مدل های تحلیل پوششی داده ها برای ساختارهای شبکه دو مرحله ای توسعه یافته
چکیده
لیانگ و همکاران(2008)(1) مدل های تحلیل پوششی داده ها را بر اساس رویکرد بازی برای تجزیه کارایی( بهره وری) برای ساختار های شبکه ای دو مرحله ای توسعه دادند که در آن ها خروجی های مرحله اول، تنها ورودی های مرحله دوم می باشند. این مقاله با فرض این که ورودی های مرحله دوم شامل هر دو خروجی های مرحله اول و ورودی های اضافی مرحله دوم می باشند، ادامه کار مطالعه لیانگ و همکاران(2008)(1) می باشد. دو مدل برای ارزیابی عملکرد این نوع ساختار های شبکه دو مرحله ای پیشنهاد می شوند. یک موردف مدل مرکزی غیر خطی است که راه حل های بهینه جهانی آن را می توان با استفاده از روش جست و جوی اکتشافی براورد کرد. دیگری، مدل غیر مشارکتی میباشد که در آن یکی از مراحل به صورت پیشرو و دیگری به صورت پیرو در نظر گرفته می شود. مدل های جدیدا توسعه یافته به یک موردی از تحقیق و توسعه منطقه ای در پین اعمال می شوند.
1- مقدمه
تحلیل پوششی داده ها(DEA)، که توسط چارنز و همکاران(2) ایجاد شده است، یک رویکرد برنامه نویسی ریاضی برای تحلیل کارایی نسبی واحد های تصمیم گیری همتا(DMU) می باشد که دارای چندین ورودی و چندین خروجی است. مطالعات قبلی نشان داده اند که تحلیل پوششی داده ها را می توان در شرایط مختلف نظیر عملکرد بانک(3-4)، برنامه ریزی تولید(5)، ارزیابی ورشکستگی(6)، عملکرد تحقیق و توسعه(7)، اقتصاد های کشاورزی(8)، عملکرد فرودگاه(9) و سایر زمینه ها(10) به کار برد. در مدل های مرسوم تحلیل پوششی داده ها، واحد های تصمیم گیری به صورت جعبه سیاه در نظر گرفته می شوند و ساختار درونی واحد های تصمیم گیری نادیده گرفته می شود. در طی سال های اخیر، برخی از مطالعات به بررسی واحد های تصمیم گیری با ساختار های شبکه پرداخته اند( فیر و گرسوکوپف 2011، تون و تاسوتی 12، فوکویاما و وبر(13)، گاستلی و همکاران 14، کایو 15، کایو و هوانگ 16 و لیانگ و همکاران 1). در مطالعه انجام شده توسط کوک و همکاران(17)، محققان چندین رویکرد را در مدل سازی واحد های تصمیم گیری با ی ساختار شبکه دو مرحله ای، خاطر نشان کرده اند. عموما، مدل ها بر اساس تجزیه کارایی میانگین هندسی توسعه می یابند. اگرچه رویکرد تحلیل پوششی داده های شبکه فیر و گروسکوپف(11) می تواند با ساختار های مختلف شبکه سرو کار داشته باشد، تمی تواند یک رتبه کارایی یا تجزیه کارایی را برای زیر واحد های تصمیم گیری ارایه نمی کند. با استفاده از مدل های جمعی، تون و تستوسی(12) یک مدل تحلیل پوششی داده شبکه ای را توسعه داده اند که هر دو کارایی بخشی و کلی واحد های تصمیم گیری را ارزیابی می کند. این مقاله فرض می کند که 1- شبکه متشکل از چندین بخش است 2- کارایی بخشی، یک شاخص بخش ویژه نسبت به سایر بخش های شبکه است و 3- کارایی کلی شبکه، یک میانگین وزنی هارمونیک امتیازات بخشی آن با مجموعه اوزان خروجی است. با معرفی فرایند های ساختگی، کایو(15)، سیستم ساختار شبکه عمومی را به مراحل سری تبدیل می کند که در بر گیرنده فرایند های موازی مختلف است. سپس محققان از رویکرد کایو و هوانک 16 برای تجزیه ساختار سری و رویکرد توسعه یافته توسط کایو(18) برای تجزیه ساختار موازی استفاده می کند.
abstract
Liang et al. (2008) [1] developed DEA models based upon game approach to decompose efficiency for two-stage network structures where all outputs of the first stage are the only inputs to the second stage. This paper extends Liang et al. (2008) [1] by assuming that the inputs to the second stage include both the outputs from the first stage and additional inputs to the second stage. Two models are proposed to evaluate the performance of this type general two-stage network structures. One is a nonlinear centralized model whose global optimal solutions can be estimated using a heuristic search procedure. The other is a non-cooperative model, in which one of the stages is regarded as the leader and the other is the follower. The newly developed models are applied to a case of regional R&D of China.
1. Introduction
Data envelopment analysis (DEA), developed by Charnes et al. [2], is a mathematical programming approach for analyzing the relative efficiency of peer decision making units (DMUs), which have multiple inputs and multiple outputs. Previous works have shown that DEA can be applied in various of settings, such as bank performance [3,4], production planning [5], bankruptcy assessment [6], R&D performance [7], agricultural economics [8], airport performance [9] and other applications [10]. In conventional DEA models,1 DMUs are treated as black-boxes and the internal structure of DMUs is ignored. In recent years, a number of studies have looked at DMUs with network structures (see, e.g., Fare and ¨ Grosskopf [11], Tone and Tsutsui [12], Fukuyama and Weber [13], Castelli et al. [14], Kao [15], Kao and Hwang [16] and Liang et al. [1]). In a survey by Cook et al. [17], the authors point out several approaches in modeling DMUs with a two-stage network structure. Typically, models are developed based upon additive or geometric mean efficiency decompositions. While the network DEA approach of Fare and Grosskopf ¨ [11] can deal with different network structures, it cannot provide an efficiency decomposition or efficiency ratings for sub-DMUs that constitute the entire network DMUs. Using slacks-based models, Tone and Tsutsui [12] develop a network DEA model that evaluate both divisional and overall efficiencies of DMUs. Their paper assumes that (i) a network consists of several divisions, (ii) the divisional efficiency is a specific-division’s index relative to its counterparts of other networks and (iii) the overall efficiency of a network is the weighted harmonic mean of its divisional scores with the weights set exogenously. By introducing dummy processes, Kao [15] transforms a general network structure system into series stages, which comprise of several parallel processes. Then, the author uses the approach developed by Kao and Hwang [16] to decompose series structure and the approach developed by Kao [18] to decompose parallel structure.
چکیده
1- مقدمه
2- مدل تحلیل پوششی داده ها
2-1 مدل مرکزی
2-2 مدل غیر مشارکتی
3: یک مثال کاربردی
4-نتیجه گیری
Abstract
1. Introduction
2. DEA models
2.1. Centralized model
2.2. Non-cooperative model
3. An illustrative application
4. Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه