رتبه‌بندی واحدهای تصمیم‌گیرنده  با روش تحلیل پوششی داده‌ها تحت سناریوهای موازنه‌شده (خوش‌بینانه، بدبینانه و بهینه)

نویسندگان

  • نیلوفر فلاح * دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران.
  • محسن رستمی مال خلیفه دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران.
  • محمد ایزدی‌خواه دانشگاه آزاد اسلامی واحد اراک،اراک، ایران.
  • فرهاد حسین‌زاده لطفی دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران. https://orcid.org/0000-0001-5022-553X

https://doi.org/10.22105/mmaa.v3i1.118

چکیده

هدف: هدف این پژوهش ارایه یک چارچوب موازنه‌شده مبتنی بر تحلیل پوششی داده‌ها برای رتبه‌بندی واحدهای تصمیم‌گیرنده از طریق تلفیق ارزیابی‌های خوش‌بینانه و بدبینانه کارایی است. این رویکرد محدودیت قدرت تفکیک مدل کلاسیک CCR را که در آن چندین واحد به‌طور هم‌زمان کارا شناخته می‌شوند، برطرف می‌کند.

روش‌شناسی پژوهش: در این پژوهش از مدل خروجی‌محور CCR برای محاسبه کارایی خوش‌بینانه و بدبینانه هر واحد استفاده شده است. سپس این دو معیار با استفاده از یک میانگین وزنی ترکیب شده و شاخص کارایی موازنه‌شده به‌عنوان مبنای رتبه‌بندی معرفی می‌شود. کارایی روش پیشنهادی با استفاده از یک مطالعه عددی شامل ۲۰ واحد تصمیم‌گیرنده ارزیابی شده است.

یافته‌ها: نتایج نشان می‌دهد که شاخص موازنه‌شده نسبت به مدل کلاسیک DEA قدرت تفکیک بیشتری دارد و با در‌نظر‌گرفتن هم‌زمان ظرفیت‌های عملکردی و محدودیت‌های عملیاتی، رتبه‌بندی پایدارتر و واقع‌بینانه‌تری ارایه می‌کند. همچنین مطالعه عددی توانایی روش پیشنهادی را در تمایز میان واحدهای دارای کارایی مشابه نشان می‌دهد.

اصالت/ارزش افزوده علمی: نوآوری این پژوهش در ارایه یک روش ساده و کارآمد برای ترکیب ارزیابی‌های خوش‌بینانه و بدبینانه در چارچوب مدل CCR است. این روش بدون افزایش پیچیدگی محاسباتی، دقت رتبه‌بندی را بهبود بخشیده و ابزاری مناسب برای ارزیابی عملکرد و تخصیص منابع فراهم می‌آورد.

کلمات کلیدی:

تحلیل پوششی داده‌ها، رتبه‌بندی واحدهای تصمیم‌گیرنده، مدل خوش‌بینانه و بدبینانه، شاخص موازنه‌شده

