سنجش کارایی مدیریت شعب بانک ملی با استفاده از تحلیل پوششی داده های سه مرحله …

در عمل تعیین این وزن های مشترک کار مشکلی است. مشکل اول این است که ارزش گذاری داده ها و ستاده ها کار آسانی نیست. دومین مشکل این است که واحدهای مختلف عملیات خود را به اشکال متفاوتی سازمان دهی می کنند. دومین مشکل این است که واحدهای مختلف عملیات خود را به اشکال متفاوتی سازماندهی می کنند. بنابراین ارزشی که به داده ها و ستاده های گوناگون می دهند با دیگران متفاوت خواهد بود. این تفاوت را می توان در مقایسه ی دانشکده های یک دانشگاه به شکل روشن تری نشان داد. مدیران دانشکده های مختلف هنگام ارزش گذاری بر فعالیت های دانشکده خود نظرات گوناگونی دارند. برای مثال در یک دانشکده فعالیت های ورزشی مهم تر است و در دیگری کارهای هنری و نمایشی دانشجویان. بنابراین، تعیین یک مجموعه وزن یکسان برای ارزیابی عملکرد همه ی دانشکده ها به طوری که همه ی مدیران دانشکده های مختلف روی آن اتفاق نظر داشته باشند، کاری مشکل یا شاید غیر ممکن است. بنابراین برای اجتناب از وزن دهی یا تخصیص هر گونه اولویت نسبی به داده ها یا ستاده ها، تعریف زیر را از کارایی نسبی مطرح می کنیم:
کارایی نسبی یک DMU، 100% است. اگر و فقط اگر هیچ یک از داده های آن را نتوانیم کم تر کنیم یا هیچ یک از ستاده های آن را نتوانیم بیشتر کنیم، مگر این که باعث شود داده ها دیگری بیشتر مصرف شوند یا ستاده های دیگری کم تر تولید شوند. به عبارت دیگر اگر و فقط اگر هیچ یک از داده ها یا ستاده های آن را نتوانیم بهتر کنیم، مگر اینکه داده یا ستاده های دیگری بدتر شوند. چون می خواهیم تنها براساس اطلاعات در دسترس کار کنیم، تعریف نهایی کارایی نسبی در تحلیل پوششی داده ها را به صورت زیر مطرح می کنیم:
یک DMU بر اساس شواهد موجود 100% کارآمد است، اگر و فقط اگر، عملکرد دیگر DMU ها نشان ندهد که می توان برخی داده ها یا ستاده های آن واحد را بهبود داد و در عین داده ها و ستاده های دیگر آن واحد بدتر نشوند. (مومنی، 1385)
به طور کلی DEA را می توان روشی نو در تحقیق در عملیات دانست که برای سنجش کارایی نسبی به کار می رود. این روش روز به روز گسترش بیشتری یافته و کابردهای گوناگونی پیدا کرده است. تا سال 2001 میلادی نزدیک به 18 هزار صفحه درباره DEA انتشار یافته که 50 کتاب جزئی از آن است. مبنای این روش برنامه ریزی خطی (LP) است و چون روش بهینه سازی است، نسبت به دیگر روش های تحلیل کارایی برتری دارد.
1-8-2نحوه کارکرد تحلیل پوششی داده ها
با استفاده از مدل DEA یک مرز یا الگو (مبنای مقایسه) از واحدهای تصمیم گیری که دارای بهترین عملکرد هستند ساخته می شود. سپس کارایی واحدهای مورد نظر نسبت به ان مرز سنجیده می شود. برای تشریح چگونگی کارکرد DEA، فرض کنید که یک فرایند تولید دارای یک داده و یک ستاده است و اطلاعات آماری درباره ی آن وجود دارد. شکل 2-3 وضعیت تولید کنندگان گوناگونی، که از این فرایند تولیدی استفاده می کنند، نشان می دهد. هر نقطه نشانگر یک تولید کننده یا همان DMU است و جایگاه آن در نمودار، میزان داده های مصرفی و ستاده های تولیدی آن را مشخص می کند. طبق شکل 2-3 با DEA، مرزی از تولید کنندگان برتر ساخته شده است.
