منبع پایان نامه ارشد با موضوع تحلیل عاملی، تحلیل عامل، کارایی فنی، تحلیل پوششی

دانلود پایان نامه ارشد

لیه (مضربی) BCC ورودی محور
در مدل BCC علامت متغیر ω بازده به مقیاس را برای هر واحد می‌تواند مشخص کند.
الف. هرگاه ω<0 باشد نوع بازده به مقیاس، کاهشی است.
ب. هرگاه ω=0 باشد نوع بازده به مقیاس، ثابت است.
ج. هرگاه ω>0 باشد نوع بازده به مقیاس، افزایشی است.
اما برای تبديل مدل کسری BCC به يک مدل برنامه‌ريزی خطی می‌توان از روش ديگری نيز استفاده کرد. در اين روش با اعمال محدوديت ، مدل برنامه‌ريزی کسری BCC به مدل برنامه‌ريزی خطی زير تبديل می‌شود كه بيانگر مدل مضربي BCC خروجي ـ محور است:

MinZ_0=∑_(i=1)^m▒〖v_i x_i0+ ω〗
st:
∑_(r=1)^s▒〖u_r y_r0 〗=1
∑_(i=1)^m▒〖v_i x_ij-∑_(r=1)^s▒〖u_r y_rj+ ω≤0〗〗 (j=1,2,….,n)
u_r,v_i≥ε
مدل اولیه (مضربی) BCC خروجی محور

