A complete ranking of DMUs based on cross-efficiency in data envelopment analysis
محل انتشار: دومین کنفرانس بین المللی تحقیق در عملیات ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 3,256
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICIORS02_185
تاریخ نمایه سازی: 11 اسفند 1387
چکیده مقاله:
Data Envelopment Analysis (DEA) models compute an efficiency score for Decision Making Units (DMUs) and discriminate between efficient and inefficient DMUs. Therefore, they rank DMUs except when multiple DMUs have an efficiency score of 1 or inefficient DMUs are the same in efficiency score. Hence, this paper proposes a novel method for complete ranking of DMUs that is based cross-efficiency evaluation method. One of the drawbacks in the mentioned method is the exist of multiple cross-efficiency scores due to the presence of alternative optimal solutions. So this method may not provide a ranking among the DMUs. As a result, it is recommended Linear models for selection best solution in cross-efficiency evaluation. The current paper extends the method of sexton [1986. Measuring efficiency: An assessment of data envelopment analysis. Jossey-Bass, San Francisco, 73-105] by introducing a number of models. The method are illustrated with a numerical example.
کلیدواژه ها:
نویسندگان
G.R Jahanshahloo
Department of Mathematics, Science and Research Branch, Islamic Azad University, Tehran, Iran
F Hosseinzadeh Lotfi
Department of Mathematics, Science and Research Branch, Islamic Azad University, Tehran, Iran
P Zamani
Department of Mathematics, Science and Research Branch, Islamic Azad University, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :