توضیحات
ABSTRACT
Data envelopment analysis (DEA) is a self-evaluation method which assesses the relative efficiency of a particular decision making unit (DMU) within a group of DMUs. It has been widely applied in real-world scenarios, and traditional DEA models with a limited number of variables and linear constraints can be computed easily. However, DEA using big data involves huge numbers of DMUs, which may increase the computational load to beyond what is practical with traditional DEA methods. In this paper, we propose novel algorithms to accelerate the computation process in the big data environment. Specifically, we firstly use an algorithm to divide the large scale DMUs into small scale and identify all strongly efficient DMUs. If the strongly efficient DMU set is not too large, we can use the efficient DMUs as a sample set to evaluate the efficiency of inefficient DMUs. Otherwise, we can identify two reference points as the sample in the situation of just one input and one output. Furthermore, a variant of the algorithm is presented to handle cases with multiple inputs or multiple outputs, in which some of the strongly efficient DMUs are reselected as a reduced-size sample set to precisely measure the efficiency of inefficient DMUs. Last, we test the proposed methods on simulated data in various scenarios.
چکیده
تجزیه و تحلیل پوشش داده ها (DEA) یک روش خود ارزیابی است که کارایی نسبی واحد تصمیم گیری (DMU) را در یک گروه از DMU ها ارزیابی می کند. این برنامه در حال حاضر به طور گسترده ای در حال اجرا است و مدل های DEA سنتی با تعداد محدودی از متغیرها و محدودیت های خطی را می توان به راحتی محاسبه کرد. با این حال، DEA با استفاده از داده های بزرگ شامل تعداد زیادی از DMU ها می شود که ممکن است بار محاسباتی را فراتر از آنچه عملی با روش های DEA سنتی است افزایش دهد. در این مقاله، الگوریتم های جدیدی را برای سرعت بخشیدن به پردازش محاسبات در محیط داده بزرگ پیشنهاد می کنیم. به طور خاص، ابتدا از یک الگوریتم برای تقسیم DMU های بزرگ در مقیاس کوچک استفاده می کنیم و همه DMU های کارآمد را شناسایی می کنیم. اگر مجموعه DMU بسیار کارآمد نیست بیش از حد بزرگ است، ما می توانیم از DMU های کارآمد به عنوان مجموعه نمونه برای ارزیابی کارایی DMU های ناکارآمد استفاده کنیم. در غیر این صورت، ما می توانیم دو نقطه مرجع را به عنوان نمونه در وضعیت فقط یک ورودی و یک خروجی شناسایی کنیم. علاوه بر این، یک نوع از الگوریتم ارائه شده برای رسیدگی به موارد با ورودی های متعدد و یا خروجی های متعدد، که در آن برخی از DMU های کارآمد به عنوان یک نمونه اندازه گیری شده اندازه گیری شده به منظور دقیق اندازه گیری بهره وری از DMU ناکارآمد را انتخاب مجدد. آخر، ما روشهای پیشنهادی را در داده های شبیه سازی شده در سناریوهای مختلف آزمایش می کنیم.
Year: ۲۰۱۸
Publisher : ELSEVIER
By : Qingyuan Zhu , Jie Wu , Malin Song
File Information: English Language/ 31 Page / size: 854 KB
سال : ۱۳۹۶
ناشر : ELSEVIER
کاری از : Qingyuan Zhu، Jie Wu، Malin Song
اطلاعات فایل : زبان انگلیسی / 31 صفحه / حجم : KB 854
نقد و بررسی‌ها
هیچ دیدگاهی برای این محصول نوشته نشده است.