ارزیابی و طبقه بندی ریسک بیمه گذاران در صنعت بیمه با استفاده از تحلیل پوششی داده ها
محورهای موضوعی : آمارسیده نسیم شبیری 1 , محسن رستمی مال خلیفه 2 * , هاشم نیکومرام 3 , محمدرضا میری لواسانی 4
1 - گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسالمی واحد علوم و تحقیقات، تهران، ایران
2 - گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
3 - گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
4 - دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
کلید واژه: Data Envelopment Analysis, Car insurance, Insurance Industry, Insurer's risk classification,
چکیده مقاله :
صنعت بیمه یکی از مهمترین ارکان توسعه اقتصادی کشورهاست. با مروری بر سهم صنعت بیمه در اقتصاد کشورهای توسعهیافته میتوان دریافت که بیمه در مقایسه با خدمات دیگر نقش و اهمیت بیشتر و چشمگیرتری دارد.انجام هرگونه فعالیت بیمهای مستلزم پذیرش ریسک میباشد. بهعبارت دیگر، شرکتهای بیمه با قبول ریسک، باعث ایجاد آرامش در جامعه میگردند. از طرف دیگر، شرکتهای بیمه بهمنظور مدیریت ریسک دریافتی، نیازمند دسترسی به ابزارهای تحلیل ریسک قدرتمند میباشند. یکی از روشهای شناسایی منابع ریسک و کمیسازی آنها تکنیک تحلیل پوششی دادهها است. بههمین دلیل، تحلیل پوششی دادهها از کاربرد زیادی در صنعت بیمه برخوردار است.در این مقاله با استفاده از داده های مربوط به بیمهنامه های بدنه اتومبیل شرکت بیمه سامان طی سالهای 97-98،ابتدا شاخصهای تاثیرگذار در ریسک بیمهگذاران بیمه بدنه اتومبیل در پایگاه داده موجود شناساییمیگردد و با بررسی دقیق ویژگیهای این شاخصها، آنها در دو گروه ورودی و خروجی دستهبندی میگردند و سپس با استفاده از تحلیل پوششی دادهها مدلی برای پیشبینی میزان ریسک بیمهگذاران آتی (به لحاظ ریسک داشتن خسارت یا عدم خسارت)ارائه میشود. این مدل قابلیت استفاده در سیاستگذاری های آتی شرکت بیمه را دارد. بهعنوان مثال شرکتهای بیمه با استفاده از نتایج تحلیل پوششی دادهها میتوانند میزان حق بیمه دریافتی از بیمهگذاران مختلف را تعدیل کنند و با ایجاد سیستم نرخگذاری مبتنی بر ریسک بیمهگذاران، میزان رضایت بیمهگذاران را افزایش داده و از طرفی سودآوری خود را ارتقا دهند.
One of the most important factors for the economic development of countries is the insurance industry.A closer look at the economies of Developed Countries shows that the insurance industry has a significant contribution in the economic development of these countries. The insurance industry needs to accept the risk in order to carry out any insurance activity. In the other word, the insurance companies create tranquillity in the society by accepting the risk. On the other hand, the insurance companies need to access to the powerful risk analysis tools in order to manage the potential risks. Data envelopment analysis (DEA) is one of the most important techniques to identify the risk resources. Hence, data envelopment analysis is widely used in the insurance industry. This study uses the dataset of the car insurance policies of Saman Insurance Company during the years 2018-2019. First, we identify the effective indicators and examine the properties of these indicators to classify them into input and output groups. Finally, we use data envelopment analysis to propose a model for predictionthe risk of insurers (in terms of existence of damage risk or absence of damage risk). This model can be used in the future policies of the insurance company. For example, the insurance companies can use the results of data envelopment analysis to adjust the premiums received from different insurers and increase the satisfaction for insurers and their profitability by creating a rating system based on the insurers 'risk.
[1] Allahyar, M., & Rostamy-Malkhalifeh, M. (2015). Negative data in data envelopment analysis: Efficiency analysis and estimating returns to scale. Computers & Industrial Engineering, 82, 78-81.
[2] Azadeh, A., & Alem, S. M. (2010). A flexible deterministic, stochastic and fuzzy Data Envelopment Analysis approach for supply chain risk and vendor selection problem: Simulation analysis. Expert Systems with Applications, 37(12), 7438-7448.
[3] Aven, T. (2016). Risk assessment and risk management: Review of recent advances on their foundation. European Journal of Operational Research, 253(1), 1-13.
[4] Banks, E. (2005). Catastrophic risk: analysis and management. John Wiley & Sons.
[5] Banker, R.D., Charnes, A., Cooper, W.W. (1984), Some models for estimating technical and scale inefficiencies in DEA, Management Science, Vol. 30, pp. 1078-1092.
[6] Bednarek, R., Chalkias, K., & Jarzabkowski, P. (2019). Managing risk as a duality of harm and benefit: a study of organizational risk objects in the global insurance industry. British Journal of Management.
[7] Chapman, R. J. (2011). Simple tools and techniques for enterprise risk management (Vol. 553). John Wiley & Sons.
[8] Charnes, A., Cooper, W.W., Rhodes, E. (1978), Measuring the efficiency of
decision making units, European Journal of Operational Research, Vol. 2, pp. 429-444.
[9] Chopra, S., & Sodhi, M. S. (2004). Supply-chain breakdown. MIT Sloan management review, 46(1), 53-61.
[10] Daykin, C. D. (2004). Financial governance and risk management of social security. Studies28th ISSA General As-sembly, Beijing, 12-18.
[11] Gajek L. And Ostaszewski K. M., (2004), Financial Risk Management for Pension Plans, ELSEVIER.
[12] Grmanová, E., & Strunz, H. (2017). Efficiency of insurance companies: Application of DEA and Tobit analyses. Journal of International Studies, 10(3).
[13] Gharakhani, D., Eshlaghy, A. T., Hafshejani, K. F., Mavi, R. K., & Lotfi, F. H. (2018). Common weights in dynamic network DEA with goal programming approach for performance assessment of insurance companies in Iran. Management Research Review.
[14] Heidinger, D., & Gatzert, N. (2018). Awareness, determinants and value of reputation risk management: Empirical evidence from the banking and insurance industry. Journal of Banking & Finance, 91, 106-118.
[15] Ho, W., Xu, X., & Dey, P. K. (2010). Multi-criteria decision making approaches for supplier evaluation and selection: A literature review. European Journal of operational research, 202(1), 16-24.
[16] Emrouznejad, A., & Yang, G. L. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4-8.
[17] Kaffash, S., Azizi, R., Huang, Y., & Zhu, J. (2020). A survey of data envelopment analysis applications in the insurance industry 1993–2018. European Journal of Operational Research, 284(3), 801-813.
[18] Lamberton, C., Brigo, D., & Hoy, D. (2017). Impact of Robotics, RPA and AI on the insurance industry: challenges and opportunities. Journal of Financial Perspectives, 4(1).
[19] Nourani, M., Devadason, E. S., & Chandran, V. G. R. (2018). Measuring technical efficiency of insurance companies using dynamic network DEA: An intermediation approach. Technological and Economic Development of Economy, 24(5), 1909-1940.
[20] Peykani, P., Mohammadi, E., Rostamy-Malkhalifeh, M., & Hosseinzadeh Lotfi, F. (2019). Fuzzy data envelopment analysis approach for ranking of stocks with an application to Tehran stock exchange. Advances in Mathematical Finance and Applications, 4(1), 31-43.
[21] Rahmani, A., Hosseinzadeh Lotfi, F., Rostamy-Malkhalifeh, M., & Allahviranloo, T. (2016). A new method for defuzzification and ranking of fuzzy numbers based on the statistical beta distribution. Advances in Fuzzy Systems, 2016.
[22] Rezaee, M. J., Yousefi, S., Eshkevari, M., Valipour, M., & Saberi, M. (2020). Risk analysis of health, safety and environment in chemical industry integrating linguistic FMEA, fuzzy inference system and fuzzy DEA. Stochastic Environmental Research and Risk Assessment, 34(1), 201-218.
[23] Roll, Y., Cook, W. D., & Golany, B. (1991). Controlling factor weights in data envelopment analysis. IIE transactions, 23(1), 2-9.
[24] Sandström, A. (2016). Handbook of solvency for actuaries and risk managers: theory and practice. CRC Press.
[25] Seiford, L. M., & Zhu, J. (2002). Modeling undesirable factors in efficiency evaluation. European journal of operational research, 142(1), 16-20.
[26] Seyed Esmaeili, F., & Rostamy-Malkhalifed, M. (2017). Data envelopment analysis with fixed inputs, undesirable outputs and negative data. J. Data Envel. Anal. Decis. Sci, 2017.
