بخشی از مقاله
چکیده : در مدلهای کلاسیک DEA همواره فرض براین بوده که دادههای ورودی و خروجی مقادیری دقیق و کمی هستند. در بسیاری از موارد تعیین مقدار عددی دقیق برای برخی از ورودیها و خروجیها امکان پذیر نیست. بنابراین روشهایی که دادههای غیر دقیق را بررسی کنند، مانند تحلیل پوششی دادههای فازی مورد نیاز است. یکی از معایب مدلهای کلاسیک DEA این است که برای واحدهای کارآ هیچ رتبهبندی را نمیتواند ارائه کند. در این مقاله فرض میشود ورودیها و خروجیها بهمراه وزنهای مربوطه به صورت عدد فازی مثلثی هستند. با ارائه روشی ضمن بدست آوردن مقدار کارآیی واحدهای تصمیمگیری ، رتبهبندی کلی از واحدها بدست میآید.
.1 مقدمه:
تحلیل پوششی داده ها یک روش غیر پارامتری برای اندازه گیری و ارزیابی کارآیی نسبی مجموعهای از واحدهای تصمیم گیری متجانس است.[1] در تحلیل پوششی داده ها روش های علمی م بتنی برمسایل بهینه سازی جهت تعیین واحدهای کارآ و نیز نیازهای واحدهای ناکارآ جهت رسیدن به کارآیی مورد مطالعه قرار میگیرد.[2] در ارزیابی عملکرد سازمان ها، نهادها و بطور کلی واحدهای تصمیم گیری رتبه بندی واحدها از اهمیت بالایی برخوردار است.
یکی از نقاط ضعف مدل های اولیه DEA عدم توانایی این مدل ها در تشخیص میان نتایج ارائه شده و به عبارت دیگر عدم رتبه بندی واحدهای کارآ است. مدلهای کلاسیک تنها با داده های ورودی و خروجی دقیق توانایی محاسبه کارآیی را دارند، در حالی که مقادیر مشاهده شده در جهان واقعی اغلب مبهم ویا فازی هستند. برای اینگونه مسایل تحلیل پوشش دادههای فازی - FDEA - مورد استفاده قرار میگیرد.[3]
سنگوپتا در سال 1992 اولین نفری بود که رویکرد برنامهریزی فازی را ارائه داد .[4] در سال 1999 [5]کوپر و همکاران مدلی را که قادر به در نظر گرفتن ورودی و خروجی واحد ها هم بصورت قطعی و هم بصورت فازی بود را ارائه دادند . ساعتی و معماریانی در سال [6] 2002 با بکار گیری مجموعه -α برشها، در محدودیتها و تابع هدف مدل فازی را به مسئله برنامهریزی بازه ای تبدیل کردند، همچنین با روشی جدید اقدام به رتبه بندی واحدهای کارآ نمودند . حاتمی و همکاران در سال 2009 مدل DEAفازی را برای تشخیص ناحیه کارآیی بر پایه رتبه بندی اعداد فازی
پیشنهاد کردند.[7]
ساعتی و همکاران [8]با استفاده از مدل خدابخشی و آریاوش[9] و بادر نظر گرفتن ورودی و خروجی واحدها بصورت اعداد فازی، مقدار کارآیی هر واحد تصمیمگیری را بدست آورده و رتبه بندی کلی بین واحدها را انجام داده اند. از آنجایی که همواره بازده به مقیاس ثابت در تمامی سیستمها برقرار نمی باشد، بنابراین در حالت هایی که بازده به مقیاس واحدهای تحت ارزیابی بدرستی مشخص نیست، برای بدست آوردن کار آیی واحدها بهتر است از مدلهایی با بازده به مقیاس متغیر استفاده کرد . بنابراین مدل مورد استفاده در این مقاله براساس مدل BCC میباشد.
3 .روش پیشنهادی :
اگردادهها و وزن های مربوط به آنها فازی باشند مدل های قبلی جوابگوی حل این مسایل نمی باشند. بنابراین در این مقاله با فرض فازی بودن تمامی داده های ورودی-خروجی و وزن های مربوطه شان روشی پیشنهاد می گردد که مشکل ارزیابی چنین واحدهایی برطرف گردد و نهایتاً واحدها رتبه بندی میشوند. اکنون مدل خدابخشی و آر یاوش را که در آن مقدار کارآیی هر واحد تصمیم گیری از تقسیم مجموع وزن دار شدهی خروجی ها به مجموع وزن دار ورودی ها بدست میآید، با فرض اینکه م جموع کارآیی تمامی واحدهای تصمیمگیری برابر بایک است را در نظر بگیرید .
