره – مطالعه موردی]. Journal of decisions and operations research, 1(1), 52-65.
 
Adler, N., & Volta, N. (2019). Ranking methods within data envelopment analysis. In The Palgrave handbook of economic performance analysis (pp. 189-224). Palgrave Macmillan, Cham.
Aldamak, A., & Zolfaghari, S. (2017). Review of efficiency ranking methods in data envelopment analysis. Measurement, 106, 161-172.
Andersen, P., & Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management science, 39(10), 1261-1264.
Aparicio, J., Ortiz, L., Pastor, J. T., & Zabala-Iturriagagoitia, J. M. (2020). Introducing cross-productivity: a new approach for ranking productive units over time in Data Envelopment Analysis. Computers & industrial engineering. https://doi.org/10.1016/j.cie.2020.106456
Avkiran, N. K., & Morita, H. (2010). Predicting Japanese bank stock performance with a composite relative efficiency metric: A new investment tool. Pacific-basin finance journal, 18(3), 254-271.
Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078-1092.
Bolouri, M. E., Ziari, S., & Ebrahimnejad, A. (2020). New approach for ranking efficient DMUs based on Euclidean norm in data envelopment analysis. International journal of operational research37(1), 85-104.
Charnes, A., & Cooper, W. W. (1984). Preface to topics in data envelopment analysis. Annals of operations research2(1), 59-94.
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research2(6), 429-444.
Esmailian, G., Jafari, M. R., Jafari Eskandari, M., & Tavakkoli-Moghaddam, R. (2020). Measuring the efficiency of banks' performance based on economic policies using data envelopment analysis. International journal of nonlinear analysis and applications11(2), 39-61.
Ghiyasi, M., & Zhu, N. (2020). An inverse semi-oriented radial data envelopment analysis measure for dealing with negative data. IMA journal of management mathematics. https://doi.org/10.1093/imaman/dpaa007
Izadikhah, M., & Saen, R. F. (2019). Ranking sustainable suppliers by context-dependent data envelopment analysis. Annals of operations research, 1-31.
Kao, C., & Liu, S. T. (2020). A slacks-based measure model for calculating cross efficiency in data envelopment analysis. Omega. https://doi.org/10.1016/j.omega.2020.102192
Malhotra, D. K., Malhotra, R., & Nydick, R. (2020). Evaluating Cost Efficiencies in Asset Management and Custody Banks Using Data Envelopment Analysis. The journal of financial data science2(2), 110-127.
Mariana, L., & Harun, H. (2020). Analysis of the efficiency level of Sharia Rural Financing Bank (SRFB) using Data Envelopment Analysis (DEA). Journal of Islamic economic laws3(1), 68-85.
Ray, S. C. (2007). Are some Indian banks too large? An examination of size efficiency in Indian banking. Journal of productivity analysis27(1), 41-56.
Si, Q., & Ma, Z. (2019). DEA cross-efficiency ranking method based on grey correlation degree and relative entropy. Entropy21(10), 966.
Soleimani-Chamkhorami, K., Hosseinzadeh Lotfi, F., Jahanshahloo, G., & Rostamy-Malkhalifeh, M. (2020). A ranking system based on inverse data envelopment analysis. IMA journal of management mathematics31(3), 367-385.
Soleimani-Damaneh, M., & Zarepisheh, M. (2009). Shannon’s entropy for combining the efficiency results of different DEA models: Method and application. Expert systems with applications36(3), 5146-5150.
Tanwar, J., Seth, H., Vaish, A. K., & Rao, N. V. M. (2020). Revisiting the efficiency of Indian banking sector: an analysis of comparative models through data envelopment analysis. Indian journal of finance and banking4(1), 92-108.