تحلیل کارایی شرکتهای بیمه خصوصی کشور- قسمت ۱۳

عدم نیاز به هیچ فرضی در رابطه با ناکارایی و توزیع آماری اجزای مدل (Duygun Fethi and Pasiouras, 2010).
همچنین در رابطه با معایب تکنیک تحلیل پوششی داده‌ها در مقایسه با سایر تکنیک‌ها می‌توان به موارد زیر اشاره نمود.
تکنیک DEA جهت اندازه‌گیری کارایی نسبی بوده و کارایی مطلق را نمی سنجد.
وجود تفاوت بین درجه اهمیت ورودی‌ها و خروجی‌ها در دنیای واقعی موجب انحراف در نتایج می‌گردد (البته این مشکل با محدودسازی وزن‌های تخصیصی به ورودی‌ها و خروجی‌ها تا حدی قابل رفع است).
تغییر در نوع و تعداد ورودی‌ها و یا خروجی‌ها امکان تغییر در نتایج ارزیابی را فراهم می‌کند. هم‌چنین به دلیل محاسبه کارایی به طور نسبی، تغییر در تعداد DMU ها موجب تغییر در امتیاز کارایی تمامی واحدها می‌گردد.
در ارزیابی هر سیستم، باید به تعداد واحدهای تصمیم گیرنده، مدل برنامه‌ریزی ریاضی ساخته و حل گردد که حجم بالایی از محاسبات را در پی خواهد داشت (هرچندکه استفاده از نرم افزارها و روش‌های محاسبات کامپیوتری این مشکل را مرتفع می‌سازد).
از آنجایی که DEA یک تکنیک ناپارامتری است، بهره‌گیری از تکنیک‌ها و آزمون‌های آماری در آن، دشوار می‌باشد.
در DEA فرض بر آن است که داده های جمع‌آوری شده، عاری از خطای اندازه‌گیری بوده و به طور کلی خطاهای تصادفی را لحاظ نمی نماید. در مقایسه با روش‌های تصادفی، مدل‌های معمول تکنیک DEA روش‌هایی قطعی هستند. از آنجا که مطالعاتی در راستای نشان دادن محدودیت‌های روش‌های قطعی انجام شده است، مدل DEA تصادفی (DEA stochastic) با ایجاد تغییری در مدل DEA اولیه، امکان جداسازی ناکارایی از خطای تصادفی (random error) را فراهم کرده است.
وقتی تعداد مشاهدات نسبت به اندازه نمونه کم باشد (داشتن مشاهدات اندک و ورودی‌ها و/یا خروجی‌های بسیار)، بسیاری از واحدها به اشتباه بر روی مرز کارا قرار می‌گیرند (O’Neill et al, 2008).
تکنیکDEA نسبت به داده‌های دورافتاده بسیار حساس است (Duygun Fethi and Pasiouras, 2010).
آزاد بودن وزن‌ها (عدم وجود محدودیت روی وزن‌ها) برای بیشینه نمودن کارایی واحد تصمیم گیرنده تحت ارزیابی، می‌تواند موجب بروز مشکلاتی شده و یا نااریبی در نتایج را به دنبال داشته باشد (با لحاظ نمودن قیود مناسبی در مدل بر روی وزن‌ها می‌توان آنها را کنترل کرد).
در صورتی‌که یک واحد تصمیم گیرنده کارا شناخته شود، بایستی با احتیاط در رابطه با آن صحبت نمود؛ زیرا که این واحد به طور نسبی کارا ارزیابی شده و نه به طور مطلق. از آنجایی که ناکارا بودن چنین واحدی رد شده اما کارا بودن آن نیز ثابت نشده است، در صورت ضرورت باید تست‌های دیگری در رابطه با کارا بودن آن انجام شود (جهانشاهی و همکاران، ۱۳۸۷).
داشتن رفتاری مشابه با ورودی‌ها یا خروجی‌ها در مدل‌های DEA هنگامی‌که آنها ناهمگن و نامتجانس هستند، ممکن است موجب بروز نااریبی در نتایج گردد.
لحاظ ننمودن تفسیر و تحلیلی از تفاوت‌های موجود در محیط در تکنیک ممکن DEA است نتایج گمراه کننده‌ای را ارائه دهد.
