۳
(۱)

در نظریه بهره وری و مباحث مربوط به افزایش بهره وری و کارایی در سازمان ها، شرکت ها، واحدهای تولید و … همواره مبحث تحلیل پوششی داده ها به میان می آید. اگر شما به عنوان یک پژوهشگر در زمینه افزایش بهره وری سازمان فعالیت می کنید، بدون شک برای انجام محاسبات مربوط واحدهای تصمیم گیری (DMU) و همچنین برای ارزیابی کارکنان به این رویکرد نیاز خواهید داشت.

بیشتر بخوانید: تحلیل اکتشافی داده ها

در این مقاله ابتدا یک تعریف مختصر و مفید از رویکرد تحلیل پوششی داده ها را ارائه می کنیم و سپس اجزای تشکیل دهنده این رویکرد که همان ورودی، خروجی، واحدهای تصمیم گیری و داده ها هستند را به همراه الزامات مربوط به استفاده از این رویکرد به شما معرفی خواهیم کرد.

تحلیل پوششی داده ها چیست؟

تحلیل پوششی داده ها (Data Envelopment Analysis) نوعی مدل برنامه ریزی ریاضی برای ارزیابی کارایی واحدهای تصمیم گیری و ارزیابی کارکنان در سازمان ها و همچنین افزایش بهره وری سازمان بوده که دارای چند ورودی و چند خروجی نیز می باشد. تحلیل پوششی داده ها در حوزه بهینه سازی با استفاده از برنامه ریزی خطی قرار دارد و در واقع نوعی روش ناپارامتریک محسوب می شود.

اجزای تشکیل دهنده تحلیل پوششی داده ها کدامند؟

۱- ورودی

اولین جزء تشکیل دهنده روش تحلیل پوششی داده ها ورودی های آن است. البته قیدهایی نیز بر روی آن تعریف شده اند. یعنی تعداد این ورودی ها باید بین ۲ تا ۵ باشند. برای این که نتایج بهتری از این مدل کسب کنید، بهتر است این تعداد را ۳ در نظر بگیرید.

۲- خروجی

دومین اجزای تشکیل دهنده یک مدل تحلیل پوششی داده ها، خروجی های آن هستند. این خروجی ها باید بین ۱ تا ۳ باشند و تجربه نشان داده است که تعداد ۱ خروجی بهترین حالت را به ما خواهد داد.

۳- واحد تصمیم گیری (DMU)

در این مسئله بهینه سازی تعداد واحدهای تصمیم گیری برای شدنی بودن مسئله باید ۵ برابر تعداد مجموع ورودی و خروجی باشند. یعنی به عنوان مثال، اگر در مسئله ای ۳ ورودی و ۱ خروجی داریم، تعداد واحدهای تصمیم گیری باید ۲۰ باشد.

۴- داده ها

اصلی ترین جزء تشکیل دهنده هر تحلیلی داده ها هستند. داده های مربوط به تحلیل پوششی باید با استفاده از طیف لیکرت جمع آوری شده باشند و حتماً باید واقعی باشند. یعنی داده های حاصل از شبیه سازی کاربردی در این روش ندارند.

هدف اصلی تحلیل پوششی داده ها چیست؟

اصلی ترین هدف روش تحلیل پوششی داده ها این است که با استفاده از تعدادی ورودی و خروجی، میزان کارایی یک مجموعه (سازمان، واحد تولیدی، واحد آموزشی و …) را تعیین نماید.

از آنجایی که تحلیل پوششی داده ها (DEA) خود یک نوع مسئله بهینه سازی محسوب می شود، بنابراین شما در زمان استفاده از این روش باید با حساسیت های موجود در مسائل بهینه سازی دست و پنجه نرم کنید. برای مثال، اگر قیدهای مربوط به تعداد ورودی و خروجی به خوبی رعایت نشوند، شدنی بودن مسئله خدشه دار شده و به جواب نخواهید رسید.

بیشتر بخوانید: تحلیل پوششی داده ها در زنجیره تأمین

میانگین امتیاز ۳ / ۵. تعداد امتیازها: ۱

اولین نفری باشید که به این مطلب امتیاز می‌دهید