انگلیسی

 

پیوست‌ها

 

 

 

 

 

 

 

 

 

 

 

 

 

فهرست جداول

 

 

 

صفحه

 

 

جدول 3-1: داده‌های ورودی و خروجی………………………… 49

 

جدول 3-2: جواب بهینۀ مدل (3-7) در حضور ARII برای همۀ واحدهای DMU………. 49

 

جدول 3-3: جواب بهینۀ مدل (3-12) برای مثال تشریحی 58

 

جدول 4-1: ورودی‌ها و خروجی‌های لازم در ارزیابی مدارس متوسطه……………… 64

 

جدول 4-2: ورودی‌ها و خروجی‌ها……………………… 65

 

جدول 4-3: مدارس میانگین و بی‌تفاوت……………………….. 66

 

جدول 4-4: دادوستدهای بین ورودی‌ها و خروجی‌ها…….. 66

 

جدول 4-5: مقایسۀ برآوردهای کارائی در حضور ARII ……………………………………….. 69 

خرید متن کامل این پایان نامه در سایت nefo.ir

 

 

جدول 4-6: الگوهای مدرسه 4 به دست آمده از مدل‌های (3-14) و مدل در ماهیت خروجی (3-9)………………………………………..

 

……………………………………….. 70

 

 

 

 

 

 

 

 

 

 

 

فهرست شکل­ها

 

 

 

صفحه

 

 

شکل 1-1: تصویر واحد DMU ناکارا بر روی مرز کارا………….. 15

 

شکل 3-1: ناحیه شدنی مدل (3-7) در حضور ARII (3-9) در فضای وزن‌ها………………………. 50

 

شکل 3-2: مرز کارا با و بدون ARII در فضای ورودی و خروجی…………………………….. 53

 

شکل 3-3: مرز برای اندازه‌گیری کارایی نسبی……………………….. 53

 

شکل 3-4: مجموعه امکان تولید و مرز کارا برای ارزیابی واحد A……………………………………….. 60

 

 

 

 

 

پیشگفتار

 

تحلیل پوششی داده‌ها[1] (DEA)، که اولین بار توسط چارنز و همکاران ]9[ (مدل CCR) مطرح شد و سپس توسط بنکر و همکاران ]6[ (مدل BCC) تعمیم یافت، یک روش غیرپارامتری برای ارزیابی عملکرد واحدهای تصمیم‌گیری[2] (DMU) با ورودی‌ها و خروجی‌های چندگانه و تعیین کارائی نسبی آنها است. کارایی چند واحد در DEA به‌صورت نسبت مجموع وزن‌دار خروجی‌ها بر مجموع وزن‌دار ورودی‌ها تعریف می‌شود. وزن‌ها متغیرهای مدل DEA هستند و واحدها در انتخاب وزن‌های متناظر با هر ورودی و/یا هر خروجی آزادی کامل دارند به طوریکه کارایی نسبی‌ آن‌ها ماکزیمم گردد. این انعطاف‌پذیری کامل در انتخاب وزن‌ها به ویژه برای مشخص کردن واحدهای ناکارا بسیار مهم است، زیرا زمانی‌که واحد تحت ارزیابی ۱۰۰٪ کارایی را به‌دست نیاورد، بیان‌ کننده این حقیقت است که همتای آن نسبت به واحد تحت ارزیابی کارایی بهتری دارد با وجود اینکه وزن‌ها طوری مشخص شده‌اند که کارایی واحد تحت ارزیابی ماکزیمم گردد. بنابراین، هیچ واحد ناکارایی نمی‌تواند ادعا کند که اگر مجموعه متفاوتی از وزن‌ها انتخاب می‌شد، کارایی آن می‌توانست بهتر باشد.

 

آزادی کامل در تعیین وزن‌ها ممکن است منجر شود که بعضی ورودی‌ها یا خروجی‌ها وزن‌ صفر یا غیرقابل قبول اختیار کنند و این بدان معنی است که این ورودی‌ها یا خروجی‌ها در تعیین کارایی واحدها نادیده گرفته می‌شوند. استفاده از محدودیت‌های وزنی در DEA روش مناسبی برای رفع این مشکل می‌باشد. نوشتارهای مروری در خصوص ‌محدودیت‌های وزن در DEA را می‌توان در آلن و همکاران ]5[ و تاناسولیس و همکاران ]24[ یافت.

 

محدودیت‌های وزن به سه نوع نواحی اطمینان نوع اول  AR و نواحی اطمینان نوع دوم ARII و محدودیت‌های وزن مطلق طبقه‌بندی می‌شوند.

 

محدودیت‌های نواحی اطمینان با محدودیت‌های وزن مطلق متفاوت هستند. زمانیکه محدودیت‌های وزن مطلق به‌طور مستقیم بر مدل‌های DEA با تکنولوژی بازده به‌ مقیاس ثابت (CRS) تحمیل شوند، در این‌صورت ممکن است مدل‌ها نشدنی شوند یا مقیاس کارائی برآورد پایین شود (]5[ و ]16[ را ببینید).

 

برای به دست آوردن برآوردی صحیح از کارائی نسبی در حضور محدودیت‌های وزن مطلق، پودینوسکی و آتاناسوپولوس ]16[ استفاده از یک مدل ماکزیمم را پیشنهاد کردند، و یک دستورسازی برنامه‌ریزی خطی معادلی را برای محاسبه آسان مقدار کارائی نسبی معرفی کردند تا از تمام مشکلات مربوط به ‌محدودیت‌های وزن مطلق اجتناب شود (]17[ را ببینید).

 

تامسون و همکاران ]26[ و تامسون و ترال ]28[ به ‌مشکلات استفاده از ARII در مدل‌های DEA اشاره کردند که امکان نشدنی بودن مدل برای برخی یا همۀ واحدها وجود دارد. برای غلبه بر این مشکلات، تامسون و ترال ]28[ یک مدل DEA غیرخطی ‌ارائه دادند که در حضور  ARIIمی‌تواند مقادیر صحیح کارائی نسبی را به‌دست آورد. ولی مدل ارائه‌ شده تنها برای حالت خاص دو ورودی و یک خروجی حل شده بود. تریسی و چن ]32[ این موضوع را برای حالت تعمیم‌یافته‌ای از محدودیت‌های وزن ارائه دادند که تمام حالات محدودیت‌های وزنی ذکر‌شده در این پایا‌ن‌نامه را شامل می‌شود.