Increasing the discrimination power the decision making units based on reducing dispersion of weights in the data envelopment analysis

Document Type: research paper

Authors

1 Department of Applied Mathematics, Islamic Azad University, Lahijan Branch, Lahijan, Iran

2 Department of Applied Mathematics, Islamic Azad University, Rasht Branch, Rasht, Iran

3 Department of Applied Mathematics, Islamic Azad University, Karaj Branch, Karaj, Iran

Abstract

Data envelopment analysis which is a nonparametric technique for evaluating relative efficiency of the decision making units with multiple inputs and outputs, has been a very popular method among researchers. While this nonparametric technique is popular, it has some drawbacks such as lack of discrimination in efficient units and weights dispersion .The present study, which is a model based on a multi-criteria data envelopment analysis has been proposed to moderate the homogeneity of weights dispersion by using goal programming. The proposed model minimized variances of input and output weights. The result shows that the dispersion of input and output weights has been balanced. Furthermore, the power of discrimination has been improved in DEA.

Keywords


Article Title [Persian]

افزایش قدرت تمایز واحدهای تصمیم گیرنده بر پایه کاهش پراکندگی وزنها درتحلیل پوششی داده ها

Authors [Persian]

  • اعظم پورحبیب یکتا 1
  • علیرضا امیرتیموری 2
  • سهراب کردرستمی 1
  • رضا کاظمی متین 3
1 دانشجوی دکتری ریاضی، دانشکده ریاضی، دانشگاه آزاد اسلامی واحد لاهیجان، گیلان، ایران
2 استاد گروه ریاضی، دانشکده ریاضی، دانشگاه آزاد اسلامی واحد رشت، گیلان، ایران
3 دانشیار گروه ریاضی، دانشکده ریاضی، دانشگاه آزاد اسلامی واحد کرج، البرز، ایران.
Abstract [Persian]

تحلیل پوششی داده ها (DEA)، تکنیکی غیر پارامتری برای اندازه گیری کارایی نسبی واحدهای تصمیم گیرنده با ورودی و خروجی چندگانه، یکی از روشهای بسیار محبوب در بین محققان بوده است. علیرغم محبوبیت این تکنیک غیر پارامتری،شامل چند ایراد از جمله فقدان قدرت تمایز بین  واحدهای کارا و پراکندگی وزن می باشد. در این مطالعه یک روش مبتنی بر DEA چند هدفه (MCDEA) برای متعادل سازی وزنهای ورودی و خروجی پیشنهاد شده است. مدل پیشنهادی با حفظ خاصیت بهینگی حاصل از مدل CCR، واریانس وزنهای ورودی و خروجی را مینیمم می کند در نتیجه پراکندگی وزنهای ورودی و خروجی متعادل تر می شود لذا قدرت تمایز واحدهای کارا بیشتر می شود یعنی تعداد واحدهای کارا کاهش خواهد یافت .

Keywords [Persian]

  • تحلیل پوششی داده ها
  • کارایی
  • پراکندگی وزن
  • واریانس