دانلود ترجمه مقاله کاربرد روش تحلیل پوششی داده ها درسنجش عملکرد نیروگاه های برق زغال سوز – مجله الزویر

• فهرست مطالب:

چکیده
۱ مقدمه
۲ بررسی منابع
۲ ۱ استفاده از خروجی های نامطلوب
۲ ۲ استفاده از متغیر های غیر قابل کنترل در DEA
۲ ۲ ۱ مدل تفکیک
۲ ۲ ۲ مدل یک مرحله ای
۲ ۲ ۳ مدل دو مرحله ای
۲ ۲ ۴ مدل سه مرحله ای
۲ ۲ ۵ مدل چهار مرحله ای
۳ روش
۳ ۱ مدل پایه تحلیل پوششی داده ها 
۳ ۲ استفاده از متغیر های غیر قابل کنترل
۳ ۲ ۱ مدل یک مرحله ای
۳ ۲ ۲ مدل دو مرحله ای
۳ ۲ ۳ مدل سه مرحله ای
۳ ۲ ۴ مدل چهار مرحله ای
۴ داده ها و متغیر ها
۴ ۱متغیر های متعارف
۴ ۲خروجی نامطلوب
۴ ۳ متغیر های غیر قابل کنترل
۴ ۳ ۱ محصول و عملکرد واحد های تولیدی
۴ ۳ ۲ ارزش کالریفیک زغال سنگ
۴ ۳ ۳ مقیاس واحد
۴ ۳ ۴ تولید هم زمان برق و گرما (Chp)
۵ نتایج
۵ ۱ مدل یک مرحله ای( مدل ۲)
۵ ۲ مدل دو مرحله ای
۵ ۳ مدل سه مرحله ای
۵ ۴ مدل چهار مرحله ای
۵ ۵ مقایسه مدل
۶ نتیجه گیری

• بخشی از ترجمه:

۶ نتیجه گیری

مطالعات منتشر شده اندکی در مورد اندازه گیری عملکرد که به طور هم زمان خروجی های نامطلوب و متغیر های غیر قابل کنترل را در نظر بگیرد وجود دارند. در برخی مقالاتی که در آن ها خروجی های نامطلوب در نظر گرفته شده است، اثر متغیر های غیر قابل کنترل بررسی نشده است. یعنی، بسیاری از مطالعات در خصوص اندازه گیری عملکرد به طور ضمنی فرض می کنند که ناکارامدی کل ناشی از سوء مدیریت DMU ها است. از این روی عملکرد DMU ها در محیط عملیاتی نسبتا نامطلوب به احتمال خیلی زیاد نادیده گرفته شده و یا کم تراز مقدار واقعی براورد شده است.
در این مقاله، مدل های مختلف اندازه گیری کارایی تحلیل پوششی داده ها برای بررسی اثر متغیر های غیر قابل کنترل با خروجی های نامطلوب استفاده شد. به علاوه، مدل پایه از منابع موجود مشتق شده و می تواند اثر خروجی های نامطلوب را در نظر بگیرید. مدل یک مرحله ای، متغیر های غیر قابل کنترل انتحابی را به طور مستقیم در مدلDEA قرار می دهد. علی رغم ساده بودن، این مدل نیاز به دانش قبلی در خصوص جهت متغیر های غیر قابل کنترل دارد. هم چنین این مدل قادر به در نظر گرفتن متغیر های غیر قابل کنترل نیست. مدل دو مرحله ای مستلزم ساخت متغیر های ساختگی غیر قابل کنترل است. مدل دو مرحله ای اثر خروجی های نامطلوب را در مرحله اول در نظر می گیرد. امتیازات کارایی محوری با متغیر های غیر قابل کنترل در دومین مرحله رگرسیون گیری می شوند. مزیت آن در این است که مدل فوق نیازی به دانش قبلی در خصوص جهت اثر متغیر های غیر قابل کنترل ندارد. با این حال مدل دو مرحله ای اطلاعات موجود در ورودی ها را نادیده می گیرد. 

• بخشی از مقاله انگلیسی:

۶٫ Conclusion

There are very few published studies on performance measurement which simultaneously incorporate both undesirable outputs and uncontrollable variables. For a few papers in which undesirable outputs have been considered, the impact of uncontrollable variables has been left unexamined. That is to say, many existing studies on performance measurement implicitly assume that all inefficiency is due to the bad management of DMUs. Therefore, the performance of DMUs in a relatively unfavorable operating environment is very likely to be underestimated.

In this research different DEA-based efficiency measurement models are used to examine the impact of uncontrollable variables together with undesirable outputs. Furthermore, the basic model is derived from existing literature and is only able to consider the impact of undesirable outputs. The one-stage model incorporates selected uncontrollable variables directly into the DEA model. Despite being simple, it requires a prior understanding of the direction of uncontrollable variables. Also, it cannot accommodate uncontrollable dummy variables. The two-stage model involves constructing a basic DEA model for considering the impact of undesirable outputs in the first stage. The radial efficiency scores are then regressed against a set of uncontrollable variables in the second stage. Its advantage is that this model does not require any prior knowledge of the influence direction of uncontrollable variables. However, the two-stage model ignores the information contained in the input slacks. Moreover, because DEA is an extreme point method, any outlier is likely to influence the position of the efficiency frontier. Therefore, the use of efficiency scores gathered from the first stage as a dependent variable in the second stage does in theory entail an amount of risk. When compared with the two-stage model, the three-stage and four-stage models can make better use of any information contained in the input slacks. Our research results confirm their superiority over other models. They are both demanding in computation and the three-stage model. The three-stage, which uses the SFA technique as a regression tool, is able to differentiate between managerial inefficiency and statistical noise. It can also give a better explanation of DMU inefficiency. It is therefore more preferable.