بازنگری یک روش جدید بر اساس پراکندگی وزنها در تحلیل پوششی داده‌ها

در مقاله‌ای که اخیراً توسط بال و همکارانش با عنوان یک روش جدید بر اساس پراکندگی وزنها در تحلیل پوششی داده‌ها ارائه شده است یک مدل DEA که ضرائب تغییرات (CVs) وزنهای ورودی و خروجی را ترکیب می‌کند، پیشنهاد شده است که برای بهبود قدرت تمیز‌دهی DEA و تعادل وزنهای ورودی و خروجی بکار گرفته می‌شود. در این مقاله یادآور می‌شویم که وزنهای ورودی و خروجی در DEA از بعدها و واحدهای متفاوت هستند. وزنهای با بعد و واحدهای متفاوت نمی‌توانند به سادگی جمع زده شده میانگیری شوند. به عبارت دیگر مدل DEA شامل CVs از وزنهای ورودی ـ خروجی است که از آن به عنوان مدل CVDEA نام می‌بریم، در صورتیکه داده‌های ورودی و خروجی برای حذف بعد و واحد خود نرمالسازی نشده باشند، این بی‌معنی خواهد بود. مدل CVDEA می‌تواند زمانی که یک تبدیل مقیاس برای یک ورودی یا خروجی انجام می‌گیرد، تغییرات کارایی قابل توجهی را ایجاد کند و ممکن است جوابهای بهین موضعی چندگانه‌ای را به خاطر غیرخطی بودن تولید کند که این عموماً به نتایج ارزیابی متفاوت منجر می‌شود. بر اساس این نتایج معلوم می‌شود که مدل CVDEA دارای ایرادهای جدی در متن خود می‌‌باشد و در کاربردهای آن برای ارزیابی کارایی می‌بایست محتاطانه عمل کرد.

کلیدواژه ها:

تحلیل پوششی داده‌ها ، وزنهای ورودی و خروجی