Resumen de Pronóstico del intervalo de confianza en la eficiencia de las unidades de toma de decisiones en el análisis envolvente de datos

Azarnoosh Kafi, Behrouz Daneshian, Mohsen Rostamy Malkhalifeh, Mohsen Rostamy Malkhalifeh

• español

  El análisis envolvente de datos (DEA) es un método bien conocido para calcular la eficiencia de las unidades de toma de decisiones (DMU) en función de sus entradas y salidas. Cuando los datos son conocidos y en forma de intervalo en un período de tiempo dado, este método puede calcular el intervalo de eficiencia. Desafortunadamente, la DEA no es capaz de pronosticar y estimar el intervalo de confianza de eficiencia de las unidades en el futuro. Este artículo propone un algoritmo de pronóstico de eficiencia junto con un intervalo de confianza del 95% para generar un conjunto de datos de intervalo para el próximo período de tiempo. Además, la opinión del gerente se inserta y desempeña su papel en el modelo de pronóstico propuesto. Equipado con un conjunto de datos pronosticado y con respecto al conjunto de datos de períodos anteriores, se puede pronosticar la eficiencia para el período futuro. Esto se hace proponiendo un modelo propuesto y resolviéndolo mediante el método del intervalo de confianza. A continuación, el método propuesto se implementa sobre los datos de una industria automotriz y se compara con los métodos de simulación de Monte Carlo y el modelo de intervalo. Usando los resultados, se muestra que el método propuesto funciona mejor para pronosticar el intervalo de confianza de eficiencia. Finalmente, se calcula la eficiencia y el intervalo de confianza del 95% para el próximo período utilizando el modelo propuesto.

• English

  Data Envelopment Analysis (DEA) is a well-known method for calculating the efficiency of DecisionMaking Units (DMUs) based on their inputs and outputs. When the data is known and in the form of an interval in a given time period, this method can calculate the efficiency interval. Unfortunately, DEA is not capable of forecasting and estimating the efficiency confidence interval of the units in the future. This article, proposes a efficiency forecasting algorithm along with 95% confidence interval to generate interval data set for the next time period. What’s more, the manager’s opinion inserts and plays its role in the proposed forecasting model. Equipped with forecasted data set and with respect to data set from previous periods, the efficiency for the future period can be forecasted. This is done by proposing a proposed model and solving it by the confidence interval method. The proposed method is then implemented on the data of an automotive industry and, it is compared with the Monte Carlo simulation methods and the interval model. Using the results, it is shown that the proposed method works better to forecast the efficiency confidence interval. Finally, the efficiency and confidence interval of 95% is calculated for the upcoming period using the proposed model.