سنجش کارآیی در تحلیل پوششی داده ها با استفاده از مرزهای کارآ و ناکارآ(مقاله علمی وزارت علوم)
حوزه های تخصصی:
تحلیل پوششی داده ها (DEA) یک رویکرد داده ای برای ارزیابی عملکرد مجموعه ای از موجودیت های متجانس به نام واحدهای تصمیم گیری (DMUها) است، که عملکرد آنها بر اساس اندازه های متعدد مشخص می شود. DEAی سنتی که مبتنی بر مفهوم مرز کارآیی است، بهترین نمره ی کارآیی را تعیین می کند که می توان به هر یک از DMUها اختصاص داد. DMUها بر اساس این نمرات به عنوان کارآی DEA (کارآی خوشبینانه) یا غیرکارآی DEA (غیرکارآی خوشبینانه) تقسیم بندی می شوند، و DMUهای کارآی DEA، مرز کارآیی را مشخص می کنند. رویکرد مشابهی وجود دارد که از مفهوم مرز ناکارآیی برای تعیین بدترین نمره ی کارآیی نسبی که می توان به هر DMU اختصاص داد، استفاده می کند. DMUهای واقع روی مرز ناکارآیی به عنوان ناکارآی DEA یا ناکارآی بدبینانه تعیین می شوند، و آنهایی که روی مرز ناکارآ نیستند، به عنوان غیرناکارآی DEA یا غیرناکارآی بدبینانه اعلام می شوند. در این مقاله، این بحث مطرح می شود که هر دو کارآیی نسبی را باید با هم در نظر گرفت، و هر رویکردی که فقط یکی از آنها را در نظر گرفته باشد، دچار سوگیری خواهد بود. برای اندازه گیری عملکرد کلی DMUها، پیشنهاد می شود که هر دو کارآیی را در قالب یک بازه ادغام کنیم، و مدل های DEAی پیشنهادی برای اندازه گیری کارآیی را مدل های DEAی کراندار می نامیم. به این ترتیب، بازه ی کارآیی تمام مقادیر ممکن کارآیی را که منعکس کننده ی دیدگاه های مختلف هستند، در اختیار تصمیم گیرنده قرار می دهد. یک مثال عددی در مورد شرکت های گاز ایران با استفاده از مدل های DEAی پیشنهادی بررسی می شود، تا سادگی و سودمندی آن را نشان دهند.