آشنایی با تحلیل پوششی داده ها
تحلیل پوششی داده ها یک چارچوب تئوریک را برای تحلیل و سنجش ...
تحلیل پوششی داده ها تکنیکی مبتنی بر برنامه ریزی خطی است که برای سنجش کارایی واحدهای صف سازمانها مانند مدارس، بیمارستانها، ادارت پست، شعب بانک و … استفاده می شود. این روش در سال 1978 توسط چارنز، کوپر و رودز ارائه شده و در حال حاضر به وفور در سنجش کارایی و رتبه بندی واحدها استفاده می شود. در این روش ورودی ها و خروجی های واحدها تعیین و مقدار آنها محاسبه می شود و با اجرای مدل برنامه ریزی خطی برای هر واحد، میزان کارایی آن واحد بدست می آید.
در روش تحلیل پوششی داده ها کارایی به عنوان نسبت خروجی ها به ورودی ها تعیین شده و واحدهایی که با کمترین ورودی، بیشترین خروجی را تولید کرده اند مرز کارایی را تشکیل می دهند و کارایی آنها برابر با یک می باشد و بقیه واحدها ناکارا بوده و امتیاز کارایی آنها بر اساس فاصله ای که تا مرز کارایی دارند با مقادیر کمتر از یک تعیین می شود. دومین نتیجه اجرای مدلهای تحلیل پوششی داده ها تعیین اهداف مورد انتظار از واحدهای ناکارا می باشد. بدین معنی که هدف مورد انتظار در هر شاخص برای هر واحد ناکارا مشخص می شود. سومین نتیجه تعیین واحدهای الگو برای واحد ناکارا می باشد.
مراحل اجرای مدل تحلیل پوششی داده ها
1.تعیین واحدهای تصمیم گیرنده DMU ها
در این مرحله واحدهایی که می خواهیم کارایی آنها را در مقایسه با هم اندازه گیری نماییم تعیین می کنیم لازم است که واحدها همگن باشند یعنی فعالیت یکسانی انجام دهند و بتوان ورودی ها و خروجی های یکسان برای آنها تعریف کرد.
2.تعیین شاخصهای ورودی و خروجی
در ین گام برای واحدهای تصمیم گیرنده ورودی ها و خروجی ها را تعریف می کنیم منظور از ورودی ها همه عواملی است که واحد به عنوان نهاده از آنها استفاده می کند تا خروجی هایش را تولید کند و منظور از خروجی همه عواملی است که واحد با استفاده از ورودی ها آنها را تولید می کند برای مثال ورودی ها و خروجی های یک شعبه بانک در شکل زیر بیان شده است
3.جمع آوری اطلاعات و محاسبه شاخصها
در این گام اطلاعات مورد نیاز برای محاسبه شاخصها جمع اوری شده و شاخصهای ورودی و خروجی برای همه واحدها محاسبه می شود
4.تعیین بازده به مقیاس و ماهیت مدل
برای انتخاب مدل مناسب تحلیل پوششی داده ها برای محاسبه کارایی لازم است بازده به مقیاس و ماهیت مدل تعیین شود
بازده به مقیاس
بازده به مقیاس مشخصه ای از تکنولوژی تولید حاکم بر واحدها است که نشان می دهد اگر ورودی های یک واحد را افزایش دهیم خروجی های آن با چه نرخی افزایش می یابد. بازده به مقیاس در چهار دسته ثابت، افزایشی، کاهشی و متغیر طبقه بندی می شود که لازم است قبل از اجرای مدل تعیین شود.
تعیین ماهیت مدل
مدلهای تحلیل پوششی داده ها در ماهیت های مختلف ورودی، خروجی و جهت دار می توانند اجرا شوند . اگر مدل در ماهیت ورودی اجرا شود به واحد ناکارا توصیه می کنیم به کاهش ورودی هایش کارایی اش را افزایش دهد بدون اینکه تغییری در میزان خروجی هایش ایجاد شود و در ماهیت خروجی به واحد ناکارا توصیه می کنیم که با افزایش خروجی هایش بدون تغییر در سطح ورودی ها کاراییش را افزایش دهد.
در ماهیت جهت دار، واحد ناکارا می تواند به طور همزمان با کاهش ورودی ها و افزایش خروجی هایش کارا شود.
5.محاسبه مدل تحلیل پوششی داده ها
در این گام مدلی از مدلهای تحلیل پوششی داده ها مانند CCR یا BCC متناسب با نوع بازده به مقیاس و ماهیت مدل انتخاب و اجرا می شود. مدلهای تحلیل پوششی داده ها از نوع مدلهای برنامه ریزی خطی بوده و برای اجرای نیاز به حل کننده (SOLVER) مسائل برنامه ریزی خطی نیاز می باشد. نرم افزار سنجش کارایی و بهره وری DEA-Master امکان اجرای مدلهای تحلیل پوششی داده ها را فراهم کرده است و سازمانها بدون نیاز به Solver های خارجی می توانند با استفاده از این سیستم انواع مدلهای DEA را استفاده کنند.
امتیاز کارایی هر واحد به عنوان نسبت خروجی های وزن دار شده به ورودی های وزن دار شده در مقایسه با سایر واحدها محاسبه شده و واحدهای کارا و ناکارا تعیین می گردند.
واحدهای کارا که امتیاز کارایی 100 را بدست آورده اند در مقایسه با هم ارزیابی شده و بر اساس تاثیری که در ساخت مرز کارا دارند رتبه بندی می شوند و واحد نمونه از لحاظ کارایی در هر منطقه و در کل کشور تعیین می گردد.
برای واحدی که ناکارا تشخیص داده شده و امتیاز کارایی کمتر از 100 دریافت کرده است واحد هایی از مجموعه واحدهای کارا به عنوان الگو معرفی می شوند. واحدهای الگو واحد هایی هستند که با ورودی های مشابه خروجی بیشتری تولید کرده اند.
مقادیر مطلوب در هر یک از شاخصها به هر واحد ناکارا اعلام می گردد و در صورتیکه واحد ناکارا عملکردش را بهبود دهد و شاخص های عملکردی را از سطح فعلی به سطح مطلوب ارتقا دهد کارایی اش افزایش یافته و به واحد کارا تبدیل می گردد.
برای اطلاعات بیشتر مقالات زیر را بخوانید
