ارائه ی مدل جدید DEA شبکه ای مبتنی بر تابع فاصله ی جهت دار برای پردازش هم زمان داده های منفی و مقدار صحیح

تحلیل پوششی داده ها (DEA) به عنوان یک روش غیرپارامتری و داده محور، ابزاری کارآمد برای ارزیابی کارایی نسبی مجموعه ای از واحدهای تصمیم گیرنده (DMUها) با چندین ورودی و خروجی است. با این حال، مدل های کلاسیک DEA ساختار درونی DMUها را نادیده می گیرند و آن ها را به عنوان جعبه های سیاه در نظر می گیرند. برای رفع این محدودیت، DEAی شبکه ای توسعه یافته است که تعاملات درونی بین اجزای DMU را به طور صریح مدل سازی می کند. علاوه بر این، در بسیاری از کاربردهای واقعی، برخی متغیرهای ورودی، خروجی یا محصولات بینابینی دارای ماهیت گسسته و مقادیر صحیح هستند و حتی ممکن است داده های منفی نیز وجود داشته باشد. این ویژگی ها در مدل های مرسوم DEA نادیده گرفته می شوند و می توانند منجر به برآوردهای نادرست و غیرعملی گردند. در این مقاله، یک مدل DEAی شبکه ای مبتنی بر تابع فاصله ی جهت دار برای سیستم های سری دو بخشی ارائه می شود که قابلیت پردازش همزمان داده های منفی و مقدار صحیح را داراست. مدل پیشنهادی با تعریف مناسب بردار جهت، امکان اندازه گیری کارایی سیستم تحت هر دو فرض بازده به مقیاس ثابت و متغیر را فراهم می کند. برای نمایش قابلیت های مدل پیشنهادی، یک مطالعه ی موردی بر روی ۲۹ زنجیره ی تامین ایرانی در صنعت تجهیزات مصرفی پزشکی انجام شده است. نتایج نشان می دهد که مدل پیشنهادی نه تنها قادر است DMUهای کارا و ناکارا را به درستی تفکیک کند، بلکه با ارائه ی نقاط تصویر، مسیر دقیق اصلاح عملکرد هر بخش را نیز مشخص می سازد. یافته ها نشان می دهد که رویکرد پیشنهادی می تواند به عنوان ابزاری معتبر برای ارزیابی و بهبود کارایی زنجیره های تامین، به ویژه در صنایع حساس نظیر تجهیزات

کلیدواژه ها:

تحلیل پوششی داده ها (DEA) ، DEAی شبکه ای ، تابع فاصله ی جهت دار ، داده های منفی ، داده های مقدار صحیح ، زنجیره ی تامین