فصل ۱-                    روش های غیر پارامتری و انواع مدل های آن

۱-۱-         مقدمه

روش مطرح دیگر به منظور ارزیابی کارایی، روش ناپارامتری است، در این روش با استفاده از
تکنیک­های برنامه­ریزی ریاضی، به ارزیابی کارایی بنگاهها پرداخته خواهد شد، حال آنکه در این روش دیگر نیازی به برآورد تابع تولید نیست، و چنانچه بنگاه موردنظر، دارای چندخروجی متفاوت باشد، این روش در ارزیابی کارایی با مشکلی مواجه نخواهد بود. روشهای پارامتری برای ارزیابی کارایی واحدهای تولیدی که یک ستاده یا بیشتر از یکی دارند، در صورتی که بتوان ستاده­ها را به یکدیگر یا به یک واحد ستاده یکسان تبدیل کرد، مناسب هستند. اما فرض کنید بخواهیم دو واحد خدماتی در آموزش را از نظر کارایی با هم مقایسه کنیم و این واحدها بیش از یک ستاده نیز داشته باشند برای مثال دو نمونه از این ستاده­ها تعداد فارغ التحصیلان و مقالات پذیرفته شده در مجلات معتبر باشند که توسط هر واحد حاصل گردیده است و هیچ شاخصی جهت تبدیل یکی از این دو به دیگری نباشد در عین حال هیچ توافق کلی در مورد وزن یا اهمیت هر یک از این دو وجود نداشته باشد. حال اگر بخواهیم از روشهای قبلی، کارایی را ارزیابی و سپس مقایسه کنیم، عملاً غیرممکن است. چرا که ما ستاده واحدی جهت برآورد تابعی به عنوان تابع تولید مرزی نداریم. این مشکل یکی از مشکلات ارزیابی کارایی به روش تابع تولید مرزی است. از طرفی در تمامی روشهای ارزیابی کارایی با استفاده توابع تولید مرزی یک شکل خاص برای تابع تولید تصریح می­گردد و فرضهایی برای متغیر جزء تصادفی اعمال می­گردد که در عمل ممکن است نقض گردد. برای حل مشکلات فوق می­توان از روشی به نام «روش تحلیل پوششی داده­ها» استفاده نمود. در این روش برای ارزیابی کارایی هر واحد، ابتدا یک واحد مجازی ایجاد می­کنند که به صورت ترکیبی خطی از سایر واحدهای تصمیم­گیری ساخته می­شود. پس ستاده حاصل از این واحد تصمیم­گیری مجازی را  که با به کار بردن نهادۀ یکی از واحدهای تصمیم­گیری به دست می­آید  با ستاده واقعی این واحد مقایسه می­کنند و به این ترتیب اقدام به ارزیابی کارایی می­نمایند.

این روشها ی ناپارامتری مبتنی بر یک سری بهینه سازی هستند که برای کارایی نسبی ازآنها استفاده می شود.عبارت نسبی در جمله بالا بسیار حائز اهمیت است زیرا کارایی به دست آمده در این روش ،نتیجتا مقایسه بنگاههای موجود با یکدیگر است.بنابراین،در صورتی که تعدادی از مشاهدات حذف و یا تعداد آنها زیاد شود،ممکن است مقدار کارایی محاسبه شده نیز کم یا زیاد شود.بنابراین کارایی به دست آمده نسبی است نه مطلق.در روشهای غیرپارامتری نیاز به انتخاب فرم تابع نبوده و محدودیتی نیز برای تعداد ستانده وجود ندارند .

