عنوان پایان‌نامه

خوشه بندی و ارزیابی عملکرد واحدهای پرورش دام با استفاده از تکنیک تحلیل پوششی داده



    دانشجو در تاریخ ۱۰ بهمن ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "خوشه بندی و ارزیابی عملکرد واحدهای پرورش دام با استفاده از تکنیک تحلیل پوششی داده" را دفاع نموده است.


    محل دفاع
    کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74551;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74551
    تاریخ دفاع
    ۱۰ بهمن ۱۳۹۴
    دانشجو
    یاسر شجاعی
    استاد راهنما
    منصور مومنی

    ارزیابی عملکرد و محاسبه کارایی واحدهای پرورش دام جهت کاهش هزینه‌های خوراک مصرفی دام‌ها و افزایش مقدار تولید گوشت در ازای مقدار ورودی ثابت یکی از مهم‌ترین مسائل در علوم دامی و پرورش دام‌های پرواری می‌باشد، زیرا حدود 60 الی 70 درصد از هزینه‌های یک واحد پرورش دام را مواد مصرفی مثل کنساتره و علوفه در برمی‌گیرد. در این راستا پژوهش حاضر در دو مرحله به ارزیابی عملکرد و خوشه بندی واحدهای پروش دام می‌پردازد بدین‌صورت که در مرحله اول با استفاده از مدل تحلیل پوششی داده‌ها به محاسبه کارایی و ارزیابی عملکرد و درنهایت به رتبه‌بندی واحدهای پرورش دام پرواری پرداخته می‌شود. سپس جهت خوشه‌بندی این واحدها در دسته‌های همگن، از تکنیک خوشه‌بندی مبتنی بر تحلیل پوششی داده‌ها (DEAclustering) استفاده می‌شود. جامعه آماری این تحقیق واحدهای پرورش دام پرواری در شهرستان بروجرد می‌باشند که مقادیر مصرفی علوفه و مواد خوراکی موردنیاز دام و همچنین مقدار وزن و درآمد فروش گوشت و کود تولیدی و را در دفاتر ثبت هر دوره، ثبت می‌کنند. پس از بررسی همه واحدهای فعال در این شهرستان 20 واحد شرایط موردنظر را دارا بودند. مدل تحلیل پوششی داده‌ها از داده‌های ورودی-خروجی استفاده می‌کند که در این پژوهش متغیرهای ورودی عبارت‌اند از: مقدار علوفه مصرفی و مقدار کنساتره مصرفی و متغیرهای خروجی عبارتند از: درآمد حاصل از فروش گوشت و میزان کود تولیدی. داده‌های موردنظر با مراجعه به واحدهای منتخب جمع‌آوری شد و در مرحله اول با استفاده از مدل پوششی BCC ورودی‌محور واحدهای کارا و ناکارا و واحدهای مرجع برای هرکدام مشخص شد. چهار واحد دو، هشت، چهارده و نوزده دارای کارایی 100 درصد می‌باشند و نشان می‌دهد در مقیاس بهینه در حال فعالیت می‌باشند در حالی که واحدهای دیگر با مشکلاتی روبرو می‌باشند که جهت افزایش عملکرد آنها، راهکارهایی با توجه به مشکلات هرکدام ارائه شده است. در مرحله دوم با استفاده از مدل مضربی BCC ورودی‌محور به خوشه بندی واحدها پرداخته شد، همچنین واحدها با روش k میانگین خوشه بندی شدند و نتایج حاصل از آن با روش خوشه بندی مبتنی بر DEA مقایسه شد.
    Abstract
    Assess the performance and efficiency of livestock farms livestock feed to reduce costs and increase the amount of meat in exchange for a fixed amount of input One of the most important issues in animal science and livestock rearing beef, because about 60 to 70 percent of the cost of a unit of the Consumables such as livestock and forage covers. In this context, the present study was to evaluate the performance and clustering in two stages livestock breeding units in the first stage deals with contracts using data envelopment analysis The efficiency and ultimately the performance evaluation and ranking of fattened cattle will be discussed. Then the clustering of these units in homogeneous groups, clustering techniques based on data envelopment analysis (DEAclustering) is used. The population of the research units in the city of Boroujerd are fattened livestock forage intake values and food needed by livestock As well as the quantity and weight of meat and fertilizer sales revenue and recorded in each period are recorded. After reviewing all active units in this city 20 units had the desired conditions. DEA input-output data used in this study include input variables: the amount of forage consumed and the amount consumed and output variables include the proceeds from the sale of meat and fertilizer. Data were collected interest referring to selected units in the first phase by using BCC cover model efficient and inefficient units and units for each reference found. Four units of two, eight, fourteen and nineteen are 100% performance and shows are operating at optimal scale While other units are faced with problems to increase their performance, strategies according to each problem presented. In the second step using a multiple model BCC was to cluster units, unit k average clustering method and the results were compared with DEA-based clustering approach.