دانلود ترجمه مقاله وزن های مشترک داخل گروه در DEA – الزویر ۲۰۰۷

• فهرست مطالب:

چکیده

۱- مقدمه

۲- بیان مسئله

۳- استخراج اوزان مشترک درون گروهی

۳-۱ پیش زمینه

۳-۲ استخراج اوزان مشترک: روش نقطه ایده ال

۳-۳ الگوریتم دینکل باخ

۳-۴ جست و جوی با فاصله متوالی

۳-۵ بهینه جایگزین

۴- تحلیل کارایی قدرت واحد

۵- ۴-۱ خروجی ها

۶- ۴-۲ ورودی ها

۷- ۴-۳ تحلیل

۸- نتیجه گیری

• بخشی از ترجمه:

۵- نتیجه گیری

در بسیاری از زمینه های واقعی که در آن ها تحلیل پوششی داده ها به کار می روند، واحد های تصمیم گیری را می توان به شکل گروه دراورد که اعضای آن ها تحت یک تیم مدیریتی قرار می گیرد و یا بایستی تحت فرضیات یکسان ارزیابی شوند. این بدین معنی است که ضرایب مورد استفاده در یک گروه، در میان اعضای گروه مشترک است. ما یک مدل برنامه نویسی ارمانی را برای این وضعیت توسعه می دهیم که هدف آن استخراج چنین مجموعه مضرب مشترکی است. مهم ترین ویژگی مجموعه مضرب استخراج شده این است که موجب کمینه سازی تفاوت حداکثر میان امتیازات درون گروهی از سطح ایده ال می شود. در این راستا،هدف این مدل بیشینه سازی اثرات نامطلوب بر روی اعضای محروم هر گروه است. ما بر این باوریم که این ساختار مدل، یکی از ویژگی های مهم روش شناسی تحلیل پوششی داده ها بوده و مستلزم تحقیقات بیشتری در آینده است.

• بخشی از مقاله انگلیسی:

۵٫ Conclusions

In many real world applications where DEA is applied, DMUs can often be put into groups, the members of which may be under a single management team, or should be evaluated under the same assumptions. This often means that the multipliers used within a group should be common across that group’s members. The case example examined in this regard is one involving a set of power plants, where each contains a set of power units under a common plant management. We develop a goalprogramming model for this setting that seeks to derive such a common-multiplier set. The important feature of the derived multiplier set is that it minimizes the maximum discrepancy among the within-group scores from their ideal levels. In this manner, the model seeks to minimize the detrimental impact on the most disadvantaged member of each group. We believe this model structure is an important addition to the DEA methodology, and is one deserving of further research.