۱-۲-         فرایند تحلیل سلسله مراتبی AHP

در ارزیابی هر موضوعی ما نیاز به معیار اندازه گیری با شاخص داریم، انتخاب شاخص مناسب به ما امکان می دهد که مقایسه درستی بین جایگزینی ها یاآلترناتیوها به عمل آوریم. اما وقتی که چند یا چندین شاخص برای ارزیابی در نظر گرفته می شود، کار ارزیابی پیچیده می شود و پیچیدگی کار زمانی با لا می گیرد که معیار های چند یا چندین گانه باهم در فضا و از جنس های مختلف باشند. در این هنگام کار ارزیابی و مقایسه از حالت ساده تحلیلی که ذهن قادر به انجام آن است خار ج می شود و به یک ابزار تحلیل عملی قوی نیاز خواهد بود. یکی از ابزارهای توانمند برای چنین وضعیت هایی ( فر آیند تحلیل سلسله مراتبی) است .این روش برای سطح بندی و درجه بندی استفاده می شود گاهاً برای تحلیل های اجتماعی و اقتصادی نیز ممکن است به کار رود. در این روش قبل از هر

 متن فوق تکه ای از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:

متن کامل

•  ترسیم و تشریح درخت سلسله مراتبی

درخت سلسله مراتبی دارای سه سطح اصلی هدف، معیارها و گزینه‌ها است که سطح معیار آن قابل تقسیم به زیر معیارهای متعدد می‌باشد.

هدف: به پرسش اصلی تحقیق یا مشکلی که قصد داریم آن‌ را حل نماییم هدف گفته می‌شود. هدف بالاترین سطح درخت سلسله مراتبی است و تنها یک پارامتر دارد که انتخاب آن وظیفه بالاترین سطح تصمیم‌گیری پروژه می‌باشد.
معیارها: به ملاک‌های متضمن هدف و سازنده آن معیار گفته می‌شود. معیارها در واقع سنگ محک هدف یا وسیله اندازه‌گیری آن می‌باشد. هر اندازه معیارها بیشتر اجزاء هدف را پوشش دهند و بیشتر بیان کننده هدف باشند، احتمال گرفتن نتیجه دقیق‌تر افزایش خواهد یافت.معیارها دومین سطح درخت سلسله مراتبی پس از هدف می‌باشند. در این سطح می‌توانیم بنا به ضرورت به تعداد مورد نیاز معیار در سطح افقی ترسیم و تنظیم نماییم. معیارهای قابل تقسیم به زیر معیارها و زیر معیارها قابل تقسیم به زیر معیارهای بعدی می‌باشند. این وضعیت می‌تواند بسته به ضرورت تا n زیر معیار در سطح عمودی و افقی افزایش پیدا نماید.

مرحله دوم، سنجه ها در یک ماتریس قرار گرفته و سپس تعیین اهمیت (وزن) معیار ها و زیر معیار ها می باشد. دو به دو آنها رابا هم مقایسه می کنیم، سپس بااستفاده از روش مرفال کردن تمام سنجه ها هم وزن می شوند.وزن هر فاکتور نشان دهنده اهمیت و ارزش آن نسبت به فاکتورهای دیگر در عملیات تعیین مکان است . بنابرین انتخاب آگاهانه و صحیح وزنها کمک بزرگی در جهت تعیین هدف مورد نظر می نماید .

•  مشکلات تصمیم گیری چندمعیاره
• فقدان استاندارد برای اندازه گیری معیارهای کیفی
  • فقدان واحد برای تبدیل معیارها به یکدیگر

بکارگیری این روش مستلزم چهار قدم عمده زیر می‌باشد که به صورت بسیار مقدماتی در ادامه توضیح میدهیم: برای پیاده سازی روش AHP  لازم است که :

الف) مدل سازی کنیم

در این قدم، مسأله و هدف تصمیم گیری به صورت سلسله مراتبی از عناصر تصمیم که با هم در ارتباط می‌باشند، در آورده می‌شود. عناصر تصمیم شامل «شاخصهای تصمیم گیری» و «گزینه‌های تصمیم» می‌باشد. فرایند تحلیل سلسله مراتبی نیازمند شکستن یک مساله با چندین شاخص به سلسله مراتبی از سطوح است. سطح بالا بیانگر هدف اصلی فرایند تصمیم گیری است. سطح دوم، نشان دهنده شاخص‌های عمده و اساسی “که ممکن است به شاخص‌های فرعی و جزئی تر در سطح بعدی شکسته شود) می‌باشد. سطح آخر گزینه‌های تصمیم را ارائه می‌کند. در شکل زیر سلسله مراتب یک مساله تصمیم نشان داده شده است (مهرگان،۱۳۸۳،ص۱۷۰)

