مدل های نوین تحلیل پوششی داده ها

تحلیل پوششی داده ها (Data Envelopment Analysis - DEA) به عنوان یک ابزار قدرتمند ناپارامتری، نقش محوری در ارزیابی کارایی نسبی واحدهای تصمیم گیری (DMUs) در حضور ورودی ها و خروجی های متعدد ایفا می کند. با وجود موفقیت های چشمگیر مدل های کلاسیک DEA مانند CCR (Charnes, Cooper, Rhodes) و BCC (Banker, Charnes, Cooper)، این مدل ها در مواجهه با پیچیدگی های ساختاری سازمان های واقعی، عدم قطعیت در داده ها، و دینامیک بودن محیط عملیاتی، دارای محدودیت هایی هستند. هدف اصلی این پژوهش، ارائه یک مرور جامع و عمیق بر مدل های نوین و توسعه یافته DEA است که برای غلبه بر این محدودیت ها طراحی شده اند. این مقاله با ساختاری ۶۰ صفحه ای، ابتدا مبانی نظری DEA کلاسیک و مدل های پایه را مرور می کند. سپس، تمرکز اصلی بر معرفی، تشریح مبانی ریاضی و کاربردهای مدل های پیشرفته تر معطوف می شود. این مدل ها شامل DEA شبکه ای (Network DEA) برای تحلیل ساختارهای فرآیندی، DEA پویا (Dynamic DEA) برای لحاظ کردن اثرات زمان و سرمایه گذاری های آتی، DEA فازی (Fuzzy DEA) برای مدیریت عدم قطعیت های ورودی-خروجی، DEA مقاوم (Robust DEA) برای مقابله با خطاهای اندازه گیری، DEA بوت استرپ (Bootstrap DEA) برای استنتاج آماری معتبر، و مدل های ترکیبی DEA-یادگیری ماشین (DEA-Machine Learning Hybrid) برای بهبود دقت پیش بینی و طبقه بندی کارایی است. این پژوهش با ارائه فرمول بندی های ریاضی دقیق، و بحث پیرامون نتایج مفهومی و کاربردی، راهنمایی جامعی برای محققان و مدیرانی فراهم می آورد که در جستجوی ابزارهای تحلیلی پیشرفته تر برای سنجش و بهبود کارایی هستند. تحلیل مفهومی نشان می دهد که تلفیق این رویکردهای نوین، قابلیت مدل سازی سناریوهای پیچیده سازمانی را به طور چشمگیری افزایش داده است.

کلیدواژه ها:

تحلیل پوششی داده ها (DEA) ، کارایی نسبی ، مدل های نوین DEA ، DEA شبکه ای ، DEA پویا ، DEA فازی ، یادگیری ماشین