یک رویکرد ارزیابی بهره‌وری متقابل و تحلیل پوششی داده‌های متوازن

تحلیل پوششی داده‌ها (DEA) یک روش تحلیل مرزی برای ارزیابی عملکرد نسبی واحدهای تصمیم‌گیری (DMUs) با ورودی‌ها و خروجی‌های چندگانه است. برای بهبود قدرت تفکیک، یک بسط مهم به عنوان بهره‌وری متقابل پیشنهاد شده‌است که از وزن‌های نسبی بهینه و همتای DMUها برای ارزیابی عملکرد نسبی استفاده می‌کند. با این حال، روش‌های مبتنی بر بهره وری متقابل موجود یک استاندارد ارزیابی ناهماهنگ و ناسازگار را نشان می‌دهند، زیرا هر DMU ممکن است مقدار بازده کلی (یا میانگین) متفاوتی را در کل DMUها تعیین کند. مقادیر مختلف نشان‌دهنده این است که DMUها که امتیازهای بالاتری از بهره‌وری متقابل را به خود اختصاص داده‌اند، تاثیر بزرگتری در جمع‌آوری امتیازات نهایی کارایی خواهند داشت و اثرات مختلف DMUها در روش‌های بهره‌وری متقابل نامتوازن هستند. در این مقاله، ما با این مشکل ارزیابی بهره‌وری متقابل نامتوازن سروکار داریم. برای این منظور، ما ابتدا یک معیار سازگاری عملی برای اصلاح بهره‌وری متقابل سنتی پیشنهاد می‌کنیم، که یک استاندارد ارزیابی مشترک برای همه DMU ها فراهم می‌کند و هر DMU یک امتیاز بهره وری متقابل یک‌سان در تمام DMUها ر

Data envelopment analysis (DEA) is a frontier analysis procedure for evaluating the relative performance of decision making units (DMUs) with multiple inputs and multiple outputs. To improve its discrimination power, an important extension is proposed as cross-efficiency, which uses peer DMUs’ optimal relative weights to evaluate the relative performance. However, the existing cross-efficiency methods show an inconsistent and unbalanced evaluation standard, since each DMU might determine a different total (or mean) efficiency value across all DMUs. The different values imply that the DMUs that have assigned larger cross-efficiency scores will have a larger effect in aggregating the ultimate cross-efficiency scores and different DMUs’ effects are unbalanced in cross-efficiency methods. In this paper, we will deal with this unbalanced cross-efficiency evaluation problem. To this end, we first suggest a practical adjustment measure to rectify the traditional cross-efficiency, which will