دانلود رایگان ترجمه مقاله بازده به مقیاس در تکنولوژی های تولید محدب – الزویر ۲۰۱۶

elsevier1

دانلود رایگان مقاله انگلیسی بازده نسبت به مقیاس در فناوری های تولید محدب به همراه ترجمه فارسی

 

عنوان فارسی مقاله بازده نسبت به مقیاس در فناوری های تولید محدب
عنوان انگلیسی مقاله Returns to scale in convex production technologies
رشته های مرتبط مدیریت، مهندسی صنایع، تحقیق در عملیات، تولید و عملیات، مدیریت صنعتی و بهینه سازی سیستم ها
کلمات کلیدی تحلیل پوششی داده ها، فناوری محدب، کشش مقیاس، بازده نسبت به مقیاس
فرمت مقالات رایگان

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
نشریه الزویر – Elsevier
مجله مجله اروپایی تحقیقات عملیاتی – European Journal of Operational Research
سال انتشار ۲۰۱۶
کد محصول F831

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

  

فهرست مقاله:

چکیده
۱-مقدمه
۲-تابع پاسخ خروجی
۳-کشش مقیاس یک طرفه
۴-بازده نسبت به مقیاس
۵-بیشترین مقیاس بهره وری
۶-بازده نسبت به مقیاس عمومی
۷-تعادل ویژگیهای محلی و جهانی RTS
۸- مثال عددی
۸-۱ چارچوب نظری
۸-۲ مجموعه داده ها و کارایی شعاعی خروجی
۸-۳ RTS محلی
۸-۴ RTS جهانی( کلی)
۸-۵ ارزیابی مستقیم GRS
۹- مثال دیگر: یک مدل تحلیل پوششی داده های شبکه دو مرحله ای
۱۰- نتیجه گیری

 

بخشی از ترجمه فارسی مقاله:

