DEA استفاده از شبکه‌های ترکیبی

این سیستم‌ها دارای مجموعه‌ای از subunits هستند که هر کدام یک مجموعه از ورودی‌ها را دارند و مجموعه‌ای از خروجی‌ها را تولید می‌کنند. تحلیل پوششی داده‌ها متعارف (DEA)عملکرد of واحد را در یک سیستم نادیده می‌گیرد و سیستم را به عنوان یک جعبه سیاه در نظر می‌گیرد. مطالعات اخیر DEA به منظور بررسی ساختارهای درونی یک سیستم توسعه‌یافته و رابطه متقابل اجزا درون یک سیستم یا با ساختار سریال یا موازی یا ترکیبی را بررسی می‌کند. با این وجود، در بسیاری از تنظیمات عملی فرض ورودی‌ها و خروجی‌های یک‌سان ممکن است در بین اجزا وجود نداشته باشد. به عنوان مثال، در مورد مجموعه‌ای از گیاهان، هر کدام خطوط مختلف محصول تولید شده توسط ورودی‌ها و خروجی‌های مختلف را دارد. این مقاله یک روش مبتنی بر DEA را پیشنهاد می‌کند تا به مساله nonhomogeneity در تنظیماتی که subunits در ساختار شبکه ترکیبی عمل می‌کنند بپردازد. لایه‌ها و کارایی کلی سیستم را می توان از طریق روش پیشنهادی ما ارزیابی کرد. برای نشان دادن قابلیت اعمال مدل ما، سپس از مدل‌ها استفاده می‌کنیم و کارایی یک مجموعه داده‌های فرضی را مورد بررسی قرار می‌دهیم.

DEA for nonhomogeneous mixed networks

Practically, systems contain a set of subunits each of which has a set of inputs and produces a set of outputs. Conventional data envelopment analysis (DEA) ignores the operations of individual subunits in a system and considers the system as a black-box. Recent DEA studies developed to investigate the internal structures of a system and examine the interrelationship of the components within a system either with serial or parallel or mixed structure. Nevertheless, in many practical settings the assumption of identical inputs and outputs may not hold among the components. As an example, the case of a set of plants, each has various product lines manufactured by different inputs and outputs captures the idea. This paper proposes a network DEA-based methodology to address the problem of nonhomogeneity in settings where subunits operate in the mixed network structure. The layers and the overall system efficiencies can be evaluated through our proposed methodology. To show the applicability of our models, we then use the models and examine the efficiencies of a set of hypothetical data set