مبانی نظری و پیشینه تحقیق تحلیل پوششی داده ها 2 در 55 صفحه و آماده ویرایش

تحلیل پوششی داده ها

تلاش برای تابعی کردن رابطه بین نهاده ها ستاده ها و تعیین حداکثر ستاده قابل حصول از نهاده ها، منجر به طرح توابع تولید پارامتری در سیر مطالعات اقتصادی گردید. توابعی مانند کاب-داگلاس، لیون تیف، کششی ثابت و ... در نظریه های اقتصاد خرد با این انگیزه ایجاد شده­اند. پیش فرض تابعی در عمل به دلیل پیچیدگی تبدیل نهاده­های متفاوت به ستاده­های نامتجانس و مختلف به خصوص با پیچیدگی نقش عوامل

جدید، در سازمان­های کنونی غیرعملی به نظر می­رسد(فارسیجانی و آرمان و حسین بیگی و جلیلی^[1]، 1390).

یکی از روش­های غیرپارامتری، جهت اندازه­گیری کارائی و بهره­وری واحدهای اقتصادی، روش تحلیل پوششی داده ها است که اولین بار بنکر، چارنز و کوپر^[2] در سال 1974، مفاهیم و مدل­CCR را ارائه دادند. در واقع تحلیل پوششی داده­ها یک مدل برنامه­ریزی خطی برای داده­های مشاهده شده می­باشد که روش جدیدی برای تخمین تجربی مرز کارایی را فراهم می­کند. منظور از DMU واحد سازمانی یا یک سازمان مجزاست که توسط فردی به نام مدیر یا رئیس و یا مسئول اداره می­شود به شرط آنکه آن سازمان دارای فرایند سیستمی باشد بعنی تعداد عوامل تولید به کار گرفته تا تعدادی محصول به دست آید. ماهیت تجربی و نداشتن مفروضات دست و پاگیر، سبب استفاده از تحلیل پوششی داده­ها در تخمین مرز کارایی است(حمزه پور و محمدی^[3]، 1391).

تحلیل پوششی داده ها یک روش برنامه ریزی ریاضی برای ارزیابی کارایی واحدهای تصمیم­گیرنده است که چندین ورودی و چندین خروجی دارند. اندازه­گیری کارایی به دلیل اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه محققین قرار داشته است(خواجوی و همکاران ، 1384). در واقع تحليل پوششي داده‌ها، مفهومي از محاسبة ارزيابي سطوح كارايي در داخل يك گروه از سازمان را نشان مي‌دهد كه كارايي هر واحد در مقايسه با تعدادي از واحدها كه داراي بيشترين عملكرد هستند محاسبه مي‌شود(Matrin &Kocher&Sutter^[4]., 2000). اين تكنيك، مبتني بر رويكرد برنامه‌ريزي خطي است كه هدف اصليآن ، مقايسه و سنجشكارايي تعدادي از واحدهاي تصميم‌گيرندة مشابه است كه تعداد ورودي‌هاي مصرفي و خروجي‌هاي توليدي متفاوتي دارند. اين واحدها مي‌توانند شعب يك بانك، مدارس، بيمارستانها، پالايشگاهها، نيروگاه‌هاي برق، ادارات تحت پوشش يك وزارتخانه ويا كارخانه‌های متشابه باشند. منظور از مقايسه و سنجش كارايي نيز اين است كه يك واحد تصميم‌گيرنده در مقایسه با ساير واحدهاي تصميم‌گيرنده، چقدر خوب از منابع خود در راستاي توليد استفاده كرده است(فارسیجانی و همکاران ، 1390). در این روش با استفاده از مدل­های برنامه­ریزی ریاضی، مرزی متشکل از شرکت­هایی با بهترین کارایی نسبی به دست می­آید و این مرز، معیاری برای ارزیابی و ارائه راهکارهای بهبود عملکرد سایر شرکت­ها، قرار می­گیرد.در این روش بدون نیاز به داشتن تابع تولید، با استفاده از یک مرز تولید غیرپارامتری می­توان کارایی را به صورت نسبی مورد سنجش قرار داد. (میرغفوری و همکاران، 1390).

در سال 1957، فارل با استفاده از روشی مانند اندازه گیری کارایی در مباحث مهندسی، به اندازه­گیری کارایی برای واحد تولیدی اقدام کرد. موردی که فارل برای اندازه گیری کارایی مدنظر قرار داد، شامل یک ورودی و یک خروجی بود(Farrell^[5], 1957). چارنز، کوپر و رودز دیدگاه فارل را به واحدهای با ورودی­ها و خروجی­های چندگانه توسعه دادند و الگویی را ارائه کردند که توانایی اندازه­گیری کارایی با چندین ورودی و خروجی را داشت. این الگو تحت عنوان تحلیل پوششی داده ها نام گرفتو مدل CCR نامیده شد و اول بار در رساله دکترای ادوارد رودز و به راهنمایی کوپر تحت عنوان ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا در سال 1976، در دانشگاه کارنگی مورد استفاده قرار گرفت(Charnesand et al., 1978).شکل اولیه این مدل نمی­توانست واحدهای کارا و کارای ضعیف را از هم تشخیص دهد. با گسترش مطالعات در این زمینه دو روش اصلی برای رفع این مشکل ایجاد شد که روش اول بر پایه محدودکردن وزن­های uو v مدل CCR استوار بوده و روش دوم با افزودن واحدهای فرضی با ورودی­ها و خروجی­های فرضی به واحدهای مشاهده شده عمل می­کند(علیرضائی و کشوری و خلیلی^[6]، 1385). دیسون و تاناسولیس(Dyson and et al^[7]., 1988) نمونه­ای از روش اول و تاناسولیس و آلن(Thanassoulis & Allen^[8],1998) نمونه­ای از روش دوم ارائه کردند.

در ادامه بنکر، چارنز و کوپر(1984) (Banker and et al., 1984) مفهوم بازده به مقیاس را در این روش در نظر گرفتند و به این ترتیب بنیان مجموعه­ای از روش­های ارزیابی عملکرد شکلو گرفت که ابزارهای مناسب و کارامدی را برای ارزیابی واحدهای صنعتی، فرهنگی و اقتصادی که در ادبیات تحلیل پوششی داده­ها، واحد تصمیم­گیرنده (DMU) نامیده می­شود، در اختیار مدیران قرار می­دهد(علیرضایی و کشوری و هاشمی^[9]، 1384).

مهمترین مزیت تحلیل پوششی داده ها توان مقایسه چندین واحد تصمیم گیرنده از لحاظ چندین معیار است. از مزایای دیگر این شیوه ناپارامتریک نسبت به الگوهای پارامتریک، می توان به عدم نیاز به تخمین شکل تابع در تجزیه و تحلیل نسبت های مالی و عدم نیاز به تخمین توزیع آماری نسبت ها اشاره کرد. سودمندی دیگر این روش در تجزیه و تحلیل نسبت­ها در ترجمه همه اعداد به عدد واحدی به نام معیار کارایی است و این امر باعث افزایش سهولت در مقایسه خواهد شد(سینایی و گشتاسبی مهارلویی^[10]، 1391).

2-2-2-مزایای روشDEA

مزایای روش DEA به شرح زیر می­باشد:

1. در این روش واحد اندازه­گیری حساس نیست و نهاده­ها می­توانند دارای واحدهای مختلفی می باشند.
2. روش DEA یک روش مدیریتی است که کارایی واحدها را به طور نسبی اندازه گیری می کند و راهکارهای مدیریتی ارائه می دهد.
3. در حالتی که واحد اقتصادی دارای چند نهاده در فرآیند ایجاد ستاده باشد، روش برنامه ریزی خطی، به راحتی می تواند ترکیب بهینه ستاده ونهاده را برای یک واحد کارا تعیین می­کند.
4. به مقایسه واحدها با یکدیگر می­پردازد و از ایده آل گرایی محض به دور است.
5. بیش از سایر روش­ها، قابلیت تعمیم پذیری و گسترش دارد و به کارگیری آن در یک واحد برای یک موضوع، می تواند زمینه را برای کارهای بعدی نیز فراهم کند.
6. این روش فقط کارایی را مشخص می کند و نقطه ضعف سایر سیستم­های اندازه گیری را که نوعی مطلق گرایی را دنبال می کنند، ندارد و کارا بودن در این الگو یک کمیت دست یافتنی است.
7. این روش، قابلیت بسیار بالایی در رتبه بندی کامل واحدهای تصمیم­گیرنده مورد مطالعه را فراهم می آورد و الگوهایی مثل اندرسون-پترسون وجود دارند که می توانند بنگاه های کارا را نیز رتبه بندی کنند و کاراترین بنگاه را از میان بنگاه های کارا برگزینند(خواجوی و همکاران ، 1384).

