با در نظر داشتن معضلات اساسی مدل AP، محرابیان و همکاران (1999) مدل دیگری را جهت رتبه بندی DMUهای کارا مطرح نمودند. در مدل AP حرکت به سوی مرز در امتداد شعاعی صورت میگرفت که ممکن بود سطح پوششی PPS را قطع نکند. در این صورت مساله جواب شدنی ندارد و یا ممکن بود در فاصله بسیار دور، سطح پوششی PPS را قطع نماید. در این صورت مساله ناپایدار می باشد. در مدل MAJ حرکت به سوی مرز در امتداد شعاع فوق الذکر صورت نمی گیرد. بلکه در امتداد موازی ورودی ها ( در ماهیت ورود ی) و به صورت حرکاتی در مسیرهای قایم و عمود بر هم و قدم های مساوی انجام می گردد. برای روشن شدن مطلب فرض کنید شکل زیر نشان دهنده مرز فارل در حالت دو ورود ی- یک خروجی و پس از حذف DMUی تحت ارزیابی A باشد:

مقدار تابع هدف بهینه مساله بالا به واحد اندازه گیری ورودیها بستگی دارد. برای از بین بردن این مشکل، لازم می باشد که داده ها را نرمالیزه نماییم. دوآل مساله فوق همان فرم مضربی مدل MAJ می باشد که به قرار زیر می باشد:

نتیجه تحقیقات چارنز کوپر و رودز  برای ارایه مدلی ریاضی برای ارزیابی عملکرد واحد های تصمیم گیری متجانس که ورودی های از یک نوع را برای تولید خروجی های همگون مورد بهره گیری قرار می دهند بر اساس تحقیقات فارل با ارایه مدل CCR به نتیجه رسید. با این مدل تحلیل پوششی داده ها به عنوان روشی مبتنی بر برنامه ریزی خطی مسیری جدیدی را برای ارزیابی عملکرد و محاسبه کارایی گشود. با این فرض که n واحد تصمیم گیری DMUj J=1…n از m ورودی برای تولید s خروجی بهره گیری می کنند کارایی واحد تصمیم گیری o=1…n، DMU0 که با صرف ورودی Xio، i=1…m، به تولید Yro، r=1…s دست یافته می باشد چنین می باشد:

θ  اندازه کارایی واحد تصمیم گیری DMU0 که O=1…n را بدست میدهد. (دانشیان و همکاران، 1386)

2-2-9- مزایای روش تحلیل پوششی داده ها:

  • روش تحلیل پوششی داده های تصادفی بر خلاف روش رایج ارزیابی عملکرد روشی آینده نگر می باشد و براساس آن می توان در خصوص عملکرد آتی شرکت پیش بینی هایی انجام داد.
  • روش تحلیل پوششی داده های تصادفی ورودی ها و خروجی های شرکت را در ارزیابی عملکرد آنها ملحوظ می نماید بر خلاف روش رایج ارزیابی عملکرد که تنها بر خروجی های شرکت در ارزیابی عملکرد آنان متمرکز می باشد.
  • شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید

  • از نتایج روش تحلیل پوششی داده های تصادفی می توان در برنامه ریزی بهبود عملکرد بهره گیری نمود این در حالی می باشد که به دلیل تمرکز روش رایج ارزیابی بر خروجی های شرکت و نیز تحت کنترل نبودن اکثر خروجی ها امکان برنامه ریزی برای بهبود عملکرد اکثر شرکت ها با بهره گیری از افزایش خروجی ها وجود ندارد.
  • روش تحلیل پوششی داده های تصادفی برخلاف روش رایج ارزیابی عملکرد براستانداردهای عملکرد در خصوص هر یک از خروجی های شرکت استوار نیست و پس نیاز به تغییر و بازنگری مداوم در این استانداردها نیست.

2-2-10- ویژگیهای تحلیل پوششی داده ها:

تحلیل پوششی داده ها دارای ویژگیهای منحصر به فردی می باشد که آنرا از سایر مدلهای کلاسیک و پارامتریک اندازه گیری کارایی متمایز می سازد. اهم این ویژگیها عبارتند از: