محاسبه میزان تراکم در خروجی نامطلوب با استفاده از داده های فازی

می دانیم تراکم یکی از مفاهیم حیاتی در تحلیل پوششی داده ها می باشد که در تصمیم گیری های مدیریتی نقش مهمی ایفا می کند، به همین دلیل محققین بسیاری در این زمینه مطالعه کرده اند. محاسبه و تشخیص تراکم از دو جنبه مهم است. با کاهش ورودی در واحد تصمیم گیرنده ای که دچار تراکم شده است، باعث کاهش هزینه های آن می شویم. از طرفی تراکم باعث کاهش خروجی می گردد پس با رفع آن، اجبارا خروجی افزایش پیدا می کند و این امر باعث سود بیشتر می شود. ولی روش های ارایه شده برای محاسبه تراکم درdea، مبحث تراکم را فقط با درنظرگرفتن خروجی های مطلوب مورد بررسی قرار داده اند. همان طور که می دانیم اندازه گیری دقیق داده ها در دنیای واقعی عملا امکان پذیر نمی باشد. همچنین در بعضی موارد ممکن است داده ها دارای ابهام باشند. بنابراین فرض دقیق بودن داده ها در حل مسایل، فرض درستی نمی باشد. یکی از راه های مواجهه با داده های نادقیق، داده های فازی می باشد.هدف از این مقاله به دست آوردن نوع جدیدی از تراکم در خروجی های نامطلوب با استفاده از داده های فازی می باشد. مدلی ارایه می دهیم که بتواند این نوع تراکم را تشخیص داده و میزان آن را محاسبه کند.

measuring congestion of the undesirable outputs using the fuzzy data

congestion is one of the main issues in the data envelopment analysis (dea) literature which the decision maker (dm) can use it to decide about changing the size of a particular decision making unit (dmu). many scholars have been attracted to recognizing and measuring the congestion of dmus. congestion occurs when the reduction (increment) in some inputs results in the maximum possible increase (decrease) in some outputs without worsening (improving) other input/output. if a dmu shows the input congestion, then we can reduce the production cost by reducing its inputs. on the other hand, congestion results in decreasing the outputs, hence, if the congestion is omitted, then the outputs should be increased and so the obtained profit is increased. the existing methods in the literature only consider the congestion in the presence of the desirable outputs. the problem of the congestion assessment of dmus by using dea may not be straightforward due to the data uncertainty. several studies have been developed to incorporate uncertainty into input/output values in the dea literature. on the other hand, while traditional dea models focus more on crisp data, there exist many applications in which data are reported in the form of fuzzy data. this study focuses on measuring the congestion in the presence of the undesirable outputs by using the fuzzy data. for this purpose, we propose a model to recognize and measuring the congestion of dmus.