آموزش تحلیل پوششی داده‌ها

آموزش تحلیل پوششی داده‌ها DEA : مدل اندرسون و پیترسون

مدل اندرسون پیترسون یک مدل تحلیل پوششی داده ها است. واژه DEA مخفف Data Envelopment Analysis می باشد که به معنی تحلیل پوششی داده ها یک مدل برنامه ریزی ریاضی ،برای ارزیابی کارایی واحد های تصمیم گیرنده ای (DMU) است که چندین ورودی و چندین خروجی دارند . اندازه گیری کارایی به دلیل اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه محققین قرار داشته است .فارل در سال ۱۹۵۷ ، با استفاده از روشی همانند اندازه گیری کارایی در مباحث مهندسی ، به اندازه گیری کارایی برای واحد تولیدی اقدام کرد.موردی که فارل برای اندازه گیری کارایی مد نظر قرار داد شامل یک ورودی و یک خروجی بود.

تحلیل پوششی داده ای دامنه گسترده ای از مدل های بهینه سازی ریاضی است که برای سنجش کارایی نسبی مجموعه ای از واحد های متجانس با ورودی ها وخروجی های مشابه به کار می رود. این مدل مجموعه ای از اوزان را برای متغیرهای ورودی و خروجی هر واحد تصمیم گیری به دست آورده وبر اساس آن کارایی نسبی هر واحد را محاسبه می کند. برای درک بهتر موضوع مطلب آموزش تحلیل پوششی داده‌ها را مطالعه کنید.

الگوهای تحلیل پوششی داده ها

بطور سنتی الگوهای تحلیل پوششی داده ها عبارتند از الگوهای BCC و الگوهای CCR. همچنین الگوهای تحلیل پوششی داده ها می توانند ورودی محور یا خروجی محور باشند. برای درک بهتر موضوع مطلب انواع الگوهای DEA را مطالعه کنید.

مدل اندرسون پیترسون

مدل اندرسون-پیترسون یا روش ابر کارایی که تعیین کاراترین واحد را ممکن می‌سازد در سال ۱۹۹۳ توسط اندرسون و پیترسون جهت رتبه‌بندی واحدهای کارا پیشنهاد شد. در این روش امتیاز واحدهای کارا می‌تواند بیشتر از ۱ باشد و به این ترتیب واحدهای کارا نیز مانند واحدهای ناکارا قابل رتبه‌بندی خواهند بود. روش کار به این صورت است که واحد تصمیم‌گیرنده DMUp را از مجموعه امکان تولید حذف و مدل را برای سایر DMUها اجرا می‌کنند. هرچه ضریب واحدی بزرگتر باشد، آن واحد کاراتر است.

مدل اندرسون پیترسون

در انتخاب نوع تابع دقت کنید:

اگر مدل ورودی محور باشد هدف رسانیدن یک واحد ناکارا به مرز کارایی از طریق ثابت نگه داشتن ورودی و افزایش خروجی است. در اینجا نوع تابع Max استفاده میشود.

اگر مدل خروجی محور باشد هدف رسانیدن یک واحد ناکارا به مرز کارایی از طریق ثابت نگه داشتن خروجی و کاهش ورودی است. در اینجا نوع تابع Min استفاده میشود.

در مدل اندرسون پیترسون به دلیل حذف محدودیت مربوط به واحد تحت ارزیابی (که حد بالای آن یک است) کارایی می‌تواند بیش از یک باشد و بدین ترتیب واحداهای کارا با امتیازاتی بیشتر از یک قابل رتبه‌بندی خواهند بود.


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