۱- مقدمه
مفهوم بازده نسبت به مقیاس(RTS) در نحلیل پوششی داده ها(DAE) به خوبی اثبات شده است برای مثال به کوپر، سیفوردو تون(۲۰۰۷)، رای (۲۰۰۴) و ناناسولیس، پرتلا و دیسپیگ(۲۰۰۸) مراجعه کنید. منابع مربوط به تحلیل پوششی داده ها با استناد به نتایج قبلی بانکر ۱۹۸۴ و بانکر وترال ۱۹۹۲، عمدتا بر تعریف و ارزیابی RTS در فناوری تولید نسبت بازده به مقیاس متغیر تاکید کرده اند که برای آن ها روش های مختلفی موجود است( به بانکر، کوپر،سفورد و زو ۲۰۱۱، ساهو و تون ۲۰۱۵ مراجعه کنید).
شناسایی RTS واحد تصمیم گیری(DMU) نیز با مفهوم کارایی مقیاس و بیشترین مقیاس بهره وری(MPSS) معرفی شده توسط بانکر، جارنز و کوپر ۱۹۸۴ و بانکر ۱۹۸۴ ارتباط دارد. به علاوه ارتباطات را می توان به مفهوم RTS عمومی(GRS) معرفی شده توسط پادینوسکی۲۰۰۴ الف و پادینوسکی ۲۰۰۴ ب مرتبط دانست. شناسایی GRS از این جهت دارای ماهیت عمومی است که انواع آن نشان دهنده جهت MPSS بوده و با خواص محلی( حاشیه ای) تابع تولید) تعریف نمی شوند. در فناوری VRS، شناخته شده ترین نتایج مربوط به رابطه بین RTS سایر ویژگی های مقیاس را می توان به صورت زیر خلاصه کرد.
۱- یک روش استاندارد برای آزمون این که آیا یک DMU در MPSS ایجاد می شود، ناشی از تعریف MPSS توسط بانکر(۱۹۸۴) است. این بر اساس ارزیابی کارایی شعاعی ورودی یا خروجی DMU در فناوری نسبت بازده به مقیاس ثابت مرجع چارنز، کوپر و رادس(۱۹۷۸) است که به طور کلی، یک فناوری مخروطی تولید شده توسط فناوریVRS است.
۲- یک شیوه جایگزین برای تست MOSS، ارزیابی نوع RTS توجیه شده با DMU است. یعنی، یک DMU در صورتی در MPSS قرار دارد که اگرو تنها اگر CRS را نشان دهد( بانکر و ترال ۱۹۹۲).
۳- شناسایی GRS DMU ها در فناوری VRS، اگرچه به طور کلی متفاوت از شناسایی RTS محلی استف در رابطه با فناوری VRS مطابق با مورد اخیر است. این موضوع به طور موثر از قضیه ۱ اثبات شده توسط بانکر ۱۹۸۴ تبعیت می کند
در طی سال های اخیر،تعدادی از فناوری های تولید جدید در منابع تحلیل پوششی داده ها توسعه یافته و مطالعه شده اند. بیشتر این فناوری هابه صورت مجموعه های چند وجهی ومحدب در ابعاد خروحی و ورودی می باشند. پایدوسنکی،چمبرز، اتیکی و دینکو۲۰۱۶ این فناوری ها را به صورت فناوری های چند وجهی در نظر گرفته اند.
دسته فناوری های چند وجهی بسیار بزرگ بوده و شامل بیشتر فناوری تحلیل پوششی داده محدب می باشد نظیر فناوری های CRS وvrs ارایه شده توسط چارنز و همکاران ۱۹۷۸و بانکر و همکاران ۱۹۸۴٫ مثال های بیشتر شامل فناوری های VRS و CRS هستند که توسط توزان تولید یا محدودیت های وزن(آتیکی و پودینوسکی ۲۰۱۵، جورو و کارنونن ۲۰۱۵، پادینوسکی ۲۰۰۴ ب، ۲۰۰۷،۲۰۱۵، ۲۰۱۶، پادینوسکی و بازدین-چمبیوا ۲۰۱۳، ۲۰۱۵)، فناوری VRS قابل عرضه ضعیف (کوزمانن ۲۰۰۵، کوزماننو کاظمی متین ۲۰۱۱، کازمانن و پادینوسکی)، فتاوری بازگشت به مقیاس ترکیبی)HRS)( پادینوسکی ۲۰۰۴ پ، پادینوسکی، اسماعیل، بازدین-چمویا و زان ۲۰۱۴)، فناوری CRS محدب با خروجی ها و ورودی های ثابت برون زا( پادینوسکی و بادزیم چاموا ۲۰۱۱)، برخی از مدل های فناوری با فرایند های چند مولفه ای (چرچی ، دراک، دیرنیک، رادهوفت و ساب ۲۰۱۳، چرجی، دی راک و والر ۲۰۱۵، ۲۰۱۶، کوک و زو ۲۰۱۱) ومدل های تحلیل پوششی داده های شبکه مختلف( کایو ۲۰۱۴،شاهو ،زو، تونو کلمن ۲۰۱۴)توسعه یافته اند.
