Abstract:
امروزه تحلیل پوششی داده‌ها به صورت گستردهای و به عنوان ابزار غیر پارامتریک کاربردهای فراوانی در ارزیابی و تخمین عملکرد در زمینه‌های متفاوت دارد. ارزیابی مبتنی بر مدل‌های مضربی گاهی منجر به چندگانی اوزان در بهینگی می‌شود. از سویی وجود وزن صفر در ارزیابی‌ها یکی از معایب این تکنیک کارآمد محسوب می‌شود. در جهت رفع این مشکل، در این مقاله، روشی مبتنی بر آشوب پیشنهاد شده است که نه تنها مشکل چندگانی اوزان در بهینگی را مرتفع می‌کند بلکه مشکل عدم تجانس اوزان را نیز مرتفع می‌سازد. با بکارگیری اوزان منحصر به فرد در ارزیابی واحدها در کارایی متقاطع، رتبه منحصر بفردی نیز برای واحدها ایجاد می‌گردد. برای تاکید بر قوت روش پیشنهادی مدل معرفی شده بر روی مثال واقعی از صنایع گاز کشور ایران پیاده سازی می‌شود و با نتیج حاصل از مدل‌های استاندارد مقایسه می‌گردد. نتایج حاکی از عملکرد بهتر مدل پیشنهادی است.
Data envelopment analysis(DEA) has been extended to cross-efficiency evaluation to better discrimination and ranking of decision making units(DMUs). Unfortunately, the optimal weights generated may not be unique which has reduced the usefulness of this powerful method. In addition, due to alternative optimal solutions, zero weights can be seen in cross-efficiency evaluation. To solve these problems, first the concept of perturbation and generation of unique solution is introduced. Then an alternative evaluation approach contains a perturbed model, is proposed based on the performance analysis without slacks. This modified model can generate unique and non-zero optimal weights, simulteneously. Furthermore, the structure of the model can ensure the dissimilarity of the generated optimal weights. All these factors make the cross-efficiency evaluation results more satisfied and acceptable by all the DMUs. Finally, the proposed approach is applied on a real case study of of Iranian Gas Company and the results show that in contrast to standard DEA model the propsed model can perform well.
Machine summary:
Perturbation and uniqueness of optimal weights in cross-efficiency evaluation: An application to Iranian Gas Companies Abstract Data envelopment analysis(DEA) has been extended to cross-efficiency evaluation to better discrimination and ranking of decision making units(DMUs).
Introduction Data envelopment analysis (DEA) is a methodology for measuring the relative efficiency of a set of homogeneous decision making units (DMUs) that use multiple incommensurate inputs to produce multiple incommensurate outputs.
For each DMU, the optimal weights selected by a traditional DEA model may not be unique, which in turn will cause the 265 / اعظم پور حبيب و همکار ـــــــــــــــــــــــــــــــ منحصربه فرد بودن اوزان در کارآيي...
This paper is to address again the non-uniqueness of optimal weights problem in DEA cross-efficiency evaluation.
Hence the following 1Charnes,Cooper ndRhodes(CCR) 266 / ` پژوهش هاي نوين در تصميم گيري ـــــــــــــــــــــــــــــ دوره ٦، شماره ٤، زمستان ١٤٠٠ fractional model should be solved to obtain the efficiency score of : where ε > 0 is a non-Archimedean constraint.
The above proposed approach has possible existence of alternative optimal for the input/output weights, which may lead to different cross-efficiency scores and different ranking.
However, based on the proposed approach in alternative optimal solutions, selects a unique set of optimal weights to be used in Cross-efficiency evaluation.
Now we 278 / ` پژوهش هاي نوين در تصميم گيري ـــــــــــــــــــــــــــــ دوره ٦، شماره ٤، زمستان ١٤٠٠ compare the cross- efficiency evaluation method using the weights obtained from two different approaches.
(
, 
, 
)