2-2-3-توانمندی های روش DEA:

1-مدیریت چند ورودی_چند خروجی

تحليل پوششي داده ها روشي براي محاسبه كارايي واحدهاي تصميم گيرنده است. با استفاده از تحليل پوششي داده‌ها مي‌توان واحدهاي تصميم گيرنده با چندين ورودي و چندين خروجي تعريف كرده و كارايي آن ها را محاسبه كرد. امكان تعامل با چندين خروجي يكي از مهم ترين تفاوت‌هاي تحليل پوششي داده‌ها با روش‌هاي رايج اقتصادي است.

2-تابع تولید

تابع توليد در تحليل پوششي داده‌ها از قبل تعيين نمي‌شود، بلكه براساس وضعيت واحدهاي تصميم گيرنده يك چند وجهي بي‌كران به عنوان تابع توليد ايجاد مي‌شود.

3-مبتني بودن برLP

مدل‌هاي اساسي تحليل پوششي داده‌ها، مدل‌هاي رياضي هستند و به سادگي توسط نرم افزار‌هاي حل مساله قابل حل هستند. مدل‌هاي اساسي تحليل پوششي داده‌ها هميشه شدني بوده و جواب بهينه به دست مي‌آيد.

البته با تغيير فرض‌هاي تكنولوژي امكان ايجاد مدل‌هاي ديگري نيز وجود دارد، مانند تكنولوژيFDHكه يك مدل برنامه‌ريزي صفر و يك ايجاد مي‌كند.

4-كنترل بازده به مقياس

مدل ابتدايي تحليل پوششي داده‌ها(CCR) داراي فرض بازده به مقياس ثابت است. پس از آن مدل(BCC)با فرض بازده به مقياس متغير ايجاد شد. مدل‌هاي با بازده به مقياس‌هاي كاهشي و افزايشي نيز بوجود آمده‌اند. همچنين مطالعاتي در زمينه مدل‌هاي با بازده به مقياس تركيبي نيز انجام شده است. بنابراين در حالت‌هايي كه بازده به مقياس جامعه ي واحدهاي تصميم گيرنده به درستي مشخص نيست، به راحتي مي‌توان مساله را با بازده به مقياس‌هاي مختلف حل كرد و نتايج را مورد بررسي قرار داد. از سوي ديگر درباره تعيين بازده به مقياس هر كدام از واحدهاي تصميم گيرنده مطالعات بسياري در مقالات منتشر شده تحليل پوششي داده‌ها وجود دارد.

5-محدوديت اوزان

در مدل‌هاي اساسي تحليل پوششي داده‌ها، وزن‌هاي هر كدام از عوامل ورودي و خروجي قابليت انعطاف بالايي دارند. بخش بزرگي از مطالعات تئوريك تحليل پوششي داده‌ها بر كنترل وزن‌هاي عوامل متمركز شده است.روش‌هاي مختلفي براي كنترل وزن‌ها ارائه شده است، از جمله تعيين كران بالا و كران پايين براي اوزان و تعيين كران براي نسبت‌ها. محدوديت اوزان يكي از مهمترين مباحث مطرح شده در تحليل پوششي داده‌ها است و مي‌توان از طريق كنترل وزن‌ها اطلاعات متخصصين را با مدل‌هاي تحليل پوششي داده‌ها تلفيق كرد.

جزئیات:
توضیحات: فصل دوم پژوهش کارشناسی ارشد و دکترا (پیشینه و مبانی نظری پژوهش)
همرا با منبع نویسی درون متنی به شیوه APA جهت استفاده فصل دو پایان نامه
توضیحات نظری کامل در مورد متغیر
پیشینه داخلی و خارجی در مورد متغیر مربوطه و متغیرهای مشابه
رفرنس نویسی و پاورقی دقیق و مناسب
منبع : انگلیسی و فارسی دارد (به شیوه APA)