استوار‌سازی مدل‌های dea برای شناسایی واحدهای دارای بدترین عملکرد

مدل های کلاسیک تحلیل پوششی داده ها (dea) هر یک از واحدهای تصمیم گیرنده (dmu) را براساس مطلوب ترین حالت به منظور شناسایی واحدهای دارای بهترین عملکرد مورد ارزیابی قرار می دهند. درواقع، مدل های کلاسیک dea کارایی هر واحد را در مقایسه با کاراترین واحد اندازه گیری می کنند و چون در این روش کارایی نسبی محاسبه می شود بنابراین حداقل یکی از واحد ها روی مرز کارایی قرار دارد. در مقابل مدل های dea کلاسیک، مدل های دیگری وجود دارند که dmuها را براساس نامطلوب ترین حالت مورد ارزیابی قرار می دهند و با تشکیل مرز ناکارایی، واحد های دارای بدترین عملکرد را شناسایی می کنند. در این مقاله با استفاده از رویکرد بهینه سازی استوار، دو مدل برای ارزیابی عملکرد dmuها تحت نامطلوب ترین حالت ارائه می شود و هدف به دست آوردن واحدهای دارای بدترین عملکرد با داده های دارای عدم قطعیت و بازه ای می باشد. همچنین برای تعیین واحدهای دارای بدترین عملکرد، مفهوم ابرکارایی را به کار بردیم و آن را ابرناکارایی نامیدیم. با استفاده از دو مثال عددی قابلیت مدل های پیشنهادی در ارائه رتبه بندی مورد اطمینان و شناسایی واحدهای دارای بدترین عملکرد مورد بررسی قرار گرفته است.