فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word دارای ۳۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

لطفا نگران مطالب داخل فایل نباشید، مطالب داخل صفحات بسیار عالی و قابل درک برای شما می باشد، ما عالی بودن این فایل رو تضمین می کنیم.

فایل ورد فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word :

دانلود فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:۲۰۱۴
تعداد صفحه ترجمه:۲۰
تعداد صفحه فایل انگلیسی:۱۱

موضوع انگلیسی :A bi-objective weighted model for improving the discrimination
power in MCDEA
موضوع فارسی:دانلود فایل ورد کامل ترجمه مقاله مدل وزنی دو هدفه برای افزایش قدرت تمایز در تحلیل پوششی ۳۵ صفحه در word
چکیده انگلیسی: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
چکیده فارسی: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 ۱۹۹۰ تا به حال، تنها روش های برنامه ریزی آرمانی؛ 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 ۲۴ کشور عضو اتحادیه اروپا، بیشتر برای توصیف تاثیر روش ما مورد استفاده قرار می گیرد.