2-1-9- تحليل پوششي داده‏اي پنجره‏اي
چنان که کومبر و لاول بيان کرده‏اند، داده‏هاي مقطعي نگاهي گذرا از وضعيت توليد کنندگان و کاراييشان ارائه مي‏دهند. داده‏هاي پانل نتايج قابل اتکاتري در مورد توليد کنندگان ارايه مي‏دهد زيرا محقق را قادر مي‏سازند که عملکرد هر توليد کننده را در بازه زماني مشخص ارزيابي کند.
DEA ابتدا براي تحليل داده‏هاي مقطعي استفاده شد که در اين چارچوب يک واحد تصميم گيرنده با همه واحدهاي ديگر که در دوره زماني مشابه فعاليت مي‏کنند، مقايسه مي‏شود و نقش زمان فراموش مي‏گردد. داده‏هاي پانل بر داده‏هاي مقطعي ارجحيت دارد، زيرا نه تنها يک واحد تصميم گيرنده را مي‏توان با واحد تصميم گيرنده ديگر مقايسه کرد، بلکه تغيير کارايي يک واحد تصميم گيرنده خاص را مي‏توان در طول زمان ارزيابی کرد. تحليل پنجره‏اي ابتدا توسط چارنز، کلارک، کوپر و گلاني در سال 1985 مطرح شد.
ایده اصلی در نظر گرفتن هر واحد تصمیم گیرنده به عنوان واحد تصمیم گیرنده‏ای بود که در هر زمان مشاهده شده‏ای متفاوت است. بنابراین هر واحد تصمیم گیرنده لزوما با مجموعه‏ همه داده‏ها مقایسه نمی‏شود بلکه به جای آن تنها با زیر مجموعه‏های جایگزین داده‏های پانل مقایسه می‏شود. تحلیل پنجره‏ای باعث افزایش تعداد داده‏های مورد بررسی در تحلیل می‏گردد که این امر در صورت وجود تعداد داده‏های کم در نمونه مفید می‏باشد. تغییر عرض پنجره یعنی تعداد دوره‏های زمانی نشان دهنده طیفی از تحلیل‏های همزمان همراه با تحلیل‏های مقطعی می‏باشد. تحلیل پنجره‏ای می‏تواند حالت خاصی از یک تحلیل متوالی باشد. با این حال در تحلیل متوالی فرض می‏شود آنچه در گذشته عملی بوده‏است، عملی باقی می‏ماند و بنابراین تمام مشاهدات قبلی را شامل می‏شود.
روش DEA پویا (تحلیل پنجره‏ای) روشی است که امکان محاسبه کارایی در طول زمان و در نتیجه امکان محاسبه بهره‏وری را برای مدیران فراهم می‏آورد.
تحلیل پنجره‏ای بر اساس میانگین متحرک عمل می‏کند و برای یافتن روند عملکرد یک واحد در طول زمان مفید می‏باشد. تحلیل پنجره‏ای، متوسط کارایی مدل‏های با بازدهی ثابت و مدل‏های با بازدهی متغیر را محاسبه می‏کند و برای مشخص شدن روند کارایی در طول زمان به کار برده می‏شود، اما نظریه‏ای برای تعیین اندازه بهینه پنجره وجود ندارد.
از آنجا که این روش فرض می‏کند که کارایی فنی تمام واحدها در یک پنجره نسبت به همدیگر اندازه گیری می‏شود، به طور ضمنی فرض می‏کند که هیچ تغییر فنی در هیچ کدام از پنجره‏ها وجود ندارد. این مطلب یک مسئله کلی در DEA پنجره‏ای است. با کاهش عرض پنجره این مشکل تا حدی حل می‏شود و برای اعتبار بخشیدن به تحلیل پنجره‏ای بایستی عرض طبقات طوری انتخاب شود که چشم پوشی از تغییرات فنی منطقی باشد هرچند هیچ پشتوانه‏ نظری برای تعیین اندازه پنجره وجود ندارد.
مدل DEA پویا امکان مقایسه کارایی فنی ایستا را فراهم می‏آورد، از این جهت بین مفهوم کارایی فنی و مفهوم بهره‏وری تفاوت قایل می‏شود. مفهوم کارایی به یک مقطع زمانی و بهره‏وری به یک دوره زمانی اشاره دارد. در سنجش کارایی گفته می‏شود که کدام بنگاه کارا عمل می‏کند ولی در مفهوم بهره‏وری گفته می‏شود کدام بنگاه‏ها در طول زمان بهره‏وری عوامل تولید خود را تغییر داده‏اند. بنگاه‏هایی می‏توانند بهره‏وری عوامل تولید خود را در طول زمان افزایش دهند که در طول زمان به سمت عملکرد کاراترین بنگاه حرکت نمایند. از این رو روش‏های سنجش بهره‏وری با کارایی لزوما یکی نیستند. انتخاب تحلیل پنجره‏ای، محدودیت‏هایی برای تحلیل درونی ساختار بنگاه‏ها ایجاد می‏کند. از طرفی انعطاف مدل تحلیل پنجره‏ای نسبت به مدل‏هایی که قابلیت سنجش کارایی با فرض بازده متغیر نسبت به مقیاس را دارند، کم است و معمولا با فرض ثابت نسبت به مقیاس براورد می‏شوند. اگر سنجش کارایی بر مبنای بازده ثابت نسبت به مقیاس فرض شود، در این صورت کارایی بر اساس بازده متغیر نسبت به مقیاس و نیز کارایی مقیاس قابل اندازه گیری نیستند و ثابت فرض می‏شوند. مدل تحلیل پنجره‏ای امکان مشاهده روند تغییر کارایی بنگاه‏ها را در طول زمان فراهم می‏آورد. از این ویژگی می‏توان برای فهم این موضوع استفاده کرد که آیا بنگاه‏ها در جهت افزایش بهره‏وری عمل کرده‏اند.
برای نمایش فرمولی این موضوع با فرض این که N واحد تصمیم گیرنده (DMU) در دوره زمانی 1 تا T وجود دارند و همه آن‏ها از r نهاده برای تولید S ستانده استفاده می‏کنند، ماتریس نهاده‏ها و ستانده‏ها برای تحلیل پنجره‏ای را می‏توان به ترتیب در بردارهای زیر مشاهده کرد.

