يك روش ابتكاري در توسعه‌ي ساختارهاي شبكه‌اي دو مرحله‌اي

A Heuristic Method on Extended Two-Stage Network Structures

تحليل پوششي داده­ها (DEA) يك روش غير پارامتري براي اندازه­گيري عملكرد نسبي واحدهاي تصميم­گيرنده مي­باشد. در مدل­هاي متداول و مرسوم DEA هريك از واحدهاي تصميم­گيرنده به­عنوان يك جعبه­ي سياه در نظر گرفته مي شوند كه با دريافت تعدادي ورودي، تعدادي خروجي را توليد مي­كنند و ساختار دروني آنها ناديده گرفته مي­شود. در سال­هاي اخير بخش وسيعي از مطالعات صورت گرفته در اين زمينه توجه خود را به DMUهايي با ساختارهاي دروني شبكه­اي معطوف نموده­اند و ضمن دسته­بندي و معرفي برخي از ساختارهاي شبكه­اي مدل­هايي را براي ارزيابي كارايي آنها ارائه كرده­اند. هدف اصلي در اين مقاله توسعه­ي يك مدل جديد به منظور ارزيابي كارايي يك ساختار شبكه­اي دو مرحله­اي براي اندازه­گيري عملكرد واحدهاي تصميم­گيرنده (DMUs) مي­باشد. علاوه براين در اين مقاله كار لي و همكارانش در سال 2012 را با بهبود روش جستجوي ابتكاري براي تخمين جواب­هاي بهينه­ي مدل­هاي متمركز غيرخطي بسط مي­دهيم. به منظور ارزيابي مدل پيشنهادي در اين مطالعه، روش اصلاح شده را رويفرايند R&D منطقه­اي مربوط به 30 منطقه در سطح يك استان در كشور چين مورد بررسي قرار مي­دهيم. نتايج و مقايسه­ها نشان مي­دهند كه روش پيشنهاد شده روشي كاراست و پيچيدگي محاسباتي بسيار كمتري نسبت به روش­هاي ديگر دارد.

Data Envelopment Analysis (DEA) as a non–parametric method is used to measure relative performance of organizational units. The aim of this paper is to develop a new model to evaluate the efficiency of a general two-stage network structures proposed by Li et al. (2012) for measuring the performance of Decision Making Units (DMUs). In addition، this paper expands the work of Li et al. (2012) and improves the heuristic search procedure to estimate the optimal solutions of non-linear centralized models. In order to evaluate the proposed model of this study، it has been applied to a case of regional Research and Development (R&D) system related to 30 provincial level regions in China. The experimental results compared with method developed by Li et al. (2012) show that the proposed method is efficient and has much lower computational complexity.