دانلود رایگان ترجمه مقاله مدل وزنی دو هدفه برای بهبود قدرت تمایز در MCDEA (نشریه الزویر ۲۰۱۴) (ترجمه ارزان – نقره ای ⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۱۱ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۲۶ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی داده های چند معیاره (MCDEA)

عنوان انگلیسی مقاله:

A bi-objective weighted model for improving the discrimination power in MCDEA

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۱۱ صفحه با فرمت pdf
رشته های مرتبط با این مقاله مهندسی صنایع
گرایش های مرتبط با این مقاله بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها
چاپ شده در مجله (ژورنال) مجله اروپایی تحقیقات عملیاتی – European Journal of Operational Research
کلمات کلیدی تحلیل پوششی داده های چند معیاره، برنامه ریزی آرمانی، قدرت تمایز، پراکندگی وزن، برنامه ریزی چند هدفه، سیاست انرژی
ارائه شده از دانشگاه دانشکده علوم ریاضی، دانشگاه Sains مالزی
رفرنس دارد 
کد محصول F1456
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۶ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه نشده است 
ضمیمه ترجمه شده است    
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن به صورت فارسی درج شده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱- مقدمه
۲- افزایش قدرت تمایز در تحلیل پوششی داده ها: پیشرفت های اخیر
۲-۱- تحلیل پوششی داده های چند معیاره (MCDEA)
۲-۳- مدل های تحلیل پوششی داده های برنامه ریزی آرمانی (GPDEA)
۳- کاستی های مدل های تحلیل پوششی داده های برنامه ریزی آرمانی
۳-۱- روایی (اعتبار) تحلیل پوششی داده های برنامه ریزی آرمانی و مساله وزن های صفر تمام متغیرها در بعضی از واحدهای تصمیم گیری
۳-۲- روایی (اعتبار) تحلیل پوششی داده های برنامه ریزی آرمانی در مقایسه با نتایج تحلیل پوششی داده های چند معیاره
۳-۳- روایی (اعتبار) تحلیل پوششی داده های چند معیاره هنگام تحقیق در مورد بازده به مقیاس متغیر (VRS)
۳-۴- روایی (پایایی) تحلیل پوششی داده های برنامه ریزی آرمانی و مساله وزن های صفر در تمام واحدهای تصمیم گیری
۴- مدل جدید چند معیاره دو هدفه (BiO-MCDEA)
۵- استفاده از وابستگی انرژی در میان کشورهای عضو اتحادیه اروپا
۶- نتیجه گیری و پیشنهادات

 

 

بخشی از ترجمه
 چکیده
کمبود قدرت تمایز و پراکندگی ضعیف وزن همچنان به عنوان دو مورد از مسائل اصلی در تحلیل پوششی داده ها (DEA) مطرح می شود. از زمان ایجاد اولین مدل تحلیل پوششی داده های چند معیاره (MCDEA)) در دهه ۱۹۹۰ تا به حال، تنها روش های برنامه ریزی هدف؛ که عبارتند از GPDEA-CCR و GPDEA-BCC، برای حل مسائل مطرح شده در چارچوب چند هدفه معرفی شده اند. ما متوجه شدیم که مدل های GPDEAنامعتبر هستند و اثبات می کنیم که روش تحلیل پوششی داده های چند معیاره دو هدفه (BiO-MCDEA )پیشنهادی ما، از لحاظ قدرت تمایز و پراکندگی وزن، عملکرد بهتری از مدل GPDEA داشته؛ و همچنین به کدهای محاسباتی کمتری نیاز دارد. وابستگی انرژی در میان ۲۴ کشور عضو اتحادیه اروپا، بیشتر برای توصیف تاثیر روش ما مورد استفاده قرار می گیرد.
 
