| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,180 |
| تعداد مقالات | 17,658 |
| تعداد مشاهده مقاله | 53,736,651 |
| تعداد دریافت فایل اصل مقاله | 28,323,030 |
بهبود عملکرد واحدهای تصمیم گیرنده کارا با استفاده از روش تقاطع ابرصفحه های سازای مجموعه امکان تولید در تحلیل پوششی داده ها | ||
| مطالعات مدیریت صنعتی | ||
| دوره 18، شماره 58، مهر 1399، صفحه 193-214 اصل مقاله (1.89 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jims.2020.45015.2355 | ||
| نویسندگان | ||
| اکبر مرادی مجد1؛ علیرضا امیرتیموری2؛ سهراب کردرستمی* 3؛ محسن واعظ قاسمی4 | ||
| 1دانشجوی دکتری گروه ریاضی، دانشگاه آزاد اسلامی، واحد رشت، رشت، ایران (علوم و تحقیقات گیلان) | ||
| 2گروه ریاضی، پردیس علوم و تحقیقات گیلان، دانشگاه آزاد اسلامی، رشت، ایران | ||
| 3استاد گروه ریاضی، دانشگاه آزاد اسلامی، واحد رشت، رشت، ایران | ||
| 4استاد گروه ریاضی، دانشگاه آزاد اسلامی، واحد لاهیجان، لاهیجان، ایران | ||
| چکیده | ||
| تحلیل پوششی داده ها (DEA) یک تخمین‌گر است. این تخمین‌گر سعی می کند که یک ارتباط بین ورودی های متعدد و خروجی های متعدد و همچنین تکنولوژی تولید را تخمین بزند. DEA واحدهای تصمیم گیرنده (DMU) را به دو بخش واحدهای کارا و واحدهای ناکارا تقسیم بندی می‌کند. در این صورت واحدهای کارا مرجعی برای واحدهای ناکارا خواهد بود. در مدل‌های سنتیDEA بهبود کارایی تنها برای واحدهای ناکارا صورت می گیرد و واحدهای کارا بدون تغییر باقی می مانند. اما از آنجا که تکنولوژی تخمین‌زده شده همواره از تکنولوژی واقعی کوچکتر است یا به عبارت دیگر این تکنولوژی تخمین‌زده شده همواره زیر مجموعه‌ای از تکنولوژی واقعی می‌باشد بنابراین می‌توان آن را به میزان بسیار کمی گسترش داد. در نتیجه می توان راهکاری برای بهبود واحدهای کارا نیز ارایه کرد. در این مقاله الگوریتمی جهت گسترش مجموعه امکان تولید (PPS) با توجه به خواص هندسی آن و همچنین بهبود واحدهای کارا ارایه می شود. این کار به وسیله‌ی ساختن واحدهای مجازی خارج از مجموعه امکان تولید انجام می شود. همچنین به منظور تشریح روش مطرح شده مثال‌های عددی و کاربردی ارایه می‌شود. | ||
| کلیدواژه‌ها | ||
| تحلیل پوششی داده‌ها؛ واحدهای تصمیم‌گیرنده؛ مجموعه امکان تولید؛ ابرصفحه سازا؛ تکنولوژی واقعی | ||
| مراجع | ||
|
[1] Aigner, D.J., & Chu, S.F. (1968) On Estimating the Industry Production Function. American Economic Review, 58, 826-839.
[2] Aigner, D., Lovell, C. K., & Schmidt, P. (1977). Formulation and estimation of stochastic frontier production function models. Journal of Econometrics, 6(1), 21–37.
[3] Amirteimoori, A., Kordrostami, S., & Nasrollahian, P. A. (2017). Method for solving super-Efficiency infeasibility by adding virtual DMUs with mean values. Iranian journal of management studies, 10(4), 905-916.
[4] Banker, R. D., Charnes, A., &Cooper, W. W. (1984). Some models for estimating technical and scale inefficiency in data envelopment analysis. Management Science, 30, 1078–1092.
[5] Battese, G., & Coelli, T. (1992). Frontier production functions, technical efficiency and panel data: With application to paddy farmers in India. Journal of Productivity Analysis, 3, 153–169.
[6] Charnes, A., Cooper, W.W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. [7] Coelli, T., Rao, D.S.P., & Battese, G.E. (1998). An introduction to efficiency and productivity analysis. Boston: Kluwer Academic.
[8] Deprins, D., Simar, L., and Tulkens, H. (1984). Measuring labor-efficiency in post office. In North Holland, editor, The Performance of Public Enterprises. Amsterdam: M. Marchand and P. Pestieau and H. Tulkens.
[9] Didehkhani, H., Hosseinzadeh Lotfi, F., Sadi-Nezhad, S. (2019). Practical benchmarking in DEA using artificial DMUs. Journal of Industrial Engineering International, 15, 293–301.
[10] Fethi, M., Jackson, P. M., & Weyman-Jones, T. G. (2001). European airlines: a stochastic dea study of efficiency with market liberalisation. Tech. rep., University of Leicester Efficiency and Productivity Research Unit
[11] Farrell, M. J. (1957). The measurement of productive efficiency.Journal of the Royal Statistical Society, 120(3), 253–281.
[12] Greene, W. H. (1980). Maximum likelihood estimation of econometric frontier functions. Journal of Econometrics, 13(1), 27–56.
[13] Greene, W. H. (1990). A Gamma-distributed stochastic frontier model. Journal of Econometrics, 46, 141–163.
[14] Greene, W. H. (2008). Econometric Analysis, sixth edn. Pearson Prentice Hall.
[15] Krivonozhko, V. E., Forsund, F. R. and Lychev, A. V. (2015). On comparison of different sets of units used for improving the frontier in DEA models. Ann. Operat. Res. Doi: 10.1007/s10479 - 015- 1875-8
[16] Krivonozhko, V. E., Forsund, F. R. and Lychev, A. V. (2016). Improving the Frontier in DEA Models. Doklady Mathematics, 94(3), 715–719. Doi: 10.1134/S1064562416060181
[17] Land, K. C., Lovel CAK, & Thore, S. (1993). Chance-constrained data envelopment analysis. Managerial and Decision Economics, 14, 541–554.
[18] Lovell CAK (1993). Production Frontiers and Productive Efficiency. In: Fried H, Lovell CAK, Schmidt S (eds) The Measurement of Productive Efficiency. New York: Techniques and Applications, Oxford University Press.
[19] Olesen, O. B., & Petersen, N.C. (1995). Chance Constrained Efficiency Evaluation. Management Science, 41, 442-457.
[20] Bogetoft, P., & Otto, L. (2011). Benchmarking with DEA, SFA, and R. New York: Springer.
[21] Sexton, T.R., Silkman, R.H., & Hogan, A.J. (1986(. Data envelopment analysis: Critique and extensions. In: Silkman, R.H. (Ed.), Measuring Efficiency: An Assessment of Data Envelopment Analysis. Jossey-Bass, San Francisco, CA, 73–105.
[22] Sowlati, T., &Paradi, J. C. (2004). Establishing the “practical frontier” in data envelopment analysis. Omega, 32, 261–272.
| ||
|
آمار تعداد مشاهده مقاله: 1,147 تعداد دریافت فایل اصل مقاله: 966 |
||