كاربرد متدولوژي تركيبي تحليل پوششي داده ها و ماتريس درجه ترجيح در ارزيابي واحدهاي تصميم گيري با رويكرد فازي

Application the combined method of data envelopment analysis & Preference Degree Approach for evaluation performance of DMUs Based on Fuzzy approach

تحليل پوششي داده ها، يك تكنيك برنامه‌ريزي رياضي است كه كارايي نسبي چندين واحد تصميم گيرنده را بر مبناي ورودي‌ها و خروجي‌هاي مشاهده شده كه ممكن است با انواع مقياس هاي مختلف بيان شوند، محاسبه مي‌كند. در اين تكنيك اين فرض وجود دارد كه مقدار عددي دقيقي براي ورودي ها و خروجي ها مشخص است. ولي بسياري از اوقات در شرايط واقعي كسب و كار، تعيين مقدار عددي دقيق براي برخي ورودي ها و يا خروجي ها امكان پذير نيست. در اين مقاله، يك مدل نوين تحليل پوششي داده ها ارايه مي شود كه كاربر را قادر مي سازد تا كارايي واحد تصميم گيري را با در نظر گرفتن داده هاي غيردقيق شناسايي كند و در ادامه از يك مكانيزمي، تحت عنوان روش ماتريس درجه ترجيح، كارايي هاي فازي به‏دست آمده از مدل ها مقايسه و رتبه بندي مي شوند. از مزاياي مدل پيشنهادي، كاهش زمان اجراي مدل و عدم نياز به فرضيات از پيش تعريف شده و تلاش هاي محاسباتي زياد مي باشد. در اين مقاله، كاربردپذيري مدل پيشنهادي در يك مطالعه موردي، براي ارزيابي 10 واحد تصميم گيري مورد بررسي قرار گرفته است. مقايسه نتايج مدل پيشنهادي با نتايج مدل هاي قطعي، حاكي از قدرت تفكيك بالاي مدل پيشنهادي و همبستگي بالاي نتايج آن با نتايج مدل هاي قطعي به ميزان 867/0 است

Data envelopment analysis (DEA) has been a very popular method for measuring and benchmarking relative efficiency of peer decision making units (DMUs) with multiple input and outputs. Traditional data envelopment analysis (DEA) models require crisp input and output data. In real world situations, however, crisp input and output data may not always be available, especially when a set of decision-making units (DMUs) contains missing data, judgment data, or predictive data. In this paper, a new model of Data Envelopment Analysis is provided to enable the user to decide the unit performance with regard to fuzziness data. The new fuzzy DEA models are formulated as LP models without the need of making any assumptions and too much computational effort. In addition, this paper, an analytical fuzzy ranking approach is developed to compare and rank the fuzzy efficiencies of the DMUs.