[27] Shiu, Y. M. (2020). How does reinsurance and derivatives usage affect financial performance? Evidence from the UK non-life insurance industry. Economic Modelling, 88, 376-385.
[28] Thistlethwaite, J., & Wood, M. O. (2018). Insurance and climate change risk management: rescaling to look beyond the Horizon. British Journal of Management, 29(2), 279-298
[29] Vanany, I., Zailani, S., & Pujawan, N. (2009). Supply chain risk management: literature review and future research. International Journal of Information Systems and Supply Chain Management (IJISSCM), 2(1), 16-33.
[30] Wang, S., & Faber, R. (2006). Enterprise risk management for property-casualty insurance companies. CAS and SOA Jointly Sponsored Research Project.
[31] Wu, B., & Knott, A. M. (2006). Entrepreneurial risk and market entry. Management science, 52(9), 1315-1330.
[32] Yousefi, S., Alizadeh, A., Hayati, J., & Baghery, M. (2018). HSE risk prioritization using robust DEA-FMEA approach with undesirable outputs: A study of automotive parts industry in Iran. Safety science, 102, 144-158.
[33] Zakaria, S. (2017). The use ofFINANCIAL derivatives in measuring bank risk management efficiency: A data envelopment analysis approach. Asian Academy of Management Journal, 22(2).
Evaluating and classifying the insurers risk in the insurance industry using data envelopment analysis
Seyyedeh Nasim Shobeiri1, Mohsen Rostamy- Malkhalifeh*2, Hashem Nikoomaram1, Mohammadreza Miri Lavasani3
1Department of Accounting, Faculty of Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran
2Department of Mathematics, Science and Research Branch, Islamic Azad University, Tehran, Iran
3Department of HSE Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
One of the most important factors for the economic development of countries is the insurance industry. A closer look at the economies of Developed Countries shows that the insurance industry has a significant contribution in the economic development of these countries. The insurance industry needs to accept the risk in order to carry out any insurance activity. In the other word, the insurance companies create tranquillity in the society by accepting the risk. On the other hand, the insurance companies need to access to the powerful risk analysis tools in order to manage the potential risks. Data envelopment analysis (DEA) is one of the most important techniques to identify the risk resources. Hence, data envelopment analysis is widely used in the insurance industry. This study uses the dataset of the car insurance policies of Saman Insurance Company during the years 2018-2019. First, we identify the effective indicators and examine the properties of these indicators to classify them into input and output groups. Finally, we use data envelopment analysis to propose a model for prediction the risk of insurers (in terms of existence of damage risk or absence of damage risk). This model can be used in the future policies of the insurance company. For example, the insurance companies can use the results of data envelopment analysis to adjust the premiums received from different insurers and increase the satisfaction for insurers and their profitability by creating a rating system based on the insurers 'risk.
Keywords: Insurance industry, Car insurance, Insurer's risk classification, Data envelopment analysis
*Corresponding author
Email: mohsen_rostamy@yahoo.com
ارزیابی و طبقهبندی ریسک بیمهگذاران در صنعت بیمه با استفاده از تحلیل پوششی دادهها
سیده نسیم شبیری۱، محسن رستمی مالخلیفه۲*، هاشم نیکومرام۱، محمدرضا میری لواسانی۳
1گروه حسابداری، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
2 گروه ریاضی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
3دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
چکیده: صنعت بيمه يكي از مهمترين اركان توسعه اقتصادي كشورهاست. با مروري بر سهم صنعت بيمه در اقتصاد كشورهاي توسعهيافته ميتوان دريافت كه بيمه در مقايسه با خدمات ديگر نقش و اهميت بيشتر و چشمگيرتري دارد. انجام هرگونه فعاليت بيمهاي مستلزم پذيرش ريسک ميباشد. بهعبارت دیگر، شرکتهای بیمه با قبول ریسک، باعث ایجاد آرامش در جامعه میگردند. از طرف دیگر، شرکتهای بیمه بهمنظور مدیریت ریسک دریافتی، نیازمند دسترسی به ابزارهای تحلیل ریسک قدرتمند میباشند. یکی از روشهای شناسایی منابع ریسک و کمیسازی آنها تکنیک تحلیل پوششی دادهها است. بههمین دلیل، تحلیل پوششی دادهها از کاربرد زیادی در صنعت بیمه برخوردار است. در این مقاله با استفاده از داده های مربوط به بیمهنامه های بدنه اتومبیل شرکت بیمه سامان طی سالهای 97-98، ابتدا شاخصهای تاثیرگذار در ریسک بیمهگذاران بیمه بدنه اتومبیل در پایگاه داده موجود شناسایی میگردد و با بررسی دقیق ویژگیهای این شاخصها، آنها در دو گروه ورودی و خروجی دستهبندی میگردند و سپس با استفاده از تحلیل پوششی دادهها مدلی برای پیشبینی میزان ریسک بیمهگذاران آتی (به لحاظ ریسک داشتن خسارت یا عدم خسارت) ارائه میشود. این مدل قابلیت استفاده در سیاستگذاری های آتی شرکت بیمه را دارد. بهعنوان مثال شرکتهای بیمه با استفاده از نتایج تحلیل پوششی دادهها میتوانند میزان حق بیمه دریافتی از بیمهگذاران مختلف را تعدیل کنند و با ایجاد سیستم نرخگذاری مبتنی بر ریسک بیمهگذاران، میزان رضایت بیمهگذاران را افزایش داده و از طرفی سودآوری خود را ارتقا دهند.
واژگان کلیدی : صنعت بیمه، بیمه خودرو، طبقهبندی ریسک بیمهگذاران، تحلیل پوششی دادهها.
*عهدهدار مکاتبات Email: mohsen_rostamy@yahoo.com
1. مقدمه
پیچیدگی محیطی، شدت رقابت، رواج تکنولوژیهای نو و پیشرفته، توسعه فناوری و ارتباطات، شیوههای نوین عرضه کالاها و خدمات، مسائل زیست محیطی و جهتگیری سازمانها از داراییهای مشهود به نامشهود و ... از عوامل عمده است که موجب شده است تا سازمانها و بنگاههای اقتصادی در دوران حیات خود با ریسکهای بسیار متنوع و خطرات زیاد و حتی پیشبینی نشده مواجه شوند. به همین جهت بهمنظور کاهش ریسک و جبران زیانهای ناشی از آن، امروزه در ادبیات علمی انواع مدیریت ریسک نظیر مدیریت ریسک بنگاه، مدیریت ریسک کسب و کار و مدیریت ریسک استراتژیک مطرح شده و هر یک جایگاه خاصی دارند.
بدیهی است هر سازمان با توجه به ماهیت کار خود، ریسکهای گوناگونی را تجربه میکند و در شرایط متحول امروز، موفقیت هر بنگاه به نوع مدیریتی که بر انواع ریسکها اعمال می کند، بستگی دارد. مدیریت ریسک، زمانی معنا و مفهوم پیدا میکند که شرایط، با احتمال متحمل شدن زیان و عدم اطمینان مواجه شود. این نوع مدیریت شامل حوزههای گستردهای است که مسائل مالی، عملیاتی، تجاری، استراتژیک و حوزه وسیعتری بهنام حوادث خطر آفرین را در بر میگیرد. در مجموع، مدیریت ریسک، فرآِیند سنجش یا ارزیابی ریسک و سپس طرح استراتژیهایی برای اداره ریسک است. متفکران، چهار استراتژی متداول را برای مدیریت ریسک بر شمردند: انتقال ریسک (قبول ریسک توسط بخش دیگر)، اجتناب از ریسک (عدم انجام فعالیتی که موجب ریسک شود)، کاهش ریسک (شیوههایی که موجب کاهش شدت زیان میشوند) و پذیرش ریسک (قبول زیان در هنگام وقوع). برای مطالعه بیشتر به مقالات مظلومی (1367)، مظلومی (1386)، دایکین (2004)، بنکر (2005)، گاجک (2004) رجوع کنید. در عصر حاضر، با توجه به شرایط پیچیده و رقابتی کسب و کار، مدیران برای بقا و کاهش زیان بنگاههای خود، ناگزیر به اجرای مدیریت ریسک میباشند.
ریسک، دلیل وجود بیمه است و بدون ریسک در واقع بیمه مفهوم خود را از دست می دهد. انجام هرگونه فعاليت بيمهاي مستلزم پذيرش ريسک ميباشد. اين ريسکها شامل ريسک بازار، ريسک عملياتي، ريسک نقدينگي، ريسک اعتباري، و ساير انواع ريسکهاي سيستماتيک از جمله ريسک کشوري ، ريسک شهرت و ريسک حقوقي ميباشند. برای مطالعه در زمینه مدیریت ریسک در بیمه به مقالات شهریار (1393)، چاپمن (2006)، رهنمای رودپشتی (1385)، صحت (1385)، بحرالعلوم طباطبایی(1386) رجوع کنید. لامبرتون و همکاران (2017) چالشها و فرصتهای فعلی را در استفاده از رباتیک برای خدمات مالی و بهویژه بیمه در نظر گرفتند. آنها ترکیبی از اتوماسیون فرآیند رباتیک با دیجیتالسازی را با مزایای قابل توجهی در کاهش هزینه و افزایش بهرهوری در نظر گرفتند.
هایدینگر و گاتزرت (2018) به بررسی تجربی مدیریت ریسک در صنعت بیمه که در سالهای اخیر اهمیت فزایندهای یافته است، پرداختند. آنها اولین مطالعه تجربی از عوامل تعیینکننده و ارزش مدیریت ریسک را ارائه دادند و نشان دادند که شرکتهای بزرگتر و همچنین شرکتهایی که در اروپا مستقر هستند و از اعتبار خود آگاهی بالاتری دارند، بهطور قابل توجهی احتمال اجرای برنامه مدیریت ریسک را دارند. تیثلتوایت و وود (2018) نشان دادند که تغییرات آب و هوا نشاندهنده یک خطر مالی قابل توجه برای صنعت بیمه است. آنها به بررسی اقدامات مدیریت ریسک شرکتهای بیمه برای مقابله با عدم قطعیت زمانی و مکانی مرتبط با تغییر اقلیم، پرداختند.
بدنارک و همکاران (2019) به بررسی چگونگی ساخت و مدیریت سازمانها بهعنوان دوگانگی ضرر و منفعت در عملکردهای عادی خود پرداختند. آنها فرآیندهای انتقال ریسک 35 بیمهگر را بررسی کردند که در آن، آنها تنش ریسک را در سبد بیمه خود جستجو میکنند تا سود حاصل از سودآوری و انتقال ریسک به بیمه اتکایی را افزایش دهند تا آسیب پرداخت مطالبات را کاهش دهند. شیو (2020) یک مدل ساختاری سه معادلهای برای بازده نظارتی در مورد بیمههای غیر زندگی انگلستان استفاده کردند. آنها دریافتند که که آن دسته از بیمهگرانی که از بیمه بیشتری استفاده میکنند، تمایل به عملکرد مالی پایینتری دارند، در حالیکه بیمهگرانی که دارای گرایش به سمت مدیریت ریسک هستند، هم از بیمه اتکایی و هم از مشتقات آن استفاده میکنند. برای مطالعه بیشتر به مقالات زکریا (2017) و آون (2018) مراجعه کنید.
روش های گوناگونی همانند استفاده از تکنیکهای تصمیمگیری چند معیاره، برنامهریزی خطی، تحلیل پوششی دادهها ، شبکههای عصبی، رویکرد فازی، آوای مشتری و نظایر آن بهمنظور انتخاب تأمینکنندگان، تحت شرایط عدم اطمینان و ریسک توسط محققان پیشنهاد شده است (آزاده و عالم (2010)، چوپرا و سوددی (2004)، هو و همکاران (2010)، وانانی و همکاران (2007)، وو و نات (2006)، سانداستروم (2007)، وانگ و فابر (2006)). از میان روشهای ذکر شده، با توجه به گستردگی استفاده از تحلیل پوششی دادهها در سالهای اخیر، ابزارهای پیشبینی کننده تحلیل پوششی دادهها یکی از مناسبترین تکنیکهایی است که برای تحلیل ریسک در بیمه قابل استفاده میباشند.
تحلیل پوششی دادهها (DEA) یک تکنیک برنامهریزی ریاضی، برای ارزیابی کارایی واحدهای تصمیمگیرنده 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 گرفته است. فارل در سال ۱۹۵۷ برای نخستین بار، 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 و همکاران در سال 1978 دیدگاه فارل را توسعه دادند و برای اولین بار، مدلی را با نام CCR ارائه کردند که توانایی اندازهگیری کارایی با چندین ورودی و خروجی را داشت. پس از آن، روش آنها توسط بنکر و همکاران در سال 1984 با ارائه مدلی با نام BCC گسترش یافت.
برخی از مزایای استفاده از تحلیل پوششی دادهها در مقایسه با سایر روشها به شرح زیر است:
1. به واحدهای اندازهگیری حساس نیست و ورودیها و خروجیها میتوانند دارای واحدهای مختلفی باشند.
2. روش تحلیل پوششی دادهها یک روش مدیریتی است که کارایی واحدها را بهطور نسبی اندازهگیری میکند.
3. این روش بیش از سایر روشها قابلیت تعمیم پذیری و گسترش دارد و به کارگیری آن در یک واحد برای یک موضوع میتواند زمینه را برای کارهای بعدی نیز فراهم کند.
4. تحلیل پوششی دادهها علاوه بر اندازهگیری کارایی واحدهای تصمیمگیرنده، الگویی برای هر یک از واحدهای تصمیمگیرنده معرفی میکند. این روش، نقطه ضعف سایر روشهای اندازهگیری کارایی را که نوعی مطلقگرایی را دنبال میکنند ندارد و کارا بودن در این الگو یک کمیت دست یافتنی است.
5. درحالی که واحدهای تصمیمگیرنده دارای چندین ورودی در فرآیند ایجاد خروجی باشند، روش تحلیل پوششی دادهها به راحتی میتواند آنها را مورد ارزیابی قرار دهد.
6. تحلیل پوششی دادهها قابلیت بسیار بالایی در رتبهبندی کامل واحدهای تصمیمگیرنده مورد مطالعه فراهم میآورد و در آن روشهایی برای انتخاب کاراترین واحد از میان واحدهای کارا وجود دارد.
در سالهای اخیر، تحلیل پوششی دادهها مورد توجه بسیاری از محققان قرار گرفته است. بهعنوان مثال، گرمانووا و استرانز (2017) به تعیین رابطه بین کارایی فنی و سودآوری شرکتهای بیمه با استفاده از تحلیل پوششی دادهها پرداختند. کفاش و همکاران (2020)، 132 مطالعهی انجام شده در صنعت بیمه با استفاده از تحلیل پوششی دادهها را که از سال 1993 تا 2018 منتشر شده است، مورد بررسی و تجزیه و تحلیل قرار دادند. برای مطالعه بیشتر در زمینهی استفاده از تحلیل پوششی دادهها در صنعت بیمه، به مقالات اللهیار و رستمی مالخلیفه (2015)، رحمانی و همکاران (2016)، سیداسماعیلی و رستمی مالخلیفه (2017)، یوسفی و همکاران (2018)، نورانی و همکاران (2018)، قراخانی و همکاران (2018)، پیکانی و همکاران (2019)، امروزنژاد و یانگ (2018) و رضایی و همکاران (2020) مراجعه کنید.
در این مقاله، مسأله مدیریت ریسک بیمه بدنه اتومبیل را با استفاده از تحلیل پوششی داده ها مورد بررسی قرار می دهیم. با نگاهی به تجارب جهانی (کشورهای اروپایی،ایالت متحده آمریکا و کانادا) و مبانی نظری عوامل و مؤلفه های مؤثر در نرخگذاری بیمههای بدنه اتومبیل، این عوامل را در سه گروه مهم ویژگیهای فردی راننده، ویژگیهای خودرو و کاربری خودرو شناسایی و طبقه بندی میکنیم. در این راستا در تحقیق حاضر، عواملی در جهت نرخگذاری عادلانه بیمه اتومبیل شناسایی میشوند که با لحاظ آنها در فرم پیشنهاد جمعآوری اطلاعات از بیمهگذاران و همچنین در نظر گرفتن آنها در محاسبه حق بیمه آنها، میتوان قدمهایی را در راستای کنترل ریسک حوادث اتومبیل و عادلانه شدن حق بیمههای اتومبیل برداشت. شرکتهای بیمه میتوانند بر اساس مقدار ریسک هر بیمهگذار، مقدار حق بیمه را تعیین کنند. با استفاده از این طبقهبندی میتوان طبقه بیمهگذاران آتی را پیشبینی کرد و در میزان حق بیمه دریافتی از بیمهگذاران مختلف تعدیل ایجاد کرد و با ایجاد سیستم نرخگذاری مبتنی بر ریسک بیمهگذاران، میزان رضایت بیمهگذاران را افزایش داد و از طرفی بر سودآوری شرکتهای بیمه تاثیری مثبت گذاشت.
سازماندهی این مقاله بدینگونه است که: در بخش 2 مفاهیم پایهای در صنعت بیمه و مدیریت ریسک و تحلیل پوششی داده ها ارائه میشود. بخش 3 به ارائه روشی بر اساس تحلیل پوششی دادهها برای مدیریت ریسک بیمه اتومبیل میپردازد. در بخش 4 روش پیشنهادی برای یک مثال عددی با دادههای واقعی از پایگاه داده بیمهگذاران فعلی بیمه سامان، پیاده سازی خواهد شد. بخش 5 مقاله را نتیجهگیری میکند.