بدیهی است که RTS و شناسایی مقیاس مربوطه نظیر MPSS برای همه فناوری های چند وجهی مهم است. از این روی، چندین محقق، روش های قرار دادی را برای ارزیابی RTS در فناوری های ویژه توسعه داده اند( تون ۲۰۰۱، ساهو و همکاران ۲۰۱۴). رادینوسکی و همکاران(۲۰۱۶) یک روش عمومی را برای شناسایی RTS DMU در هر روش چند وجهی توسعه داده اند. این رویکرد، از روش های برنامه نویسی خطی برای محاسبه کشش های مقیاس یک طرفه استفاده می کند که انواع RTS را تعریف می کند.
اگرچه منابع فعلی تحلیل داده های پوششی امکان تعریف و ارزیابی انواع RTS را برای هر فناوری چند وجهی می دهد، و روش های دیگری برای شناسایی GRS وجود دارد، رابطه بین انواع RTSو GRS( از جمله MPSS) کشف نشده است. یک استثناء، هم ارزی و برابری شناسایی RTS و GRS برای فناوری های محدبی است که مرز های آن ها هموار و یکنواخت است که توسط پادینوسکی ۲۰۰۴ الف اثبات شده است. با این حال این نتیجه قابل تعمیم به فناوری های چند وجهی نیست. این مقاله سعی در پر کردن شکاف و خلاء فوق دارد. هدف اصلی این مقاله اثبات تعادل ویژگی های عمومی و محلی RTS در فناوری چند وجهی می باشد. به طور ویژه این نشان می دهد که یک DMU در صورتی CRS را نشان می دهد که اگر وتنها اگر در MPSS باشد. در حقیقت، از دیدگاه نظری، تعمیم و اثبات این نتیجه در دسته بزرگی از فناوری های محدب بسته امری ساده است از مهم ترین فناوری های چند وجهی، یک مورد ویژه است.
از دیدگاه عملی، تعادل و هم ارزی اثبات شده مفاهیمRTSو GRS به ما ابزاری جدید را برای ارزیابی انواع GRS در هر فناوری چند وجهی(و به طور کلی محدب و بسته) با ارزیابی انواع RTS می دهد. به طور دقیق تر، روش های استاندارد برای ارزیابی MPTSS و GRS نیازمند استفاده از فناوری های مرجع است( نظیر CRS، فناوری های RTS غیر افزایشی و غیر کاهشی به خصوص اگر فناوری واقعی VRS است). برای بسیاری از فناوری های چند وجهی، فناوری های مرجع آن ها ممکن است قابل دسترس نباشند و قبل از استفاده نیازمند توسعه و بهبود بیشتر هستند. نتایج نظری جدید اثبات شده در این مقاله به ما امکان اجتناب از این مسئله را داده و در عوض ما از روش های موجود برای ارزیابی RTS استفاده می کنیم.
ما با یک مثال عددی که شامل ویژگی های RTS و GRS یک فناوری VRS توسعه یافته با تعیین محدودیت های وزنی است، اهمیت نتایج جدید را نشان می دهیم. ما هم چنین در مورد تعمیم نتایج جدید به مدل تحلیل پوششی داده شبکه ای دو مرحله بحث می کنیم

