دانلود رایگان مقالات الزویر - ساینس دایرکتدانلود رایگان مقالات بیس بانکداری یا مدیریت امور بانکیدانلود رایگان مقالات بیس مدیریتدانلود رایگان مقالات پژوهشی مدیریتدانلود رایگان مقالات ژورنالی مدیریتدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI بانکداری یا مدیریت امور بانکی به زبان انگلیسیدانلود رایگان مقاله ISI تصمیم گیری به زبان انگلیسیدانلود رایگان مقاله ISI مدل تحلیل پوششی داده ها DEA به زبان انگلیسیدانلود رایگان مقاله ISI مدیریت به زبان انگلیسی سال 2022 و 2023سال انتشارمقالات Q1 مدیریت به زبان انگلیسیمقالات مدیریت با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مدیریت دارای متغیر به زبان انگلیسی

مقاله انگلیسی رایگان در مورد معضل ابعاد واحدهای تصمیم گیری – الزویر ۲۰۱۹

 

مشخصات مقاله
ترجمه عنوان مقاله معضل ابعاد واحدهای تصمیم گیری: یک رویکرد ساده برای افزایش قدرت متفاوت تحلیل پوششی داده ها
عنوان انگلیسی مقاله The curse of dimensionality of decision-making units: A simple approach to increase the discriminatory power of data envelopment analysis
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۲ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه الزویر
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۷۱۲ در سال ۲۰۱۸
شاخص H_index ۲۲۶ در سال ۲۰۱۹
شاخص SJR ۲٫۲۰۵ در سال ۲۰۱۸
شناسه ISSN ۰۳۷۷-۲۲۱۷
شاخص Quartile (چارک) Q1 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط مدیریت
گرایش های مرتبط بانکداری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس مجله اروپایی درباره تحقیقات عملیاتی – European Journal of Operational Research
دانشگاه  Buckingham Business School, University of Buckingham, Buckingham MK18 1EG, United Kingdom
کلمات کلیدی تجزیه و تحلیل پوششی داده ها، عملکرد، تابلوهای گردشی چاپی، بانکداری، بهترین شهرها
کلمات کلیدی انگلیسی Data envelopment analysis، Performance، Printed circuit boards، Banking، Best cities
شناسه دیجیتال – doi
https://doi.org/10.1016/j.ejor.2019.06.025
کد محصول  E13530
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
۱٫ Introduction
۲٫ Motivating example
۳٫ Modeling
۴٫ Cases
۵٫ Conclusion
Acknowledgments
References

 

بخشی از متن مقاله:
Abstract

Data envelopment analysis (DEA) is a technique for identifying the best practices of a given set of decision-making units (DMUs) whose performance is categorized by multiple performance metrics that are classified as inputs and outputs. Although DEA is regarded as non-parametric, the sample size can be an issue of great importance in determining the efficiency scores for the evaluated units, empirically, when the use of too many inputs and outputs may result in a significant number of DMUs being rated as efficient. In the DEA literature, empirical rules have been established to avoid too many DMUs being rated as efficient. These empirical thresholds relate the number of variables with the number of observations. When the number of DMUs is below the empirical threshold levels, the discriminatory power among the DMUs may weaken, which leads to the data set not being suitable to apply traditional DEA models. In the literature, the lack of discrimination is often referred to as the “curse of dimensionality”. To overcome this drawback, we provide a simple approach to increase the discriminatory power between efficient and inefficient DMUs using the well-known pure DEA model, which considers either inputs only or outputs only. Three real cases, namely printed circuit boards, Greek banks, and quality of life in Fortune’s best cities, have been discussed to illustrate the proposed approach.

Introduction

Data envelopment analysis (DEA) is an excellent management science tool that measures the relative performance of a set of entities or decision-making units (DMUs) with multiple performance measures that are classified as inputs and outputs. Nevertheless, problems of discrimination between efficient and inefficient DMUs often arise when there is a relatively large number of performance measures (variables) when compared to the number of DMUs; this may lead to efficient units being incorrectly classified as inefficient and inefficient units being misclassified as efficient. As Adler and Yazhemsky (2010, p. 283) showed, “the latter occurs particularly frequently with small data sets under the assumption of variable returns-to-scale”. In the literature, the lack of discrimination is often referred to as the “curse of dimensionality” (e.g., Adler & Golany, 2007; Daraio & Simar, 2007). The lack of discriminating power has important implications, as in practice it can limit the managerial insights that can be drawn (Ghasemi, Ignatius, & Rezaee, 2019). In this sense, regarding the number of DMUs (sample size), it is quite clear that there are advantages to having larger data sets, as at a given number of DMUs, the efficiency score of each DMU can rely heavily on the number of variables (inputs and outputs) (Cinca & Molinero, 2004) – as such, the greater the number of variables, the less discerning the DEA analysis is (Jenkins & Anderson, 2003). Nevertheless, the literature indicates some empirical rules regarding the number of DMUs versus the number of inputs and outputs.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا