اگر برایتان سوال شده که تحلیل پوششی داده ها چیست باید بدانید که
در عصر فرامدرن امروزی که تغییر و پیچیدگی ساختارها از ویژگی های آن است،
مدیرانی موفق هستند که اطلاعات به روزی از عملکرد سازمان خود داشته باشند که
یکی از ابزارهای مورد استفاده برای تحقق این موضوع تحلیل پوششی داده ها است.
پیشنهاد می کنیم تا انتهای این مقاله از تعریف تحلیلی پوششی داده ها تا شناخت انواع آن با ما همراه باشید.
1# تحلیل پوششی داده ها چیست؟
ایده اولیه روش تحلیل پوششی داده ها (Data Envelopment Analysis) در سال 1957 توسط فارل (Farrel) ارائه شد و
در سال 1978 توسط ابراهام چارنز (Abraham Charnes)، ویلیام کوپر (William Cooper) و ادوارد رودز (Edward Rhodes) این روش مورد بازبینی قرار گرفت و مدلی به نام CCR که برگرفته از ابتدای نام هرکدام از این افراد بود، ارائه گردید.
مدل CCR اساس ایجاد شاخه جدید تحقیق در عملیات به نام تحلیل پوششی داده ها بود.
بعدها در سال 1984 بنکر (Banker) به همراهی چارنز و کوپر مدلی به نام BBC ارائه کردند.
اگر در نموداری که محور افقی آن شامل مقادیر ورودی و محور عمودی آن شامل مقادیر خروجی است،
برای هرکدام از واحدهای تصمیم گیری به نسبت میزان ورودی (Input) و خروجی (Output)، نقاطی را مشخص کنیم،
بهترین بهره وری مربوط به نقاطی است که ورودی کمتر و خروجی بیشتر داشته باشند.
برخی از واحدهای تصمیم گیری روی منحنی قرار می گیرند که
دارای بهترین کارایی عملی هستند و به آن ها Best Practice Frontier می گویند.
اگر نقاط مربوط به کارایی ایده آل واحدهای تصمیم گیری را به یکدیگر متصل کنیم منحنی به دست خواهد آمد که
به آن مرز نظری (Theoretical Frontier) می گویند.
روش تحلیل پوششی داده ها به عنوان یکی از روش های ناپارامتریک، با استفاده از برنامه ریزی خطی و با هدف بیشینه کردن میزان عملکرد هرکدام از واحدهای تصمیم گیری به اندازه گیری عملکرد واحدهای تصمیم گیری می پردازد.
در روش های ناپارامتریک ارزیابی عملکرد، نیازی به محاسبه تابع تولید نیست و
در صورت داشتن چند خروجی برای واحد تصمیم گیری با مشکل مواجه نخواهیم شد.
DEA یا Data Envelopment Analysis ابزاری به منظور اندازه گیری کارایی واحدهای تصمیم گیری است و
یکی از مزیت های آن نسبت به سایر روش ها، ارزیابی عملکرد واحدهای تصمیم گیری با چند ورودی و خروجی است.
2# کاربردهای تحلیل پوششی داده ها
در پاسخ به سوال تحلیل پوششی داده ها چیست، DEA مدلی به منظور مقایسه کارایی واحدها ارائه می دهد.
کارایی یا بهره وری واحد برابر است با نسبت خروجی (Output) به ورودی ها (Input) و از آن جا که اغلب میزان ورودی از خروجی بیشتر است، کارایی یا بهره وری کوچک تر از 1 خواهد بود.
هرجا به مقایسه کارایی میان واحدها نیاز باشد روش تحلیل پوششی قابل استفاده خواهد بود.
کافی است در هرکدام از واحدهای تصمیم گیری ورودی ها و خروجی ها تعیین گردند.
کارایی برابر است با:
مجموع وزنی خروجی ها/ مجموع وزن ورودی ها
به منظور تعیین اوزان ورودی ها و خروجی ها نیز می توان از روش های مختلف وزن دهی بهره گرفت.
منظور از واحد تصمیم گیری واحدهای مجازی است که به منظور ارزیابی کارایی هر واحد در نظر گرفته می شوند.
3# مزایا و معایب تحلیل پوششی داده ها چیست؟
مزایا:
- در روش DEA واحدها با بیشترین و کمترین کارایی (Efficiency) تعیین شده و
همچنین میزان کارایی ایده آل نیز مشخص می شود.
لذا با استفاده از روش DEA می توان کارایی یا راندمان واحدهای مختلف سازمان را با یکدیگر مقایسه کرد. - با شناسایی واحدهای ناکارآمد، این واحدها با سیاست های تشویقی ترغیب به کاراتر شدن می شوند،
بهره وری آن ها بهبود یافته و کیفیت (Quality) و سرعت (Speed) انجام کار افزایش و هزینه ها (Cost) کاهش خواهد یافت. - روش تحلیل پوششی داده ها واحدهای کارا را نیز شناسایی کرده و مدیران سازمان می توانند با
سیاست هایی بدون نیاز به اضافه کردن منابع جدید و ورودی ها، خروجی را افزایش داده و واحدهای کارا را فعال تر کنند. - در روش DEA نیازی به بیان فرم ریاضی ارتباط بین ورودی ها و خروجی ها نیست.
بلکه در این روش ناپارامتریک ارتباطات بر اساس مقادیر ورودی و خروجی شکل می گیرند.
حتی ممکن است در روش DEA ارتباطاتی مدل بندی شوند که در روش های دیگر پیدا نشده باشند.
انواع ورودی ها و خروجی ها را می توان در این روش مورد استفاده قرار داد. - تحلیل پوششی داده ها علاوه بر تعیین کارایی یا عدم کارایی هر واحد تصمیم گیری، الگویی کارا برای واحدهای تصمیم گیری ناکارا ارائه خواهد کرد.
معایب:
در این روش نتایج به انتخاب ورودی ها و خروجی های مدل بستگی دارد.
انتخاب نامناسب ورودی ها و خروجی ها سبب ایجاد نتیجه نامناسبی در مدل DEA خواهد شد.
با افزایش تعداد ورودی ها و خروجی ها نتایج مدل افزایش کارایی را نشان خواهند داد،
لذا بهتر است به الزامات روش تحلیل پوششی داده ها توجه شود.
4# الزامات روش DEA
اگر بپرسید که الزامات روش تحلیل پوششی داده ها چیست، باید به موارد ذیل اشاره کنیم:
- تعداد ورودی های واحد تصمیم گیری بین 2 تا 5 مورد باشد.
- تعداد خروجی های واحد تصمیم گیری بین 1 تا 3 مورد باشد.
- واحدهای تصمیم گیری می بایست 5 برابر مجموع تعداد ورودی و خروجی باشتد.
با توجه به موارد گفته شده کمترین تعداد واحدهای تصمیم گیری در این روش 15 عدد و بیشترین تعداد واحدهای تصمیم گیری 40 واحد خواهد بود. - به منظور پیاده سازی DEA به اطلاعات واقعی نیاز است.
مدل های مورد استفاده در روش DEA بر مبنای افزایش خروجی یا کاهش ورودی به منظور افزایش کارایی به دو دسته کلی تقسیم می شوند:
- مدل های DEA بر مبنای الگوی ورودی محور یا ماهیت ورودی:
در الگو با ماهیت ورودی هدف افزایش کارایی از طریق کاهش ورودی ها است و
با ثابت نگه داشتن سطح خروجی به دنبال کاهش سطح ورودی و در نتیجه افزایش کارایی هستیم.
- مدل های DEA بر مبنای الگوی خروجی محور یا ماهیت خروجی:
در الگو با ماهیت خروجی هدف افزایش کارایی از طریق افزایش خروجی ها است و
با ثابت نگه داشتن سطح ورودی به دنبال افزایش سطح خروجی و در نتیجه افزایش کارایی هستیم.
5# بازده به مقیاس در تحلیل پوششی داده ها چیست؟
بازده به مقیاس (Returns of Scale) مفهومی است که در مدل DEA به کار می رود و
بیانگر ارتباط بین تغییرات ورودی و خروجی های سیستم است.
اگر بازده به مقیاس ثابت (Fixed) باشد به این معنی است که
هر مضربی از ورودی ها همان مضرب خروجی ها را ایجاد کرده و
مدل CCR بازده به مقیاس را ثابت در نظر می گیرد.
در این حالت ممکن است یک واحد کوچک با یک واحد بزرگ مقایسه شود که شاید از لحاظ منطقی قابل قبول نباشد.
در حالت بازده به مقیاس متغیر (Changable) به این معنی است که
هر مضربی از ورودی ها به مقدار کمتر یا بیشتر از آن را در خروجی ها ایجاد خواهد کرد و
مدل BCC بازده به مقیاس را متغیر در نظر خواهد گرفت.
CCR برگرفته از اول نام چارنز، کوپر و رودز است.
مدل دیگر پیاده سازی تحلیل پوششی داده ها CRS یا بازده به مقیاس ثابت (Constant Return to Scale) است.
مدل VRS یا بازده به مقیاس متغیر (Variable Return Scale)، مدل دیگری از پیاده سازی روش DEA است.
نتیجه گیری
کارایی یکی از مفاهیم مهم مدیریتی است که از نسبت خروجی به ورودی به دست خواهد آمد.
با توجه به تعدد ورودی ها و خروجی ها و متفاوت بودن مقیاس آن ها به راحتی نمی توان خروجی ها را بر ورودی ها تقسیم و کارایی واحد را به دست آورد.
یکی از بهترین روش ها برای تعیین کارایی واحد استفاده از روش تحلیل پوششی داده ها است.
 |
نظرتون درباره این مقاله چیه؟
ما رو راهنمایی کنید تا اون رو کامل تر کنیم و نواقصش رو رفع کنیم.
توی بخش دیدگاه ها منتظر پیشنهادهای فوق العاده شما هستیم.
ثبت ديدگاه