اندازه‌گيري كارايي يك شبكه سه مرحله اي با استفاده از رويكرد تحليل پوششي داده ها با در نظر گرفتن مرز دوگانه

Measuring the efficiency of a three-stage network using data envelopment analysis approach considering dual boundary

اين مقاله يك روش را براي اندازه گيري كارايي، رتبه بندي و خوشه بندي شبكه هاي پيچيده با درنظر گرفتن مرز دوگانه پيشنهاد مي دهد. مدل پيشنهادي ساختار جعبه سياه را باز مي‌كند و اطلاعات مهمي در خصوص نقاط كارا و ناكاراي شبكه ارائه مي‌دهد. بدين منظور در اين مقاله يك شبكه سه مرحله اي شامل ورودي ها و خروجي هاي اضافي مطلوب و نامطلوب در نظر گرفته مي شود و از رويكرد همكارانه كارايي كل شبكه محاسبه مي‌گردد. به دليل اينكه هر نتيجه‌گيري كه يكي از اين دو ديدگاه خوشبينانه يا بدبينانه را شامل شود يكطرفه و ناقص خواهد بود، در اين مقاله از مرز دوگانه جهت تحليل شبكه استفاده مي شود. همچنين با توجه به پيچيدگي مدل همكارانه، يك روش حل اكتشافي براي خطي سازي مدل هاي غيرخطي ارايه مي گردد. پس از مشخص شدن نقاط كارا و ناكاراي شبكه، از الگوريتم كامينز جهت خوشه بندي واحدها استفاده مي‌شود. نهايتا در اين مقاله به منظور كاربرد مدل پيشنهادي يك كارخانه توليد محصولات لبني با يك منطقه توليد، يك منطقه انبار و يك منطقه تحويل شبيه سازي و بصورت پويا در 24 دوره زماني مورد ارزيابي قرار مي گيرد. نتايج رتبه بندي نشان داد كه دوره زماني 10 بهترين و دوره زماني 1 بدترين كارايي را در بين 24 دوره زماني دارند.

This paper presents a method for performance evaluation, ranking and clustering based on the double-frontier view to analyze the complex networks. The model allows us to open the structure of the “black box” and can help to obtain important information about efficient and inefficient points of the system. In this paper, we consider a three-stage network, in respect to the additional desirable and undesirable inputs and outputs and utilize the cooperative approach to measure the efficiency of the overall system. Due to the fact that, a conclusion implying only one of these two, optimistic or pessimistic views is one-sided and incomplete, so, in this paper we used the double-frontier to analyze the network. Moreover, a heuristic technique was used to convert non-linear models into linear models. After obtaining the effective and inefficient points of the network, the DMUs are classified into several clusters by the k-means algorithm.Finally, in this article, in order to apply the proposed model a factory producing dairy products with a production area, warehouse premises and a delivery point are simulated. This factory has been regarded as a dynamic network with a time period of 24 intervals. The results of the ranking showed that, the time periods, (10) and (1) were the best and poorest respectively, in context to the efficiency within 24 phases of time.