تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی داده های چند معیاره – نشریه الزویر

عنوان فارسی: مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی داده های چند معیاره (MCDEA)
عنوان انگلیسی: A bi-objective weighted model for improving the discrimination power in MCDEA
تعداد صفحات مقاله انگلیسی : 11 تعداد صفحات ترجمه فارسی : 26 (1 صفحه رفرنس انگلیسی)
سال انتشار : 2014 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده و pdf
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI نوع نگارش : مقالات پژوهشی (تحقیقاتی)
پایگاه : اسکوپوس نوع ارائه مقاله : ژورنال
ایمپکت فاکتور(IF) مجله : 4.712 در سال 2018 شاخص H_index مجله : 226 در سال 2019
شاخص SJR مجله : 2.205 در سال 2018 شناسه ISSN مجله : 0377-2217
شاخص Q یا Quartile (چارک) : Q1 در سال 2018 کد محصول : F1456
محتوای فایل : zip حجم فایل : 3.09Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی صنایع، بهینه سازی سیستم ها، برنامه ریزی و تحلیل سیستم ها
مجله: مجله اروپایی تحقیقات عملیاتی - European Journal of Operational Research
دانشگاه: دانشکده علوم ریاضی، دانشگاه Sains مالزی
کلمات کلیدی: تحلیل پوششی داده های چند معیاره، برنامه ریزی آرمانی، قدرت تمایز، پراکندگی وزن، برنامه ریزی چند هدفه، سیاست انرژی
کلمات کلیدی انگلیسی: Multi-criteria data envelopment analysis - Goal programming - Discrimination power - Weight dispersion - Multi-objective programming - Energy policy
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن: ترجمه شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: دارد ✓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.ejor.2013.08.041
ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1- مقدمه

2- افزایش قدرت تمایز در تحلیل پوششی داده ها: پیشرفت های اخیر

2-1- تحلیل پوششی داده های چند معیاره (MCDEA)

2-3- مدل های تحلیل پوششی داده های برنامه ریزی آرمانی (GPDEA)

3- کاستی های مدل های تحلیل پوششی داده های برنامه ریزی آرمانی

3-1- روایی (اعتبار) تحلیل پوششی داده های برنامه ریزی آرمانی و مساله وزن های صفر تمام متغیرها در بعضی از واحدهای تصمیم گیری

3-2- روایی (اعتبار) تحلیل پوششی داده های برنامه ریزی آرمانی در مقایسه با نتایج تحلیل پوششی داده های چند معیاره

3-3- روایی (اعتبار) تحلیل پوششی داده های چند معیاره هنگام تحقیق در مورد بازده به مقیاس متغیر (VRS)

3-4- روایی (پایایی) تحلیل پوششی داده های برنامه ریزی آرمانی و مساله وزن های صفر در تمام واحدهای تصمیم گیری

4- مدل جدید چند معیاره دو هدفه (BiO-MCDEA)

5- استفاده از وابستگی انرژی در میان کشورهای عضو اتحادیه اروپا

6- نتیجه گیری و پیشنهادات

نمونه متن انگلیسی

Abstract

Lack of discrimination power and poor weight dispersion remain major issues in Data Envelopment Analysis (DEA). Since the initial multiple criteria DEA (MCDEA) model developed in the late 1990s, only goal programming approaches; that is, the GPDEA-CCR and GPDEA-BCC were introduced for solving the said problems in a multi-objective framework. We found GPDEA models to be invalid and demonstrate that our proposed bi-objective multiple criteria DEA (BiO-MCDEA) outperforms the GPDEA models in the aspects of discrimination power and weight dispersion, as well as requiring less computational codes. An application of energy dependency among 25 European Union member countries is further used to describe the efficacy of our approach.

نمونه متن ترجمه

چکیده

کمبود قدرت تمایز و پراکندگی ضعیف وزن همچنان به عنوان دو مورد از مسائل اصلی در تحلیل پوششی داده ها (DEA) مطرح می شود. از زمان ایجاد اولین مدل تحلیل پوششی داده های چند معیاره (MCDEA)) در دهه 1990 تا به حال، تنها روش های برنامه ریزی هدف؛ که عبارتند از GPDEA-CCR و GPDEA-BCC، برای حل مسائل مطرح شده در چارچوب چند هدفه معرفی شده اند. ما متوجه شدیم که مدل های GPDEAنامعتبر هستند و اثبات می کنیم که روش تحلیل پوششی داده های چند معیاره دو هدفه (BiO-MCDEA )پیشنهادی ما، از لحاظ قدرت تمایز و پراکندگی وزن، عملکرد بهتری از مدل GPDEA داشته؛ و همچنین به کدهای محاسباتی کمتری نیاز دارد. وابستگی انرژی در میان 24 کشور عضو اتحادیه اروپا، بیشتر برای توصیف تاثیر روش ما مورد استفاده قرار می گیرد.