مدل‌های تحلیل پوششی داده‌های بدترین عملکرد برای اندازه‌گیری کارآیی فازی

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 3، دوره 7، شماره 21، آبان 1391، صفحه 23-36   

نوع مقاله: مقاله پژوهشی

نویسندگان

حسین عزیزی^{* 1}؛ رسول جاهد²؛ لیلا فرخی²

¹گروه ریاضی کاربردی، دانشگاه آزاد اسلامی، واحد پارس‌آباد مغان، پارس‌آباد مغان، ایران

²دانشگاه آزاد اسلامی، واحد گرمی، عضو هیات علمی، گرمی، ایران

چکیده

تحلیل پوششی داده‌ها (DEA) در شکل کلاسیک خود که مبتنی بر مفهوم مرز تولید کارآ ست، بهترین نمره‌ی کارآیی ممکن را تعیین می‌کند که می‌توان آن را به هر یک از اعضای مجموعه‌ای از واحدهای تصمیم‌گیری (DMU) اختصاص داد. DMU بر اساس این نمرات به عنوان کارآی خوشبینانه یا غیرکارآی خوشبینانه تقسیم‌بندی می‌شوند، و DMU کارآی خوشبینانه، مرز کارآیی را مشخص می‌کنند. DEA کلاسیک را می‌توان برای شناسایی واحدهای دارای عملکرد خوب (کارآ) در مطلوب‌ترین سناریو استفاده کرد. به منظور شناسایی واحدهای دارای عملکرد بد، مانند بنگاه‌های ورشکسته در نامطلوب‌ترین سناریو (بدترین حالت)، رویکرد مشابهی به نام تحلیل بدترین کارآیی وجود دارد، که از مرز تولید ناکارآ برای تعیین بدترین نمره‌ی کارآیی نسبی ممکن که می‌توان به هر DMU اختصاص داد، استفاده می‌کند. DMU واقع شده بر مرز تولید ناکارآ به عنوان ناکارآی بدبینانه تعیین می‌شوند، و آنهایی که روی مرز تولید کارآ و تولید ناکارآ نیستند، به عنوان نامعین DEA اعلام می‌شوند.  DEA نیازمند آن است که داده‌های ورودی‌ها و خروجی‌ها به طور دقیق معلوم باشند. ولی در کاربردهای واقعی همیشه چنین نیست. لیکن مقادیر مشاهده شده‌ی ورودی‌ها و خروجی‌ها در مسایل دنیای واقعی گاه فازی هستند. بسیاری از پژوهشگران روش‌های فازی مختلفی را برای کار با داده‌های فازی در DEA پیشنهاد کرده‌اند. این مقاله دو مدل DEA فازی جدید ارائه می‌کند که بر اساس حساب فازی برای کار با فازی بودن داده‌های ورودی و خروجی در DEA ایجاد شده‌اند. مدل‌های DEA فازی جدید به صورت مدل‌های برنامه‌ریزی خطی فرمول‌بندی می‌شوند و می‌توان آنها را برای تعیین کارآیی فازی گروهی از DMU مورد استفاده قرار داد. مدل‌های DEA فازی مرز بدترین عملکرد پیشنهاد شده در این مقاله، DMU دارای «بدترین عملکرد» را که مرز بدترین عملکرد (مرز ناکارآیی) را تشکیل می‌دهند، به صورت دقیق شناسایی می‌کنند. این مسأله به خصوص برای ارزیابی ریسک اعتبار مفید واقع می‌شود، ولی در هر کاربرد دیگری نیز می‌تواند سودمند باشد، زیرا واحدهایی که بدترین عملکرد را دارند، غالباً در همان جایی قرار دارند که بیشترین احتمال بهبود در آنجا وجود دارد. برای نشان دادن کاربرد رویکرد جدید، یک مثال ارائه خواهد شد.
 

کلیدواژه‌ها

تحلیل پوششی داده‌ها؛ داده‌های ورودی فازی و خروجی فازی؛ کارآیی فازی؛ مرز بدترین عملکرد؛ حساب فازی

