روش برنامه ريزي هدف اصلاح شده براي بهبود قدرت تشخيص و پراش وزن ها

Modified Goal Programming Approach for Improving the Discrimination Power and Weights Dispersion

تحليل پوششي داده­ها روشي براساس برنامه­ريزي خطي است كه براي اندازه­گيري كارايي واحدهاي تصميم­گيري متجانس با ورودي­ها و خروجي­هاي يكسان بكار مي­رود. كاستي در جداسازي واحدهاي كارا و حصول اوزان غير واقعي براي ورودي­ها و خروجي­ها از مشكلات عمده اين روش مطرح شده است. در اين مقاله با استفاده از آناليز رويه­اي برنامه­ريزي آرماني در تحليل پوششي داده­ها جهت رعايت بيشتر تجانس و افزايش قدرت توزيع مناسب وزن­ها اصلاح مي­شود. اين اصلاح با در نظر گرفتن كران­هاي پايين مجزا براي تك تك اوزان ورودي و خروجي در مدل استاندارد سي­سي ار و لحاظ كردن تنها يك كران بالا براي متغير آزاد مدل استاندارد بي­سي­سي انجام مي­شود. در هر دو حالت اصلاحات مذكور موجب جلوگيري از بروز وزن­ها با مقدار صفر مي­شود. برنامه­ريزي آرماني اصلاح شده در تحليل پوششي داده­ها همچنين قدرت تميز تحليل پوششي داده­ها را افرايش مي­دهد. مزيت­هاي هر يك از روش­هاي فوق­الذكر توسط چند مثال نشان داده مي­شود.

Data envelopment analysis (DEA) is a technique based on linear programming (LP) to measure the relative efficiency of homogeneous units by considering inputs and outputs. The lack of discrimination among efficient decision making units (DMUs) and unrealistic input-outputs weights have been known as the drawback of DEA. In this paper the new scheme based on a goal programming data envelopment analysis (GPDEA) are developed to moderate the homogeneity and reasonability of weights distribution by using of facet analysis On GPDEA (GPDEA-CCR and GPDEA-BCC) models. These modifications are done by considering the lower bounds for each individual inputs and outputs weights in standard CCR model and an upper bound just for free variable of standard BCC model. In the both of the cases the mentioned modification preserved the inputs and outputs weights from zero value. The modified GPDEA models also improve the discrimination power of DEA. The advantages of each modified GPDEA-CCR and GPDEA-BCC models are shown by some examples.