آموزش تحلیل پوششی داده‌ها

آموزش کامل تکنیک تحلیل پوششی داده‌ها روش DEA

بخش دوم: آشنایی با انواع الگوهای DEA

مهم ترین انواع الگوهای DEA تحلیل پوششی داده ها عبارتند از:

الگوی تحلیل پوششی داده های چارنز، کوپر و رودز CCR

الگوی تحلیل پوششی داده های بنکر، چارنز و کوپر BCC

الگوی تحلیل پوششی داده ها CCR

این الگو دارای بازده ثابت به مقیاس است و سعی دارد ،با انتخاب وزن های بهینه ،برای متغیرهای ورودی و خروجی واحد تحت بررسی ،کسر کارایی این واحد (واحد صفر) را ،به گونه ای بیشتر کند که کارایی سایر واحد ها ،از حد بالای یک ،تجاوز نکند.این الگو در دو ماهیت ورودی و خروجی و در سه شکل کسری ،مضربی و پوششی مطرح شده است و در ادامه ،به بیان فرم های مختلف در بیان فرم های مختلف در ماهیت ورودی می پردازیم.با توجه به ویژگی فرم پوششی ،الگوی CCR در ماهیت ورودی با شکل پوششی ،برای این نوشته انتخاب شد .بنابراین در این قسمت ،تنها به تشریح این شکل از CCR در ماهیت ورودی می پردازیم.

شکل پوششی CCR به صورت زیر به دست می آید:

الگوی تحلیل پوششی داده ها CCR

همانگونه که در شکل پوششی دیده می شود ،متغیر متناظر با محدودیت مساوی در فرم مضربی آزاد در علامت می باشد.در این الگو انتخاب هر بردار גمجاز ،یک حد بالا برای ستاده ها و یک حد پایین برای dmu ایجاد می کند و در مقابل ای محدودیت ها ای مرتبط با ۰ ≤jג گزینه بهینه برای مرتبط شدن با min ɵ= ɵ  را ارائه می دهد.
الگوی پوششی ،مجموعه ای از راه حل ها را ارائه می دهد .این راه حل ها ،حد بالایی ایجاد می کند که تمام مشاهدات را می پوشاند و به عنوان تحلیل پوششی داده ها عینیت می بخشد.شکل پوششی این امکان را می دهد که ترکیب محدب ایجاد شده ،برای هر واحد ناکارا  ومیزان دخیل بودن واحدهای کارا در این ترکیب jג مشخص شود.بنابراین ،مزیت اساسی شکل پوششی در نوع جوابی است که برای کارایی واحد های مختلف به دست می دهد.

الگوی تحلیل پوششی داده ها BCC

این مدل بر اساس حرف اول نام پدید آورندگانش یعنی بنکر ،چارنز و کوپر نامگذاری شده است.بر خلاف مدل CCR که فرض بر بازدهی ثابت نسبت به مقیاس است در مدل BCC فرض بر بازدهی متغیر نسبت به مقیاس می باشد.استفاده از بازده متغیر نسبت به مقیاس موجب می شود با محاسبه کارایی فنی بر حسب مقادیر کارایی ناشی از مقیاس و کارایی ناشی از مدیریت ،تحلیل بسیار دقیقی ارائه گردد.برای ساخت مدل های نهاده گرا و ستاده گرا در مدل اصلی BCC از همان مبانی مدل CCR استفاده میشود در مدل نهاده گرا با کاهش نهاده ها میزان کارایی افزایش می یابد ولی در مدل ستاده گرا با افزایش ستاده ها میزان کارایی افزایش می یابد. مدل مضربی BCC با شکل نهاده گرا به شکل زیر است:

الگوی تحلیل پوششی داده ها BCC

جواب شکل پوششی در ماهیت ورودی به طور مستقیم میزان کارایی نسبی واحد تحت بررسی را نشان می دهد در صورتی که به دست آمده برای یک واحد مساوی یک باشد ،بدین مفهوم است که واحد تحت بررسی یا DMU کارا است و در صورتی که مقدار آن کوچکتر از یک باشد DMU یا واحد تحت بررسی ناکارا می باشد.

مزایایی تکنیک تحلیل پوششی داده ها

  • در این روش واحد اندازه گیری حساس نیست و نهاده ها می توانند دارای واحدهای مختلفی باشند.
  • روش DEA یک روش مدیریتی است که کارایی واحدها را ،به طور نسبی اندازه گیری می کند و راهکارهای مدیریتی ارائه می کند.
  • روش DEA ،به مقایسه واحدها با یکدیگر می پردازد و از ایده ال گرایی محض به دور است.
  • روش DEA فقط کارایی را مشخص می کند و نقطه ضعف سایر سیستم های اندازه گیری که نوعی مطلق گرایی را دنبال می کنند،ندارند و کارا بودن در یک الگو یک کمیت دست یافتنی است.

محدودیت های انواع الگوهای DEA در مقایسه با سایر الگوها

  • چون DEA یک تکنیک ریاضی و عددی محض است از این رو خطاهای اندازه گیری ممکن است تغییرات عمده ای در نتیج به همراه داشته باشد از این رو می بایست پس از شناسایی واحد کارا به کنترل مجدد داده ها  و ستاده ها اقدام و از صحت آن اطمینان حاصل نمود.
  • این روش صرفاً یک روش ریاضی و بر اساس برنامه ریزی خطی است و توانایی مقایسه متغیرهای کیفی واحدهای تصمیم گیری را ندارد.
  • اگر تنها یکی از داده ها و ستاده های واحدهای تصمیم گیری تغییر کند ،تغییرات اساسی در درجه کارایی واحدهای تصمیم گیری پیش خواهد آمد.
  • توافق کلی در مورد انتخاب داده ها و ستاده ها در این روش وجود ندارد.

پکیچ آموزشی تحلیل پوششی داده‌ها

دو نمونه پاورپوینت کامل فارسی برای تحلیل پوششی داده ها

نمونه فصل سوم تکنیک تحلیل پوششی داده ها بصورت فایل ورد

نمونه فصل چهارم تکنیک تحلیل پوششی داده ها بصورت فایل ورد

فصل دوم تحلیل پوششی داده ها بصورت فایل ورد همراه با فهرست منابع

10000 تومان – خرید