تضمین پایایی نسبت به واحد متغیرهای کمبود در مدل های شعاعی تحلیل پوششی داده ها
چکیده
در تحلیل پوششی داده ها، مدل های پایه ای ccr و bcc در مولفه های شعاعی خود دارای ویژگی پایایی نسبت به واحد اندازه گیری هستند. اما این خاصیت برای متغیرهای کمکی در این مدل ها برقرار نیست و با تغییر واحد اندازه گیری یکی یا چند تا از داده ها، ممکن است مقدار متغیرهای کمکی در بهینگی نیز تغییر کند و جواب قبلی برای مدل، بهینه نباشد. در این پایان نامه، روش و مدلی پیشنهاد می گردد که در پی رفع این مشکل بوده و مدل در تمامی مولفه ها نسبت به واحد پایا می باشد. این مدل که به نام مدل fps مشهور است با توسعه دادن مدل های پایه ای و ترکیب آنها با مدل غیر شعاعی sbmروشی را برای انتخاب و محاسبه متغیرهای کمکی در پیش می گیرد که در آن ویژگی های زیر برقرار است: -1 متغیرهای کمکی نسبت به واحد پایا هستند. پس مدل به طور کامل پایاست. 2- بهبودهای نسبی که توسط متغیرهای کمکی صورت می گیرد، ماکزیمم می شوند. 3- بیشترین مقدار اصلاحی که توسط متغیرهای کمکی انجام می گیرد و نیاز است از مولفه های متناظرشان کم شود، محاسبه می شود. به عبارت دیگر، مقدار کامل متغیرهای کمکی به دست می آید. این مدل یک مدل تمام جهتی است که ابتدا بهبودهای مربوط به داده هایی که در ماهیت مدل قرار دارند را ماکزیمم می کند و سپس سایر بهبودها را بیشینه می کند. متغیرهای کمکی به دست آمده از این مدل توسط روش psa در یک امتیاز کارآیی کلی تلفیق می شوند که این امر باعث سادگی استفاده از نتایج و تفسیر آنها می شود. در آخر نتایج به دست آمده از این مدل ها با فرض بازده به مقیاس متغیر که برای بررسی کیفیت وام شعب یک بانک بزرگ در کشور کانادا به کار گرفته شده است، بیان می شود.