مراجع

  1. [1] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
  2. [2] Adler, N., Friedman, L., & Sinuany-Stern, Z. (2002). Review of ranking methods in the data envelopment analysis context. European journal of operational research, 140(2), 249–265. https://doi.org/10.1016/S0377-2217(02)00068-1
  3. [3] Örkcü, M., Özsoy, V. S., & Örkcü, H. (2020). An optimistic-pessimistic DEA model based on game cross efficiency approach. RAIRO - operations research, 54, 1215–1230. https://doi.org/10.1051/ro/2019052
  4. [4] Wang, Y. M., & Chin, K. S. (2010). Some alternative models for DEA cross-efficiency evaluation. International journal of production economics, 128(1), 332–338. https://doi.org/10.1016/j.ijpe.2010.07.032
  5. [5] Soleimani-Chamkhorami, K., Hosseinzadeh Lotfi, F., Jahanshahloo, G. R., & Rostamy-Malkhalifeh, M. (2020). Preserving cost and revenue efficiency through inverse data envelopment analysis models. INFOR: Information systems and operational research, 58(4), 561–578. https://doi.org/10.1080/03155986.2019.1627780
  6. [6] Ghasemi, M. R., Ignatius, J., & Rezaee, B. (2019). Improving discriminating power in data envelopment models based on deviation variables framework. European journal of operational research, 278(2), 442–447. https://doi.org/10.1016/j.ejor.2018.08.046
  7. [7] Panwar, A., Olfati, M., Pant, M., & Snasel, V. (2022). A review on the 40 years of existence of data envelopment analysis models: Historic development and current trends. Archives of computational methods in engineering, 29(7), 5397–5426. https://doi.org/10.1007/s11831-022-09770-3
  8. [8] Łozowicka, A., & Lach, B. (2022). CI-DEA: A way to improve the discriminatory power of DEA—using the example of the efficiency assessment of the digitalization in the life of the generation 50+. Sustainability, 14(6), 1–22. https://doi.org/10.3390/su14063610
  9. [9] Kitahara, T., & Tsuchiya, T. (2024). Enhancing top efficiency by minimizing second-best scores: A novel perspective on super efficiency models in DEA. https://doi.org/10.48550/arXiv.2411.00438
  10. [10] Andersen, P., & Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management science, 39(10), 1261–1264. https://doi.org/10.1287/mnsc.39.10.1261
  11. [11] Cook, W. D., Tone, K., & Zhu, J. (2014). Data envelopment analysis: Prior to choosing a model. Omega, 44, 1–4. https://doi.org/10.1016/j.omega.2013.09.004
  12. [12] Zhu, J. (2014). Slack-based DEA models. In Quantitative models for performance evaluation and benchmarking: Data envelopment analysis with spreadsheets (pp. 93–101). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-06647-9_5
  13. [13] Sexton, T., Silkman, R., & Hogan, A. (1986). Data envelopment analysis: Critique and extensions. Measuring efficiency: An assessment of data envelopment analysis/jossey-bass, 1986(32), 73–105. https://doi.org/10.1002/ev.1441
  14. [14] Emrouznejad, A., & Yang, G. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-economic planning sciences, 61, 4–8. https://doi.org/10.1016/j.seps.2017.01.008
  15. [15] Cooper, W. W., Seiford, L. M., Tone, K., & others. (2007). Data envelopment analysis: A comprehensive text with models, applications, references and DEA-solver software. Springer New York, NY. https://doi.org/10.1007/b109347
  16. [16] Ruggiero, J. (2004). Performance evaluation when non-discretionary factors correlate with technical efficiency. European journal of operational research, 159(1), 250–257. https://doi.org/10.1016/S0377-2217(03)00403-X
  17. [17] Banker, R. D., Cooper, W. W., Seiford, L. M., Thrall, R. M., & Zhu, J. (2004). Returns to scale in different DEA models. European journal of operational research, 154(2), 345–362. https://doi.org/10.1016/S0377-2217(03)00174-7
  18. [18] Seiford, L. M., & Thrall, R. M. (1990). Recent developments in DEA: The mathematical programming approach to frontier analysis. Journal of econometrics, 46(1), 7–38. https://doi.org/10.1016/0304-4076(90)90045-U
  19. [19] Azizi, H. (2011). The interval efficiency based on the optimistic and pessimistic points of view. Applied mathematical modelling, 35(5), 2384–2393. https://doi.org/10.1016/j.apm.2010.11.055
  20. [20] Jahanshahloo, G. R., Sadeghi, J., & Khodabakhshi, M. (2017). Fair ranking of the decision making units using optimistic and pessimistic weights in data envelopment analysis. RAIRO-operations research-recherche opérationnelle, 51(1), 253–260. https://doi.org/10.1051/ro/2016023
  21. [21] Wang, Y. M., Chin, K. S., & Yang, J. B. (2007). Measuring the performances of decision-making units using geometric average efficiency. Journal of the operational research society, 58(7), 929–937. https://doi.org/10.1057/palgrave.jors.2602205
  22. [22] Azizi, H., & Ajirlu, S. F. (2010). Measurement of overall performances of decision-making units using ideal and anti-ideal decision-making units. Computers & industrial engineering, 59(3), 411–418. https://doi.org/10.1016/j.cie.2010.05.013
  23. [23] Entani, T., Maeda, Y., & Tanaka, H. (2002). Dual models of interval DEA and its extension to interval data. European journal of operational research, 136(1), 32–45. https://doi.org/10.1016/S0377-2217(01)00055-8
  24. [24] Singh, A. P., & Yadav, S. P. (2023). Performance evaluation of dmus using hybrid fuzzy multi-objective data envelopment analysis. Applied analysis, optimization and soft computing (pp. 329–343). Singapore: Springer Nature Singapore. https://doi.org/10.1007/978-981-99-0597-3_23%0A%0A
  25. [25] Pakkar, M. S. (2016). An integrated approach to grey relational analysis, analytic hierarchy process and data envelopment analysis. Journal of centrum cathedra, 9(1), 71–86. https://doi.org/10.1108/JCC-08-2016-0005
  26. [26] Wang, Y. M., & Luo, Y. (2006). DEA efficiency assessment using ideal and anti-ideal decision making units. Applied mathematics and computation, 173(2), 902–915. https://doi.org/10.1016/j.amc.2005.04.023
  27. [27] Mo, R., Huang, H., & Yang, L. (2020). An interval efficiency measurement in DEA when considering undesirable outputs. Complexity, 2020(1), 7161628. https://doi.org/10.1155/2020/7161628
  28. [28] Hladík, M. (2019). Universal efficiency scores in data envelopment analysis based on a robust approach. Expert systems with applications, 122, 242–252. https://doi.org/10.1016/j.eswa.2019.01.019
  29. [29] Khodabakhshi, M., & Aryavash, K. (2012). Ranking all units in data envelopment analysis. Applied mathematics letters, 25(12), 2066–2070. https://doi.org/10.1016/j.aml.2012.04.019
  30. [30] Wang, Y.-M., & Chin, K.-S. (2009). A new approach for the selection of advanced manufacturing technologies: DEA with double frontiers. International journal of production research, 47(23), 6663–6679. https://doi.org/10.1080/00207540802314845
  31. [31] Tali, A. M., Padi, T. R., & Dar, Q. F. (2016). DEA double frontier in two-stage processes with slack-based measure. International journal of modern management sciences, 5(1), 23–36. https://www.researchgate.net/publication/312377773
  32. [32] Pourhabib Yekta, A., & Maghbouli, M. (2023). Performance measurement in data envelopment analysis: A BCC-based approach. Journal of decisions and operations research, 8(3), 800-813. (In Persian). https://doi.org/10.22105/dmor.2023.350160.1631
  33. [33] Khodabakhshi, M., Tavana, M., & Abootaleb, F. B. (2016). Optimistic and pessimistic performance and congestion analysis in fuzzy data envelopment analysis. International journal of logistics systems and management, 24(1), 1–17. https://doi.org/10.1504/IJLSM.2016.075660

دانلود

چاپ شده

2026-03-11

شماره

دوره 3 شماره 1 (2026): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

فلاح ن. ., رستمی مال خلیفه م., ایزدی‌خواه م., & حسین‌زاده لطفی ف. (2026). رتبه‌بندی واحدهای تصمیم‌گیرنده  با روش تحلیل پوششی داده‌ها تحت سناریوهای موازنه‌شده (خوش‌بینانه، بدبینانه و بهینه). مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 3(1), 14-30. https://doi.org/10.22105/mmaa.v3i1.118
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.