مراجع

• Azizi, H., & Ganjeh Ajirlu, H. (2011). Measurement of the worst practice of decision-making units in the presence of non-discretionary factors and imprecise data. Applied Mathematical Modelling, 35(9), 4149–4156.
• Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiency in data envelopment analysis. Management Science, 30, 1078–1092.
• Charnes, A. & Cooper, W. W. (1962). Programming with fractional function. Naval Research Logistics Quarterly, 9, 181–185.
• Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2, 429–444.
• Dia, M. (2004). A model of fuzzy data envelopment analysis. INFOR, 42, 267–279.
• Entani, T., Maeda, Y., & Tanaka, H. (2002). Dual models of interval DEA and its extension to interval data. European Journal of Operational Research, 136, 32–45.
• Garcia, P. A. A., Schirru, R., & Melo, P. F. F. E. (2005). A fuzzy data envelopment analysis approach for FMEA. Progress in Nuclear Energy, 46, 359–373.
• Guo, P., & Tanaka, H. (2001). Fuzzy DEA: A perceptual evaluation method. Fuzzy Sets and Systems, 119, 149–160.
• Jahanshahloo, G. R., Soleimani-damaneh, M., & Nasrabadi, E. (2004). Measure of efficiency in DEA with fuzzy input–output levels: A methodology for assessing, ranking and imposing of weights restrictions. Applied Mathematics and Computation, 156, 175–187.
• Kao, C., & Liu, S. T. (2000a). Fuzzy efficiency measures in data envelopment analysis. Fuzzy Sets and Systems, 113, 427–437.
• Kao, C., & Liu, S. T. (2000b). Data envelopment analysis with missing data: An application to University libraries in Taiwan. Journal of the Operational Research Society, 51, 897–905.
• Kao, C., & Liu, S. T. (2003). A mathematical programming approach to fuzzy efficiency ranking. International Journal of Production Economics, 86, 45–154.
• Kao, C., & Liu, S. T. (2005). Data envelopment analysis with imprecise data: An application of Taiwan machinery .rms. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 13(2), 225–240.
• León, T., Liern, V., Ruiz, J. L., & Sirvent, I. (2003). A fuzzy mathematical programming approach to the assessment of efficiency with DEA models. Fuzzy Sets and Systems, 139, 407–419.
• Lertworasirikul, S., Fang, S. C., Joines, J. A., & Nuttle, H. L. W. (2003a). Fuzzy data envelopment analysis (DEA): A possibility approach. Fuzzy Sets and Systems, 139, 379–394.
• Lertworasirikul, S., Fang, S. C., Joines, J. A., & Nuttle, H. L. W. (2003b). Fuzzy data envelopment analysis: A credibility approach. In J. L. Verdegay (Ed.), Fuzzy sets based heuristics for optimization (pp. 141–158). Berlin, Heidelberg: Springer- Verlag.
• Lertworasirikul, S., Fang, S. C., Nuttle, H. L. W., & Joines, J. A. (2003). Fuzzy BCC model for data envelopment analysis. Fuzzy Optimization and Decision Making, 2(4), 337–358.
• Liu, F. F. & Chen, C. L. (2009). The worst-practice DEA model with slack-based measurement. Computers & Industrial Engineering, 57, 496–505.
• Liu, S. T. (2008). A fuzzy DEA/AR approach to the selection of flexible manufacturing systems. Computers and Industrial Engineering, 54(1), 66–76.
• Liu, S. T., Chuang, M. (2009). Fuzzy efficiency measures in fuzzy DEA/AR with application to university libraries. Expert Systems with Applications, 36(2), 1105–1113.
• Parkan, C., & Wang, Y. M. (2000). Worst Efficiency Analysis Based on Inefficient Production Frontier. Working Paper, Department of Management Sciences, City University of Hong Kong.
• Saati, S., & Memariani, A. (2005). Reducing weight flexibility in fuzzy DEA. Applied Mathematics and Computation, 161, 611–622.
• Saati, S., Menariani, A., & Jahanshahloo, G. R. (2002). Efficiency analysis and ranking of DMUs with fuzzy data. Fuzzy Optimization and Decision Making, 1, 255–267.
• Sengupta, J. K. (1992). A fuzzy systems approach in data envelopment analysis. Computers and Mathematics with Applications, 24, 259–266.
• Soleimani-damaneh, M., Jahanshahloo, G. R., & Abbasbandy, S. (2006). Computational and theoretical pitfalls in some current performance measurement techniques and a new approach. Applied Mathematics and Computation, 181(2), 1199–1207.
• Triantis, K. (2003). Fuzzy non-radial data envelopment analysis (DEA) measures of technical efficiency in support of an integrated performance measurement system. International Journal of Automotive Technology and Management, 3, 328–353.
• Triantis, K., & Girod, O. (1998). A mathematical programming approach for measuring technical efficiency in a fuzzy environment. Journal of Productivity Analysis, 10, 85–102.
• Wang, Y. M., Greatbanks, R., & Yang, J. B. (2005). Interval efficiency assessment using data envelopment analysis. Fuzzy Sets and Systems, 153(3), 347–370.
• Wang, Y. M., Luo, Y., & Liang, L. (2009). Fuzzy data envelopment analysis based upon fuzzy arithmetic with an application to performance assessment of manufacturing enterprises. Expert Systems with Applications, 36, 5205–5211.
• Wu, D., Yang, Z., & Liang, L. (2006). Efficiency analysis of cross-region bank branches using fuzzy data envelopment analysis. Applied Mathematics and Computation, 181(1), 271–281.