مبانی نظری روش تحلیل پوشش داده ها (DEA)
روش تحلیل پوشش داده ها
2 - 2 - 13 اندازه گیری کارایی با روش تحلیل پوششی داده ها
2 - 2 - 13 - 1 روش تابع مرزی تصادفی
2 - 2 - 13 - 2 روش تحلیل پوششی داده ها
2 - 2 - 14 تحلیل پوششی داده ها
2 - 2 - 15 انواع مدلهای تحلیل پوششی داده ها
الف ) مدل CCR در ماهیت ورودی
ب ) مدل BCC در ماهیت ورودی
ج ) مدل BCC بدون ورودی
د ) مدل رتبه بندی MAJ
2 - 2 - 16 مزایای روش تحلیل پوششی داده ها
2 - 2 - 17 معایب DEA
2 - 2 - 18 ویژگیهای تحلیل پوششی داده ها
2 - 2 - 19 قابلیتهای کاربردی تحلیل پوششی داده ها
2 - 2 - 20 رتبه بندى در روش تحلیل پوششی داده ها
روش اندرسون - پیترسون
2 - 3 پیشینه تحقیق
2 - 3 - 1 تحقیقات خارجی
2 - 3 - 2 تحقیقات داخلی
- 6 فهرست منابع و مآخذ
5 - 6 - 1 منابع فارسی
5 - 6 - 2 منابع انگلیسی :
روش تحلیل پوشش داده ها
روش تحلیل پوشش داده ها ( DEA ) که رویکرد ناپارامتریک برآورد توابع مرزی است برای اولین بار توسط چارنز ، کوبر و رودز ( 1987 ) معرفی شد . این محققین مفاهیم پیشنهادی فارل را رواج دادند و از آن پس در مقالات زیادی این روش به کار گرفته شد . در این روش بدون در نظر گرفتن شکل تبعی خاصی برای توابع ، از برنامه ریزی خطی ( LP ) و در نظر گرفتن نهاده ها و ستانده های بسیار متفاوت استفاده شده است و اقدام به یک سری بهینه یابی می شود و مقدار کارایی واحدهای مورد بررسی تحت دو فرض بازدهی ثابت و متغیر به مقیاس تعیین می شود . در روش DEA شکل های متفاوتی مانند شکل نسبی ، شکل فزاینده و شکل پوششی ( یا فراگیر ) وجود دارد که در هرکدام از اینها در تعیین کارایی واحدهای مورد بررسی به روش خاصی عمل می شود . به این منظور از روش های مختلفی مانند یک مرحله ای ، دو مرحله ای و چند مرحله ای استفاده می شود .
دو مدل بسیار اساسی در روش DEA وجود دارد که به مدل های CCR و BCC معروف هستند که به ترتیب معرفی می شوند . اگر فرض شود که بانکی دارای n شعبه بود و هرکدام از شعب با استفاده از m نهاده مقدار r ستانده را تولید کنند در این حالت میزان کارایی فنی یک شعبه منفرد با نام DMU به شرح زیر است :
در این مدل که با فرض بازدی ثابت به مقیاس CRS و با نگرش به نهاده ها طراحی شده است ، λیک بردارN * 1 شامل اعداد ثابت است که وزنهای مجموعه مرجع را برای شعب ناکارا نشان می دهد .