The literature on data envelopment analysis (DEA) often employs multiplier models that incorporate very small (theoretically infinitesimal) lower bounds on the input and output weights. Computational problems arising from the solution of such programs are well known. In this paper we identify an additional theoretical problem that may arise if such bounds are used in a multiplier model with weight restrictions. Namely, we show that the use of small lower bounds may lead to the identification of an efficient target with negative inputs. We suggest a corrected model that overcomes this problem

چکیده

متون مربوط به تحلیل پوششی داده (DEA) معمولاً از مدل های ضربی استفاده می کنند که کران های پایین و بسیار کوچک (به لحاظ نظری فوق العاده کوچک) را به وزن های ورودی و خروجی اختصاص می دهند. مشکلات محاسباتی که در جریان حل این برنامه ها ظهور می کنند، شناخته شده و معلوم هستند. در این مقاله، ما یک مسئله تئوری دیگری را مورد شناسایی و بررسی قرار می دهیم که ممکن است زمانی به وقوع بپیوندد که این کران ها در مدل ضربی با محدودیت های وزنی مورد استفاده قرار گیرند. یعنی ما نشان می دهیم که کران های پایینی کوچک می توانند منجر به شناسایی یک هدف بهره ور با ورودی های منفی شوند. یک مدل اصلاح شده را بیان می کنیم که بر این مسئله فائق آید.

1-مقدمه

در الگوهای استاندارد مربوط به تحلیل پوششی داده (DEA)، تصویرهای ورودی و خروجی شعاعی واحد های تصمیم گیری DMU)ها) معمولاً آمیخته ای از ناکار آمدی و نقص را نمایش می دهند (ضعیف هستند و از بهره وری قدرتمندی برخوردار نیستند). به عنوان مثال ببینید: کوپر، سیفورد و تون (2007) و تاناسولیس، پورتلا و دِسپیک (2008). بنابراین، این DMUهای تصویر شده نمی توانند به طور کلی به عنوان هدف های کارآمد مورد نظر قرار گیرند...