دانلود مقاله ترجمه شده نظریه تحلیل پوششی داده هایی با مقدار صحیح

مدل های تحلیل پوششی داده (DEA) معمول، ورودی ها و خروجی ها را با مقدار حقیقی فرض می کنند. در بسیاری از موارد، برخی ورودی ها و یا خروجی ها تنها می توانند مقادیر صحیح بگیرند. در بعضی موارد، گرد کردن جواب DEA به نزدیک ترین مقدار کل می تواند منجر به گمراهی در ارزیابی کارایی و اهداف عملکردی شود. این مقاله پایه و اساس اصولی را برای DEA در داده هایی با مقدار صحیح تعمیم می دهد، و اصول جدید «دسترسی طبیعی» و « بخش پذیری طبیعی» را معرفی می کند. ما یک مجموعه امکان پذیر تولیدی را بررسی می کنیم که اصل برون یابی حداقل را تحت مجموعه ی بهبود یافته ای از اصول ها ارضا می کند. همچنین یک فرمول برنامه ریزی خطی عدد صحیح مختلط برای محاسبه نمره کارایی ارائه می کنیم. یک برنامه ی کاربردی عملی برای دپارتمان های دانشگاه های ایران نیز رویکردی را نشان داده می شود.

واژه های کلیدی : تحلیل پوششی داده ها ؛ کارایی؛ برنامه ریزی خطی مختلط عدد صحیح ، نظریه تولید.

تحلیل پوششی داده ها (DEA) یک رویکرد برنامه ریزی ریاضی برای بررسی عملکرد واحد های تصمیم گیری (DMUs) می باشد که ورودی ها و خروجی های چندگانه را پوشش می دهد. مدل های DEA معمول ورودی ها و خروجی هایی با مقدار حقیقی را در نظر می گیرند. با این حال، موارد بسیاری وجود دارد که در آنها برخی از ورودی ها و یا خروجی ها باید فقط مقادیر صحیحی بگیرند. برای مثال، در ارزیابی کارایی دپارتمان های دانشگاهی، ورودی هایی چون تعداد استادان و خروجی هایی نظیر تعداد مقالات چاپ شده که منحصر به کل تعداد می شود، وجود دارد. در حالی که گرد کردن اهداف عملکردی به نزدیکترین تعداد کل، لزوما تفاوت زیادی را برای دپارتمان های بزرگ ایجاد نمی کند، اما برای دپارتمان های کوچک می توان آن را یک مشکل اصلی تلقی کرد. برای مثال، فرض کنید یک دپارتمان 3 استاد تمام دارد، و تحلیل پوششی داده ها یک سطح کارامدی از استادان را که 2.4 است پیشنهاد می کند. چنین نتایجی بعضی معضلات را به وجود می آرود، از جمله : هیچ مدرکی وجود ندارد که 2 استاد برای مواجهه با اهداف علمی و آموزشی دپارتمان کافی نیستند، بلکه گرد کردن 2.4 به 3 هیچ منبعی را ذخیره نمی کند حتی اگر رتبه ی کارایی دپارتمان فقط 0.8 باشد...