مدل ابركارايي با داده هاي ترتيبي در تحليل پوششي داده هاي نادقيق (يك مطالعه موردي: بررسي مراكز خدمات مخابراتي كره جنوبي)

An Andersen-Petersen (AP) Super - Efficiency Model with Ordinal Data in the Imprecise Data Envelopment Analysis (A Case Study: The Branch Offices of a Mobile Telecommunications Corporation in Korea)

اگر چه روش هاي متفاوتي از ابركارايي در تحليل پوششي داده هاي كلاسيك ارايه شده است، تاكنون روش هاي ابركارايي كلاسيك در تحليل پوششي داده هاي ترتيبي كه يكي از انواع داده هاي نادقيق مي باشد بررسي نشده است. در اين مقاله يك مدل ابركارايي كلاسيك در تحليل پوششي داده هاي نادقيق بررسي مي شود. در واقع با فرض نادقيق بودن داده‏هاي ورودي و خروجي، مدل نادقيق مربوطه را تعريف نموده، براي حل مدل حاصل، معادل قطعي آن را به‏دست مي آوريم. براي راحتي كار معادل قطعي مدل را كه غير خطي مي باشد با استفاده از روش دقيق سازي داده هاي ترتيبي (تبديل داده هاي ترتيبي به داده هاي دقيق)، به يك مدل بازه اي تبديل مي كنيم و سپس با اقتباس از روش دسپوتيس و اسميرليس مدل حاصل را به يك برنامه ريزي خطي تبديل نموده، با حل آن تحت بهترين شرايط و بدترين شرايط يك جواب بهينه بازه اي به دست مي آوريم كه مقدار بهينه به دست آمده در آن بازه قرار دارد.

Although different super-efficiency methods have been presented in the classical data envelopment analysis, classical super-efficiency methods have not, so far, received due attention in the ordinal data envelopment analysis, as a kind of imprecise data. In the present paper a classical super-efficiency model in the imprecise data envelopment analysis (IDEA) has been studied. In fact, with the assumption that the input and output data are imprecise, the relevant imprecise model (AP) has been defined. In order to solve the resulting model, we obtained its deterministic equivalent. For simplicity, using the procedure of making ordinal exact data (the converting of ordinal data into exact data), we converted the model deterministic equivalent, which is nonlinear, into an interval model. Then, based on an adaptation of Despotis and Smirlise method, we converted the resulting model into a linear programming, and having solved it under the best and the worst conditions; we obtained an interval optimal solution, the obtained optimal value being in the interval.