دانلود مقاله ترجمه شده ارزیابی بهره وری متقاطع DEA بر پایه بهبود پارتو


چطور این مقاله رياضی را دانلود کنم؟

فایل انگلیسی این مقاله با شناسه 2005815 رایگان است. ترجمه چکیده این مقاله رياضی در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید

قیمت :
730,000 ریال
شناسه محصول :
2005815
سال انتشار:
2016
حجم فایل انگلیسی :
546 Kb
حجم فایل فارسی :
735 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com

عنوان فارسي

ارزیابی بهره وری متقاطع DEA بر پایه بهبود پارتو

عنوان انگليسي

DEA cross-efficiency evaluation based on Pareto improvement

نویسنده/ناشر/نام مجله

European Journal of Operational Research

این مقاله چند صفحه است؟

این مقاله ترجمه شده رياضی شامل 9 صفحه انگلیسی به صورت پی دی اف و 22 صفحه متن فارسی به صورت ورد تایپ شده است

چکیده فارسی

چکیده

ارزیابی بهره وری متقاطع، به عنوان یک ابزار گسترده برای تحلیل پوششی داده ها (DEA)، دارای کاربرد گسترده ای در ارزیابی و رده بندی واحدهای تصمیم گیر (DMUها) است. متأسفانه ممکن است امتیازهای بهره وری متقاطع تولید شده، بهینه- پارتو نباشند؛ که همین امر اثربخشی این روش را کاهش داده است. ما برای حل این مشکل، یک رویکرد ارزیابی بهره وری متقاطع مبتنی بر بهبود پارتو پیشنهاد می کنیم؛ که حاوی دو مدل (مدل برآورد بهینگی پارتو و مدل بهبود پارتوی بهره وری متقاطع) و یک الگوریتم می باشد. مدل برآورد بهینگی پارتو برای تخمین این موضوع مورد استفاده قرار می گیرد که آیا مجموعه ای مفروض از امتیازات بهره وری متقاطع می توانند جواب های بهینه- پارتو باشند. اگر این امتیازات بهره وری متقاطع، بهینه پارتو نباشند، پس مدل بهبود پارتو برای ایجاد بهبود پارتوی بهره وری متقاطع برای تمام DMUها مورد استفاده قرار می گیرد. بر خلاف سایر رویکردهای بهره وری متقاطع، رویکرد پیشنهادی ما همیشه مجموعه ای از بهره وری های متقاطع بهینه- پارتو تحت اصول و مبانی از پیش مشخص برای انتخاب وزن برای این DMUها به دست می آورد. علاوه بر این، چنانچه الگوریتم پیشنهادی در گام3 به پایان برسد، نتایج ارزیابی تولید شده توسط رویکرد ما، تمامی روش های ارزیابی اعم از خود ارزیابی، ارزیابی یکجا و ارزیابی وزن مشترک در DEA را به صورت یکپارچه درمی آورد. به ویژه زمانی که الگوریتم به پایان می رسد، بهره وری خود ارزیابی و بهره وری ارزیابی شده به صورت یکجا، در یک بهره وری ارزیابی وزن مشترک، به همگرایی می رسند. این باعث می گردد که نتایج حاصل از ارزیابی، از مقبولیت بیشتری از سوی تمامی DMUها برخوردار باشد. 

1-مقدمه

تحلیل پوششی داده (DEA)، که در اصل توسط چارنز، کوپر و رودس (1978) مطرح گردید، یک روش برنامه ریزی غیر خطی برای ارزیابی میزان بهره وری گروهی از واحدهای تصمیم گیر همگن (DMUها) با ورودی های چندگانه و خروجی های چندگانه می باشد (کوک، هاریسون، ایمانیراد، روز و ژو، 2013؛ کوک، لیانگ، ژا و ژو، 2009؛ ایمانیراد، کوک، آویلِس- ساکوتو و ژو،2015؛ تاناسولیس، کورتلانِن، جونز و جونز، 2011؛ یانگ، لی، چِن و لیانگ، 2014)...

بهره وری متقاطع DEA بهبود پارتو برای تحلیل پوششی داده ها DMU :کلمات کلیدی

چکیده انگلیسی

Abstract

Cross-efficiency evaluation, as an extension tool of data envelopment analysis (DEA), has been widely applied in evaluating and ranking decision making units (DMUs). Unfortunately, the cross-efficiency scores generated may not be Pareto optimal, which has reduced the effectiveness of this method. To solve this problem, we propose a cross-efficiency evaluation approach based on Pareto improvement, which contains two models (Pareto optimality estimation model and cross-efficiency Pareto improvement model) and an algorithm. The Pareto optimality estimation model is used to estimate whether the given set of cross-efficiency scores are Pareto-optimal solutions. If these cross-efficiency scores are not Pareto optimal, the Pareto improvement model is then used to make cross-efficiency Pareto improvement for all the DMUs. In contrast to other cross-efficiency approaches, our approach always obtains a set of Pareto-optimal cross efficiencies under the predetermined weight selection principles for these DMUs. In addition, if the proposed algorithm terminates at its step 3, the evaluation results generated by our approach unify self-evaluation, peer-evaluation, and common-weight-evaluation in DEA cross-efficiency evaluation. Specifically, the self-evaluated efficiency and the peer-evaluated efficiency converge to the same common-weight-evaluated efficiency when the algorithm stops. This will make the evaluation results more likely to be accepted by all the DMUs

Keywords: Data envelopment analysis (DEA) Cross-efficiency evaluation Pareto improvement
این برای گرایش های: کلیه گرایش ها، کاربرد دارد. [ برچسب: ]
 مقاله رياضی با ترجمه
Skip Navigation Linksصفحه اصلی > دپارتمان ها > دپارتمان علوم پايه > رياضی > مقاله های رياضی و ترجمه فارسی آنها > ارزیابی بهره وری متقاطع DEA بر پایه بهبود پارتو
کتابخانه الکترونیک
دانلود مقالات ترجمه شده
جستجوی مقالات
با انتخاب رشته مورد نظر خود می توانید مقالات ترجمه شده آن رو به صورت موضوع بندی شده مشاهده نمایید