مدل اندرسون پیترسون (AP)

مدل اندرسون و پیترسون (AP) رویکری در تحلیل پوششی داده‌ها (DEA) است که امکان رتبه‌بندی واحدهای کارا در کنار واحدهای تصمیم ناکارا را فراهم می‌سازد. در روش‌های مرسوم تحلیل پوششی داده‌ها رتبه‌بندی تنها برای واحدهای ناکارا میسر است.

واژه DEA مخفف Data Envelopment Analysis می‌باشد که به معنی تحلیل پوششی داده‌ها یک مدل برنامه‌ریزی ریاضی ،برای ارزیابی کارایی واحد‌های تصمیم گیرنده‌ای (DMU) است که چندین ورودی و چندین خروجی دارند. اندازه‌گیری کارایی به دلیل اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه پژوهشگران قرار داشته است .فارل در سال ۱۹۵۷، با استفاده از روشی همانند اندازه‌گیری کارایی در مباحث مهندسی، به اندازه‌گیری کارایی برای واحد تولیدی اقدام کرد. موردی که فارل برای اندازه‌گیری کارایی مد نظر قرار داد شامل یک ورودی و یک خروجی بود.

تحلیل پوششی داده‌ای دامنه گسترده‌ای از مدل‌های بهینه سازی ریاضی است که برای سنجش کارایی نسبی مجموعه‌ای از واحد‌های متجانس با ورودی‌ها وخروجی‌های مشابه به کار می‌رود. این مدل مجموعه‌ای از اوزان را برای متغیرهای ورودی و خروجی هر واحد تصمیم‌گیری به دست آورده وبر اساس آن کارایی نسبی هر واحد را محاسبه می‌کند. برای درک بهتر موضوع مطلب آموزش تحلیل پوششی داده‌ها را مطالعه کنید.

الگوهای تحلیل پوششی داده ها

بطور سنتی الگوهای تحلیل پوششی داده‌ها عبارتند از الگوهای BCC و الگوهای CCR. همچنین الگوهای تحلیل پوششی داده‌ها می‌توانند ورودی محور یا خروجی محور باشند. برای درک بهتر موضوع مطلب انواع الگوهای DEA را مطالعه کنید.

مدل اندرسون پیترسون

مدل اندرسون-پیترسون یا روش ابر کارایی که تعیین کاراترین واحد را ممکن می‌سازد در سال ۱۹۹۳ توسط اندرسون و پیترسون جهت رتبه‌بندی واحدهای کارا پیشنهاد شد. در این روش امتیاز واحدهای کارا می‌تواند بیشتر از ۱ باشد و به این ترتیب واحدهای کارا نیز مانند واحدهای ناکارا قابل رتبه‌بندی خواهند بود. روش کار به این صورت است که واحد تصمیم‌گیرنده DMU_p را از مجموعه امکان تولید حذف و مدل را برای سایر DMUها اجرا می‌کنند. هرچه ضریب واحدی بزرگتر باشد، آن واحد کاراتر است.

در انتخاب نوع تابع دقت کنید:

اگر مدل ورودی محور باشد هدف رسانیدن یک واحد ناکارا به مرز کارایی از طریق ثابت نگه داشتن ورودی و افزایش خروجی است. در اینجا نوع تابع Max استفاده می‌شود.

اگر مدل خروجی محور باشد هدف رسانیدن یک واحد ناکارا به مرز کارایی از طریق ثابت نگه داشتن خروجی و کاهش ورودی است. در اینجا نوع تابع Min استفاده می‌شود.

در مدل اندرسون پیترسون به دلیل حذف محدودیت مربوط به واحد تحت ارزیابی (که حد بالای آن یک است) کارایی می‌تواند بیش از یک باشد و بدین ترتیب واحداهای کارا با امتیازاتی بیشتر از یک قابل رتبه‌بندی خواهند بود.

پکیچ آموزشی تحلیل پوششی داده‌ها

دو نمونه پاورپوینت کامل فارسی برای تحلیل پوششی داده ها

نمونه فصل سوم تکنیک تحلیل پوششی داده‌ها بصورت فایل ورد

نمونه فصل چهارم تکنیک تحلیل پوششی داده‌ها بصورت فایل ورد

فصل دوم تحلیل پوششی داده‌ها بصورت فایل ورد همراه با فهرست منابع