بهبود کارایی از طریق تجزیه و تحلیل مرز کارا در تحلیل پوششی داده ها
چکیده
تحلیل پوششی داده ها $(dea)$ روشی برای اندازه گیری کارایی نسبی یک مجموعه از واحد های تصمیم گیری $(dmus)$ است که ورودی های چند گانه را برای تولید خروجی های چند گانه مصرف می کنند. با استفاده از مدل های پایه ای $dea$ می توان کارایی $ ext{ها}dmu$ را محاسبه کرد و با استفاده از جواب بهینه حاصل از این مدل ها واحد الگویی کارا برای $dmu$ ناکارا ارائه کرد. توجه داریم که این مدل ها یک $dmu$ ناکارا را با بیشترین متغیر کمکی روی مرز کارا تصویر می کنند و بنابراین دور ترین واحد الگوی کارا را برای آن به دست می آورند. در این پایان نامه ابتدا توسیعی بر فرایند دو مرحله ای $ccr$ بیان می شود. پس از آن با محدود کردن تغییرات مقادیر ورودی ها و خروجی های $dmu$ ناکارا روشی برای پیدا کردن دنباله ای از واحد های الگو برای یک $dmu$ ناکاراارائه می شود. در ادامه با استفاده از ویژگی $ ext{هایی}dmu$ کارا که واحد ناکارا را مغلوب می کنند، روشی برای پیدا کردن نزدیکترین واحد الگوی کارا برای $dmu$ی ناکارا ارائه می شود. پس از آن الگوریتم $iccr$ بیان گردیده که به وسیله آن می توان چهار نوع بهبود را برای $dmu$ ناکارا به دست آورد. در نهایت الگوریتم $git$ بیان شده است که به وسیله آن می توان دو نوع بهبود را برای $ ext{ی}dmu$ ناکارا به دست آورد. از طرفی، چون برای اجرای الگوریتم $iccr$ و $git$ به همه معادلات مرز کارا نیاز می باشد، بنابراین قبل از ارائه ی دو الگوریتم فوق به بیان و توضیح الگوریتم $ffa$ پرداخته شده است.