۱- مقدمه
تحلیل پوششی داده ها (DEA) اولین بار توسط چانز، کوپر، و رودز (۱۹۸۷) مطرح شد، و هنوز هم تکنیک اصلی اندازه گیری کارایی نسبی واحدهای تصمیم گیری (DMUs) بر اساس ورودی ها و خروج های چندگانه مربوطه، به شمار می آید. مبحث تحلیل پوششی داده ها در سه دهه اخیر با بیشترین سرعت در حال گسترش بوده و بدون شک شامل بیش از هزار مقاله در زمینه تحقیق در عملیات و رشته علوم مدیریتی می شود (امروز نژاد، پارکر، و تاوارس، ۲۰۰۸؛ حاتمی-ماربینی، امروزنزاد، و توانا، ۲۰۱۱). کارایی واحد تصمیم گیری به صورت مجموع وزنی خروجی های واحد تقسیم بر مجموع وزنی ورودی ها در یک مقیاس نسبی کراندار تعریف می شود.
یکی از کاستی های تحلیل پوششی داده ها عدم تمایز بین واحدهای تصمیم گیری کارا در این روش است، از این رو بسیاری از واحدهای تصمیم گیری، کارا خواهند بود. این مساله زمانی حائز اهمیت است که تعداد واحدهای تصمیم گیری ارزیابی شده، به طور قابل ملاحظه ای کمتر از تعداد ورودی ها و خروجی های به کار رفته در ارزیابی باشند. وزن های به دست آمده از تحلیل پوششی داده ها احتمالاً نشان می دهند که بعضی از ورودی ها یا خروجی ها مقادیر صفر دارند. این موضوع بر خلاف روال معمول است، به خصوص در مساله تصمیم گیری، که شخص تصمیم گیرنده انتظار دارد از تمام مقادیر ورودی ها و خروجی ها که بر اساس واحدهای تصمیم گیری رتبه بندی شده اند، استفاده کند. پس، بیشتر این معنا به ذهن می رسد که بعضی از متغیرها در برآورد ارزیابی جهت دستیابی به رتبه بندی نهایی، مورد استفاده قرار نگرفته اند. در مقابل، توزیع وزنی غیر واقعی در تحلیل پوششی داده ها، زمانی که واحدهای تصمیم گیری به خاطر وزن های بیش از حد بالا در یک خروجی واحد و یا وزن های بیش از حد پایین در ورودی واح،د به عنوان واحد کارا رتبه بندی می شوند نیز رخ می دهد.
تامپسون، سینگلتون، ترال، و اسمیت (۱۹۸۶) از جمله اولین نویسندگانی هستند که استفاده از محدودیت وزنی برای افزایش قدرت تمایز واحدهای تصمیم گیری را مطرح نمودند. این مساله فوراً مورد توجه بسیاری از نویسندگان قرار گرفت، که از میان آنها می توان به دایسون و تاناسولیس (۱۹۸۸)، چارنز، کوپر، هوانگ، و سان (۱۹۹۰) تاناسولیس و آلن (۱۹۹۸) اشاره کرد. از این رو، در آثار علمی مربوطه، چندین روش نظیر روش منطقه تضمین (AR) (خلیلی، کامانهو، پورتلا، و علیرضائی، ۲۰۱۰؛ مِسیت و آلپ، ۲۰۱۳؛ ساریکو و دایسون، ۲۰۰۴؛ تامپسون، لانگِمیِر، لی، و ترال، ۱۹۹۰) و پوشش نسبت مخروطی (کائو و کونگ، ۲۰۱۰؛ چارنز و سایرین، ۱۹۹۰) ، به عنوان استراتژی های حل مسائل ناشی از توزیع وزنی غیر واقعی، مورد ملاحظه قرار گرفتند. با این حال، این روش ها نیز با کاستی هایی همراه هستند، تکنیک های منطقه تضمین و نسبت مخروطی تا حد زیادی به اندازه گیر واحد های ورودی-خروجی وابسته هستند، که شاید راه حل های نشدنی را ایجاد کنند. به عبارت دیگر، هر دو روش محدودیت های بیشتری را به مدل می افزایند؛ در نتیجه، حل مساله را دشوار تر می کنند.
برای مواجهه با مسائل قدرت تمایز، سایر مدل های تحلیل پوششی داده ها نظیر مدل فوق کارا (اندرسون و پترسون، ۱۹۹۳؛ چِن، ۲۰۰۵؛چِن، دو، و هوو، ۲۰۱۳؛ لی، چو، و ژو، ۲۰۱۱) و تکنیک ارزیابی کارایی متقابل (اندرسون، هالینگزوُرث، و اینمَن، ۲۰۰۲؛ دویلی و گرین، ۱۹۹۵؛ گرین، دویلی و کوک، ۱۹۹۶؛ سکستون، سیلکمن، و هوگان، ۱۹۸۶؛ وانگ و چین، ۲۰۱۰، ۲۰۱۱) در آثار علمی معرفی شدند. مدل فوق کارای تحلیل پوششی داده ها، راه حل های نشدنی واحدهای تصمیم گیری کارا را ایجاد می کند؛ به ویژه در مدل بازده به مقیاس متغیر (VRS). به هر حال، تلاش هایی برای حل مساله نشدتی بودن در روش های کارایی صورت گرفته بود. چِن (۲۰۰۵) روشی را مطرح نمود که در آن هر دو نوع مدل فوق کارای ورودی محور و خروجی محور برای مشخص کردن کل مدل فوق کارا به کار می روند، در نتیجه ادعا می شود که این روش احتمال نشدنی بودن را بسیار پایین می آورد. به هر حال، سلیمانی دامنه، جهانشاهلو، و فروغی (۲۰۰۶) در نفی ادعاهای چِن (۲۰۰۵) بدون معرفی گزینه های شدنی چند مثال نقض ارائه کردند. بعدها لی و سایرین (۲۰۱۱) با بکارگیری دو منبع اصلی (عبارتند از چن،۲۰۰۵؛ کوک، لیانگ، ژا و ژو، ۲۰۰۹) راه حلی را با استفاده از فرایند دو مرحله ای ارائه کردند که با تنظیمات ذخیره ورودی و مازاد خروجی انطباق دارد. سپس چن و لیانگ (۲۰۱۱) راه حل تک مدلی این فرایند دومرحله ای را تدوین نمودند. لی و ژو (۲۰۱۲) متوجه شدند که برای شدنی بودن این راه حل، باید چند مورد از متغیرهای ورودی مقدار صفر داشته باشند.
با توجه به تکنیک ارزیابی کارایی متقابل، به علت غیر منحصر به فرد بودن وزن های تحلیل پوششی داده ها، تعداد بیشتری راه حل بهینه چندگانه در مدل های تحلیل پوششی داده ها ارائه می شود. با اینکه اخیراً بهبودهایی در تکنیک های ارزیابی کارایی متقابل صورت گرفته (انگیز و سادی، ۲۰۱۲)، این راه حل با توجه به لزوم حل مجموعه هایی از مسائل برنامه ریزی خطی، از لحاظ محاسباتی گران است. با وجود پیشنهاد به کاربردن اهداف ثانویه برای بهبود تغییر پذیری امتیازهای کارایی متقابل نیز احتمال غیر منحصر به فرد بودن وزن ها وجود دارد (به کوک و ژو، ۲۰۱۳ مراجعه کنید).
مدل تحلیل پوششی داده های چند معیاره یا چند هدفه (چن، لاربنی، و چانگ،۲۰۰۹؛ فروغی،۲۰۱۱؛ لی و ریوِس، ۱۹۹۹) با توجه به چارچوب تصمیم گیری چند هدفه، به عنوان ابزاری برای مواجهه با مسائل قدرت تمایز و پراکندگی وزن پیشنهاد شد. با اینکه تدوین اولیه مدل که توسط لی و ریوس (۱۹۹۹) انجام شد، رتبه بندی کامل را تضمین نمی کند بلکه صرفاً متضمن این است که تصمیم گیرنده به صورت تعاملی سه هدف مدل را به کار بگیرد. بنابراین، در مدل تحلیل پوششی داده های چند معیاره (MCDEA)، سه هدف به صورت مجزا تحلیل می شوند؛ یک به یک، و بدون آنکه ترتیب ترجیحی برای این اهداف رعایت شده باشد. بال، اورکجو، و چلبی اوقلو (۲۰۱۰) به تازگی روش برنامه ریزی آرمانی را برای حل هم زمان هر سه هدف مدل تحلیل پوششی داده های چند معیاره مطرح کردند. ادعا می شد که مدل های تحلیل پوششی داده های برنامه ریزی آرمانی (GPDEA) این افراد که عبارتند از بازده به مقیاس ثابت و بازده به مقیاس متغیر؛ پراکندگی وزن ها و قدرت تمایز در چارچوب تحلیل پوششی داده های چند معیاره را بهبود می دهند. این مقاله این نکته را مورد تاکید قرار می دهد که این ادعاها بی اساس بوده، و به نشان دادن مدل تحلیل پوششی داده های چند معیاره دو هدفه (BiO-MCDEA) مربوط می شود که این کاستی ها را پوشش می دهد.
این مقاله بر روی معرفی مدل وزنی برای افزایش قدرت تمایز و بهبود پراکندگی وزنی در دامنه تحلیل پوششی داده های چند معیاره متمرکز شده است. ترتیب باقی مقاله به این صورت است: در بخش ۲ توصیف مختصری از تحلیل پوششی داده های چند معیاره (MCDEA) و تحلیل پوششی داده های برنامه ریزی آرمانی (GPDEA ) جدیدتر به عنوان روشی برای تحلیل پوششی داده های چند معیاره مطرح می شود. در بخش ۳، کاستی های استفاده از تحلیل پوششی داده های برنامه ریزی آرمانی به جای تحلیل پوششی داده های چند معیاره عنوان می شود. سپس در فصل ۴، مدل چندمعیاره دو هدفه دیگری را به منظور افزایش قدرت تمایز و بهبود پراکندگی وزنی معرفی می کنیم. در بخش ۵ استفاده از وابستگی انرژی در میان ۲۵ کشور عضو اتحادیه اروپا، تاثیر این مدل را اثبات می کند. در بخش ۶ جمع بندی و پیشنهادات ارائه می شوند.

 

بخشی از مقاله انگلیسی

Abstract

Lack of discrimination power and poor weight dispersion remain major issues in Data Envelopment Analysis (DEA). Since the initial multiple criteria DEA (MCDEA) model developed in the late 1990s, only goal programming approaches; that is, the GPDEA-CCR and GPDEA-BCC were introduced for solving the said problems in a multi-objective framework. We found GPDEA models to be invalid and demonstrate that our proposed bi-objective multiple criteria DEA (BiO-MCDEA) outperforms the GPDEA models in the aspects of discrimination power and weight dispersion, as well as requiring less computational codes. An application of energy dependency among 25 European Union member countries is further used to describe the efficacy of our approach.

۱ Introduction

Data envelopment analysis (DEA) was first proposed by Charnes, Cooper, and Rhodes (1978) and remained the leading technique for measuring the relative efficiency of decision-making units (DMUs) based on their respective multiple inputs and outputs. DEA has been the fastest growing discipline in the past three decades covering easily over a thousand papers in the Operations Research and Management Science discipline (Emrouznejad, Parker, & Tavares, 2008; Hatami-Marbini, Emrouznejad, & Tavana, 2011). The efficiency of a DMU is defined as a weighted sum of its outputs divided by the weighted sum of its inputs on a bounded ratio scale.

One of the drawbacks of DEA is the lack of discrimination among efficient decision making units (DMUs), hence yielding many DMUs to be efficient. The problem is highlighted when the number of DMUs evaluated is significantly lesser than the number of inputs and outputs used in the evaluation. The weights derived from a DEA analysis may reveal that some inputs or outputs have zero values. This is counter-intuitive especially in a decision making exercise, where one expects to use all the inputs and output values that are rated for the DMUs. Hence, it further implies that some of the variables were not used in the evaluation judgment in achieving the final ranking. On the contrary, the unrealistic weight distribution for DEA also occurs when some DMUs are rated as efficient due to extremely large weights in a single output and/ or extremely small weights in a single input.

Thompson, Singleton, Thrall, and Smith (1986) are among the first authors to propose the use of weight restriction to increase the discrimination power of DMUs. The issue was immediately picked up by many authors, including Dyson and Thanassoulis (1988), Charnes, Cooper, Huang, and Sun (1990), Thanassoulis and Allen (1998). Hence, several methods such as assurance region (AR) procedure (Khalili, Camanho, Portela, & Alirezaee, 2010; Mecit & Alp, 2013; Sarrico & Dyson, 2004; Thompson, Langemeier, Lee, & Thrall, 1990) and cone ratio envelopment (Cao & Kong, 2010; Charnes et al., 1990) were addressed in the literature as strategies to solve problems arising from unrealistic weight distribution. However, there are some drawbacks to the methods – AR and cone ratio techniques are highly dependent on the measurement of the inputs-outputs units, which may lead to infeasible solutions. In other words, both the methods incorporate extra constraints to the model; thus, making it harder to solve the problem.