شکل 3-2 جایگاه تولید کنندگان در فضای یک داده و یک ستاده
تولیدکننده ای که روی این مرز ( خط شکسته) قرار دارد بیشترین ستاده را از داده ی موجود تولید می کند و یا برای تولید ستاده ی معین، کم ترین داده ها (منابع) را مصرف می کند. تولید کنندگانی که در زیر این خط شکسته ی مرزی قرار می گیرند« ناکارآمد» محسوب می شوند. آن ها می توانند تولید خود را با داده یکم تر انجام دهند یا ستاده ی بیشتری را با همین داده تولید کنند، کارایی تولید کنندگان روی خط شکسته معادل 1 ( 100%) و کارایی دیگر تولیدکنندگان کم تر از یک است. شکل 2-4 یک مثال عددی را درباره ی چگونگی محاسبه بهبود ممکن برای واحدی نظیر واحد j ام، ارائه می کند. الگویی که j را با آن می توان مقایسه کرد نقطه ی L است. زیرا L روی پاره خط مرزی AB قرار گرفته است. این تولید کننده فرضی می تواند همان مقدار ستاده ی j را تنها با مصرف 2 واحد داده تولید کند. در حالی که j، 5 واحد داده مصرف می کند. بنابراین کارایی j با تقسیم LK بر JK به دست می آید:
این عدد نشان می دهد که واحد J می تواند همین مقدار ستاده را تنها با 40 درصد داده ی در دسترس تولید کند. یعنی واحد j برای صرفه جویی دارای توان بالقوه ای معادل 60% است.
شکل 4-2 محاسبه ی مقیاس عملکرد در DEA
طبیعی است که بپرسیم، واحد j چگونه عملکرد خود را بهبود بخشد؟ واحد j می تواند با صرفه جویی در منابع برای تولید همین ستاده یا افزایش ستاده با مصرف همین تعداد داده ها و یا ترکیبی از این دو، عملکرد خود را بهبود بخشد. بهترین جواب این است که j می تواند در عمل از بهترین واحدهای تشکیل دهنده ی مرز کارایی نسبی صد در صد، واقع بر روی خط شکسته ی LM، بهترین عملکرد را بیاموزد. هنگام ارزیابی مقایسه ای تولیدکنندگان، نخستین مساله ی روش شناسی که باید مورد توجه قرار گیرد« بازگشت نسبت به مقیاس» است. اگر بازگشت نسبت به مقیاس ثابت باشد، یعنی با افزایش یک واحد داده ها، یک واحد ستاده افزایش می یابد و کارایی با تغییر حجم تولید تغییر نمی کند. بنابراین اگر یک تکنولوژی تولیدی دارای « بازگشت نسبت به مقیاس متغیر» (VRS) باشد، بر امکان تاثیر حجم تولید بر کارایی دلالت می کند و می توان نتیجه گرفت که برخی ناکارایی های موجود، ناشی از بهینه نبودن حجم تولید است. در این مورد، باید بین « کارایی تکنیکی» و «کارایی مقیاس» تفاوت قائل شد. می

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.

توان این کار را با تخمین کارایی با فرض بازگشت ثابت نسبت به مقیاس (CRS) و نیز با فرض بازگشت متغیر نسبت به مقیاس (VRS) و مقایسه ی آن دو انجام داد.
در شکل 2-5 تفاوت میان کارایی محاسبه شده تحت فرض CRS,VRS نمایش داده شده است.
