بهبود تمایز واحدهای کارا در تحلیل پوششی داده ها با رویکردهای آماری و محاسبات نرم

تحلیل پوششی داده ها (DEA) مجموعه ای از مدل های ریاضی برای سنجش کارایی نسبی واحدهای تصمیم گیری همگن بر پایه ورودی ها و خروجی های مشابه است. در مدل های مضربی DEA هر واحد تصمیم گیری وزن هایی را برای شاخص های ورودی و خروجی خود انتخاب می کند که منجر به محاسبه وزن های متفاوت برای شاخص های یکسان و ایجاد نتایج غیرواقع بینانه در مقایسه واحدهای تصمیم گیری می شود. برای رفع این مشکل استفاده از مجموعه وزن های مشترک به عنوان یکی از رویکردهای محاسبات نرم امکان ارزیابی منسجم تر واحدهای تصمیم گیری را فراهم می سازد. با این حال در این مقاله تعیین وزن های مشترک به گونه ای که بتواند تمایز واقعی میان واحدهای تصمیم گیری کارا را آشکار کند، نیازمند بهره گیری از روش های آماری پیشرفته است. در این پژوهش از روش بوت استرپ به عنوان یک رویکرد آماری ناپارامتری استفاده می شود تا با برآورد بازه های اطمینان احتمالی برای وزن ها مجموعه ای از وزن های مشترک قابل قبول استخراج گردد. به کارگیری این وزن های مشترک مبتنی بر بوت استرپ امکان افتراق دقیق تر واحدهای تصمیم گیری کارا و رتبه بندی آن ها را فراهم می آورد. روش پیشنهادی روی ۲۷ واحد تصمیم گیری آزمایش شده است و با استفاده از این روش تمامی واحدهای تصمیم گیری و بخصوص ۴ واحد تصمیم گیری کارا در بخش ۴ به طور کامل از یکدیگر متمایز شدند. بدین ترتیب واحدهای تصمیم گیری که در مدل های کلاسیک DEA همگی کارا ارزیابی می شدند بر اساس چارچوب ارائه شده قابل تمایز بوده و اولویت بندی آن ها از منظر کارایی و اثربخشی امکان پذیر می شود. رویکرد تلفیقی ارائه شده با ترکیب روش های آماری و محاسبات نرم راهکاری کارآمد برای ارتقای قدرت تمایز و رتبه بندی در تحلیل پوششی داده ها ارائه می دهد.

کلیدواژه ها:

تحلیل پوششی داده ها ، رویکردهای آماری ، محاسبات نرم ، رتبه بندی