بخشی از مقاله
چکیده:در این مقاله با استفاده از مدل های زیر مجموعه تحلیل پوششی داده ها به ارزیابی کارایی و رتبه بندی شرکت های فعال در بورس اوراق بهادار تهران می پردازیم. مدل تحلیل پوششی داده ها سنتی به واحد تصمیم گیرنده - DMU - اجازه می دهد، مطلوب ترین وزن ها را برای ارزیابی ماکزیمم مقدار کارایی استفاده کند. این نوع ارزیابی با بیشترین انعطاف پذیری ممکن است از رتبه بندی کامل DMU ها جلوگیری کند و نتایج ارزیابی برای DMU ها غیر قابل قبول باشد. برای حل این مشکل، ابتدا مفهوم از درجه رضایت یک DMU در ارتباط با مجموعه مشترک وزن ها را معرفی می کنیم. سپس یک رویکرد ارزیابی وزن مشترک که شامل یک مدل max-min و دو الگوریتم است، بر پایه درجه رضایت DMU معرفی خواهد شد. در نهایت مدل معرفی شده را روی شرکت های فعال در بورس اوراق بهادار تهران پیاده سازی می کنیم.
.1 مقدمه
تحلیل پوششی داده ها - DEA - یک روش غیرپارامتری معروف است که ابتدا به وسیله چارنز و همکاران [1]برای ارزیابی کارایی از یک گروه متجانس واحد های تصمیم گیری - DMUs - استفاده می شود، که یک یا چندین ورودی برای تولید یک یا چندین خروجی استفاده می گردد.کوک و همکاران ایده اصلی مدل DEA سنتی - مدل - CCR برای انتخاب هر یک از واحد ها به منظور انتخاب یک مجموعه از وزن های ورودی و خروجی ها که نسبت از جمع وزن دار خروجی به جمع وزن دار ورودی را با در نظر گرفتن اینکه این نسبت برای همه واحد ها بزرگ تر از یک نشود را ماکزیمم خواهد نمود.
ونگ و همکاران [4]ماکزیمم نسبت از هر واحد به عنوان مقدار کارایی آن تعریف می شود و یک واحد کارایی DEA می باشد، هرگاه نمره کارایی آن برابر یک باشد. به هر حال دو نقص در مدل DEA سنتی وجود دارد. ابتدا روش DEA سنتی رویکرد خودارزیابی با وزن انعطاف پذیر استفاده می کند، که به واحد ها اجازه می دهد مطلوب ترین وزن ها برای رسیدن به ماکزیمم مقدار کارایی استفاده نمایند. این ممکن است باعث شود واحد های زیادی به عنوان کارایی DEA ارزیابی گردند و این مجموعه DMU های کارا نمی تواند ممیزی و رتبه بندی شوند.
ساعتی و همکاران [3] با در نظر گرفتن واحد های ایده آل و ضد ایده آل، یک ایده اصلی استفاده می کنند که عموما بر مینیمم کردن - ماکزیمم کردن - فاصله واحد ها برای ایده آل - ضد ایده آل - وقتی مجموعه مشترک وزن ها انتخاب می شود، متمرکز خواهند شد. . دانگ و همکاران[2]از مفهوم درجه رضایت به منظور ارائه یک رویکرد DEA برای اندازه گیری کارایی از DMU ها استفاده نمودند.وو و همکاران [5]الگوریتمی برای رتبه بندی واحدها ارائه نمودند بطوریکه هیچ دو واحدی دارای رتبه یکسان نباشد.
.2 وزن مشترک در تعیین درجه رضایت مندی
فرض کنید n واحد تحت ارزیابی - = 1, … , - مفروض باشد.یکی از مهمترین کاربردهای مدلهای تحلیل پوششی داده ها تعیین رتبه یک واحد می باشد.از آنجایی که اندازه کارایی می تواند ملاکی برای رتبه بندی یک واحد باشد،با توجه اینکه ممکن است چند واحد اداری کارایی یکسان باشند لذا جهت رفع مشکل رتبه یکسان چنین واحدهایی با حل مدل - - 1 که توسط وو و همکاران [5] می توان مجموعه مشترک از وزن ها را برایDMU ها تولید نمود وبا استفاده ازآن الگوریتمی برای رتبه بندی جدید واحدها ارائه خواهیم داد.