 متن فوق تکه ای از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:

متن کامل

۱-۱-         فرایند تحلیل سلسله مراتبی AHP

در ارزیابی هر موضوعی ما نیاز به معیار اندازه گیری با شاخص داریم، انتخاب شاخص مناسب به ما امکان می دهد که مقایسه درستی بین جایگزینی ها یاآلترناتیوها به عمل آوریم. اما وقتی که چند یا چندین شاخص برای ارزیابی در نظر گرفته می شود، کار ارزیابی پیچیده می شود و پیچیدگی کار زمانی با لا می گیرد که معیار های چند یا چندین گانه باهم در فضا و از جنس های مختلف باشند. در این هنگام کار ارزیابی و مقایسه از حالت ساده تحلیلی که ذهن قادر به انجام آن است خار ج می شود و به یک ابزار تحلیل عملی قوی نیاز خواهد بود. یکی از ابزارهای توانمند برای چنین وضعیت هایی ( فر آیند تحلیل سلسله مراتبی) است .این روش برای سطح بندی و درجه بندی استفاده می شود گاهاً برای تحلیل های اجتماعی و اقتصادی نیز ممکن است به کار رود. در این روش قبل از هر کاری باید داده های هر مکان را استاندار کنیم .بعد از این مرحله ها ترتیبی از جمعیت شاخص هارا تشکیل می دهیم ، برای تشکیل این ماتریس ابتدا با ید به شاخص ها وزن داده شود بعد از این مرحله امتیاز هر شاخص با هم جمع می شود و سپس نسبت به حاصل جمع تمام شاخص ها محاسبه می شود.بدین ترتیب وزن هریک از شاخص ها بدست می آید بعد از ضرب وزن هر شاخص در تعداد همان شاخص امتیاز شاخص های هر مکان باهم جمع می شود و مکان ها بر اساس امتیازات بدست آمده سطح بندی می شوند( فرهودی)

روال کارمدل A.H.P با مشخص کردن عناصر و تصمیم گیری و اولویت دادن به آنها آغاز می شود این عناصر شامل شیوه های مختلف انجام کار و اولویت دادن به سنجه ها یا ویژگی ها می باشد

مر حله اول: ساختن درخت سلسله مراتبی

مرحله دوم : تعیین ضریب اهمیت معیار ها و زیر معیار ها وزن دادن به جایگزین ها

مر حله سوم: ترکیب ضریب اهمیت گزینه ها ترکیب وزن ها

مر حله چهارم: آزمایش سازگاری

در مرحله اول، در فرایندAHP ایجاد یک ساختار سلسله مراتبی از موضوع مورد بررسی می باشد که در آن اهداف ، معیار ها و زیر معیار ها گزینه ها و ارتباط بین آن ها نشان داده می شود

 متن فوق تکه ای از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:

متن کامل

۱-۱-         روش تحلیل پوششی داده­ها

روش تحلیل پوششی داده­ها را می­توان به عنوان یکی از روشهای ناپارامتری معرفی نمود که در این روش با استفاده از تکنیک­های برنامه­ریزی ریاضی به ارزیابی واحدهای موردنظر پرداخته خواهد شد.

تحلیل پوششی داده ها یکی از رویکردهای علمی است که با بکارگیری مبنای ریاضی قوی به محاسبه کارایی می پردازد.تحلیل پوششی داده ها ، تکنیکی نا پارامتریک برای سنجش و ارزیابی کارایی نسبی مجموعه ای از واحدهای تصمیم گیرنده می باشد.کارایی نشان می دهد که یک سازمان تا چه میزان از ورودی های خود را به طور بهینه در جهت تولید خروجی ها استفاده کرده است و به عبارتی نشان دهنده « صحیح انجام دادن کار» است.به این معنی که از حداقل ورودی ها حداکثر محصول برداشت شود.

