kho i. Kho tổng hợp kết quả có các thuộc tính sau.
• Nó tạo ra ít nhất là càng nhiều các đầu ra như kho A (constraint 15,2).
• Nó không tiêu thụ nhiều hơn phần θ của lao động (chế 15,4) và
vốn (constraint 15,3) được sử dụng bởi kho A, với θ càng nhỏ càng tốt
(mục tiêu 15,1).
các phương pháp chuẩn của quy hoạch tuyến tính sẽ xây dựng một khả thi cơ bản
giải pháp cho vấn đề 15.1 và như vậy số lượng λi> 0 trong các giải pháp tối ưu
sẽ không vượt quá số lượng đầu vào cộng với số kết quả đầu ra. Thông thường điều này
sẽ có nhiều ít hơn tổng số kho tại các điểm chuẩn
cộng đồng và vì vậy các bộ kho i đại diện trong khả thi cơ bản
giải pháp tạo thành một nhóm nhỏ các đồng nghiệp mà mục tiêu được so sánh.
Cuối cùng, để đánh giá mỗi một cộng đồng kho tàng, một pro tuyến tính như
gram sẽ phải được giải quyết cho từng kho tiêu.
sử dụng
kỹ thuật này được gọi là phân tích dữ liệu envelopement (DEA) và đã được sử dụng
để nghiên cứu hiệu quả của các hệ thống kinh tế phức tạp [8, 12].
trong một mô hình DEA giàu hơn, chúng tôi đã trình bày, sẽ có hàng chục đầu vào
và hàng chục đầu ra, như trong mô hình của Hackman et al. [16], và nó sẽ là
không thể phân tích các cộng đồng của kho bằng cách vẽ điểm.
DEA có một số lợi thế quan trọng hơn điểm chuẩn tỷ lệ dựa trên đơn giản.
Đầu tiên, nó gán một số duy nhất như một điểm hiệu quả, và hầu hết mọi người tìm thấy
dễ dàng hơn này để hiểu hơn một vector của KPI. Điểm không phải là một đơn giản
biểu quyết theo KPI hoặc bất cứ điều gì như thế, mà là phát sinh hữu cơ từ nhiều
so chiều với một cộng đồng các kho khác. Trong thực tế,
điểm chuẩn như vậy có thể được thực hiện bởi một bên thứ ba trung lập, những người nắm giữ các dữ liệu,
trong khi người dùng có thể vẫn còn vô danh nếu họ lựa chọn.
Để làm việc tốt nhất, điểm chuẩn như vậy đòi hỏi một tập dữ liệu lớn, tốt hơn với
hàng trăm kho. Nó cũng đòi hỏi những người tham gia nhập dữ liệu chính xác,
đặc biệt là bởi vì điểm giao có xu hướng được xác định bởi các kho tốt nhất,
và do đó bỏ có thể làm sai lệch kết quả.
đang được dịch, vui lòng đợi..