بازده به مقیاس راست در شبکه دومرحله‌ای باحضور برخی ورودی‌ها و خروجی‎های صحیح

تحلیل پوششی داده ها روشی غیرپارامتری بر اساس مدلسازی ریاضی است برای محاسبه کارایی و ارزیابیعملکرد مجموعهای از واحدهای تصمیمگیرنده متجانس که هریک، ورودیهای چندگانه را به منظور تولید خروجی هایچندگانه به مصرف میرساند. یکی از مهمترین مباحث در تئوری اقتصاد و نیز در علم تحلیل پوششی دادهها که بخشعظیمی از مطالعات را به خود اختصاص داده است مفهوم بازده به مقیاس میباشد. بهراستی، تعیین نوع بازده به مقیاس)افزایشی، کاهشی و ثابت( اطلاعاتی را به مدیر خواهد داد که از طریق آن قادر خواهد بود که در مورد چگونگیدستیابی به سایز بهینه واحد تحت ارزیابی تصمیمگیری کند. تاکنون چندین روش براساس مدلهای کلاسیک تحلیلپوششی دادهها جهت تخمین نوع بازده به مقیاس واحدها ارائه شده است. اما نوع بازده به مقیاسی که توسط این روش-ها بدست میآید تنها برای موقعیت جاری واحد تحت ارزیابی برقرار است. این درحالی است که بازده به مقیاس، یکپدیده محلی برای واحدهاست. از اینرو بررسی این مفهوم برای یک واحد خاص بدون درنظر گرفتن و به کار بستن یکتحلیل حساسیت در همسایگی آن واحد، کاری بیمعنی است. بر همین اساس، مقوله بازده به مقیاس راست و چپ،جهت دستیابی به یک تقسیمبندی دقیق بازده به مقیاس، به سه نوع مذکور، اولین بار توسط گلانی ویو مطرح شد. درمقاله پیش رو، به محاسبه بازده به مقیاس راست در شبکه دو مرحلهای که مراحل یک و دو به صورت سری قرارگرفتهاند، در حضور برخی ورودی ها و خروجی های صحیح با روش گلانی ویو می پردازیم و سپس برای اثبات شروطگلانیویو مدلی را برای مجموعه امکان تولید شبکه دو مرحلهای سری در این مقاله ارائه کردیم و سپس آن را به فرم پوششی درآوردیم و بعد ثابت کردیم که فرم پوششی درچه حالتی یک mpss است.