کارایی را می توان از دو جنبه کارایی مطلق و کارایی نسبی مورد مطالعه قرار داد.کارایی مطلق از سنجش یک واحد با ایده آلی ها منتج می گردد و کارایی نسبی از سنجش یک واحد با واحدهای مشابه دیگر نتیجه می گردد و زیرا مشخص کردن ایده آلی ها و رسیدن به آنها مشکل می باشد از کارایی نسبی بهره گیری می کنیم.به همین دلیل اظهار می کنیم که تحلیل پوششی داده ها تکنیکی برای محاسبه کارایی نسبی مجموعه ای از واحدهای تصمیم گیرنده می باشد.

ورودی عاملی می باشد که با افزایش آن ، با حفظ تمام عوامل دیگر کارایی کاهش می یابد.و با کاهش آن با حفظ تمام عوامل دیگر ، کارایی افزایش می یابد.خروجی عاملی می باشد که با کاهش آن ، باحفظ تمام عوامل دیگر کارایی کاهش می یابد.و با افزایش آن با حفظ تمام عوامل دیگر ، کارایی افزایش می یابد.

برای حالت یک ورودی – یک خروجی کارایی مطلق را به صورت زیر تعریف می کنیم:

کارایی مطلق  =

ورودی و خروجی DMU ها بایستی در شرایط زیر صدق نمایند :

  • داده ها بایستی هم زمان باشند.
  • ورودی ها و خروجی های واحد تصمیم گیرنده بایستی هم جنس باشند.
  • به گونه تجربی می توان گفت که برای بدست آوردن نتایج قابل تحلیل از مدل های DEA بایستی ارتباط زیر مستقر باشد :

n≥3(m+s)

که در آن :

M = تعداد ورودی ها

n = تعداد خروجی ها

S = تعداد واحدهای تصمیم گیرنده

  • خروجی ها فقط وابسته به همین ورودی های تعریف کننده باشند.

 

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

1-2-         انواع مدل های DEA

  • مدل CCR

اولین مدل اساسی تحلیل پوششی داده ها توسط چارنز ، کوپر و رودز در سال (1987) در دو ماهیت ورودی و خروجی ارائه گردید.در این مدل برای هر DMU ، یک ورودی و یک خروجی مجازی به کمک وزن های vi و ur بصورت زیر تعریف می شوند :

ورودی مجازی  = v1x1o+v2x2o+…+vmxmo

خروجی مجازی  = u1y1o+u2y2o+…+usyso

که در آن x1o,…,xmo به ترتیب ورودی اول تا m ام DMUo و y1o,…,yso به ترتیب خروجی اول تا s ام DMUo می باشد و vi و ur به ترتیب وزن های مربوط به ورودی ها و خروجی ها می باشند.

وزن ها نه تنها نشان می دهند که چه اقلامی در ارزیابی DMUo سهم داشته اند بلکه اندازه سهم آنها را نیز مشخص می کنند.وزن ها به کمک برنامه ریزی خطی بدست آورده می شوند که نسبت خروجی مجازی به ورودی مجازی حداکثر گردد.

 متن فوق تکه ای از این پایان نامه بود

متن کامل