مائده فصیحی - دانشجوی دکتری، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات،گروه مهندسی صنایع، تهران، ایران
فرزاد موحدی سبحانی - استادیار، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات،گروه مهندسی صنایع، تهران، ایران

در مفهوم تحلیل پوششی داده ها (DEA)، مشکلات تبعیض بین واحدهای تصمیم گیری کارآمد و ناکارآمد اغلب بوجود می آیند، به ویژه اگر تعداد نسبتا زیادی از متغیرها در رابطه با مشاهدات وجود داشته باشد. معمولا متغیرهایی که به عنوان ورودی یا خروجی مورد استفاده قرار می گیرند همبستگی دارند، بنابراین باید ورودی ها و خروجی های مناسب با ویژگی های بسیار خوب توسط کارشناسان انتخاب شوند. کاهش تاثیر خطاهای اندازه گیری ( نویز آماری) بر نتایج تجزیه و تحلیلDEA ، آن را کاراتر می نماید. از این رو ضروری است که ابعاد یا تعداد متغیرها را در یک ساختار DEA کاهش دهیم. یک رویکرد برای بهبود قدرت تبعیض آمیز مدل هایDEA سنتی و کاربرد آنها در رتبه بندی واحدها، ترکیب تجزیه و تحلیل مولفه اصلی (PCA) با DEA است. در این مطالعه ی مقالاتی که دو روش DEA و PCA را با یکدیگر جهت تجزیه و تحلیل در نظر گرفته اند، بررسی شده اند.

تحلیل مولفه های اصلی، تحلیل پوششی داده ها