Abstract:
در تحلیل پوششی دادهها (DEA) مدلهای مختلف در زمینههای گوناگون با دادههای مختلف برای ارزیابی و رتبهبندی واحدهای تصمیمگیرنده (DMU) طراحی شده است. حال آنکه در بسیاری از مسائل کاربردی، مدیران واحدها با دادههایی تصادفی روبرو هستند و آنها برای ارزیابی واحدهای تحت نظارت خود به روشی نیاز دارند که بتواند اینگونه DMUها را ارزیابی و رتبهبندی کنند. در کار کردن با دادههای تصادفی با در نظر گرفتن احتمالی برای وقوع حالتهای پیشبینی نشده (سطح خطا)، که از طرف مدیران ارائه میشود، DMUها ارزیابی میشوند. در این مقاله با استفاده تکنیکهای آمار و احتمالات و توزیع نرمال و مدلBCC دارای خروجیهای نامطلوب و با در نظر گرفتن خطای مشخص یک مدل تصادفی جدید تحت عنوان معیار رتبهبندی میانگین جهت ارزیابی کارایی دادههای تصادفی پیشنهاد میشود. بر اساس آن کارایی متقاطع تصادفی محاسبه گردیده است. از آنجایی که وزنهای بهینه در ارزیابی کارایی متقاطع تصادفی منحصر به فرد نیستند برای رتبهبندی بهتر و اولویت دادن به آنها روش خودخواهانه پیشنهاد میشود. نهایتا مدلهای پیشنهاد شده برای 32 واحد نیروگاه حرارتی که دارای ورودیها و خروجیهای مطلوب و نامطلوب تصادفی هستند پیادهسازی شده است.
In data envelopment analysis, different models are developed in different fields with different data for evaluation and ranking of DMUs. While in many applications issues, unit managers are faced with stochastic data, and they need a method to evaluate their supervised units in a way that can evaluate and rank such DMUs. When working with stochastic data, considering the probability of occurrence of unpredictable states (the level of error) provided by managers, the DMUs are evaluated. In this paper using Probability statistics techniques and normal distribution and the BCC model with undesirable outputs and a specific risk ofSpecified,a new stochastic model called Expected Ranking Criterion is introduced. Based on this,the stochastic cross-efficiency evaluation. Given the non-uniqueness of resulting optimal solutions, a model is introduced for rating priorities by which cross-efficiency is performed using aggressive method. The proposed model is implemented for 32 thermal power plants with stochastic inputs and undesirable outputs.