2. مفاهیم پایه ای
در این بخش، به معرفی مفاهیم پایهای در صنعت بیمه و مدیریت ریسک و همچنین تحلیل پوششی دادهها میپردازیم.
2.1. صنعت بیمه و مدیریت ریسک
صنعت بيمه يكي از مهمترين اركان توسعه اقتصادي كشورهاست. با مروري بر سهم صنعت بيمه در اقتصاد كشورهاي توسعهيافته ميتوان دريافت كه بيمه در مقايسه با خدمات ديگر، نقش و اهميت بيشتر و چشمگيرتري دارد. نقش صنعت بيمه در بازارهای مالي به سه صورت ظاهر ميشود: ابتدا تاثيري كه اين صنعت ميتواند بر ساير بازارهاي مالي اعمال كند كه معمولا بهصورت يك پشتيبان براي كاهش ريسك سرمايهگذاري بهكار ميرود، دومين نقش آن جمعآوري و تجهيز منابع مالي با استفاده از عمليات بيمهگر است كه جهت سرمايهگذاري غير مستقيم و يا مستقيم به كار ميبرد و در نهايت سرمايهگذار مستقيم صنعت بيمه در فعاليتهاي اقتصادی كشور، مهمترين نقش آن محسوب ميگردد؛ شركتهاي بيمه وجوه بيمهگذاران را كه بهصورت ذخاير فن در اختيار دارند بهعنوان دارايي سودآور بهكار ميگيرند و در فعاليتهاي مناسب اقتصادي سرمايهگذاري ميكنند.
مأخذ محاسبه تمامی قراردادهای بیمه، موضوع ریسک و برآورد میزان آن است که بر حسب شدت و تواتر آن بر سرنوشت قرارداد اثرگذار بوده و از اینرو، بررسی میزان آن در قرارداد و تعیین حق بیمه بر اساس آن از اهمیت بهسزایی برخوردار است. ریسک، دلیل وجودی بیمه است و بدون ریسک، بیمه مفهومش را از دست میدهد. در جامعهای که ریسک وجود نداشته باشد، بیمه نیز وجود نخواهد داشت. در واقع، بيمه يكي از اصليترين ابزارهاي مديريت ريسك است كه در حيات اقتصادي، اجتماعي و سياسي كشورها نقش مهمي ايفا ميكند. گاروي در سال ۲۰۰۸ ريسك را اين چنين تعريف کرد: ريسك، رويدادي است كه اگر رخ دهد، بر توانايي پروژه در رسيدن به اهدافش تاثير ميگذارد. در تعريف ديگري، ريسك، انحراف در پيشامدهايي است كه ميتوانند در طول يك دوره مشخص در يك موقعيت معين رخ دهند (ويليامز و هاينز (2001)). ریسک مورد توجه بیمه، به مفهوم احتمال وقوع حادثه است. مطابق این مفهوم، ریسک، واقعهای است اتفاقی و احتمالی که منشأ ایراد خسارت خواهد بود. به جرأت بايد گفت که آينده بازار بيمه متعلق به موسسات بيمهاي است كه در استراتژيهايشان استفاده حداكثري از اين علم را در سازمان خود نهادينه نموده باشند و محور كليه فعاليتهاي عملياتي و غير عملياتي آنها مهندسي و مديريت ريسكهاي استاتيك و ديناميك بهصورت سازمانيافته ، هوشمند و سيستميك ميباشد. چه در قالب ريسك پروژهها و در قالب ريسكهاي مالي ، سرمايهگذاري و منابع انساني. بههر حال، در آيندهاي نهچندان دور، بدون در اختيار داشتن اين تفكر، امكان فعاليت و كسب مزيتهاي رقابتي فراهم نميگردد. بنابراين، قطعاً آينده رهبري و مديريت بازار بيمه و ايجاد ارزش افزوده شركتهاي بيمه متعلق به مديران ريسك خواهد بود. مديريت ريسك، فرآيند شناسايي، ارزيابي و كنترل ريسكهاي اتفاقي بالقوهاي است كه مشخصاً پيشامدهاي ممكن آن، خسارت يا تغيير در وضع موجود ميباشد (ويليامز و هاينز (2001)). در تعريف ديگري، مديريت ريسك، فرآيندي است شامل تعريف و شناسايي ريسك، ارزيابي ريسك و مراحل كاهش ريسك به منظور رسيدن به سطح قابل قبول ريسك (استانبوردر و همکاران (2002)).
بنابر آنچه گفته شد، انجام هرگونه فعاليت بيمهاي مستلزم پذيرش ريسکهایی شامل ريسک بازار، ريسک عملياتي، ريسک نقدينگي، ريسک اعتباري، و ساير انواع ريسکهاي سيستماتيک از جمله ريسک کشوري، ريسک شهرت و ريسک حقوقي ميباشد. در ادامه به شرح مختصري از اين ريسکها خواهيم پرداخت.
الف) ريسک بازار: ريسکي است که شرکت بيمه به دليل نوسان قيمت در بازار با آن مواجه است. بخش خاصي از اين ريسک مربوط به ريسک نرخ ارز است و بيشتر زماني بروز ميکند که بيمهنامه ارزي بوده و شرکت بيمه متعهد به پرداخت خسارت بهصورت ارزي است. بخش ديگري از ريسک نيز ناشي از تغيير قيمت بازار داراييها و سرمايهگذاريهاي شرکت است که تغييرات نرخ سود بانکي و يا تغييرات شاخصهاي عمومي در بازار سهام ميتواند منجر به کاهش دارایی یا درآمد شرکت شود. بهمنظور کنترل اين ريسک، سرمایهگذاری های شرکت در شورای سرمایهگذاری مطرح و بر اساس نظرات اعضا، عمده منابع شرکت بهصورت سپردههای بانکی و نیز سرمایهگذاری در اوراق بهادار بورسی سرمایهگذاری میگردد.
ب)ريسک عملياتي: عمدتاً در اثر وجود نقص در کنترلهاي داخلي و عدم رعايت اصول حاکميت شرکتي افزايش مييابد. اختلالاتي از اين دست، ممکن است از طريق خطا، تقلب يا قصور در اجراي بهموقع تعهدات به زيانهاي مالي منجر شود.
ج) ريسک نقدينگي: ريسکي است که شرکتهاي بيمه بهدليل عدم کفايت داراييهاي جاري براي ايفاي تعهداتشان با آن مواجه هستند. در مواقعي که شرکت بيمه نقدينگي کافي ندارد، قادر نيست که بهسرعت و با هزينه معقول به پرداخت تعهدات اقدام نمايد.
ح) ريسک اعتباري: ریسکهایی هستند که به دلیل احتمال عدم انجام تعهدات مالی توسط طرفهای معامله و قرارداد شرکت از جمله بیمهگران واگذارنده و یا بیمهگران اتکایی ایجاد میشوند. عدم در نظرگرفتن تضامین لازم برای اجرایی شدن تعهدات، تأخیر در پرداخت خسارت از سوی بیمهگران اتکایی یا پرداخت حق بیمه از سوی شرکتهای واگذارنده از جمله مواردی هستند که ریسک اعتبار را افزایش میدهند.
د)ريسک شهرت : ناشي از وجود ضعفهاي عملياتي است. ضعف در انطباق با قوانين و مقررات و يا ساير منابع مربوط. ريسک شهرت (بدنامي) براي شرکتهاي بيمه مضر است چون ماهيت حرفه آنها مستلزم حفظ اعتماد مشتريان و ذينفعان میباشد.
و)ريسک حقوقي: اين ريسک بيشتر به واسطه تغيير در قوانين مرتبط با صنعت بيمه به وجود ميآيد.
کارشناسان خبره مدیریت ریسک، با دریافت اطلاعات مورد بیمه و خطرات موضوع بیمه در پيچيدهترين ريسكها، شرایط لازم برای پذیرش ریسک را به بیمهگذار و بیمهگر اعلام نموده و ضمن تعیین دستوراتی برای کنترل ریسک و مستثنی نمودن برخی خطرات وقوع
احتمالی، خطر را تخمین زده وبرای آن شرایط خاص به بیمهگران توصیه مینمایند و بیمهگران با مطالعه و بررسی گزارش آنها، نرخ و شرایط بیمهگری را با توجه به محاسبات خاص اعمال مینمایند.
