بخشی از مقاله
چکیده
در مدل کلاسیک تحلیل پوششی داده ها فرض بر این است که ورودی ها در یک دوره زمانی مشخص مصرف و خروجی ها در همان دوره زمانی تولید می شوند. در بعضی از مثال های حقیقی ورودی های یک دوره مشخص به تولید خروجی چند دوره پس از آن کمک می کند که این حالت را می توان به اختلاف زمانی در ارزیابی کارایی تشبیه کرد. در این مقاله مدل کارایی متقاطع جهت رتبه بندی واحدهای کارا معرفی می شوند. در روش ارایه شده رتبه هر واحد تصمیم گیرنده در کل دوره و زمان های موجود در هر دوره محاسبه می شود و در نهایت روشی برای مجموعه ای از داده های حقیقی اجرا خواهد شد.
-1 مقدمه
مدل های DEA معمولی برای بدست آوردن امتیاز در حضور موثر تاخیر زمانی نمی توان به کار گرفته شود. در سال های اخیر برای رسیدن به چنین موقعیتی یک جفت محقق تاثیر تاخیر زمانی را در نظر گرفتند و مدل های DEA را پیشنهاد دادند. اوزپیری و کوکسالان [1 ] مدل های چند مرحله ای ورودی - MPI - را توسعه دادند تا تاخیر زمانی بین ورودی و خروجی های DEA را تعیین کنند. ژانگ و جی اونگ 3] ، [2 مدل های خروجی چند مرحله ای - - MPO را معرفی کردند تا اثر تاخیر زمانی را از دیدگاه دیگری بررسی کنند. تی هان لی و همکاران [ 4 ] یک مدل توافقی اصلاح شده برای استواری وزن های زمانی پیشنهاد کردند در این مدل خروجی چند مرحله ای است که وزن های تاخیر زمانی یکسان برای سراسر دوره ها در نظر گرفته شده است - . - CTL-MPO
رتبه بندی مدل ها نیز یکی دیگر از مسائل مهم در علم تحلیل پوششی داده ها می باشد، سکستون [5] در سال 1986 روشی برای رتبه بندی واحد های کارا معرفی کرد. در این مقاله ما برای بهبود مدل - - CTL-MPO به رتبه بندی این مدل می پردازیم زیرا این مدل به تنهایی توانایی تمایز بین واحدهای کارا و ناکارا را دارد ولی نمی تواند واحد های کارا را رتبه بندی کند برای این منظور از مدل رتبه بندی کارایی متقاطع - cross efficiency - برای رتبه بندی این مدل استفاده نمودیم. در این روش ابتدا جواب بهین واحد تحت ارزیابی را بدست می آوریم و سپس با قرار دادن وزن بهین بدست آمده در سایر DMU ها جواب بهین هر مرحله را با جواب های بهین مرحله های دیگر مقایسه می کنیم.
