تحلیل پوششی داده‌ها (DEA)
تحلیل پوششی داده‌ها (DEA) یک مدل برنامه‌ریزی ریاضی، برای ارزیابی کارایی واحدهای تصمیم گیرنده‌ای (DMU) است که چندین ورودی و چندین خروجی دارند. اندازه‌گیری کارایی به دلیل اهمیت آن در ارزیابی عملکرد یک شرکت یا سازمان همواره مورد توجه پژوهشگران قرار داشته است.
واژه DEA مخفف Data Envelopment Analysis می‌باشد که به معنی تحلیل پوششی داده‌ها است. فارل در سال ۱۹۵۷، با استفاده از روشی همانند اندازه‌گیری کارایی در مباحث مهندسی، به اندازه‌گیری کارایی برای واحد تولیدی اقدام کرد. موردی که فارل برای اندازه‌گیری کارایی مد نظر قرار داد شامل یک ورودی و یک خروجی بود.
چارنز، کوپر و رودز دیدگاه فارل را توسعه دادند و الگویی را ارایه کردند که توانایی اندازه‌گیری کارایی با چندین ورودی و خروجی را داشت. این الگو تحت عنوان تحلیل پوششی داده‌ها نام گرفت. نخستین بار در رساله دکترای ادوارد رودز و به راهنمائی کوپر تحت عنوان ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا در سال ۱۹۷۶، در دانشگاه کارنگی مورد استفاده قرار گرفت.
از آن جا که این الگو توسط چارنز، کوپر و رودرز ارائه گردید به الگوی (CCR) که از حروف اول نام سه فرد یاد شده تشکیل شده است، معروف گردید. در سال ۱۹۷۸ در مقاله‌ای با عنوان اندازه‌گیری کارایی واحدهای تصمیم گیرنده ارائه شد.
تعریف تحلیل پوششی داده‌ها
در واقع تحلیل پوششی داده‌ها مبتنی بر یکسری بهینه سازی با استفاده از برنامه‌ریزی خطی می‌باشد که به آن روش ناپارامتریک نیز گفته می‌شود. در این روش منحنی مرزی کارا از یک سری نقاط که بوسیله برنامه‌ریزی خطی تعیین می‌شود ایجاد می‌گردد. برای تعیین این نقاط می‌توان از دو فرض بازدهی ثابت و متغیر نسبت به مقیاس استفاده کرد. روش برنامه‌ریزی خطی پس از یک سری بهینه سازی مشخص می‌کند که آیا واحد تصمیم گیرنده مورد نظر روی مرز کارایی قرار گرفته است و یا خارج آن قرار دارد؟ بدین وسیله واحدهای کارا و ناکارا از یکدیگر تفکیک می‌شوند. تکنیک DEA تمام داده‌ها را تحت پوشش قرار داده و به همین دلیل تحلیل پوششی داده‌ها نامیده شده است.
یکی از ابتدایی ترین و در عین حال معمول ترین روش‌های اندازه‌گیری کارایی، استفاده از نسبت‌ها می‌باشد. این نسبت‌ها در زمینه‌های مختلف مالی، اقتصادی و صنعتی بکار گرفته می‌شوند. در صورتی که کارایی به عنوان نسبتی از خروجی‌ها به ورودی‌ها تعریف شود، محاسبه و تحلیل آن برای واحدهای تک ورودی-نک خروجی آسان خواهد بود اما در اکثر مسادل دنیای واقعی با واحدهایی با چندین ورودی و خروجی رو به رو بوده و در نتیجه نیازمند روش هایی هستیم که با ترکیب ورودی‌ها و خروجی‌ها به صورت یک شاخص واحد،به معیار مناسبی جهت سنجش کارایی دست یابیم.
الزامات اساسی تحلیل پوششی داده‌ها (DEA)
ورودی‌ها: تعداد ورودی‌ها بین ۲ تا ۵ بوده و بیشتر مواقع ۳ تا ورودی انتخاب می‌شود.