در این مقاله مساله مدیریت ریسک در بیمه اتومبیل را مورد بررسی قرار میدهیم. با نگاهی به تجارب جهانی (کشورهای اروپایی، ایالت متحده آمریکا و کانادا) و مبانی نظری عوامل و مؤلفه های مؤثر در نرخگذاری بیمههای بدنه اتومبیل، این عوامل را در سه گروه مهم ویژگیهای فردی راننده (جنسیت، سن، وضعیت تأهل، شغل، داشتن بیمهنامه جامع، وضعیت سلامت، جرائم و تصادفات رانندگی)، ویژگیهای خودرو (نوع و مدل خودرو، سال ساخت خودرو، قیمت خودرو، قدرت و ظرفیت موتور، نوع سوخت و قیمت آن) و کاربری خودرو (محل سکونت راننده و نوع استفاده از خودرو) شناسایی و طبقه بندی میکنیم. جدول 1 خلاصهای از برخی پژوهشهای صورت گرفته در زمینه بیمه خودرو را گزارش میکند.
2.2. شاخصهای مورد ارزیابی بیمه بدنه اتومبیل شرکت بیمه سامان
در این مقاله از دادههای مربوط به بیمهنامههای بیمه بدنه اتومبیل که طی سالهای 1397-1398 توسط شرکت بیمه سامان صادر شده است و شامل بیمهنامههای خسارتی و غیر خسارتی است، استفاده میشود. با توجه به اینکه فرمولبندی یک مدل مناسب جهت ارزیابی بیمهگذاران، نیازمند شناسایی دقیق شاخصهای در نظر گرفته شده توسط مدیر میباشد، در این بخش، شاخصهای مورد ارزیابی را بررسی میکنیم. پس از انتخاب دقیق شاخصها، با بررسی ویژگیهای هر یک از آنها در نهایت، شاخصهای مورد ارزیابی را در دو دسته ورودی و خروجی بهشرح زیر تقسیمبندی میگردند:
جدول 1. خلاصهای از پژوهشهای انجام شده
عنوان مقاله | حوزه استفاده شده | نام پژوهشگر |
بیمه خودرو | افشین عزیزی و علیرضا بحیرایی 1398 | |
بررسی ماهیت قرارداد بیمه بدنه اتومبیل و نحوه جبران خسارت آن از منظر فقهی و حقوقی | بیمه خودرو | حسین پایروند 1398 |
استفاده از داده کاوی جهت پیش بینی سطوح ریسک بیمه گذاران بیمه بدنه خودرو (مطالعه موردی: یک سازمان بیمه ای) | بیمه خودرو | سجاد ارتشیدار 1398 |
بیمه خودرو | حامد قاسمیان ملکشاه 1397 | |
بیمه خودرو | سمانه محمدی و محمد بنار 1397 | |
بیمه خودرو | زهرا شمس اسفندآبادی و همکاران 1393 |
متغیرهای ورودی: متغیرهای ورودی در پنج دسته بهصورت زیر تقسیمبندی میشوند:
1) سال ساخت خودرو: در چهارده گروه از عدد یک مربوط به خودروهای صفر کیلومتر تا عدد چهارده مربوط به خودروهایی با سال ساخت بالا طبقهبندی شده است. بدیهی است هر چه سال ساخت خودرو کمتر باشد، علاوه بر ایمنی بالاتر، حساسیت بالای مالک خودرو نیز سبب مراقبت بیشتر و بنابراین ریسک کمتر خواهد بود.
2) ارزش خودرو: در چهارده گروه از عدد یک مربوط به خودروهایی با ارزش بیش از ده میلیارد ریال تا عدد چهارده مربوط به خودروهایی با ارزش کمتر از 300 میلیون ریال طبقهبندی شده است. بدیهی است که هر چه ارزش خودرو بیشتر باشد، ایمنی وسیله بالاتر، نگهداری از آن بهتر، حساسیت مالک بیشتر و بنابراین ریسک بیمهگر، کمتر خواهد بود.
3) جنسیت: طبق نظرسنجی از خبرگان صنعت بیمه و بررسی آمار 10 ساله بیمه سامان در دو گروه با ریسک متفاوت تعریف شده است، بررسیها حاکی از این است که تعداد تصادفات در خانمها زیاد ولیکن شدت تصادفات پایین است، بنابراین گروه خانمها دارای ریسک کمتر نسبت به آقایان می باشند.
4) سن: طبق نظرسنجی از خبرگان صنعت بیمه و بررسی آمار 10 ساله بیمه سامان در سه گروه با ریسک متفاوت تعریف شده است، بررسیها حاکی از این است که گروه 50 تا 65 به دلیل پختگی افراد دارای کمترین میزان ریسک، گروه 35 تا 50 سال دارای ریسک متوسط و گروه زیر 35 سال بهدلیل عدم تجربه کافی، شور و نشاط جوانی و بالای 65 سال به دلیل کهولت سن، دارای بیشترین میزان ریسک میباشند.
5) استان محل سکونت: نتایج تحقیقات حاصل از وضعیت جادههای کشور، فرهنگ رانندگی، ریسکپذیر یا ریسکگریز بودن افراد، آمار خسارت 10 ساله صنعت بیمه، این متغیر را در سه گروه ریسک کم شامل استانهای تهران، آذربایجان شرقی، البرز، اصفهان و یزد، ریسک متوسط شامل استانهای قزوین، زنجان، مرکزی، اراک، قم، کرمان، مشهد و ریسک بالا شامل استانهای خوزستان، بوشهر، زاهدان، مازندران، گیلان، گرگان، کرمانشاه، سنندج، شیراز و آذربایجان غربی طبقهبندی میکنیم.
متغیرهای خروجی: این متغیرها شامل دو شاخص بهصورت زیر خواهند بود:
1) تعداد سالهای عدم خسارت: هر چه بیشتر باشد نشاندهنده رانندگی بهتر و ریسکگریز بودن بیمهگذار بوده و بنابراین، ریسک بیمهگر کاهش مییابد. این متغیر، دارای چهار گروه از سطح یک برای خودروهای با یک سال تخفیف، سطح دو برای خودروهایی با دو سال تخفیف، سطح سه برای خودروهایی با سه سال تخفیف و سطح چهار برای خودروهایی با چهار سال تخفیف عدم خسارت میباشد.
2) نسبت خسارت: برابر است با میزان مبلغ خسارت دریافتی به مبلغ حق بیمه دریافتی که هر چه کمتر باشد ریسک بیمهگذار کمتر خواهد بود و در 100 سطح بهصورت درصد طبقهبندی میشود.
2.3. تحلیل پوششی داده ها
در این بخش، بهطور مختصر، تحلیل پوششی دادهها و مدلهای موجود در ادبیات موضوع آن را بررسی میکنیم.
تحلیل پوششی داده ها ابزار توانمندی است که امروزه بهصورت چشمگیری در ارزیابی عملکرد سیستمهایی با چند ورودی و چند خروجی کاربرد یافته است. در واقع، یک روش برنامهریزی غیر پارامتری برای ارزیابی کارایی واحدهای تصمیم گیرنده (DMU) با چندین ورودی و خروجی میباشد که به هر یک امتیاز کارایی بین 0 و 1 تخصیص میدهد. واحدهای تصمیمگیرنده با امتیازات کارایی بالاتر، عملکرد بهتری دارند. اگر امتیاز کارایی واحد تصمیمگیرنده 1 باشد آنگاه آن واحد کارا است، در غیر اینصورت ناکارا میباشد.
فرض کنید ، واحد تصمیمگیرنده متجانس هستند که هر واحد تصمیم گیرنده با مصرف ورودی، خروجی را تولید میکند. به ازای و ، ورودی ام و خروجی ام برای ، بهترتیب با و نمایش داده میشوند. فرض کنید همه مقادیر ورودی و خروجی نامنفی هستند و حداقل یکی از آنها ناصفر هستند. همچنین، فرض کنید که واحد تحت ارزیابی باشد.
