ارزیابی بهره وری، کارایی و رتبه بندی نیروگاه های حرارتی: یک رویکرد مبتنی بر تحلیل پوششی داده های تصادفی (مقاله پژوهشی دانشگاه آزاد)
درجه علمی: علمی-پژوهشی (دانشگاه آزاد)
آرشیو
چکیده
در تحلیل پوششی داده ها (DEA) مدل های مختلف در زمینه های گوناگون با داده های مختلف برای ارزیابی و رتبه بندی واحدهای تصمیم گیرنده (DMU) طراحی شده است. حال آنکه در بسیاری از مسائل کاربردی، مدیران واحدها با داده هایی تصادفی روبرو هستند و آنها برای ارزیابی واحدهای تحت نظارت خود به روشی نیاز دارند که بتواند اینگونه DMU ها را ارزیابی و رتبه بندی کنند. در کار کردن با داده های تصادفی با در نظر گرفتن احتمالی برای وقوع حالت های پیش بینی نشده (سطح خطا)، که از طرف مدیران ارائه می شود، DMU ها ارزیابی می شوند. در این مقاله با استفاده تکنیک های آمار و احتمالات و توزیع نرمال و مدلBCC دارای خروجی های نامطلوب و با در نظر گرفتن خطای مشخص یک مدل تصادفی جدید تحت عنوان معیار رتبه بندی میانگین جهت ارزیابی کارایی داده های تصادفی پیشنهاد می شود. بر اساس آن کارایی متقاطع تصادفی محاسبه گردیده است. از آنجایی که وزن های بهینه در ارزیابی کارایی متقاطع تصادفی منحصر به فرد نیستند برای رتبه بندی بهتر و اولویت دادن به آنها روش خودخواهانه پیشنهاد می شود. نهایتاً مدل های پیشنهاد شده برای 32 واحد نیروگاه حرارتی که دارای ورودی ها و خروجی های مطلوب و نامطلوب تصادفی هستند پیاده سازی شده است.Evaluation of productivity, efficiency and ranking of thermal power plants: an approach based on stochastic data envelopment analysis
In data envelopment analysis, different models are developed in different fields with different data for evaluation and ranking of DMUs. While in many applications issues, unit managers are faced with stochastic data, and they need a method to evaluate their supervised units in a way that can evaluate and rank such DMUs. When working with stochastic data, considering the probability of occurrence of unpredictable states (the level of error) provided by managers, the DMUs are evaluated. In this paper using Probability statistics techniques and normal distribution and the BCC model with undesirable outputs and a specific risk ofSpecified,a new stochastic model called Expected Ranking Criterion is introduced. Based on this,the stochastic cross-efficiency evaluation. Given the non-uniqueness of resulting optimal solutions, a model is introduced for rating priorities by which cross-efficiency is performed using aggressive method. The proposed model is implemented for 32 thermal power plants with stochastic inputs and undesirable outputs.