چکیده:
تحلیل پوششی داده ها یک تکنیک مدیریتی برای ارزیابی عملکرد واحدهای تصمیم گیرنده است. در راستای اهمیت پیش بینی عملکرد واحدها، این مقاله به ارائه یک رویکرد هیبریدی براساس تحلیل پوششی داده های تصادفی فازی (FSDEA) و تکنیک تجزیه و تحلیل مولفه های اصلی (PCA) می پردازد. از آنجا که از تئوری اعتبار در محدودیت های مدل پیشنهادی و از مقدار مورد انتظار در تابع هدف آن در راستای پیش بینی کارایی مورد انتظار واحدها استفاده می شود، فرآیند حل آن پیچیده است؛ لذا تحت این فرض که ورودی ها و خروجی های واحدها به صورت متغیرهای فازی مثلثی مستقل هستند، مدل FSDEAبه مدل برنامه ریزی قطعی معادل آن تبدیل می شود. پس از محاسبه کارایی های پیش بینی شده اولیه توسط مدل برنامه ریزی قطعی تحت سطوح مختلف اطمینان، تکنیک PCA روی نتایج به دست آمده به منظور حذف نتایج نامطلوب به کار می روند و مولفه های اصلی انتخاب می شوند که به عنوان خروجی های واحدهای تصمیم گیرنده در مدلPCA-FSDEA به منظور پیش بینی کارایی دوره مالی آتی واحدها به کار می روند. درپایان، رویکرد هیبریدی پیشنهادی روی یک مثال کاربردی به کار می رود و نتایج به دست آمده از آن با نتایج مدل Fuzzy-SBM که توسط چن و همکارانش (2013) ارائه شده مقایسه می شود.
خلاصه ماشینی:
از آنجا که از تئوری اعتبار در محدودیت های مدل پیشنهادی و از مقدار مورد انتظار در تابع هدف آن در راستای پیش بینی کارایی مورد انتظار واحدها استفاده میشود، فرآیند حل آن پیچیده است ؛ لذا تحت این فرض که ورودیها و خروجیهای واحدها به صورت متغیرهای فازی مثلثی مستقل هستند، مدل FSDEA به مدل برنامه ریزی قطعی معادل آن تبدیل میشود.
پس از محاسبه کاراییهای پیش بینیشده اولیه توسط مدل برنامه ریزی قطعی تحت سطوح مختلف اطمینان ، تکنیک PCA روی نتایج به دست آمده به منظور حذف نتایج نامطلوب به کار میروند و مؤلفه های اصلی انتخاب میشوند که به عنوان خروجیهای واحدهای تصمیم گیرنده در مدل PCA-FSDEA به منظور پیش بینی کارایی دوره مالی آتی واحدها به کار میروند.
از آنجا که در مسائل مربوط به پیش بینی در دنیای واقعی، معمولا با محیط غیرقطعی به صورت فازی- تصادفی مواجه هستیم ، این مقاله به منظور پیش بینی کاراییهای واحدهای تصمیم گیرنده برای دوره مالی آتی آن ها و کاربردیترسازی 5 نتایج ، به ارائه یک رویکرد هیبریدی نوین براساس تحلیل پوششی داده های تصادفی فازی (FSDEA) و تکنیک تجزیه و تحلیل مؤلفه های اصلی ٦ (PCA) میپردازد.
در تحقیقات بالا، نویسندگان بیشتر PCA با DEA را با هدف کاهش ابعاد داده ها و کاهش متغیرهای نامطلوب به منظور ارزیابی کاراییهای فعلی واحدهای تصمیم گیرنده تلفیق کرده اند؛ اما در رویکرد هیبریدی پیشنهادی PCA-FSDEA در این مقاله ، تکنیک PCA روی نتایج کاراییهای پیش بینیشده اولیه که توسط مدل پیشنهادی تحلیل پوششی داده های تصادفی فازی (FSDEA) تحت سطوح مختلف اطمینان حاصل میشوند، در راستای کاهش و حذف کاراییهای نامطلوب ، به منظور پیش بینی دقیق تر کارایی واحدها به کار خواهد رفت .