خروجی‌ها: تعداد خروجی‌ها بین ۱ تا ۳ بوده و بیشتر مواقع ۱ خروجی انتخاب می‌شود.
واحدهای تصمیم یا DMU : تعداد DMUها باید ۵ برابر مجموع ورودی و خروجی باشد.
داده‌ها: دقت کنید DEA با طیف لیکرت انجام نمی‌شود و داده‌های واقعی نیاز است.
هدف روش تحلیل پوششی داده‌ها تعیین کارایی یک مجموعه واحد براساس تعدادی ورودی و خروجی است. در این روش لازم است تا ۵ برابر تعداد ورودی‌ها و خروجی ها؛ واحد تصمیم‌گیری وجود داشته باشد.
دو مشخصه اساسی برای الگوی DEA
استفاده از الگوی DEA، برای ارزیابی نسبی واحدها، نیازمند تعیین دو مشخصه اساسی است:
- ماهیت الگو
- بازده به مقیاس الگو
ماهیت الگوی مورد استفاده می‌تواند ورودی‌محور یا خروجی‌محور باشد:
الگوی ورودی محور یا ماهیت ورودی : هدف این رویکرد افزایش کارایی از طریق کاهش ورودی‌ها یا مواد اولیه است. در صورتی که در فرایند ارزیابی، با ثابت نگه داشتن سطح خروجی‌ها، سعی در حداقل سازی ورودی‌ها داشته باشیم ماهیت الگوی مورد استفاده ورودی است.
الگوی خروجی محور یا ماهیت خروجی : هدف این روش افزایش کارایی از طریق افزایش خروجی یا ستاده‌ها است. اگر در فرایند ارزیابی کوشش شود با ثابت نگه داشتن میزان ورودی‌ها، میزان خروجی افزایش یابد، ماهیت الگوی مورد استفاده خروجی است.
در الگوی DEA بادیدگاه ورودی، به دنبال به دست آوردن ناکارایی فنی به عنوان نسبتی می‌باشیم که باید در ورودی‌ها کاهش داده شود تا خروجی، بدون تغییر بماند و واحد در مرز کارایی قرار گیرد. دیدگاه خروجی، به دنبال نسبتی است که باید خروجی‌ها افزایش یابند، بدون آنکه تغییر در ورودی‌ها به وجود آید تا واحد مورد نظر به مرز کارایی برسد.
در الگوی CCR، مقادیر به دست آمده برای کارایی در دو دیدگاه مساوی هستند ولی در مدل BCC این مقادیر متفاوت هستند. علت انتخاب دیدگاه برای یک الگو DEA، در ارزیابی نسبی عملکرد واحدها‌ای است که در بعضی موارد مدیریت واحد هیچ کنترلی بر میزان خروجی ندارد و مقدار آن از قبل مشخص و ثابت می‌باشد. برعکس در بعضی از موارد میزان ورودی ثابت و مشخص است و میزان تولید(خروجی) متغیر تصمیم است و در چنین شرایطی، دیدگاه خروجی مناسب می‌باشد. در نهایت انتخاب ماهیت ورودی و خروجی بر اساس میزان کنترل مدیر، بر هر یک از ورودی‌ها و خروجی‌ها تعیی می‌گردد.
بازده به مقیاس الگوی مورد استفاده
بازده به مقیاس بیانگر پیوند بین تغییرات ورودی‌ها و خروجی‌های یک سیستم می‌باشد. یکی از توانایی‌های روش DEA، کاربرد الگوهای مختلف متناظر با بازده به مقیاس‌های متفاوت و همچنین اندازه‌گیری بازده به مقیاس واحدهاست.
الف: بازده به مقیاس ثابت:یعنی هر مضربی از ورودی‌ها همان مضرب از خروجی‌ها را تولید می‌کند.الگوی CCR بازده به مقیاس واحدها راثابت فرض می‌کند. بنابراین واحدهای کوچک و بزرگ، با هم مقایسه می‌شوند.
ب: بازده به مقیاس متغیر: یعنی هر مضربی از ورودی‌ها، می تواند همان مضرب ار خروجی‌ها یا کمتر از آن و یا بیشتر از آن را، در خروجی‌ها تولید کند. الگوی BCC بازده به مقیاس را متغیر فرض می‌کند.