Subsequently, other DEA models were introduced in the literature to overcome the discriminant power problems, such as the super-efficiency model (Andersen & Petersen, 1993; Chen, 2005; Chen, Du, & Huo, 2013; Lee, Chu, & Zhu, 2011) and cross-efficiency evaluation technique (Anderson, Hollingsworth, & Inman, 2002; Doyle & Green, 1995; Green, Doyle, & Cook, 1996; Sexton, Silkman, & Hogan, 1986; Wang & Chin, 2010, 2011). The super-efficiency DEA model may obtain infeasible solutions for efficient DMUs; particularly, under variable returns to scale (VRS) model. However, attempts had been made to solve the infeasibility problem in super efficiency methods. Chen (2005) proposed an approach in which both input-oriented and output-oriented super-efficiency models are used to fully characterize the super-efficiency model, thus claiming that the approach kept infeasibility to a rare occasion. However, Soleimani-damaneh, Jahanshahloo, and Foroughi (2006) presented some counter examples to negate Chen’s (2005) claims without any proposed alternative. Drawing from two main sources (i.e. Chen, 2005; Cook, Liang, Zha, & Zhu, 2009), Lee et al. (2011) later provided a solution by a two-stage process catering to adjustments in input saving and output surpluses. Chen and Liang (2011) subsequently formulated a one-model solution to the two-stage process. Lee and Zhu (2012) found that the solution can still be infeasible should some of the input variables have zero values.

With regards to cross-efficiency evaluation technique, the nonuniqueness of the DEA weights could provide a large number of multiple optimal solutions for DEA models. Although recent improvements of cross-efficiency evaluation techniques were proposed (Angiz & Sajedi, 2012), the solution is computationally expensive with the need to solve a series of linear programming problems. The suggestion of imposing secondary goals to improve variability of cross efficiency scores still leaves the non-uniqueness problem looming (see Cook & Zhu, 2013).

Drawing from a multiple objective decision making framework, the multiple criteria (or multi-objective) DEA model (Chen, Larbani, & Chang, 2009; Foroughi, 2011; Li & Reeves, 1999) was suggested as a means to overcome discriminant power and weight dispersion problems. However, the original formulation of Li and Reeves (1999) does not promise complete ranking but merely presupposes the decision maker to use its model’s 3 objectives interactively. Thus, in the MCDEA model, the three objectives are analyzed separately; one at a time, and no preference order was set for those objectives. Bal, Örkcü, and Çelebioglu (2010) recently proposed the goal programming approach for solving all 3 objectives of the MCDEA model simultaneously. Their GPDEA models (i.e. constant returns to scale and variable returns to scale) were claimed to improve the dispersion of weights and discriminatory power in a MCDEA framework. This paper highlights that those claims were unfounded, and goes onto show a new bi-objective multiple criteria DEA (BiO-MCDEA) model that could solve those drawbacks.

The focus of this paper is to introduce a weighted model for improving the discrimination power and weight dispersion in the domain of Multiple Criteria Data Envelopment Analysis (MCDEA). The rest of the paper is organized as follows. Section 2 gives a brief description of the multiple criteria data envelopment analysis (MCDEA) and the more recent goal programming data envelopment analysis (GPDEA) as a procedure for MCDEA. Section 3 highlights the drawbacks of using GPDEA to represent MCDEA analysis. We therefore introduce an alternative bi-objective multiple criteria model (BiO-MCDEA) to improve the discrimination power of MCDEA in Section 4. An application of energy dependency among 25 EU member countries demonstrates the efficacy of the model in Section 5. Concluding remarks are given in Section 6.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی داده های چند معیاره (MCDEA)

عنوان انگلیسی مقاله:

A bi-objective weighted model for improving the discrimination power in MCDEA

 
 
 
 
 

 

 

ارسال دیدگاه

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