مدیریت عدم قطعیت در dea با استفاده از داده‌های فازی شهودی و پارامترهای راف فازی

این مقاله به بررسی تاثیر عدم قطعیت بصورت داده‌های فازی شهودی و پارامترهای راف فازی درارزیابی و مدیریت عملکرد با استفاده از تحلیل پوششی داده‌ها (dea) می‌پردازد. هدف اصلی این تحقیق، بهبود دقت و مدیریت عدم قطعیت در مدل‌های dea است . در پژوهش حاضر، از داده‌های نادقیق فازی شهودی که هر یک از پارامترهای آن راف فازی را تشکیل می‌دهند، استفاده شده است. مقدار مورد انتظار فازی شهودی و راف فازی، نفش مهمی در این پژوهش دارد. با توجه به اینکه پارامترهای راف فازی به مدل کمک می‌کنند تا با داده‌های نادقیق و نامشخص به‌طور موثرتری کار کند و داده‌های فازی شهودی نیز اطلاعات و جزئیات بیشتری درباره تغییرات و عدم قطعیت‌ها فراهم می‌کنند. با ترکیب این دو مفهوم، مدل‌های dea می‌توانند با دقت و اطمینان بیشتری عملکرد واحدهای مختلف را ارزیابی و تحلیل کنند، که بهبود در مدیریت عدم قطعیت‌ها را به همراه دارد. با این حال، افزایش حجم مدل و محاسبات از محدودیت‌های این روش محسوب می‌شوند. رویکرد پیشنهادی را با یک مثال عددی تشریح کرده‌ایم. استفاده از نتایج مدل‌های پیشنهادی می‌تواند ابزاری موثر در ارزیابی عملکرد در سازمان‌ها و صنایع مختلف بوده و بهبود قابل توجهی در فرآیندهای تصمیم‌گیری ایجاد نماید.

management of uncertainty in dea using intuitive fuzzy and fuzzy rough parameters

this article examines the impact of uncertainty in the form of intuitionistic fuzzy data and rough fuzzy parameters on performance evaluation and management using data envelopment analysis (dea). the primary objective of this research is to enhance the accuracy and management of uncertainty in dea models. in the present study, we utilize intuitionistic fuzzy imprecise data, each parameter of which forms a rough fuzzy set. the expected values of intuitionistic fuzzy and rough fuzzy parameters play a significant role in this research. given that rough fuzzy parameters help the model to work more effectively with imprecise and uncertain data, and intuitionistic fuzzy data provide more information and details about variations and uncertainties, the combination of these two concepts allows dea models to assess and analyze the performance of various units with greater accuracy and confidence, leading to improved management of uncertainties. however, the increased model size and computational complexity are considered limitations of this approach. we illustrate the proposed approach with a numerical example. the use of the results from the proposed models can be an effective tool in performance evaluation across various organizations and industries, leading to significant improvements in decision-making processes.