یک روش مبتنی بر وزن‌های مشترک برای تعیین بهترین واحد تصمیم‌گیری در تحلیل پوششی داده‌ها

در مدل‌های کلاسیک تحلیل پوششی داده‌ها (dea) بهترین واحدهای تصمیم‌گیرنده اندازه کارایی کامل دارند و با مقدار یک نیز نشان داده می‌شوند و به تجربه می‌دانیم که بیشتر از یک واحد در وضعیت کارا قرار می‌گیرند. یکی از موضوعات جالبی که اغلب مورد توجه محققین قرار می‌گیرد تمایز میان عملکرد واحدهای تصمیم‌گیرنده‌ای (dmu) است که کارایی کامل دارند. نویسندگان مختلف مشکل پیدا کردن بهترین واحد کارا را از دیدگاه‌های مختلف مورد مطالعه قرار دادند. با این حال تا جایی که نگارندگان مطلع هستند هیچ تعریف صریحی برای بهترین واحد کارا وجود ندارد. به همین دلیل رویکردهای مختلف، واحدهای متفاوتی را به عنوان بهترین واحد کارا معرفی می نمایند. در مقاله‌ی حاضر با استفاده از مجموعه مرجع همه واحدهای کارای قوی و مجموعه مشترک وزن‌ها یک مدل مبتنی بر تحلیل پوششی داده‌ها برای تعیین بهترین واحد تصمیم گیری ارایه می‌شود.  برای این منظور، با حل یک مساله برنامه‌ریزی خطی ساده یک اندازه مقایسه‌ای برای هر واحد تصمیم‌گیری تعریف می‌شود و با استفاده از این اندازه روشی برای رتبه‌بندی واحدهای روی مرز تعیین می‌شود. یک مثال عددی نیز کاربرد رویکرد پیشنهادی را نشان می‌دهد. 

a common set of weights method to determine the best performer in data envelopment analysis

in classical data envelopment analysis (dea) models, the best performers have full-efficient status and it is denoted by one, and from experience, we know that more than one unit have this efficient status. one of the most frequently studied and interesting research subjects is to discriminate between the performances of full-efficient decision-making units (dmus). different authors have studied the problem of finding the best-efficient dmu from different viewpoints. however, as far as we are aware, there is no explicit or implicit definition on the best efficient dmu. so, different approaches have introduced different units as the best efficient unit. in this paper, we have used a common set of weights to propose a dea-based model to determine the best efficient dmu. then, a comparative measure to each dmu is defined, and using this measure, a prioritization method for frontier dmus is given. numerical examples show the applicability of the proposed approach.