مقاله ترجمه شده مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی

کمبود قدرت تمایز و پراکندگی ضعیف وزن همچنان به عنوان دو مورد از مسائل اصلی در تحلیل پوششی داده ها (DEA) مطرح می شود. از زمان ایجاد اولین مدل تحلیل پوششی داده های چند معیاره (MCDEA)) در دهه 1990 تا به حال، تنها روش های برنامه ریزی آرمانی؛ که عبارتند از GPDEA-CCR و GPDEA-BCC، برای حل مسائل مطرح شده در چارچوب چند هدفه معرفی شده اند. ما متوجه شدیم که مدل های GPDEAنامعتبر هستند و اثبات می کنیم که روش تحلیل پوششی داده های چند معیاره دو هدفه (BiO-MCDEA )پیشنهادی ما، از لحاظ قدرت تمایز و پراکندگی وزن، عملکرد بهتری از مدل GPDEA داشته؛ و همچنین به کدهای محاسباتی کمتری نیاز دارد. وابستگی انرژی در میان 24 کشور عضو اتحادیه اروپا، بیشتر برای توصیف تاثیر روش ما مورد استفاده قرار می گیرد.

Lack of discrimination power and poor weight dispersion remain major issues in Data Envelopment Analysis
(DEA). Since the initial multiple criteria DEA (MCDEA) model developed in the late 1990s, only goal
programming approaches; that is, the GPDEA-CCR and GPDEA-BCC were introduced for solving the said
problems in a multi-objective framework. We found GPDEA models to be invalid and demonstrate that
our proposed bi-objective multiple criteria DEA (BiO-MCDEA) outperforms the GPDEA models in the
aspects of discrimination power and weight dispersion, as well as requiring less computational codes.
An application of energy dependency among 25 European Union member countries is further used to
describe the efficacy of our approach.

تعداد صفحه های فارسی20
تعداد صفحه های انگلیسی11
سال انتشار2014

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها