سنجش کارایی نسبی
وقتی که داده ها و ستاده های ما فراوان و ناهمگون باشد از سنجش کارایی نسبی استفاده می کنیم.فارل و فیلدهاوس پیشنهاد دادند که براساس میانگین وزن دار واحدهای کارآمد، یک واحد فرضی کارآمد ساخته شود تا از آن به عنوان مبنای مقایسه ای برای یک واحد ناکارآمد استفاده شود.
کارایی = مجموع وزن دار ستاده ها / مجموع وزن دار داده ها
نکته قابل توجهی که از این رابطه حاصل می شود این هست که باید یک مجموعه مشترکی از اوزان داشته باشیم که امکان پذیر بودن این امر مشکل می باشد. علت این امر این است که اولا ارزش گذاری داده ها و ستاده ها کار آسان و راحتی نمی باشد و ثانیا واحدهای مختلف ، عملیات و فرآیندهای خود را به روش های مختلفی سازماندهی و طراحی می کنند. بنابراین ارزش داده ها و ستاده های هر واحد با واحد دیگر متفاوت می باشد.
برای پیشگیری از بروز چنین مشکلاتی باید به یک تعریف واحد در مورد کارایی نسبی برسیم ، برای درک بهتر این موضوع به تعریف مومنی و مروتی توجه نمایید:
کارایی نسبی یک واحد تصمیم گیرنده ، 100 درصد است اگر و فقط اگر هیچ یک از داده های آن را نتوان کاهش داد یا هیچ یک از ستاده های آن را نتوان افزایش داد، مگر این که باعث شود داده های دیگری بیشتر مصرف شوند یا ستاده های دیگری کمتر تولید شوند.
چون می خواهیم تنها براساس اطلاعات در دسترس کار کنیم، تعریف نهایی کارایی نسبی در تحلیل پوششی داده ها را به این صورت مطرح می کنیم : یک واحد تصمیم گیرنده براساس شواهد موجود 100 درصد کارآمد است اگر وفقط اگر عملکرد دیگر واحد های تصمیم گیرنده نشان ندهد که برخی داده ها و ستاده های آن واحد را بهبود داد و در عین حال داده ها و ستاده های دیگر آن واحد بدتر نشوند. استفاده از مدل تحلیل پوششی داده ها جهت ارزیابی نسبی واحد ها نیازمند تعیین دو ویژگی اساسی ماهیت الگو و بازده به مقیاس آن است .
مدل های تحلیل پوششی داده ها :
- مدل کسری CCR
- مدل برنامه ریزی خطی CCR
- مدل BCC
خروجی تحلیل پوششی داده ها تنها کارایی هرواحد تصمیم گیری نمی باشد بلکه اطلاعاتی را جهت الگوبرداری به ما می دهد که برای بهبود کارایی واحد تصمیم گیری مورد استفاده قرار می گیرد.که این خودش بیانگر مزیت استفاده از تکنیک تحلیل پوششی داده ها نسبت به سایر روش ها می باشد. نکته قابل توجه این می باشد که در تحلیل پوششی داده ها علاوه براینکه کارایی هرواحد تصمیم گیری مشخص می شود می توان عملکرد واحدهای ناکارامد را شناسایی کرد و اقدام به بهبود آن داد.
واحدهای مرجع بوسیله تحلیل پوششی داده ها معرفی می شوند و واحدهای مجازی را تعریف می کنیم که این واحدهای مجازی باتوجه به وزن های این واحدهای مرجع برای واحد تصمیم گیری ناکارای ایجاد می شوند.وزن های واحدهای مرجع نسبتی از ورودی ها و خروجی های تمام واحدهاست که بایکدیگر ترکیب شده و واحد مجازی را تشکیل می دهند.
کارکرد تحلیل پوششی داده ها
کارکردتکنیک تحلیل پوششی داده ها به این صورت است که ما یک مرز از واحدهای تصمیم گیری که دارای بهترین عملکرد هستند را رسم می کنیم ، سپس کارایی واحدهای موردنظر نسبت به آن مرز مورد بررسی و تجزیه و تحلیل قرار می دهیم.
دلایل مختلفی برای استفاده از تکنیک تحلیل پوششی داده ها وجود دارد که می توان یکی از این دلایل اینگونه بیان کردکه هدف شناسایی واحدهای تصمیم گیری ناکارا هست که می توان آنها را با توجه به مرزکارایی پیش بینی کرد. به اینصورت که واحدهای تصمیم گیری کارا روی مرز کارایی قرار دارند و واحدی های تصمیم گیری که روی مرز کارایی قرار نگرفته اند ناکارا محسوب می شوند. حال میزان ناکارایی واحدهای تصمیم گیری با توجه به میزان فاصله آنها از مرزکارا شناسایی می شوند. برای رسیدن به مرزکارا باید بر ورودی و خروجی ها متمرکز شد.
مراحل اجرای تکنیک تحلیل پوششی داده ها :
بطور کلی هفت گام را برای اجرای تکنیک تحلیل پوششی داده ها تعریف می کنند که عبارتند از :
گام اول تعیین ورودی و خروجی های مدل با استفاده از تحقیقات و نظر خبرگان می باشد.(روش های مختلفی برای تحقق این امر وجود دارد که می توان به روش دلفی اشاره کرد.)
گام دوم انتخاب مدل مناسب تحقیق باشد.باتوجه به ماهیت ورودی و خروجی ها و تعیین بازگشت به مقیاس ثابت و متغیر از یکی از مدل های CCR یا BCC از نوع مضربی و پوششی استفاده می شود.
گام سوم اجرای مدل و تکرار آن می باشد. در این گام با توجه به نوع مدل انتخابی ، برای هریک از واحد های تصمیم گیری ، مدل اجرا شده و میزان کارایی واحدها مشخص می شود. در این خصوص می توان از نرم افزار های حل مدل های برنامه ریزی خطی مانند لینگو یا نرم افزار های تخصصی این حوزه مانند DEA SOLVER بهره گرفت. تعداد واحدهای تصمیم گیری با توجه به رابطه زیر تعیین می شوند:
(تعداد ورودی + تعداد خروجی )*3 <= تعداد واحد های مورد ارزیابی
گام چهارم تعیین رتبه واحدها می باشد. بعد از اینکه امتیازهای کارایی هریک از واحد های تصمیم گیری را مشخص کردیم باید آنها را رتبه بندی کنیم. بدین ترتیب که امتیاز کارایی بهترین واحد تصمیم گیری برابر یک قرار می دهیم و امتیاز کارایی سایر واحدهای تصمیم گیری را از صفر تا یک در نظر می گیریم.
گام پنجم رتبه بندی واحدهای کارا می باشد. در این مرحله ما با استفاده از مدل های معمولی تحلیل پوششی داده ها ، رتبه بندی واحدهایی که امتیاز کارایی آنها برابر یک می باشد را امکان پذیر نمی دانیم .بنابراین باید از روش هایی برای رتبه بندی واحدهای کارا استفاده کنیم که این مشکل را برطرف کند مثل روش اندرسون و پترسون ..
گام ششم تعیین واحدهای مرجع می باشد. در این گام واحد های مرجع برای واحدهای غیر کارا جهت رسیدن به مرز کارایی نسبی تعیین می شود.باتوجه به ضرایب واحدهای مرجع ، باترکیب واحدهای کارا واحد مجازی ایجاد خواهد شد. با مقایسه ورودی و خروجی های مطلوب به منظور رسیدن واحدهای ناکارا به سطح کارایی تعیین می شوند.
گام هفتم یا گام آخر این است که بوسیله تکنیک تحلیل پوششی داده ها و با استفاده از امتیاز کارایی به دست آمده و نیز مقادیر لاندای حاصل از حل مدل ، پیشنهاداتی را جهت بهبود کارایی نسبی واحدهای تصمیم گیری ارائه دهیم. در صورت اجرای این پیشنهادات ، واحدهای ناکارا می توانند به مرز کارایی نسبی دست یابد. بدیهی است در مدل هایی که ورودی محور هستند این پیشنهادات مربوط به کاهش ورودی و در مدل هایی که خروجی محور هستند در ارتباط با افزایش خروجی ها خواهد بود.
منبع : کتب و مقالات موجود
تو زمینه ای که فعالیت میکنید جزو بهترین سایت ها هستید.