بهبود قدرت تشخیص در تحلیل پوششی داده ها
چکیده
تحلیل پوششی داده ها روشی غیرپارامتری برای ارزیابی کارایی واحدهای تصمیم گیرنده می باشد که بر اساس برنامه ریزی ریاضی، کارایی نسبی واحدهای تصمیم گیرنده را تشخیص می دهد. هدف از مدل های تحلیل پوششی داده ها، تعیین واحدهای کارا می باشد. که در این ارزیابی، وزن های اختصاص داده شده به شاخص ها، انعطاف پذیری از خود نشان می دهند، یا ممکن است شاخص های واحدهای تصمیم گیرنده دارای بعد بالایی باشند. در نتیجه در ارزیابی عملکرد به دلیل انعطاف پذیری و بالا بودن بعد داده ها، تعداد واحدهای کارا زیاد می باشد و قدرت تشخیص تحلیل پوششی داده ها کاهش می یابد. در این پایان نامه به بررسی علل انعطاف پذیری، کاهش بعد و شناسایی بهترین واحدهای کارا می پردازیم. بعد از مروری بر تحلیل پوششی داده ها، به معرفی روش هایی برای جلوگیری از انعطاف پذیری وزن های ورودی و خروجی، روش تحلیل مولفه های اصلی و روش ترکیبی تحلیل پوششی داده ها و گرام-اشمیت برای کاهش بعد داده ها، روش برنامه ریزی آرمانی برای بهبود قدرت تشخیص و روش ترکیبی تحلیل پوششی داده ها و آنالیز تشخیص برای تعیین بهترین واحد را مطرح می کنیم.