روش‌های DEA استاندارد، بهینه سازی برای چندین دوره یا ریسک تصمیم‌گیری مدیریتی را کنترل نمی‌کنند (Coelli et al, 2005).
هیچ توافق کلی در مورد انتخاب ورودی‌ها و خروجی‌ها در حوزه‌های مختلف کاربری DEA وجود نداشته و همواره بحثی چالش برانگیز در این تکنیک بوده است.
تکنیک DEA صرفاً روشی ریاضی بوده و نتایج آن بر مبنای مدل‌های برنامه ریزی خطی حاصل می‌گردد و بنابراین توانایی مقایسه عوامل کیفی در واحدهای تصمیم‌گیرنده را ندارد (عباس آبادی، ۱۳۸۸).
۲-۲-۳-مدل ناپارامتریک تحلیل پوششی داده در ارزیابی عملکرد و بررسی کارایی
با شکل‌گیری سازمانها در طول دوره‌های مختلف، از الگوهای و مدل‌های متعددی جهت ارزیابی عملکرد استفاده شده است. سازمان‌ها به فراخور نیاز در ابتدا تنها از شاخص‌ها و معیارهای محدودی برای ارزیابی عملکرد استفاده می کردند. گسترش فعالیت‌ها و حوزه عملکردی سازمانی، پویایی محیط و مطرح شدن موضوع‌ها و مسائل نوین مدیریتی مانند رضایت مشتری، مسئولیت اجتماعی و… سازمان‌ها را بر آن داشت تا به شاخص‌های محدود اکتفا نکنند. از این رو مدل‌های جامع و چندمعیاره برای ارزیابی سازمان‌ها شکل گرفت و به تدریج تکامل یافت. این الگوها سازمان را از ابعاد مختلف مورد ارزیابی قرار می‌دهند و با درنظرگرفتن شاخص‌های چندگانه، ابزارهای مناسبی را برای ارزیابی عملکرد سازمان‌های نوین فراهم می سازند. به طور کلی مدل‌ها را بر اساس روش طراحی و استقرار نظام ارزیابی (و تا حدودی درانطباق با دیدگاه‌های سنتی و نوین)، می‌توان به دو دسته کلی ذیل تقسیم نمود (مجیبی میکلایی، ۱۳۸۵: ۲۲).
همان‌گونه که اشاره شد از روش‌های مختلف مانند روش‌های پارامتری (روش تا بع تولید مرزی قطعی وتصادفی) و روش‌های ناپارامتری (روش وصل نقاط حدی، تاکسونومی عددی وروش تحلیل پوششی داده‌ها) می توان به رتبه‌بندی و تعین کارایی پرداخت. این روش‌ها هرکدام مزایا و معایب خاص خود را دارا هستند، از آن جا که روش های ناپارامتری مبتنی بر یک سری بهینه سازی‌اند، برای محاسبه کارایی نسبی از آن‌ها استفاده می‌شود. عبارت نسبی در جمله بالا بسیار حائز اهمیت است زیرا کارایی به دست آمده در این روش، نتیجتاً مقایسه بنگاههای موجود با یکدیگر را نشان می‌دهد. بنابراین، در صورتی که تعدادی از مشاهدات حذف و یا تعداد آنها اضافه شود، ممکن است مقدار کارایی محاسبه شده نیز تغییر و کم یا زیاد گردد. از این حیث کارایی به دست آمده نسبی است نه مطلق. در روش‌های غیر پارامتری نیاز به انتخاب فرم تابع نبوده و محدودیتی نیز برای تعداد ستاده وجود ندارند. از میان سه روش ارزیابی ناپارامتری؛ تحلیل پوششی دادهها، وصل نقاط حدی و تاکسونومی عددی، روش تحلیل پوششی داده‌ها با توجه به مبانی برنامهریزی ریاضی در هر مدل، ارزیابی مناسب‌تری از دو روش دیگر پدید می آورد (عیسی زاده روش و خسروی، ۱۳۹۰).