بنکر و همکاران در سال 1984 مجموعه امکان تولیدی با فرض بازده به مقیاس متغیر را بهصورت زیر معرفی کردند:
سپس مدل را برای ارزیابی کارایی واحدهای تصمیمگیرنده با فرض بازده به مقیاس متغیر برای تکنولوژی تولید، ارائه نمودند. با در نظر گرفتن مجموعه امکان تولید ، مدلهای (2) و (3)، بهترتیب مدلهای پوششی و مضربی برای ارزیابی در ماهیت ورودی میباشند:
جدول 2. مدل های پوششی و مضربی
مدل پوششی | مدل مضربی | |||||||
|
|
ورودی و خروجی | میانگین | میانه | مد | واریانس | کمترین مقدار | بیشترین مقدار | ||
| 5.4975 | 4 | 1 | 18.2712 | 1 | 21 | ||
| 10.8905 | 13 | 13 | 6.5180 | 1 | 13 | ||
| 1.6716 | 2 | 2 | 0.2144 | 1 | 2 | ||
| 2.1045 | 2 | 2 | 0.5440 | 1 | 3 | ||
| 1.5572 | 1.5 | 1 | 0.6980 | 1 | 3 | ||
| 2.0498 | 2 | 0 | 4.3875 | 0 | 8 | ||
| 53.8632 | 47 | 0 | 19433.18 | 0 | 1272.95 |
DMU | کارایی |
|
|
|
|
|
|
|
1 | 0.9969 | 1.0000 | 2.5000 | 0.5000 | 0.0000 | 1.0000 | 0.0000 | 26.0000 |
2 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
3 | 0.9992 | 2.8000 | 3.2000 | 0.0000 | 1.6000 | 0.0000 | 0.0000 | 0.0000 |
4 | 0.9976 | 11.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 0.0000 |
5 | 0.9993 | 1.0000 | 2.5000 | 0.5000 | 0.0000 | 2.0000 | 0.0000 | 0.5200 |
6 | 0.9999 | 0.6000 | 0.4000 | 0.0000 | 0.2000 | 0.0000 | 0.0000 | 0.0000 |
7 | 0.9903 | 7.8000 | 1.2000 | 0.0000 | 1.6000 | 0.0000 | 0.0000 | 86.4900 |
8 | 0.9894 | 15.6000 | 3.4000 | 0.0000 | 0.2000 | 0.0000 | 0.0000 | 86.4900 |
9 | 0.9896 | 12.8000 | 4.2000 | 0.0000 | 0.6000 | 0.0000 | 0.0000 | 86.4900 |
10 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
11 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
12 | 0.9902 | 8.6667 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 86.4900 |
13 | 0.9917 | 1.3333 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 81.6567 |
14 | 0.9913 | 2.5000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 84.0733 |
15 | 0.9894 | 10.3333 | 3.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 89.6700 |
16 | 0.8348 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 1.0085 | 0.0000 | 40.8995 |
17 | 0.9908 | 3.1667 | 2.5000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 86.4900 |
18 | 0.9889 | 19.6000 | 3.4000 | 0.0000 | 1.2000 | 0.0000 | 0.0000 | 86.4900 |
19 | 0.6537 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.9614 | 0.0000 | 0.0000 |
20 | 0.4963 | 1.5000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 1.7500 | 33.8817 |
21 | 0.9989 | 4.0000 | 4.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 0.0000 |
22 | 0.5358 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.6077 | 0.0000 | 0.0000 |
23 | 0.5646 | 3.9565 | 0.0000 | 0.0000 | 0.5652 | 0.6957 | 0.6522 | 0.0000 |
24 | 0.9979 | 10.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 1.0000 | 0.0000 |
25 | 0.9953 | 0.0000 | 0.0000 | 0.0000 | 2.0000 | 0.0000 | 1.0000 | 43.9167 |
26 | 0.9995 | 0.0000 | 1.6000 | 0.2000 | 0.0000 | 0.0000 | 0.0000 | 3.6200 |
27 | 0.5963 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.7892 | 0.0000 | 0.0000 |
28 | 0.8251 | 0.0000 | 0.2482 | 0.0000 | 0.0000 | 0.5735 | 0.0000 | 0.0000 |
29 | 0.4929 | 1.5000 | 0.0000 | 0.0000 | 0.5000 | 0.5000 | 1.0000 | 67.6867 |
30 | 0.9982 | 9.0000 | 9.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
31 | 0.9994 | 0.0000 | 6.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
32 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
33 | 0.9982 | 9.0000 | 5.0000 | 0.0000 | 1.0000 | 0.0000 | 3.0000 | 0.0000 |
34 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
35 | 0.9990 | 8.5000 | 1.5000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
36 | 0.4986 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.5000 | 1.2500 | 11.2983 |
DMU | کارایی |
|
|
|
|
|
|
|
37 | 0.9994 | 2.0000 | 3.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
38 | 0.8792 | 9.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 1187.7100 |
39 | 0.9990 | 0.0000 | 7.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 0.0000 |
40 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
41 | 0.9992 | 0.0000 | 6.0000 | 0.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 |
42 | 0.9994 | 0.0000 | 6.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
43 | 0.9993 | 0.0000 | 2.0000 | 0.0000 | 1.0000 | 0.0000 | 4.0000 | 0.0000 |
44 | 0.9662 | 2.0000 | 0.0000 | 0.0000 | 0.0000 | 2.0000 | 0.0000 | 333.6800 |
45 | 0.9984 | 1.8000 | 0.2000 | 0.0000 | 0.6000 | 0.0000 | 0.0000 | 13.2300 |
46 | 0.9993 | 0.0000 | 7.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
47 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
48 | 0.9980 | 3.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 | 14.4500 |
49 | 0.9994 | 0.8000 | 3.2000 | 0.0000 | 1.6000 | 0.0000 | 0.0000 | 0.0000 |
50 | 0.9996 | 0.0000 | 1.0000 | 0.0000 | 1.0000 | 2.0000 | 0.0000 | 0.0000 |
51 | 0.9995 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 |
52 | 0.9983 | 5.0000 | 5.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 | 4.6700 |
53 | 0.9981 | 4.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 0.0000 |
54 | 0.9795 | 0.0000 | 3.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 198.5200 |
55 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
56 | 0.9992 | 5.0000 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
57 | 0.9975 | 15.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
58 | 0.7637 | 6.8824 | 0.0000 | 0.0000 | 0.0000 | 1.2941 | 1.6471 | 0.0000 |
59 | 0.9991 | 0.0000 | 8.0000 | 0.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 |
60 | 0.9835 | 0.0000 | 6.0000 | 0.0000 | 1.0000 | 2.0000 | 0.0000 | 156.0900 |
61 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
62 | 0.9992 | 0.0000 | 7.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
63 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
64 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
65 | 0.9996 | 0.3333 | 3.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
66 | 0.9972 | 9.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 5.9800 |
67 | 0.9991 | 1.0000 | 5.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 |
68 | 0.9990 | 5.6667 | 3.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
69 | 0.9990 | 0.0000 | 5.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 3.9000 |
70 | 0.5908 | 0.4091 | 0.0000 | 0.0000 | 0.5727 | 0.1818 | 0.0000 | 0.0000 |
71 | 0.4928 | 0.0000 | 0.5000 | 0.0000 | 0.5000 | 0.5000 | 0.0000 | 70.7567 |
72 | 0.9947 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 48.1000 |
DMU | کارایی |
|
|
|
|
|
|
|
73 | 0.9936 | 0.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 | 61.3000 |
74 | 0.9988 | 8.6000 | 3.4000 | 0.0000 | 0.2000 | 0.0000 | 0.0000 | 0.0000 |
75 | 0.9988 | 0.0000 | 4.0000 | 0.0000 | 2.0000 | 2.0000 | 0.0000 | 4.2400 |
76 | 0.9990 | 0.0000 | 6.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 4.0400 |
77 | 0.4147 | 5.4444 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 847.7711 |
78 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
79 | 0.9978 | 6.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 4.0000 | 1.1900 |
80 | 0.9935 | 0.0000 | 4.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 60.5200 |
81 | 0.5907 | 0.0000 | 0.0000 | 0.0000 | 0.5909 | 0.7727 | 0.9091 | 0.0000 |
82 | 0.4999 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.0000 | 0.0767 |
83 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
84 | 0.9952 | 0.5000 | 4.5000 | 0.0000 | 0.5000 | 0.0000 | 0.0000 | 42.5200 |
85 | 0.9961 | 0.0000 | 4.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 31.6300 |
86 | 0.9971 | 5.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 8.1400 |
87 | 0.4955 | 2.5000 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.7500 | 41.2450 |
88 | 0.9973 | 11.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 6.1700 |
89 | 0.9984 | 9.0000 | 6.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
90 | 0.5907 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.7724 | 0.0000 | 0.0000 |
91 | 0.9988 | 0.0000 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 4.4100 |
92 | 0.9962 | 1.0000 | 9.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 23.1600 |
93 | 0.9890 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 109.5400 |
94 | 0.9976 | 9.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 4.0000 | 0.0000 |
95 | 0.9899 | 7.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 2.0000 | 80.5400 |
96 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
97 | 0.6299 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.8901 | 0.0000 | 0.0000 |
98 | 0.9980 | 0.0000 | 3.0000 | 0.0000 | 0.0000 | 2.0000 | 0.0000 | 14.8500 |
99 | 0.9987 | 1.0000 | 9.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 0.0000 |
100 | 0.9942 | 4.0000 | 2.5000 | 0.5000 | 0.0000 | 0.0000 | 0.0000 | 50.8800 |
101 | 0.9987 | 6.8000 | 4.2000 | 0.0000 | 0.6000 | 1.0000 | 0.0000 | 0.0000 |
102 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
