fa ارایه یک رویکردی شبکه ای در ارزیابی کارایی بانک‌ها در حالت عدم اطمینان در داده‌ها عمومى General پژوهشي Research <span style="font-family:b zar;"><span style="font-size:12.0pt;">روش تحلیل پوششی داده‌های سنتی، واحدهای تصمیم&shy; گیری را به صورت یک جعبه سیاه در نظر گرفته و بدون در نظر گرفتن ساختار داخلی آن&shy;ها و با توجه به میزان ورودی&shy; ها و خروجی&shy; های نهایی این واحدها، نسبت به ارزیابی آن&shy;ها اقدام می&shy; نماید. این در حالی است که در بسیاری از سیستم &shy;های واقعی ما شاهد ساختارهای داخلی می&shy; باشیم. به همین منظور مدل&shy; های شبکه &shy;ای تحلیل پوششی داده‌ها توسعه و گسترش یافته &shy;اند. مدل&shy; های موازی تحلیل پوششی داده‌ها یکی از مدل&shy; های شبکه&shy; ای بوده که در آن ورودی هر واحد به چندین زیر فرآیند تخصیص یافته و مجموع خروجی این فرآیندها به عنوان خروجی کل واحد مربوطه منظور می&shy; گردد. </span></span><br> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:12.0pt;">مدل&shy; های تحلیل پوششی داده‌های موازی با فرض مطلق بودن و اطمینان کامل داده‌ها توسعه یافته &shy;اند و در صورت عدم اطمینان در داده‌های ورودی و خروجی،</span></span></span> <span dir="RTL"><span style="font-family:b zar;"><span style="font-size:12.0pt;">نتایج قابل اتکایی را ارایه نمی نمایند. در این مقاله در نظر داریم تا با ارایه یک مدل استوار تحلیل پوششی داده‌های شبکه&shy; ای موازی، ضمن ارایه یک مورد مطالعاتی، نسبت به تشریح و تجزیه و تحلیل مدل جدید اقدام نماییم. مدل پیشنهادی ضمن ارزیابی کارایی واحدهای با ساختار موازی، توانایی برخورد با عدم اطمینان در داده‌ها را دارا می&shy; باشد. نتایج بیانگر این است که با افزایش سطح خطا و کاهش سطح اطمینان مدل، کارایی واحدهای تصمیم &shy;گیری کاهش بیش&shy;تری خواهد داشت. افزایش قدرت تفکیک&shy; پذیری مدل نسبت به مدل‌های سنتی موازی یکی دیگر از مزایای مدل پیشنهادی می&shy; باشد. همچنین در صورت ایجاد انحراف در داده‌ها، مدل‌های سنتی شبکه&shy; ای نسبت به مدل‌های استوار، انحراف بیشتری را در نتایج نشان می&shy; دهند.</span></span></span> Traditional DEA method considered decision making units (DMUs) as a black box, regardless of their internal structure and appraisal performance with respect to the final inputs and outputs of the units. However, in many real systems we have internal structure. For this reason, network DEA models have been developed. Parallel network DEA models are a special variation which inputs of unit allocated to several sub-processes, and the total output of these processes are the output of the relevant unit. Parallel network DEA model have been developed based on certain and confidence data and they do not have the ability to deal with uncertainty about inputs and outputs data. In this paper we are going to provide a robust parallel network DEA model and attempt to describe and analyze the new model with a real case study.<br> The proposed model can evaluate the performance of parallel structure and it has the ability to deal with uncertainty in the data. The results show that with increasing levels of uncertainty and decreasing of reliability, efficiency of decision-making units will be further reduced. Increasing of discrimination power is another advantage of the proposed model. Also traditional network models show more deviations in the results in compare with robust network model when the data are changed. کارایی, مدل شبکه‌ای تحلیل پوششی داده‌ها, بهینه‌سازی استوار Efficiency, Network DEA Models, Robust Optimization 51 68 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-989-1&slc_lang=fa&sid=1 M. Alimohammadi Ardekani مجید علی محمدی اردکانی 10031947532846006615 10031947532846006615 Yes Department of Industrial Engineering, Ardakan University, Ardakan, Iran دانشگاه اردکان، گروه مهندسی صنایع، اردکان M. Afkhami Ardekani مهدی افخمی اردکانی 10031947532846006616 10031947532846006616 No Research institute of petrol industry, Tehran پژوهشگاه صنعت نفت، تهران