شکل 5-2 نمایش بازدهی ثابت نسبت به مقیاس و بازدهی متغیر نسبت به مقیاس
در این شکل بهترین عملکرد مبنا، بر اساس[18] CRS، نیم خطی است که از مرکز و نقطه ی B عبور می کند، چون B دارای بیشترین نسبت ستاده به داده یا همان کارایی است. اما مرز بهترین عملکرد بر اساس VRS از نقاط D , C , M , B , A می گذرد، نقطه ی L نشان می دهد که در بهترین وضعیت تکنیکی چگونه تولید کننده ی j می تواند با کم ترین داده بیشترین ستاده را تولید کند. نقطه ی P نشان می دهد که اگر تولید کننده ی j هم دارای کارایی تکنیکی و هم کارایی مقیلس بود، چقدر داده مصرف می کرد. همچنین از روی شکل می توانیم ببینیم که چگونه یک تولید کننده ناکارآمد است.
تولید کننده B تنها تولید کننده ای است که روی مرز CRS واقع شده و بیشترین نسبت ستاده به داده را دارد بنابراین آشکار است که تولید کننده ای مانند j باید مقیاس تولید خود را افزایش دهد تا ناکارایی ناشی از مقیاس کوچک را جبران کند.( مومنی، 1385)
2-8-2دو مشخصه ی اساسی برای مدل تحلیل پوششی داده ها
استفاده از مدل تحلیل پوششی داده ها، جهت ارزیابی نسبی واحد ها، نیازمند تعیین دو مشخصه اساسی ماهیت الگو و بازده به مقیاس آن می باشد؛ که در زیر به تشریح هر یک پرداخته می شود.( مهرگان، 1385)
1-2-8-2 ماهیت الگوی مورد استفاده
ماهیت ورودی: در صورتی که در فرایند ارزیابی، با ثابت نگه داشتن سطح خروجی ها، سعی در حداقل سازی ورودی ها داشته باشیم، ماهیت الگوی مورد استفاده، ورودی محور است.
ماهیت خروجی: در صورتی که در فرایند ارزیابی، با ثابت نگه داشتن سطح ورودی ها، سعی در افزایش سطح خروجی ها داشته باشیم، ماهیت الگوی مورد استفاده، خروجی محور است.
علت انتخاب دیدگاه برای یک مدل تحلیل پوششی داده ها در ارزیابی نسبی عملکرد واحدها، این است که در بعضی موارد مدیریت واحد، هیچ کنترلی بر میزان خروجی نداشته و مقدار آن از قبل مشخص و ثابت است ( مانند نیروگاه برق). در این موارد میزان ورودی ها به عنوان متغیر تصمیم می باشد، بنابراین دیدگاه ورودی محور مورد استفاده قرار می گیرد و بر عکس در بعضی از موارد میزان ورودی ثابت و مشخص است و میزان تولید (خروجی) متغیر تصمیم است. در چنین شرایطی دیدگاه خروجی محور مناسب می باشد. بنابراین ماهیت، در مدلها و روشهای کارایی، مرتبط با جهتی است که برای بهبود واحد ناکارا انتخاب می شود.(مهرگان، 1385)
2-2-8-2 بازده به مقیاس الگوی مورد استفاده
بازده به مقیاس مفهومی است بلندمدت که منعکس کننده نسبت افزایش در خروجی به ازاء افزایش در میزان ورودی ها است. این نسبت می تواند ثابت، صعودی یا نزولی باشد. نسبت بازده ثابت به مقیاس وقتی صادق است که افزایش در ورودی ها به همان نسبت موجب افزایش در خروجی می شود.
برای مثال اگر نیروی کار و سرمایه دو برابر شود، نتیجه آن دو برابر شدن میزان محصول می گردد. بازده صعودی به مقیاس آنست که میزان خروجی به نسبتی بیش از میزان افزایش در ورودی ها افزایش یابد و در صورتیکه میزان افزایش در خروجی ها کمتر از نسبتی باشد که ورودی ها افزایش داده شوند، بازده نزولی نسبت به مقیاس ایجاد شده است. (فرجی، 1388)
اندرسون معتقد است که یک تابع تولید تک مقداری ممکن است تمام سه نوع بازده به مقیاس فوق الذکر را در برگیرد. همچنین بعضی از اقتصاددانان فرض می کنند که تاع تولید برای مقدار کمی از ورودی ها بازده فزاینده به مقیاس دارند که با افزایش بیشتر در ورودی ها پس از عبور از مرحله بازده ثابت، مرحله بازده کاهشی به مقیاس تولید به وجود خواهد آمد.( کرامتی، 1382)
بازده به مقیاس ثابت: بازده به مقیاس ثابت بدان معناست که هر مضربی از ورودی ها همان مضرب از خروجی ها را تولید می کند.
