ارایه مدل تحلیل پوششی داده‌های معکوس فازی با استفاده از اعداد فازی مثلثی برای تخمین ورودی‌ها و حفظ کارایی هزینه

نویسندگان

https://doi.org/10.22105/mmaa.v2i2.94

چکیده

هدف: هدف این مقاله ارایه یک مدل تحلیل پوششی داده‌های معکوس فازی مبتنی بر اعداد فازی مثلثی برای تخمین مقادیر ورودی در شرایطی است که خروجی‌ها تغییر می‌کنند، به‌گونه‌ای که کارایی هزینه حفظ یا بهبود یابد. این پژوهش به مساله عدم قطعیت و ابهام موجود در داده‌های واقعی می‌پردازد.

روش‌شناسی پژوهش: با استفاده از خواص اعداد فازی مثلثی و برنامه‌ریزی خطی فازی، مدل پیشنهادی، مدل FIDEA را به یک مدل خطی قطعی معادل تبدیل می‌کند. این تبدیل امکان تخمین سطوح ورودی فازی متناسب با تغییرات خروجی‌ها را فراهم می‌سازد. همچنین یک مثال عددی برای نشان دادن کارایی مدل ارایه شده است.

یافته‌ها: نتایج نشان می‌دهد که مدل پیشنهادی قادر است ورودی‌های فازی بهینه را با حفظ یا بهبود CE تخمین بزند. این مدل، عدم قطعیت دنیای واقعی را بهتر از مدل‌های سنتی و قطعی تحلیل پوششی داده‌ها منعکس می‌کند و نیاز به توابع رتبه‌بندی فازی را از بین می‌برد.

اصالت/ارزش افزوده علمی: این پژوهش چارچوبی جدید برای مدل FIDEA مثلثی ارایه می‌دهد که فازی‌بودن داده‌ها را در کل فرایند بهینه‌سازی حفظ می‌کند. مدل پیشنهادی باعث افزایش واقع‌گرایی و انعطاف‌پذیری در کاربردهای DEA شده و می‌تواند برای مدل‌های شبکه‌ای یا همراه با الگوریتم‌های فراابتکاری گسترش یابد.

 

 

کلمات کلیدی:

تحلیل پوششی داده‌های معکوس، بهبود کارایی هزینه، افزایش خروجی‌ها، اعداد فازی مثلثی

