On the relative eciency in general network structures

تحليل پوششي داده ها، ابزاري براي اندازه گيري كارايي واحدهاي تصمص گيرنده مشابه است. در تحليل پوششي داده‌ها وزنهايي به ورودي‌ها و خروجي‌ها متناظر مي‌شود و اندازه كارايي مطلق براساس نسبت مجموع وزن‌دار شده خروجي‌ها به مجموع وزن‌دار شده ورودي‌ها محاسبه مي‌شود. در مدلهاي سنتي، اين اندازه كارايي با اندازه كارايي نسبي كه كارايي واحد تحت ارزيابي را در مقايسه با كاراترين واحد محاسبه مي‌كند، معادل است. اخيرا مدلهاي تحليل پوششي داده‌ه اي شبكه اي در ادبيات موضوعه اين روش توسعه يافته‌اند كه سعي دارند تا تاثير فرآيندهاي داخلي توليد و محصولات واسط در ارزيابي واحدها را نيز در ارزيابي دخيل نمايند.‎ در اين مقاله برآنيم تا اندازه كارايي‌هاي مطلق و نسبي را در چارچوب تحليل پوششي داده‌هاي شبكه‌اي را بررسي نماييم. از آنجا كه در ارزيابي در مدلهاي شبكه‌اي لزوما واحد كاملا كارا نداريم، اندازه كارايي نسبي به ما كمك مي‌كند تا حداقل يك واحد كاملا كارا در ارزيابي ها داشته باشيم‎.

Data Envelopment Analysis (DEA) is an eciency measurement tool for evaluation of similar Decision Making Units (DMUs). In DEA, weights are assigned to inputs and outputs and the absolute eciency score is obtained by the ratio of weighted sum of outputs to weighted sum of inputs. In traditional DEA models, this measure is also equivalent with relative eciency score which evaluates DMUs in compare with the most ecient DMU. Recently network DEA models are appeared in the literature, which try to assess DMUs regarding their internal production divisions and intermediate products. In this paper we compare absolute and relative eciency scores in network framework. Since in network DEA models, an ecient DMU does not exist necessarily, the relative eciency model helps us to have at least one ecient DMU in our assessments.