طراحی مدل تحلیل پوششی داده های تصادفی چندهدفه به منظور پیش بینی کارایی واحدهای سازمانی

تحلیل پوششی داده ها (dea) تکنیکی است که کارایی واحدهای تصمیم گیرنده (dmu) را براساس ورودی ها و خروجی های آن ها اندازه گیری می نماید. از آنجا که پیش بینی کارایی واحدها برای برنامه ریزی دقیق تر برای آینده اهمیت بسزایی دارد، این مقاله ابتدا مدلی جدید به نام مدل تحلیل پوششی داده های تصادفی فازی چندهدفه (mofsdea) با اوزان مشترک در محیطی پویا ارایه می نماید که تغییرات داده ها را در طول دوره های متوالی ارزیابی در نظر می گیرد. در این مدل از مفهوم مقدار مورد انتظار برای توابع هدف در راستای پیش بینی کارایی مورد انتظار واحدها و نیز از مفهوم فازی متوسط شانس در بیان محدودیت های مدل استفاده و همچنین در این مدل ورودی ها و خروجی ها به صورت متغیرهای فازی مثلثی تصادفی با توزیع نرمال، فرض شده است. سپس تحت این فرض به دلیل پیچیده بودن فرآیند حل، مدل mofs-dea به مدل برنامه ریزی تصادفی چندهدفه ی معادلش تبدیل می گردد. آنگاه برای کاهش زمان محاسباتی، مدل تصادفی چند هدفه ی معادل mofs-dea با استفاده از رویکرد برنامه ریزی فازی به مدل تصادفی تک هدفه تبدیل می گردد. همچنین برای حل مدل حاصله، الگوریتم هیبریدی نوینی از طریق تلفیق الگوریتم ژنتیک (ga) و تکنیک شبیه سازی مونت کارلو (mc) طراحی می گردد. نهایتاً در راستای تایید صحت و اثربخشی مدل و الگوریتم هیبریدی پیشنهادی، یک مطالعه ی موردی در انتها صورت گرفته و نتایج حاصله از الگوریتم پیشنهادی با نتایج حاصل از الگوریتم هیبریدی مشابه کین و لیو مقایسه می شود که نتایج حاکی از برتری زمان محاسباتی و کیفیت نتایج الگوریتم هیبریدی پیشنهادی می باشد.