دانلود اصل مقالات DEA تکنیک تحلیل پوششی داده‌ها
پیدایش تکنیک DEA به کار فارل به سال ۱۹۵۷ برمی‌گردد. فارل با استفاده از روشی همانند اندازه‌گیری کارایی در مباحث مهندسی، به اندازه‌گیری کارایی برای واحد تولیدی اقدام کرد. موردی که فارل برای اندازه‌گیری کارایی مد نظر قرار داد شامل یک ورودی و یک خروجی بود. آبراهام چارنز، ویلیام کوپر و ادوارد رودز دیدگاه فارل را توسعه دادند و الگویی را ارایه کردند که توانایی اندازه‌گیری کارایی با چندین ورودی و خروجی را داشت. این الگو، تحت عنوان تحلیل پوششی داده‌ها، نام گرفت و اول بار، در رساله دکترای ادوارد رودز و به راهنمائی کوپر در سال ۱۹۷۶، در دانشگاه کارنگی مورد استفاده قرار گرفت. نسخه اصل این مقالات کمیاب در سایت پارس‌مدیر برای دانلود قرار گرفته است:
The measurment of productive efficiency; By M. J. Farrell
Some models for estimating thechnical and scale inefficiency in DEA; Banker, Charnes and Cooper
Measuring the efficiency of decision making units; Charnes, Cooper and Rhodes
رمز فایل فشرده: parsmodir.com
سخن پایانی
کارایی یک مفهوم مدیریتی است که سابقه‌ای طولانی در علم مدیریت دارد. کارایی نشان می‌دهد که یک سازمان به نحو خوبی از منابع خود در راستای تولید نسبت به بهترین عملکرد در مقطعی از زمان استفاده کرده است. هرگاه واحد تصمیم گیرنده دارای یک ورودی ویک خروجی باشد،کارایی آن نسبت خروجی به ورودی همان واحد تعریف می‌شود. در صورتی که با واحدهای یکسان باشند، مثلاً ورودی و خروجی هر دو از جنس پول باشد، می‌توان خروجی را به ورودی تقسیم کرد.
یکی از نقاط قوت مدل‌های تحلیل پوششی داده‌ها نسبت به روش‌هایی که تا قبل از سال ۱۹۷۹ برای تعیین کارایی مورد استفاده قرار می‌گرفت، این است که این مدل‌ها علاوه بر تعیین کارایی یا عدم کارایی و رتبه هر واحد تصمیم گیری، برای واحدهای تصمیم‌گیری ناکارا، یک الگوی کارا نیز معرفی می‌کنند که واحد تصیم‌گیری تحت ارزیابی در صورت رسیدن به آن از نظر مصرف ورودی و تولید خروجی دارای عملکردی کارا خواهد شد. در ادبیات تحلیل پوششی داده‌ها معمولاً از این الگو با عنوان آرمان و یا نقطه تصویر نام می‌برند.
پکیچ آموزشی تحلیل پوششی داده‌ها
دو نمونه پاورپوینت کامل فارسی برای تحلیل پوششی داده‌ها
نمونه فصل سوم تکنیک تحلیل پوششی داده‌ها بصورت فایل ورد
نمونه فصل چهارم تکنیک تحلیل پوششی داده‌ها بصورت فایل ورد
فصل دوم تحلیل پوششی داده‌ها بصورت فایل ورد همراه با فهرست منابع
سلامدوره تحلیل پوششی داده ها دارید به صورت خصوصی ممنون
سلام، روز بخیر
یعنی چی با طیف لیکرت انجام نمیشه و باید داده واقعی داشته باشیم؟
داده های من واقعی هستن ولی همه در قالب طیف لیکرت هستند
سلام و دورود. با این الگو میشه ارز دیجیتال را تحلیل کرد؟
درود بر شما. ارتباط خاصی نمیبینم البته دانش من پیرامون ارز دیجیتال بسیار اندک است.