103 | 0.9990 | 0.0000 | 5.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 0.0000 |
104 | 0.9982 | 7.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
105 | 0.9995 | 0.0000 | 4.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 |
106 | 0.9935 | 3.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 46.7900 |
107 | 0.8706 | 6.0000 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 1272.9500 |
108 | 0.9994 | 0.0000 | 5.0000 | 0.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 |
DMU | کارایی |
|
|
|
|
|
|
|
109 | 0.6232 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.2464 | 0.0000 | 0.0000 |
110 | 0.9972 | 2.0000 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 11.3100 |
111 | 0.9990 | 4.0000 | 5.0000 | 0.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 |
112 | 0.9988 | 0.0000 | 6.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 0.0000 |
113 | 0.9914 | 2.5000 | 0.0000 | 0.6250 | 0.0000 | 0.0000 | 0.0000 | 83.2225 |
114 | 0.9991 | 3.6667 | 3.0000 | 1.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 |
115 | 0.9963 | 11.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 1.0000 | 14.4000 |
116 | 0.9995 | 1.0000 | 4.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
117 | 0.9979 | 7.3333 | 4.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 8.4400 |
118 | 0.9974 | 2.0000 | 4.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 16.5900 |
119 | 0.9990 | 0.1111 | 0.0000 | 0.6667 | 0.0000 | 0.0000 | 0.0000 | 9.5700 |
120 | 0.9996 | 1.6000 | 2.4000 | 0.0000 | 0.2000 | 0.0000 | 0.0000 | 0.0000 |
121 | 0.9926 | 1.6000 | 2.4000 | 0.0000 | 1.2000 | 0.0000 | 0.0000 | 69.2800 |
122 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
123 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
124 | 0.9997 | 0.0000 | 0.0000 | 0.0000 | 0.2500 | 0.0000 | 2.7500 | 0.0000 |
125 | 0.9977 | 11.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 2.4500 |
126 | 0.9990 | 0.0000 | 5.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 |
127 | 0.9988 | 6.0000 | 5.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
128 | 0.6111 | 0.0000 | 0.0000 | 0.0000 | 0.1000 | 0.3889 | 0.0000 | 0.0000 |
129 | 0.9953 | 3.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 40.9900 |
130 | 0.9972 | 8.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 4.0000 | 6.2500 |
131 | 0.9993 | 5.5000 | 1.5000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
132 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
133 | 0.9977 | 6.3333 | 4.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 12.0000 |
134 | 0.9895 | 4.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 3.0000 | 87.0000 |
135 | 0.9981 | 2.3333 | 0.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 14.0000 |
136 | 0.9904 | 0.0000 | 7.0000 | 0.0000 | 1.0000 | 1.0000 | 0.0000 | 87.0000 |
137 | 0.9898 | 6.6667 | 3.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 89.0000 |
138 | 0.9920 | 1.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 64.0000 |
139 | 0.9941 | 0.8000 | 3.2000 | 0.0000 | 0.6000 | 0.0000 | 0.0000 | 54.0000 |
140 | 0.9937 | 1.6000 | 2.4000 | 0.0000 | 0.2000 | 1.0000 | 0.0000 | 58.0000 |
141 | 0.9871 | 7.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 3.0000 | 108.0000 |
142 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
143 | 0.9952 | 3.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 5.0000 | 30.0000 |
144 | 0.9986 | 0.0000 | 0.0000 | 0.9667 | 0.0000 | 0.0000 | 0.0000 | 12.9389 |
DMU | کارایی |
|
|
|
|
|
|
|
145 | 0.4993 | 0.0000 | 1.6389 | 0.0000 | 0.0000 | 0.5000 | 0.0000 | 5.1072 |
146 | 0.9905 | 1.4000 | 1.6000 | 0.0000 | 0.8000 | 1.0000 | 0.0000 | 90.0000 |
147 | 0.4911 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.0000 | 0.7500 | 87.5417 |
148 | 0.9948 | 0.0000 | 0.0000 | 0.6667 | 0.6667 | 1.0000 | 1.0000 | 48.3333 |
149 | 0.9982 | 0.3333 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 17.0000 |
150 | 0.9954 | 1.2778 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 44.3611 |
151 | 0.9972 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 18.0000 |
152 | 0.4912 | 0.5000 | 0.0000 | 0.0000 | 0.5000 | 0.5000 | 0.2500 | 85.9583 |
153 | 0.9917 | 10.0000 | 8.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 65.0000 |
154 | 0.9915 | 7.0000 | 10.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 65.0000 |
155 | 0.9985 | 0.3333 | 2.0000 | 0.0000 | 0.0000 | 2.0000 | 0.0000 | 11.0000 |
156 | 0.9921 | 6.0000 | 8.0000 | 0.0000 | 0.0000 | 0.0000 | 1.0000 | 64.0000 |
157 | 0.5050 | 0.0403 | 0.0000 | 0.0000 | 0.0000 | 0.5242 | 0.0000 | 29.8499 |
158 | 0.9991 | 0.0000 | 0.0000 | 1.0000 | 0.0000 | 1.0000 | 1.0000 | 6.1667 |
159 | 0.9958 | 0.0000 | 6.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 36.0000 |
160 | 0.9987 | 1.0000 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 11.0000 |
161 | 0.9887 | 12.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 90.0000 |
162 | 0.9959 | 5.5000 | 6.5000 | 0.0000 | 0.5000 | 0.0000 | 0.0000 | 28.5000 |
163 | 0.9890 | 2.0000 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 93.0000 |
164 | 0.9888 | 10.4000 | 2.6000 | 0.0000 | 0.8000 | 0.0000 | 0.0000 | 98.0000 |
165 | 0.4967 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 32.1667 |
166 | 0.9947 | 6.0000 | 9.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 38.0000 |
167 | 0.4903 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 1.0000 | 92.1667 |
168 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
169 | 0.9905 | 2.5000 | 0.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 91.7500 |
170 | 0.9850 | 0.0000 | 1.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 | 147.0000 |
171 | 0.9956 | 0.0000 | 2.0000 | 0.0000 | 1.0000 | 2.0000 | 0.0000 | 39.0000 |
172 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
173 | 0.5777 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
174 | 0.5069 | 1.0565 | 0.0000 | 0.0000 | 0.0000 | 0.5242 | 0.0000 | 9.8499 |
175 | 0.9922 | 0.0000 | 3.8667 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 74.0000 |
176 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
177 | 0.9827 | 9.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 148.0000 |
178 | 0.9912 | 8.0000 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 77.0000 |
179 | 0.9868 | 0.0000 | 3.0000 | 0.0000 | 2.0000 | 2.0000 | 0.0000 | 125.0000 |
DMU | کارایی |
|
|
|
|
|
|
|
180 | 0.9983 | 0.0000 | 3.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 14.0000 |
181 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
182 | 0.9868 | 5.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 2.0000 | 114.0000 |
183 | 0.9883 | 0.0000 | 4.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 112.0000 |
184 | 0.9877 | 0.0000 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 108.0000 |
185 | 0.9914 | 0.0000 | 8.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 78.0000 |
186 | 0.9900 | 1.0000 | 9.0000 | 0.0000 | 0.0000 | 0.0000 | 3.0000 | 87.0000 |
187 | 0.9923 | 3.0000 | 4.0000 | 0.0000 | 1.0000 | 0.0000 | 0.0000 | 69.0000 |
188 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
189 | 0.9925 | 4.6000 | 1.4000 | 0.0000 | 1.2000 | 0.0000 | 0.0000 | 68.0000 |
190 | 0.9931 | 15.0000 | 5.0000 | 0.0000 | 1.0000 | 1.0000 | 0.0000 | 47.0000 |
191 | 0.4914 | 2.5278 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.0000 | 83.1528 |
192 | 0.9902 | 3.0000 | 9.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 80.0000 |
193 | 0.4920 | 1.7857 | 0.0000 | 0.0000 | 0.0714 | 0.5000 | 0.0000 | 77.6786 |
194 | 0.9945 | 0.0000 | 5.0000 | 0.0000 | 1.0000 | 2.0000 | 0.0000 | 47.0000 |
195 | 1.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 | 0.0000 |
196 | 0.9915 | 9.0000 | 5.0000 | 0.0000 | 2.0000 | 0.0000 | 0.0000 | 69.0000 |
197 | 0.9886 | 12.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 4.0000 | 87.0000 |
198 | 0.9960 | 1.0000 | 0.0000 | 0.8333 | 0.0000 | 0.0000 | 0.0000 | 38.1944 |
199 | 0.4904 | 1.0000 | 0.0000 | 0.0000 | 0.5000 | 0.5000 | 1.0000 | 93.1667 |
200 | 0.4946 | 0.0000 | 0.0000 | 0.0000 | 0.5000 | 0.0000 | 0.2500 | 52.9583 |
201 | 0.9916 | 0.0000 | 10.0000 | 0.0000 | 1.0000 | 0.0000 | 5.0000 | 68.0000 |
DMU |
|
|
|
|
|
|
|
1 | 5.0000 | 10.5000 | 1.5000 | 1.0000 | 1.0000 | 4.0000 | 0.0000 |
2 | 11.0000 | 5.0000 | 2.0000 | 2.0000 | 2.0000 | 6.0000 | 4.0000 |
3 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
4 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
5 | 5.0000 | 10.5000 | 1.5000 | 1.0000 | 1.0000 | 4.0000 | 0.0000 |
6 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
7 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
8 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
9 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
10 | 6.0000 | 1.0000 | 1.0000 | 3.0000 | 1.0000 | 5.0000 | 86.4900 |
11 | 7.0000 | 10.0000 | 1.0000 | 1.0000 | 1.0000 | 6.0000 | 86.4900 |
