Resumen

El análisis envolvente de datos (DEA) es una herramienta matemática popular para analizar la eficiencia relativa de unidades de toma de decisiones homogéneas (DMU, por sus siglas en inglés). Sin embargo, los modelos DEA existentes no pueden abordar las nuevas aplicaciones con datos imprecisos y negativos, así como salidas no deseadas simultáneamente. Por lo tanto, introducimos salidas no deseadas en el modelo de medida basada en holguras modificadas (MSBM) y proponemos un modelo de medida basada en holguras modificadas por intervalos (IMSBM), que amplía la aplicación de DEA por intervalos (IDEA) en campos que se preocupan por tener menos salidas no deseadas. Las novedades del modelo son que considera las salidas no deseadas al tratar con datos imprecisos y negativos, y que está basado en holguras. Además, se demuestra que el modelo con salidas no deseadas es invariante a la traslación y a la unidad. Además, se proporciona un ejemplo numérico para

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Análisis envolvente de datos; Dea; Medida basada en holguras modificada; Msbm; Dea de intervalos; Idea
• Keywords:Data envelopment analysis; Dea; Modified slack-based measure; Msbm; Interval-dea; Idea