بازده به مقیاس متغیر: بازده به مقیاس متغیر بدین معنی است که هر مضربی از ورودی ها همان مضرب از خروجی ها، کمتر از آن و یا بیشتر از آن را تولید می کند.
( بازده به مقیاس صعودی: با ورود مضربی از ورودی ها، بیش از مضرب آن، خروجی ها تولید شود.
بازده به مقیاس نزولی: مضربی از ورودی ها نتواند همان مضرب از خروجی ها را تولید کند و مضرب خروجی ها کمتر از ورودی ها باشد).
چارنز، کوپر و رودز همچنین در ساخت مدل تحلیل پوششی داده ها به یک رابطه تجربی در ارتباط با تعداد واحدهای مورد ارزیابی و تعداد ورودی ها و خروجی ها به صورت زیر رسیده اند:
تعداد واحد های مورد ارزیابی ≥ 3 (تعداد خروجی ها + تعداد ورودی ها)
عدم بکارگیری رابطه فوق در عمل موجب می شود که تعداد زیادی از واحدها بر روی مرز کارا قرار گرفته و به عبارت دیگر دارای امتیاز کارایی یک گردند. لذا قدرت تفکیک مدل به این ترتیب کاهش می یابد.
3-8-2 مجموعه مرجع و واحد مجازی
مجموعه مرجع برای هر واحد غیر کارا متشکل از یک یا ترکیبی از دو یا چند واحد کاراست که به عنوان الگو معرفی می گردند.
برای نمونه در شکل 2-6، واحدهای D و C را می توان به عنوان واحدهای مرجع برای واحد B در نظر گرفت. همچنین واحد B که ترکیب محدبی از واحدهای مرجع D و C است را واحد مجازی می نامند.
واحد مجازی B از تقاطع خط شعاعی واصل OB با مرز کارا بدست می آید.
شکل 6-2 مرزکارا در حالت دو ورودی و یک خروجی
اگر واحد مجازی بتواند با استفاده از همان میزان ورودی
های واحد تحت بررسی، مقدار خروجی بیشتر ایجاد نماید و یا با ورودی های کمتر بتواند همان مقدار خروجی واحد تحت بررسی را ایجاد کند، آن گاه واحد تحت بررسی واحدی نسبتا ناکارا می باشد و با مقایسه آن با واحد کاری مجازی، می توان عملکرد آن را بهبود بخشد. بر عکس واحد تحت بررسی کاراست اگر شرایط فوق برقرار نباشد(Baker,2000).
حال اینکه چگونه واحد ناکارا می تواند به این کارایی دست یابد، DEA این را به ما نمی گوید. بلکه می گوید واحد ناکارای تحت بررسی می تواند از واحدهای کارای مرجع به صورت منطقی الگوبرداری نماید. یعنی واحد ناکارا با مطالعه واحد کارا در ابعاد مختلف قادر خواهد بود تغییرات مورد نیاز خود را شناسایی و اعمال نماید که این تغییرات منجر به کارایی عملکرد آن خواهد شد. فرض کنید امتیاز کارایی یک واحد 71% باشد، این بدان معناست که این واحد ناکارا بوده و در مقایسه با واحد کارا، ظرفیت برای بهبود دارد. در این حالت واحد مجازی این DMU، با مصرف 29 درصد کمتر از ورودی ها، به همان سطح خروجی دست می یابد. یا به دیگر سخن، این DMU به اندازه 71% مجموعه مرجع اش کارا است.