ماتریس نهاده‏ها و ستانده‏های تحلیل پنجره‏ای
تحلیل پنجره‏ای DEA با فرض بازده ثابت نسبت به مقیاس به صورت زیر نوشته می‏شود:

مدل تحلیل پنجره‏ای

2-1-10- مزايای تحليل پوششی داده‌ها :
یکی از مهم‌ترین مزایای تحلیل پوششی داده‌ها این است که در این روش برای هر واحد تصمیم گیری ناکارا یک مجموعه از واحد های کارا (واحد مجازی) مشخص می‌شود که می‌تواند به عنوان الگو برای بهبود عملکرد مورد استفاده قرار گیرد. واحد تصمیم گیری تشکیل دهنده این ترکیب به عنوان گروه‌های الگو برای واحد تصمیم گیری ناکارا مطرح هستند. همچنین این روش می‌تواند مقدار بهبود لازم را در هر یک از داده‌ها و ستانده‌های واحد ناکارا مشخص کند. از جمله سایر مزایای این روش می‌توان موارد زیر را نام برد:
تمرکز بر روی تک‌تک مشاهدات در مقابل تمرکز بر میانگین جامعه.
فراهم کردن یک شیوه اندازه‌گیری جامع و منحصر به فرد برای هر واحد که از ورودی‌ها برای ایجاد خروجی‌ها استفاده می‌کند.
استفاده همزمان از چندین ورودی و چندین خروجی.
سازگاری با متغیر های برون زا.
توانایی در نظر گرفتن متغیر های طبقه ای یا مجازی.
نیازمند آگاهی از وزن‌ها یا قیمت‌ها ورودی‌ها و خروجی‌ها نبوده و از ارزش گذاری بی نیاز است.
محدود نبودن به شکل تابع توزیع و روابط تولید.
امکان بکارگیری ورودی‌ها و خروجی‌های مختلف با مقیاس‌های اندازه‌گیری متفاوت با یکدیگر
ارائه جواب بهینه پارتو (Charnes et.al, 1995).
2-2- آناليز اجزای اصلی
آنالیز اجزای اصلی یک روش اختیاری چند متغیری است. اگر در جایی اجبار به انتخاب مهم‌ترین متغیر یا تعداد محدودی از متغیرها دریک مجموعه است، می‏توان از آنالیز اجزای اصلی کمک گرفت.
درواقع آنالیز اجزای اصلی یکی از مهم‌ترین روش‏های کاهش بعد محسوب می‌گردد.
روش‌های کاهش بعد، یک فضای چند بعدی را به یک فضای با ابعاد کمتر نگاشت می‌دهند. این روش‌ها به دو دسته خطی و غیر خطی تقسیم می‌شوند:
از روش‌های خطی می‌توان به تحلیل عاملی، DWT، PCA DFT و … اشاره کرد.
از روش‌های غیر خطی هم می‌توان به: Principal Curves، Self Organizing Maps، Vector and Quantization، Genetic and Evolutionary Algorithms، Regression اشاره کرد.
آنالیز اجزای اصلی یکی از مدل‌های مهم تحلیل عاملی است، که هنگامی‌که هدف محقق تلخیص متغیرها و دستیابی به تعداد محدودی از آن‏ها برای به‌کارگیری در مدل بعدی باشد، از آن بهره گرفته می‏شود.
2-2-1-تحليل عاملی
تحلیل عاملی نامی عمومی است که برای برخی از روش‌های آماری چند متغیره که هدف اصلی آن خلاصه کردن داده‌هاست . این روش به بررسی همبستگی درونی تعداد زیادی از متغیرها می‌پردازد و در نهایت آن‏ها را در قالب عامل‌های عمومی محدودی دسته بندی کرده و تبیین می‌کند (کلانتری، 1389).
تحلیل عاملی ( برخلاف رگرسیون چندگانه ،تحلیل تشخیصی یا همبستگی کانونی که در آن یک یا چند متغیر وابسته

پایان نامه
Previous Entries منبع پایان نامه ارشد با موضوع تحلیل پوششی، تحلیل پوششی داده‌ها، کارایی نسبی، تابع تولید Next Entries پایان نامه با کلید واژه های سبک زندگی، توزیع فراوانی پاسخگویان، توزیع فراوانی، رفتار خرید