برچسب : تحمیل پوششی داده ها DEA, جواب شرایط مکمل زائد قوی SCSC, ضریب کران, کارایی, متغیرهای کمکی, مکمل زائد
دسته : پروژه کاردانی, پروژه کارشناسی
دسته : پروژه کاردانی, پروژه کارشناسی
لینک دانلود بعد از اضافه کردن پروژه به سبد خرید و پرداخت آن در اختیارتان قرار خواهد گرفت.
توضیحات
ضریب کران ها در DEA از طریق جواب شرایط مکمل زائد
خلاصه
تحلیل پوششی داده ها یک متولوژی هست، برای برآورد کارایی نسبی از واحدهای تصمیم گیرنده متناظر (DMUS) با چند ورودی و چند خروجی. در برآورد DEA، امتیازات کارایی برای DMUS ناکارا به دست می آیند. به وسیله محاسبه تغییرات متناسب ورودی یا خروجی که نیازمند دسترسی به مرز کارا DEA است. محتمل است که تغییرات ورودی و خروجی انفرادی بیشتر می تواند منجر به بهبود عملکرد شوند. چنان که این تغییرات انفرادی را متغیرهای کمکی (Slacks) DEA می نامند که نیز کارایی را نمایش می دهند. روشهایی توسعه یافتهاند که به مقابله با متغیرهای کمکی ناصفر DEA به وسیله دوباره شکل دادن مرز اصلی DEA می پردازند. این تحقیق توسعه روشی جایگزین برای از بین بردن متغیرهای کمکی ناصفر DEA است. مادامی که مرز اصلی DEA بدون تغییر بماند.
تجربه به وسیله کاربرد تحلیل پوششی دادهها نشان می دهد که دو واحدهای ناکارا (DMUS) ممکن است امتیاز کارایی یکسان داشته باشند، اما یکی ممکن است مقدار بیشتری منابع بلا استفاده یا خروجیهای غیرقابل دسترس داشته باشند. یعنی متغیرهای کمکی ورودی و خروجی DEA ناصفر، از دیگری داشته باشد. این متغیرهای کمکی ناصفر را می توانیم به وسیله یک (ε) بسیار کوچک در یک محاسبه دو مرحله بدست بیاوریم، در نتیجه، کارایی DEA مشخص می شود به وسیله امتیازات کارایی و متغیرهای کمکی ناصفر. یک DMU کاملاً کارا است اگر و فقط اگر امتیاز کارایی آن مساوی با یک و تمامی متغیرهای کمکی مساوی با صفر شوند. فرض می کنیم n تا DMUS داریم. هر DMUj و nو … و ۱=j تولیدات S خروجی متمایز Yrj دارد (s و … و ۲و ۱ = r) استفاده می کنیم از m ورودی متمایز Xij (m و … و ۲و ۱ =i ). سپس مدل (CCR) با ε بسیار کوچک می تواند بیان شود به صورت:
تحلیل پوششی داده ها یک متولوژی هست، برای برآورد کارایی نسبی از واحدهای تصمیم گیرنده متناظر (DMUS) با چند ورودی و چند خروجی. در برآورد DEA، امتیازات کارایی برای DMUS ناکارا به دست می آیند. به وسیله محاسبه تغییرات متناسب ورودی یا خروجی که نیازمند دسترسی به مرز کارا DEA است. محتمل است که تغییرات ورودی و خروجی انفرادی بیشتر می تواند منجر به بهبود عملکرد شوند. چنان که این تغییرات انفرادی را متغیرهای کمکی (Slacks) DEA می نامند که نیز کارایی را نمایش می دهند. روشهایی توسعه یافتهاند که به مقابله با متغیرهای کمکی ناصفر DEA به وسیله دوباره شکل دادن مرز اصلی DEA می پردازند. این تحقیق توسعه روشی جایگزین برای از بین بردن متغیرهای کمکی ناصفر DEA است. مادامی که مرز اصلی DEA بدون تغییر بماند.
مقدمه
تجربه به وسیله کاربرد تحلیل پوششی دادهها نشان می دهد که دو واحدهای ناکارا (DMUS) ممکن است امتیاز کارایی یکسان داشته باشند، اما یکی ممکن است مقدار بیشتری منابع بلا استفاده یا خروجیهای غیرقابل دسترس داشته باشند. یعنی متغیرهای کمکی ورودی و خروجی DEA ناصفر، از دیگری داشته باشد. این متغیرهای کمکی ناصفر را می توانیم به وسیله یک (ε) بسیار کوچک در یک محاسبه دو مرحله بدست بیاوریم، در نتیجه، کارایی DEA مشخص می شود به وسیله امتیازات کارایی و متغیرهای کمکی ناصفر. یک DMU کاملاً کارا است اگر و فقط اگر امتیاز کارایی آن مساوی با یک و تمامی متغیرهای کمکی مساوی با صفر شوند. فرض می کنیم n تا DMUS داریم. هر DMUj و nو … و ۱=j تولیدات S خروجی متمایز Yrj دارد (s و … و ۲و ۱ = r) استفاده می کنیم از m ورودی متمایز Xij (m و … و ۲و ۱ =i ). سپس مدل (CCR) با ε بسیار کوچک می تواند بیان شود به صورت: