بهبود قدرت تشخیص در تحلیل پوششی داده ها
چکیده
تحلیل پوششی داده ها (dea) یک روش عمومی برای اندازه گیری و محک زدن کارایی واحدهای تصمیم گیرنده (dmus) با چندین ورودی و خروجی است. در مبحث dea مشکلاتی نظیر وزن های غیر واقعی ورودی ها وخروجی ها و فقدان تمایز در میان dmuها وجود دارد. این تحقیق دو روشی که هدف آن بهبود قدرت تمایز dea بدون نیاز به اطلاعات ترجیحی اضافی است، تحلیل میکند. مشکلات وابسته به تمایز بیشتر زمانی رخ میدهد که تعداد زیادی متغیر نسبت به واحدهای تصمیم گیرنده وجود داشته باشد. در این حالت اکثریت واحدهای تصمیم گیرنده کارا تشخیص داده میشوند و این بدان معنی است که تحلیل های زیر دنباله ای و رتبه بندی مشکل ساز است.دو روش تحلیل شده دراین تحقیق، روش pca-dea و کاهش متغیرها (vr) است. روش pca-dea ترکیب استفاده از آنالیز مولفه اصلی (pca) و تحلیل پوششی داده ها (dea) را توسعه میدهد. هدف این روش کاهش ابعادی مسأله است زمانی که در dea تعداد زیادی ورودی وخروجی نسبت به واحدهای تصمیم گیرنده وجود داشته باشد. روش vr یک روش آماری سیستماتیک برای تصمیم گیری است که متغیرهایی را که همبستگی بالایی با دیگر متغیرها دارند با کمترین از دست رفتن اطلاعات از تحلیل حذف میکند و متغیرهایی که باید باقی بمانند حفظ میکند. البته در فصل دوم خلاصه ای از برخی روش های دیگر از جمله محدودیت وزن ها، ساختار ترجیحی، کارایی متقاطع و تقریب چند هدفه برای بهبود تمایز در میان dmuها و رتبه بندی گردآوری شده است.