ارزیابی کارایی نسبی بدون متغیر کمکی بر پایه مدل bcc در تحلیل پوششی داده‌ها

هدف: تحلیل پوششی داده‌ها تکنیکی برای تحلیل عملکرد و سنجش میزان کارایی نسبی واحدهای تصمیم‌ گیرنده با استفاده از برنامه‌ریزی خطی می‌باشد. در اکثر موارد، مدل ‌های dea واحدهای ناکارا را با استفاده از نقاط مرجع روی مرز مجموعه امکان تولیدی که کارایی پاراتو نیستند، ارزیابی می‌کنند؛ بنابراین، این مدل‌ها معمولا وزن‌های صفر را برای مضرب‌ها بهینه ارایه می‌ دهند، درنتیجه، نمرات کارایی به‌دست‌آمده از این واحدها، تمام منابع ناکارایی را توجیه نمی‌کند. هدف ما در این مقاله ارایه مدلی است که وزن‌های غیرصفر را تولید کنند.روش‌شناسی پژوهش: مساله وزن‌های غیرواقعی اساسا با روش‌های محدودیت وزنی حل شده است. محدودیت وزنی در مدل‌های dea از دیدگاه‌های مختلف موردمطالعه قرار می ‌گیرد. برخی از نویسندگان عمدتا از مدل‌های نسبت مخروطی یا مدل‌های ناحیه اطمینان استفاده کرده‌اند که محدودیت‌هایی را بر وزن‌ها اعمال می‌ کنند. چنین محدودیت‌ هایی نیاز به اطلاعات یا قضاوت ‌های کارشناسان دارند. در نبود هرگونه اطلاعات از متخصصان یا اطلاعات هزینه/قیمت برای تعیین کران‌های وزن، مجبور هستیم تا از یک معیار فرعی برای انتخاب وزن، میان وزن‌های بهینه دگرین استفاده کنیم. در مدل پیشنهادی برای رسیدن به اهداف خود بر روی وزن ‌های مدل، محدودیت اعمال می‌ کنیم به‌ طوری ‌که نیاز به اطلاعات اولیه ندارد. این مدل وزن ‌های مثبت تولید می ‌کند و درعین‌حال از تجانس شدید بین وزن‌ ها جلوگیری می ‌کند.یافته‌ها: در این مقاله یک روش یک‌ مرحله‌ای بر پایه مدل bbc و با اعمال محدودیت وزنی، برای ارزیابی عملکرد کارایی نسبی واحدهای تصمیم‌گیرنده ارایه شده است که وزن‌ های غیر‌صفر را تضمین می ‌کند و از تشابه وزن ‌ها جلوگیری می‌ کند. به ‌علاوه نشدنی بودن مدل رخ نمی‌ دهد. مدل پیشنهادی، نیاز به هیچ‌گونه اطلاعات اولیه روی وزن ‌ها درطبقه‌بندی واحدها ندارد و این موضوع پیچیدگی مساله را کاهش می‌دهد.اصالت/ارزش افزوده علمی: برای تاکید بر قوت روش پیشنهادی، مدل معرفی‌ شده بر روی دو مثال پیاده‌سازی شده و با نتایج حاصل از مدل ‌های استاندارد bcc، رامون و همکاران [1] مقایسه می‌گردد. نتایج حاصل حاکی از عملکرد بهتر مدل پیشنهادی است.

performance measurement in data envelopment analysis: a bcc-based approach

purpose: data envelopment analysis (dea) is a technique used to assess performance and measure the relative efficiency of decision making units (dmus) through linear programming. in most cases, dea models evaluate inefficient units on the boundary of the production possibility set using reference points that are not pareto efficient. consequently, these models often yield zero weights for multipliers, failing to justify all sources of inefficiency. this paper aims to introduce a model that generates non-zero weights.methodology: weight restriction methods have primarily addressed the issue of non-realistic weights. we impose constraints on the weights in the proposed model to achieve our objectives.findings: this paper presents a one-stage method based on the bcc model, incorporating weight restrictions, to evaluate the relative efficiency of decision-making units. the proposed model ensures non-zero weights and prevents dissimilarity between weights while maintaining feasibility. notably, the proposed model does not require any prior information on weights or the classification of units, reducing the complexity of the problem.originality/value: to highlight the strength of the proposed method, the model is implemented on two case studies and compared with the results obtained from standard bcc models and those of ramon and colleagues. the results indicate the superior performance of the proposed model.