۲-۲-۴-مدل‌های پایه‌ای تحلیل پوششی داده‌ها
۲-۲-۴-۱-مدل CCR
این تکنیک از سال ۱۹۷۸ با پایان نامه دکتری “ادوارد رودز” در دانشگاه کارنگی میلون با راهنمایی پروفسور کوپر آغاز گردید. رودز پیشرفت تحصیلی دانش آموزان ملی آمریکا را که در برنامه فالوتزو شرکت می کردند، مورد مطالعه قرار داد. آنها توانستند بدون داشتن اطلاعات در مورد هزینه ها برای محاسبه کارایی فنی مدارسی که دارای ورودی ها و خروجی های چند گانه بودند، فرمولی ارائه کنند.
اولین مدل تحلیل پوششی داده‌ها بر اساس حروف اول واضعان آنها CCR نام گرفت. در این مدل، هدف اندازه‌گیری و مقایسه کارایی نسبی واحدهای سازمانی مانند مدارس، بیمارستان ها، شعب بانک و شهرداری ها با چندین ورودی و چندین خروجی شبیه به هم است. در ادامه به انواع مدل های CCR می پردازیم (مهرگان، ۱۳۹۱، ۵۷).
پیکی از ویژگی‌های مدل تحلیل پوششی داده‌ها، ساختار بازده به مقیاس آن است. بازده به مقیاس می‌تواند ثابت یا متغیر باشد، بدان معنا که افزایش ورودی به افزایش خروجی به همان نسبت منجر می شود. در بازده متغیر، افزایش خروجی بیشتر یا کمتر از نسبت افزایش ورودی است.
مدل‌های CCR از جمله مدل های بازده ثابت به مقیاس هستند. مدل های بازده ثابت نسبت به مقیاس زمانی مناسب است که همه واحدها در مقیاس بهینه عمل کنند. در ارزیابی کارایی واحدها هرگاه فضا و شرایط رقابت ناقص، محدودیت هایی را در سرمایه گذاری تحمیل کند، موجب عدم فعالیت واحد در مقیاس بهینه می شود.
مدل نسبت CCR :
فارل برای ساختن یک واحد مجازی در اندازه گیری نسبی واحدها، بر مجموع موزون واحدها متمرکز شد و کارایی فنی را طبق رابطه زیر محاسبه کرد:
در صورتی که هدف بررسی کارایی n واحد- هر واحد دارای m ورودی و s خروجی – باشد، کارایی واحد j ام (n ،…، ۲،۱=j) به صورت زیر محاسبه می شود:
= کارایی واحد j ام
Xij : میزان ورودی i ام برای واحد j ام (i=1,2, …,m)
Yrj: میزان خروجی rام برای واحد j ام (r= 1,2,…,s)
Ur : وزن داده شده به خروجی rام (قیمت خروجی rام)
Vi: وزن داده شده به ورودی i ام (هزینه ورودی i ام)
مورد مهم در رابطه فوق این است که این وسیله سنجش کارایی نیازمند مجموعه ای از وزن هاست که در تمامی واحدهای تحت بررسی استفاده می شود. واحدهایی که با بکارگیری میزان مشخصی از ورودی ها، خروجی‌هایی را ارائه می‌کنند، واحدهای تصمیم گیرنده نامیده می شوند، زیرا این واحدها در خصوص نحوه استفاده از ورودی ها و نحوه پردازش آنها تصمیم‌گیری می کنند.
در مورد رابطه فوق باید به دو نکته توجه داشت: اول این که ارزش ورودی‌ها و خروجی‌ها می تواند متفاوت و اندازه‌گیری آنها مشکل باشد؛ دوم، ممکن است واحدهای مختلف به گونه‌ای عملیات خود را سازمان دهند که خروجی هایی با ارزش‌های متفاوت ارائه کنند، بنابراین به وزن‌های متفاوتی در اندازه‌گیری کارایی نیازمندند.
چارنز، کوپر و رودز این مشکل را شناختند و برای حل این مشکل در مدل خود به ورودی‌ها و خروجی‌ها وزن‌های مختلفی را اختصاص دادند و واحدهایی را مطرح کردند که می‌توانند وزن هایی را در مقایسه با سایر واحدها که برای آنها مناسب تر و روشن کننده تر باشد بپذیرند. در این شرایط مدل ارائه شده آنان برای ارزیابی واحد تحت بررسی که آن را واحد صفر می‌نامیم، از حل یک مدل برنامه ریزی خطی بدست می‌آید که مدل نسبت CCR نامیده می شود.

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