در مدل های DEA ، اگر واحد های تصمیم گیرنده تحت ارزیابی دارای یک ورودی و یک خروجی باشند در این صورت واحدی که نسبت خروجی به ورودی آن بیشترین مقدار را داشته باشد دارای عملکرد بهتری نسبت به واحدهای دیگر است.به عبارت دیگر نسبت به آنها کارا است.اما چنانچه این واحدها دارای چند ورودی و چند خروجی باشند ، با تعیین ارزش برای ورودی ها و خروجی ها که در اینجا با”وزن” معرفی شده است ، می توانیم آنها را به یک واحد تبدیل نموده و در نتیجه واحدی که نسبت مجموع وزن دار شده خروجی به مجموع وزن دار شده ورودی های آن بیشتر باشد ، دارای عملکرد بهتری نسبت به واحدهای دیگر است.در این فصل با بیان روش ها و اصول حاکم بر DEA ، به تعیین ارزش ورودی ها و خروجی ها می پردازیم.

در سال های اخیر در اغلب کشور های جهان برای ارزیابی عملکرد نهادها و دیگر فعالیت های رایج در زمینه های مختلف، کاربرد های متفاوتی از تحلیل پوششی داده  های (DEA) دیده شده است. علت مقبولیت گسترده تر روش DEA نسبت به سایر روش ها، امکان بررسی روابط پیچیده و اغلب نا معلوم بین چندیدن ورودی و چندین خروجی (معمولا اندازه پذیر) است که در این فعالیت ها وجود دارد. فعالیت هایی نظیرتعمیر و نگهداری در پایگاه های هوا پیمایی آمریکا مستقر در نواحی جغرافیایی متفاوت، یا نیرو های پلیس در انگلستان و ولز، همچنین عملکرد شعب بانک ها در قبرس و کانادا و کارایی دانشگاه ها در آموزش و پژوهش در آمریکا، انگلستان و فرانسه، مثال هایی از این دست هستند. این نوع کاربرد ها به ارزیابی عملکرد های شهر ها، مناطق و شهر ها با انواع مختلف ورودی از قبیل هزینه های “اجتماعی” ، شبکه های ایمنی و انواع خروجی از قبیل ابعاد مختلف کیفیت زندگی قابل گسترش هستند.

DEA همچنین امکان نگرش جدید به فعالیت هایی را هم که قبلا به روش های دیگر ارزیابی شده اند فراهم کرده است. برای مثال امکان محک زنی با استفاده از DEA به شناسایی منابع ناکارایی در شرکت های خیلی سود آورر، شرکت های که به خاطر نگرش سود آوری به عنوان محک شناخته می شدند، منجر شده است. مطالعه کارایی سازمان هایی با شکل حقوقی متفاوت، همانند شرکت های “سهامی بیمه” در مقابل تعاونی، به کمک DEA نشان داده است که مطالعات قبلی قادر به ارزیابی توان بالقوه تفاوت های شکلی  آنها نبودند. همچنین استفاده از DEA لزوم بازنگری مطالعات کارایی قبلی را که پیش و پس از ادغام فعالیت ها انجام گرفته و در بانک ها به اجرا گذاشته شده، نشان می دهد.

مطالعه شکل سازمانی شرکت های بیمه که در بالا ذکر شد می تواند نه تنها برای به دست آوردن نتایج جدید به کار گرفته شود، بلکه روش های جدید بهره برداری از داده ها را که DEA در اختیار ما قرار داده نیز ارائه می نماید. به منظور مطالعه کارایی این شکل های سازمانی البته ضروری است که دیگر منابع ناکارایی را از مشاهدات حذف کنیم. به جز در مواردی که بخواهیم فرض کنیم چنین ناکارایی هایی وجود ندارند.