بخشی از مقاله انگلیسی:

۱٫ Introduction

The notion of returns to scale (RTS) is well-established in data envelopment analysis (DEA) — see, e.g., Cooper, Seiford, and Tone (2007), Ray (2004) and Thanassoulis, Portela, and Despic´ (۲۰۰۸). Extending the earlier results of Banker (1984) and Banker and Thrall (1992), the DEA literature has primarily focused on the definition and evaluation of RTS in the variable returns-to-scale (VRS) production technology, for which several different methods are now available (for a review, see Banker, Cooper, Seiford, and Zhu, 2011, and Sahoo & Tone, 2015). The RTS characterization of decision making units (DMUs) is also related to the notions of scale efficiency and most productive scale size (MPSS) introduced by Banker, Charnes, and Cooper (1984) and Banker (1984). Further connections can be made to the notion of global RTS (GRS) introduced by Podinovski (2004a), Podinovski (2004b). The GRS characterization is global in the sense that its types are indicative of the direction to MPSS and are not defined by the local (marginal) properties of production function. In the VRS technology, some relevant known results describing the relationship between RTS and other scale characteristics can be summarized as follows. 1. A standard procedure for testing if a DMU is at MPSS arises from the definition of MPSS by Banker (1984). It is based on evaluation of input or output radial efficiency of the DMU in the reference constant returns-to-scale (CRS) technology of Charnes, Cooper, and Rhodes (1978), which, from a gen eral perspective, is the cone technology generated by the VRS technology. 2. An alternative way to test for MPSS is to evaluate the type of RTS exhibited by a DMU. Namely, a DMU is at MPSS if and only if it exhibits CRS (Banker & Thrall, 1992). 3. The GRS characterization of DMUs in the VRS technology, while generally different from the conventional local RTS characterization, in the case of VRS technology coincides with the latter. This effectively follows from Proposition 1 proved by Banker (1984). In recent years, a number of new production technologies have been developed and studied in the DEA literature. Most of these technologies are polyhedral (and therefore convex) sets in the input and output dimensions. Podinovski, Chambers, Atici, and Deineko (2016) refer to such technologies as polyhedral technologies.1 The class of polyhedral technologies is very large and includes most of the known convex DEA technologies, such as the CRS and VRS technologies of Charnes et al. (1978) and Banker et al. (1984). Further examples include the VRS and CRS technologies expanded by weight restrictions or production trade-offs (Atici & Podinovski, 2015; Joro & Korhonen, 2015; Podinovski, 2004d; 2007; 2015; 2016; Podinovski & Bouzdine-Chameeva, 2013; 2015), the weakly disposable VRS technology (Kuosmanen, 2005; Kuosmanen & Kazemi Matin, 2011; Kuosmanen & Podinovski, 2009), the hybrid returns-to-scale (HRS) technology (Podinovski, 2004c; Podinovski, Ismail, Bouzdine-Chameeva, & Zhang, 2014), the convex CRS technology with exogenously fixed inputs and outputs (Podinovski & Bouzdine-Chameeva, 2011), some models of technologies with multiple component processes (Cherchye, De Rock, Dierynck, Roodhooft, & Sabbe, 2013; Cherchye, De Rock, & Walheer, 2015; 2016; Cook & Zhu, 2011) and various network DEA models (see, e.g., Kao, 2014; Sahoo, Zhu, Tone, and Klemen, 2014). It is clear that RTS and related scale characterizations such as MPSS are important for all polyhedral technologies. Thus, several authors develop bespoke methodologies for evaluation of RTS in particular technologies (see, e.g., Tone, 2001; Sahoo et al., 2014). Podinovski et al. (2016) develop a universal methodology for the RTS characterization of DMUs in any polyhedral technology. This approach uses linear programming techniques for calculation of one-sided scale elasticities that subsequently define the types of RTS. Although the current DEA literature allows us to define and evaluate the RTS types for any polyhedral technology, and further methods exist for their GRS characterization, the relationship between RTS and GRS types (including MPSS) has so far remained unexplored. An exception here is the equivalence of RTS and GRS characterizations for convex technologies whose boundaries are smooth, established by Podinovski (2004a). This result does not, however, apply to polyhedral technologies. This paper addresses the above gap. Its main contribution is the establishment of equivalence of local and global characterizations of RTS in any polyhedral technology. In particular, this implies that a DMU exhibits CRS if and only if it is at MPSS. In fact, from the theoretical perspective, it is straightforward to generalize and prove this result in a larger class of closed convex technologies, of which polyhedral technologies are a special case. From a practical perspective, the established equivalence of the notions of RTS and GRS gives us a new tool for evaluating the GRS types in any polyhedral (and, more generally, closed and convex) technology, by evaluating the RTS types instead. More precisely, standard methods for the evaluation of MPSS and GRS types require the use of reference technologies (such as the CRS, nonincreasing and non-decreasing RTS technologies, if the underlying true technology is VRS). For many polyhedral technologies, their reference technologies may not be immediately available and would require further development before they could be used. The new theoretical results established in this paper allow us to avoid this and, instead, use the existing methodologies for evaluation of RTS. We illustrate the usefulness of the new results by a numerical example involving the RTS and GRS characterizations of a VRS technology expanded by the specification of weight restrictions. We also discuss the application of new results to a two-stage network DEA model.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *