افزایش پایداری کارایی متقاطع در تحلیل پوششی داده ها با استفاده از الگوریتم فراابتکاری ژنتیک (GA)

تحلیل پوششی داده ها (DEA) یک تکنیک برنامه ریزی خطی است که هدف اصلی آن، مقایسه و ارزیابی کارایی تعدادی ازواحدهای تصمیم گیرنده مشابه با مقدار ورودی های مصرفی و خروجی های تولیدی متفاوت است. مدل های DEA مورد استفاده برای ارزیابی کارایی واحد تحت بررسی از دو رویکرد مجزا، رویکرد ورودی محور (کاهش میزان ورودیها بدون تغییر در میزانخروجی ها) و رویکرد خروجی محور (افزایش میزان خروجی ها بدون تغییر در میزان ورودی ها) استفاده می نمایند. در این کارتحقیقاتی، با در نظر گرفتن مدل CCR ورودی محور، وزن های خروجی و ورودی تعدادی dmu را تولید و کارایی آنها را استخراج نموده و سپس با همان اوزان بدست آمده و با مدل کارایی متقاطع آنرا حل می نمائیم و به یک کارایی متناسب تر و نزدیک به واقعیت دست خواهیم یافت. همچنین، به جای تعداد محدود وزن دریافتی از مدل CCR، یا همان اوزان و استفاده از الگوریتم GA تولید وزن نموده و سپس با مدل کارایی متقاطع مجددا آنرا حل کرده و به یک بازه از جواب دست خواهیم یافت که پایداری کارایی و بازه تغییرات کارایی را برای ما روشن خواهد نمود.

Keywords:

ارزیابی عملکرد , تحلیل پوششی دادهها , مدل CCR ورودی- محور , کارایی متقاطع , الگوریتم GA