رتبه بندي تامين كنندگان با استفاده از تكنيك تحليل پوششي داده ها و مدل جديد كارايي متقاطع در حضور خروجي هاي نامطلوب

Supplier Ranking Using Data Envelopment Analysis and New Cross Efficiency Evaluation in the Presence of Undesirable Outputs

تحليل پوششي داده ها، روشي مبتني بر برنامه ريزي خطي است كه براي ارزيابي كارايي نسبي واحدهاي تصميم گيري (DMU’s) كه وظايف يكساني انجام داده و داراي چندين ورودي و چندين خروجي هستند، به كار مي رود. به دليل ديدگاه خوشبينانه DEA در ارزيابي كارايي واحدهاي تصميم گيري متجانس، حصول چندين واحد با نمره كارايي نسبي حداكثر (برابر واحد)، بسيار محتمل است. لذا مدل هاي رتبه بندي براي تمايز بين واحدهاي كارا ارائه گرديد. كارايي متقاطع، يكي از سودمندترين ابزار براي رتبه‌بندي واحدهاي تصميم گيري در تحليل پوششي دادها است. اين مدل داراي دو نقص اساسي در اجرا است. نخست آنكه در حضور جواب هاي بهين دگرين، نتايج متفاوتي به دست مي دهد؛ و دوم آنكه در استفاده از ميانگين حسابي براي تجميع نتايج ماتريس كارايي متقاطع، دليل قانع كننده اي ارائه نشده است. در اين مقاله در خصوص تجميع نتايج كارايي متقاطع در حضور خروجي هاي نامطلوب ، روش جديدي با الهام گرفتن از فرآيند راي گيري ترجيحي و ايده مطرح شده در روش تاپسيس، ارائه شده است. سپس نتايج براي رتبه بندي تامين-كنندگان در حضور خروجي هاي نامطلوب به كار گرفته شده است.

Data envelopment analysis is a linear programming-based approach used to evaluate the relative performance of decision making units (DMU's) that perform the same tasks with multiple inputs and multiple outputs. Due to the optimistic view of the DEA in evaluating the performance of homogeneous decision making units, multiple units with a maximum relative efficiency score (equal to unit) are highly likely. Therefore, ranking models were presented to distinguish between efficient units. Cross efficiency evaluation is one of the most useful tools for ranking DMUs in data envelopment analysis. This model has two major flaws in implementation. First, it yields different results in the presence of optimal alternatives; and second, there is no compelling reason to use the arithmetic mean to integrate the cross-performance matrix results. In this paper, a new approach, inspired by the preferential voting process and the idea proposed in the TOPSIS method, is presented to combine cross-performance results in the presence of undesirable outputs. The results are then used to rank suppliers in the presence of undesirable outputs.