این پایان نامه با موضوع ارزیابی عملکرد، به خصوص ارزیابی فعالیت های سازمان هایی مانند شرکت های تجاری، موسسات دولتی، بیمارستان ها، مراکز آموزشی و غیره مرتبط است. در تحلیل های عادی و رایج، چنین ارزیابی هایی به روش های مختلف انجام می شود. برای مثال، هزینه هر واحد، سود هر واحد، رضایت مشتری از هر واحد و غیره را می توان در نظر گرفت، که با نسبتی مشابه زیر اندازه گیری می شود:

 متن فوق تکه ای از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:

متن کامل

۱-۱-         کارایی

وقتی بیان می شود که واحد تصمیم گیرنده j ام کارا است، می توان نتیجه گرفت که این واحد خوب عمل نموده و از منابعش به درستی استفاده کرده است.

کارایی را می توان از دو جنبه کارایی مطلق و کارایی نسبی مورد بررسی قرار داد.کارایی مطلق از سنجش یک واحد با ایده آلی ها منتج می شود و کارایی نسبی از سنجش یک واحد با واحدهای مشابه دیگر نتیجه می شود و چون مشخص نمودن ایده آلی ها و رسیدن به آنها مشکل است از کارایی نسبی استفاده می کنیم.به همین دلیل بیان می کنیم که تحلیل پوششی داده ها تکنیکی برای محاسبه کارایی نسبی مجموعه ای از واحدهای تصمیم گیرنده است.

ورودی عاملی است که با افزایش آن ، با حفظ تمام عوامل دیگر کارایی کاهش می یابد.و با کاهش آن با حفظ تمام عوامل دیگر ، کارایی افزایش می یابد.خروجی عاملی است که با کاهش آن ، باحفظ تمام عوامل دیگر کارایی کاهش می یابد.و با افزایش آن با حفظ تمام عوامل دیگر ، کارایی افزایش می یابد.

برای حالت یک ورودی – یک خروجی کارایی مطلق را به صورت زیر تعریف می کنیم:

کارایی مطلق  =

ورودی و خروجی DMU ها باید در شرایط زیر صدق نمایند :

• داده ها باید هم زمان باشند.
• ورودی ها و خروجی های واحد تصمیم گیرنده باید هم جنس باشند.
• به طور تجربی می توان گفت که برای بدست آوردن نتایج قابل تحلیل از مدل های DEA باید رابطه زیر برقرار باشد :

n≥۳(m+s)

که در آن :

M = تعداد ورودی ها

n = تعداد خروجی ها

S = تعداد واحدهای تصمیم گیرنده

• خروجی ها فقط وابسته به همین ورودی های تعریف کننده باشند.

۱-۲-         انواع مدل های DEA

•  مدل CCR

اولین مدل اساسی تحلیل پوششی داده ها توسط چارنز ، کوپر و رودز در سال (۱۹۸۷) در دو ماهیت ورودی و خروجی ارائه گردید.در این مدل برای هر DMU ، یک ورودی و یک خروجی مجازی به کمک وزن های vi و urبصورت زیر تعریف می شوند :

ورودی مجازی  = v1x1o+v2x2o+…+vmxmo

خروجی مجازی  = u1y1o+u2y2o+…+usyso

که در آن x1o,…,xmo به ترتیب ورودی اول تا m ام DMUo و y1o,…,ysoبه ترتیب خروجی اول تا s ام DMUo می باشد و vi و ur به ترتیب وزن های مربوط به ورودی ها و خروجی ها می باشند.

وزن ها نه تنها نشان می دهند که چه اقلامی در ارزیابی DMUo سهم داشته اند بلکه میزان سهم آنها را نیز مشخص می کنند.وزن ها به کمک برنامه ریزی خطی بدست آورده می شوند که نسبت خروجی مجازی به ورودی مجازی حداکثر گردد.

 متن فوق تکه ای از این پایان نامه بود

برای دیدن جزئیات بیشتر ، خرید و دانلود آنی فایل متن کامل می توانید به لینک زیر مراجعه نمایید:

متن کامل