مراجع

  1. [1] Ebrahimnejad, A., Nasseri, S. H., Lotfi, F. H., & Soltanifar, M. (2010). A primal-dual method for linear programming problems with fuzzy variables. European journal of industrial engineering, 4(2), 189–209. https://doi.org/10.1504/EJIE.2010.031077
  2. [2] Amin, G. R., Al-Muharrami, S., & Toloo, M. (2019). A combined goal programming and inverse DEA method for target setting in mergers. Expert systems with applications, 115, 412–417. https://doi.org/10.1016/j.eswa.2018.08.018
  3. [3] Maleki, H. R., Tata, M., & Mashinchi, M. (2000). Linear programming with fuzzy variables. Fuzzy sets and systems, 109(1), 21–33. https://doi.org/10.1016/S0165-0114(98)00066-9
  4. [4] Rommelfanger, H. (2007). A general concept for solving linear multicriteria programming problems with crisp, fuzzy or stochastic values. Fuzzy sets and systems, 158(17), 1892–1904. https://doi.org/10.1016/j.fss.2007.04.005
  5. [5] Maleki, H. R. (2002). Ranking functions and their applications to fuzzy linear programming. Far east journal of mathematical sciences, 4(3), 283–302. https://www.researchgate.net/publication/268043452
  6. [6] Ramík, J. (2005). Duality in fuzzy linear programming: Some new concepts and results. Fuzzy optimization and decision making, 4(1), 25–39. https://doi.org/10.1007/s10700-004-5568-z
  7. [7] Ganesan, K., & Veeramani, P. (2006). Fuzzy linear programs with trapezoidal fuzzy numbers. Annals of operations research, 143(1), 305–315. https://doi.org/10.1007/s10479-006-7390-1
  8. [8] Nasseri, S. H. (2008). A new method for solving fuzzy linear programming by solving linear programming. Applied mathematical sciences, 2(50), 2473–2480. https://m-hikari.com/ams/ams-password-2008/ams-password49-52-2008/nasseriAMS49-52-2008-1.pdf
  9. [9] Ezzati, R., Khorram, E., & Enayati, R. (2015). A new algorithm to solve fully fuzzy linear programming problems using the MOLP problem. Applied mathematical modelling, 39(12), 3183–3193. https://doi.org/10.1016/j.apm.2013.03.014
  10. [10] Edalatpanah, S. A. (2020). A direct model for triangular neutrosophic linear programming. International journal of neutrosophic science, 1(1), 19–28. https://doi.org/10.54216/IJNS.010104
  11. [11] Das, S. K., Mandal, T., & Edalatpanah, S. A. (2017). A mathematical model for solving fully fuzzy linear programming problem with trapezoidal fuzzy numbers. Applied intelligence, 46(3), 509–519. https://doi.org/10.1007/s10489-016-0779-x
  12. [12] Chanas, S. (1983). The use of parametric programming in fuzzy linear programming. Fuzzy sets and systems, 11(1), 243–251. https://dl.acm.org/doi/abs/10.5555/2846983.2847095
  13. [13] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078–1092. https://doi.org/10.1016/0377-2217(78)90138-8
  14. [14] Wei, Q., Zhang, J., & Zhang, X. (2000). An inverse DEA model for inputs/outputs estimate. European journal of operational research, 121(1), 151–163. https://doi.org/10.1016/S0377-2217(99)00007-7
  15. [15] Yan, H., Wei, Q., & Hao, G. (2002). DEA models for resource reallocation and production input/output estimation. European journal of operational research, 136(1), 19–31. https://doi.org/10.1016/S0377-2217(01)00046-7
  16. [16] Hadi-Vencheh, A., Foroughi, A. A., & Soleimani-damaneh, M. (2008). A DEA model for resource allocation. Economic modelling, 25(5), 983–993. https://doi.org/10.1016/j.econmod.2008.01.003
  17. [17] Siddi, S. (2020). Fuzzy optimal solution of fuzzy linear programming problems. https://dx.doi.org/10.2139/ssrn.3686495
  18. [18] Farrell, M. J. (1957). The measurement of productive efficiency. Journal of the royal statistical society series a: statistics in society, 120(3), 253–281. https://doi.org/10.2307/2343100
  19. [19] Edalatpanah, S. A., & Yahya Poursheikh Zahedi, M. T. (1402). Changing attitudes in solving linear programming: An algorithm without using artificial variables. the 16th international conference of the iranian operations research association. (In Persian). Thran, Iran, Civilica. https://civilica.com/doc/1920693/
  20. [20] Yahyapour Shikh Zahedi, M. T., Teymouri, A., Kordrostami, S., & Nora, A. (2017). Multiple optimal solution in inverse linear programming problem. The 10th international conference of the iranian operations research association. (In Persian). Thran, Iran. Civilica. https://civilica.com/doc/767199/
  21. [21] Yahyapour Shikh Zahedi, M. T., Teimoori, A., Kordrostami, S., & Edalatpanah, S. A. (2024). Inverse data envelopment analysis model to improve efficiency by increasing outputs. Decision making: Applications in management and engineering, 7(2), 1–14. https://doi.org/10.31181/dmame722024788
  22. [22] Yahyapour Shikh Zahedi, M. T. (2022). Presenting a model based on the properties of fuzzy numbers for solving fuzzy linear programming. Bi-quarterly journal of distributed computing and systems, 5(2), 16-22. (In Persian). https://www.jdcs.ir/article_190879_59f346c309c9fd60595ddebf8d2b3e18.pdf
  23. [23] Yahyapour, T. M., Teymouri, A., Kordrostami, S., & Nora, A. (2017). Multiple optimal solution in inverse linear programming problem. The 10th international conference of the Iranian operations research association. (In Persian). Thran, Iran. Civilica. https://civilica.com/doc/767199

دانلود

چاپ شده

2025-06-17

شماره

دوره 2 شماره 2 (1404): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

یحیی پور شیخ زاهدی م., امیری ا., & عبدالملکی ع. (2025). ارایه مدل تحلیل پوششی داده‌های معکوس فازی با استفاده از اعداد فازی مثلثی برای تخمین ورودی‌ها و حفظ کارایی هزینه. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 2(2), 120-129. https://doi.org/10.22105/mmaa.v2i2.94
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.