Modeling Data Irregularities and Structural Complexities in Data Envelopment Analysis

در مدت زمان نسبتاً کوتاهی، تجزیه و تحلیل پوششی داده ها (DEA) به یک ابزار کمی و تحلیلی قدرتمند برای اندازه گیری و ارزیابی عملکرد تبدیل شده است. این با موفقیت برای طیف وسیعی از مشکلات در بسیاری از زمینه های مختلف در سراسر جهان اعمال شده است. تجزیه و تحلیل مجموعه ای از این مشکلات به دلیل سطوح متعدد پیچیدگی که باید در نظر گرفته شود، در برابر سایر رویکردهای روش شناختی مقاوم بوده است. چندین نمونه از مشکلات چندوجهی که در آن تجزیه و تحلیل DEA به طور موفقیت آمیزی استفاده شده است عبارتند از: (1) فعالیت های تعمیر و نگهداری پایگاه های نیروی هوایی ایالات متحده در مکان های پراکنده جغرافیایی، (2) کارایی نیروی سیاست در بریتانیا، (3) عملکرد بانک شعبه در کانادا، قبرس و سایر کشورها و (4) کارایی دانشگاه ها در انجام وظایف آموزشی و تحقیقاتی خود در ایالات متحده، انگلستان و فرانسه. علاوه بر مشکلات محلی، برنامه های کاربردی DEA به ارزیابی عملکرد "موجودات بزرگتر" مانند شهرها، مناطق و کشورها گسترش یافته است. این توسعه‌ها دامنه وسیع‌تری نسبت به تحلیل‌های سنتی دارند، زیرا شامل ابعاد \"اجتماعی\" و \"کیفیت زندگی\" هستند که به مدل‌سازی داده‌های کمی و کیفی برای تجزیه و تحلیل لایه‌های پیچیدگی برای ارزیابی عملکرد نیاز دارند. و برای ارائه استراتژی های راه حل.

DEA در هسته خود محاسباتی است و این کتاب توسط زو و کوک به جنبه های خرد مدیریت و مدل سازی مسائل داده در مدل سازی مسائل DEA می پردازد. استفاده از DEA با توانایی آن در برخورد با انواع مشکلات پیچیده \"صنعت خدمات\" و \"حوزه خدمات عمومی\" که نیاز به مدل سازی داده های کمی و کیفی دارد افزایش یافته است. این یک کتاب راهنما است که با مشکلات داده های خاص از جمله موارد زیر سروکار دارد: (1) داده های نادرست، (2) داده های نادرست، (3) داده های از دست رفته، (4) داده های کیفی، (5) برون، (6) خروجی های نامطلوب، ( 7) داده های با کیفیت، (8) تجزیه و تحلیل آماری، (9) نرم افزار و دیگر جنبه های داده مدل سازی مسائل پیچیده DEA. علاوه بر این، این کتاب نشان می‌دهد که چگونه می‌توان نتایج DEA را زمانی که داده‌ها بیش از سه بعدی است، تجسم کرد و چگونه واحدهای کارایی را به سرعت و با دقت شناسایی کرد.

In a relatively short period of time, Data Envelopment Analysis (DEA) has grown into a powerful quantitative, analytical tool for measuring and evaluating performance. It has been successfully applied to a whole variety of problems in many different contexts worldwide. The analysis of an array of these problems has been resistant to other methodological approaches because of the multiple levels of complexity that must be considered. Several examples of multifaceted problems in which DEA analysis has been successfully used are: (1) maintenance activities of US Air Force bases in geographically dispersed locations, (2) policy force efficiencies in the United Kingdom, (3) branch bank performances in Canada, Cyprus, and other countries and (4) the efficiency of universities in performing their education and research functions in the U.S., England, and France. In addition to localized problems, DEA applications have been extended to performance evaluations of 'larger entities' such as cities, regions, and countries. These extensions have a wider scope than traditional analyses because they include "social" and "quality-of-life" dimensions which require the modeling of qualitative and quantitative data in order to analyze the layers of complexity for an evaluation of performance and to provide solution strategies.

DEA is computational at its core and this book by Zhu and Cook deals with the micro aspects of handling and modeling data issues in modeling DEA problems. DEA's use has grown with its capability of dealing with complex "service industry" and the "public service domain" types of problems that require modeling both qualitative and quantitative data. It is a handbook treatment dealing with specific data problems including the following: (1) imprecise data, (2) inaccurate data, (3) missing data, (4) qualitative data, (5) outliers, (6) undesirable outputs, (7) quality data, (8) statistical analysis, (9) software and other data aspects of modeling complex DEA problems. In addition, the book demonstrates how to visualize DEA results when the data is more than 3-dimensional, and how to identify efficiency units quickly and accurately.