پایان نامه رایگان با موضوع برنامه ریزی خطی و مفهوم کارایی

دانلود پایان نامه
  • ب
    در این حالت هر دو واحد دارای ستاده یکسانی هستند. ولی واحد «الف» نسبت به واحد «ب» به میزان یک واحد کمتر کرده است و همان تعداد ستاده واحد «ب» تولید کرده است .
    مثال فوق یک مورد بسیار ساده می باشد. در دنیای واقعی تعداد واحد های تصمیم گیری زیاد و دارای نهاده ها و ستاده های چند گانه می باشند و مقایسه زوجی همه ی واحد ها امکان پذیر نمی باشد .
    تحلیل پوششی داده به جای مقایسه یک به یک واحد ها یک ترکیب خطی از واحد ها را با هم مقایسه می‌کند. بدین صورت که وقتی چندین واحد تصمیم گیری با نهاده ها و ستاده های چند گانه وجود دارد بجای مقایسه یک به یک واحد، با ایجاد یک واحد مجازی که ترکیبی خطی از سایر واحد های تصمیم گیری می باشد به ارزیابی واحد های تصمیم گیری می پردازد .
    یک واحد تصمیم گیری کاراست اگر واحد یا ترکیبی از سایر واحد ها نتوانند همان مقدار ستاده واحد تحت بررسی را با مقدار داده کمتری تولید کنند و به عبارت دیگر واحد تصمیم گیری کاراست، اگر واحد یا ترکیبی از سایر واحد ها نتوانند با همان مقدار تحت ارزیابی میزان ستاده بیشتر نسبت به واحد تحت ارزیابی تولید کنند. واحدی که کارا نباشد ناکاراست.
    تحلیل پوششی داده‌ها (DEA) مبنی بر یک سری بهینه سازی با استفاده از برنامه ریزی خطی است و نوع تابع آن از قبل مشخص نبوده تا پارامترهای آن برآورد نمود، لذا روش “غیر پارامتریک ” نیز گفته می‌شود. (میرهدایتیان 2013).
    =کارایی
    مفهوم کارایی در تحلیل پوششی داده‌ها
    کارایی یک واحد مستلزم مقایسه ستاده های آن واحد می باشد. در ساده ترین حالت تنها یک داده و یک ستاده وجود دارد، کارایی را می‌توان از تقسیم ستاده به داده بدست آورد .
    به طور مثال کارایی یک کامپیوتر از تقسیم تعداد محاسبات به مقدار زمان به دست می آید که حاصل تعداد محاسبات در واحد زمان را نشان می دهد .
    اگر واحد تصمیم گیری دارای داده‌ها و ستاده های چند گانه باشد و ارزش (قیمت ) هر یک از داده‌ها و ستاده ها معلوم باشد، می‌توان از تقسیم مجموع حاصلضرب مقدار ستاده ها در وزن های (قیمت یا ارزش ) مربوط به مجموع حاصل ضرب مقدار داده‌ها در وزن های مربوطه میزان کارایی را محاسبه کرد .
    =کارایی
    2-7-3.مدلهای اصلی تحلیل پوششی داده‌ها (DEA) :
    اگر چه تعداد مدلهای تحلیل پوششی داده‌ها روز به روز افزایش یافته و جنبه ی تخصصی پیدا می‌کند اما مبنای همه ی آن ها، تعداد مدل اصلی است که توسط بنیانگذاران این روش علمی طراحی و تبیین گردیده است. در این قسمت به تشریح برخی از این مدلهای اصلی پرداخته می‌شود که عبارتند از :
    1:مدل اصلی (CCR)
    2: مدل اصلی (BCC)
    مدلهای اصلی اول و دوم، با گرایش نهاده گرا و ستاده گرا همراه با یک مثال ساده به منظور درک تفاوت ها بیان می‌شود. بدیهی است برای آشنایی بیشتر با مدل های منشعب از این مدل های اصلی، مطالعه مقالات و کتب کاربردی رویکرد تحلیل پوششی داده‌ها سودمند می باشد.
    2-7-3-1.مدل اصلی CCR:
    این مدل در ابتدا توسط چارنز، کوپر و رودز در سال (1987) پیشنهاد شد و نام آن از حروف اول اسامی پیشنهاد دهندگان گرفته شده که بیشتر به (CCR) معروف است. اگر فرض کنیم تعداد (DMUJ) برابر با (n) باشد، یعنی (DMU1, DMU2, DMU3,…, DMUn) که از (m) نوع نهاده مصرف کرده و (s) نوع ستاده تولید می‌کنند، در این صورت نهاده های (DMUj) شامل (x1j,x2j,…,xmj) و ستاده های (DMUj) شامل (y1j,y2j,…,ysj) خواهد بود. می‌توان ماترس نهاده ها را نماد (X) و ماتریس ستاده ها را نماد (Y) به صورت زیر نشان داد .
    با در نظر گرفتن این داده‌ها می‌توان کارایی هر (DMUJ) را با استفاده از مدل (CCR) محاسبه نمود، مدل اولیه (CCR) که بصورت برنامه ریزی خطی نوشته شده است به صورت مدل زیر می باشد .
    MAX = U1 Y1P + …+ US YSP
    St:
    V1Y1P+ … +VMXMP = 1
    V1Y1J + USJ ≤ V1Y1J + …+ VMXMJ (J=1,…,n)
    این نوشته در مقالات و پایان نامه ها ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.