12 | 2.3333 | 10.0000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 0.0000 |
13 | 1.6667 | 7.0000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 4.8333 |
14 | 1.5000 | 9.0000 | 1.0000 | 2.0000 | 1.0000 | 3.0000 | 2.4167 |
15 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
16 | 8.3898 | 10.0678 | 1.6780 | 1.6780 | 1.5085 | 7.0000 | 26.2705 |
17 | 1.8333 | 10.5000 | 1.0000 | 2.0000 | 1.0000 | 3.0000 | 0.0000 |
18 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
19 | 3.2691 | 7.8458 | 1.3076 | 1.3076 | 1.0000 | 3.0000 | 0.0000 |
20 | 1.0000 | 4.5000 | 1.0000 | 1.0000 | 1.0000 | 1.7500 | 8.4583 |
21 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
22 | 1.0718 | 6.9666 | 1.0718 | 1.0718 | 1.0000 | 1.0000 | 2.5800 |
23 | 1.1304 | 7.3478 | 1.1304 | 1.1304 | 1.0000 | 0.6522 | 0.0000 |
24 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
25 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
26 | 1.0000 | 6.4000 | 1.8000 | 2.0000 | 1.0000 | 1.0000 | 0.0000 |
27 | 3.5784 | 7.7531 | 1.1928 | 1.1928 | 1.0000 | 3.0000 | 1.9600 |
28 | 2.4755 | 9.6539 | 1.6503 | 1.6503 | 1.0768 | 5.0000 | 18.4900 |
29 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
30 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
31 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
32 | 3.0000 | 11.0000 | 1.0000 | 1.0000 | 1.0000 | 3.0000 | 0.0000 |
33 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
34 | 11.0000 | 8.0000 | 1.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
35 | 2.5000 | 11.5000 | 1.0000 | 2.0000 | 1.0000 | 4.0000 | 0.0000 |
36 | 1.0000 | 5.5000 | 1.0000 | 1.0000 | 1.0000 | 1.2500 | 6.0417 |
DMU |
|
|
|
|
|
|
|
37 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
38 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
39 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
40 | 17.0000 | 12.0000 | 1.0000 | 1.0000 | 1.0000 | 5.0000 | 0.0000 |
41 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
42 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
43 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
44 | 2.0000 | 12.0000 | 1.0000 | 3.0000 | 1.0000 | 5.0000 | 0.0000 |
45 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
46 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
47 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
48 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
49 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
50 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
51 | 3.0000 | 11.0000 | 1.0000 | 1.0000 | 1.0000 | 3.0000 | 0.0000 |
52 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
53 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
54 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
55 | 7.0000 | 10.0000 | 2.0000 | 1.0000 | 1.0000 | 5.0000 | 0.0000 |
56 | 7.0000 | 10.0000 | 2.0000 | 1.0000 | 1.0000 | 5.0000 | 0.0000 |
57 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
58 | 1.5294 | 5.3529 | 1.5294 | 1.5294 | 1.0000 | 2.6471 | 0.0000 |
59 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
60 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
61 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
62 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
63 | 1.0000 | 9.0000 | 2.0000 | 3.0000 | 1.0000 | 5.0000 | 0.0000 |
64 | 12.0000 | 13.0000 | 1.0000 | 2.0000 | 1.0000 | 6.0000 | 0.0000 |
65 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
66 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
67 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
68 | 2.3333 | 10.0000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 0.0000 |
69 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
70 | 1.3636 | 7.0909 | 1.1818 | 1.2000 | 1.0000 | 1.0000 | 0.0000 |
71 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
72 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
DMU |
|
|
|
|
|
|
|
73 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
74 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
75 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
76 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
77 | 1.5556 | 6.5000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 5.6389 |
78 | 1.0000 | 11.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
79 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
80 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
81 | 1.1818 | 7.0909 | 1.1818 | 1.1818 | 1.0000 | 0.9091 | 0.0000 |
82 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
83 | 1.0000 | 2.0000 | 2.0000 | 1.0000 | 3.0000 | 1.0000 | 11.5000 |
84 | 5.5000 | 6.5000 | 2.0000 | 1.5000 | 1.0000 | 6.0000 | 7.5000 |
85 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
86 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
87 | 1.0000 | 6.5000 | 1.0000 | 1.0000 | 1.0000 | 0.7500 | 3.6250 |
88 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
89 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
90 | 1.7724 | 7.0896 | 1.1816 | 1.1816 | 1.0000 | 2.0000 | 1.7500 |
91 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
92 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
93 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
94 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
95 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
96 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
97 | 5.0402 | 8.1904 | 1.2601 | 1.2601 | 1.0000 | 3.0000 | 0.0000 |
98 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
99 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
100 | 5.0000 | 10.5000 | 1.5000 | 1.0000 | 1.0000 | 4.0000 | 0.0000 |
101 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
102 | 1.0000 | 7.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 3.9800 |
103 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
104 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
105 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
106 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
107 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
108 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
DMU |
|
|
|
|
|
|
|
109 | 2.4928 | 7.4783 | 1.2464 | 1.2464 | 1.0000 | 2.0000 | 0.0000 |
110 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
111 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
112 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
113 | 3.5000 | 5.0000 | 1.3750 | 1.0000 | 1.0000 | 4.0000 | 10.9375 |
114 | 2.3333 | 10.0000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 0.0000 |
115 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
116 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
117 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
118 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
119 | 3.8889 | 10.0000 | 1.3333 | 1.0000 | 1.0000 | 3.0000 | 0.0000 |
120 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
121 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
122 | 9.0000 | 10.0000 | 1.0000 | 3.0000 | 3.0000 | 7.0000 | 0.0000 |
123 | 2.0000 | 12.0000 | 1.0000 | 3.0000 | 1.0000 | 5.0000 | 0.0000 |
124 | 1.0000 | 8.0000 | 2.0000 | 2.7500 | 1.0000 | 3.7500 | 0.0000 |
125 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
126 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
127 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
128 | 3.6667 | 7.3333 | 1.2222 | 1.7333 | 1.4444 | 3.0000 | 0.0000 |
129 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
130 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
131 | 2.5000 | 11.5000 | 1.0000 | 2.0000 | 1.0000 | 4.0000 | 0.0000 |
132 | 8.0000 | 13.0000 | 1.0000 | 2.0000 | 1.0000 | 6.0000 | 50.0000 |
133 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
134 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
135 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
136 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
137 | 2.3333 | 10.0000 | 1.0000 | 1.0000 | 1.0000 | 2.0000 | 0.0000 |
138 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
139 | 1.2000 | 8.8000 | 1.0000 | 1.4000 | 1.0000 | 1.0000 | 0.0000 |
140 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
141 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
142 | 3.0000 | 12.0000 | 1.0000 | 2.0000 | 3.0000 | 5.0000 | 8.0000 |
143 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
144 | 2.0000 | 8.0000 | 1.0333 | 1.0000 | 1.0000 | 2.0000 | 3.0611 |
DMU |
|
|
|
|
|
|
|
145 | 3.5000 | 4.8611 | 1.0000 | 1.0000 | 1.0000 | 4.0000 | 35.8928 |
146 | 1.6000 | 10.4000 | 1.0000 | 2.2000 | 1.0000 | 3.0000 | 0.0000 |
147 | 1.0000 | 4.5000 | 1.0000 | 1.0000 | 1.0000 | 1.7500 | 8.4583 |
148 | 1.0000 | 3.0000 | 1.3333 | 1.3333 | 1.0000 | 2.0000 | 9.6667 |
149 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
150 | 1.7222 | 8.0000 | 1.0000 | 2.0000 | 1.0000 | 4.0000 | 5.6389 |
151 | 3.0000 | 11.0000 | 1.0000 | 1.0000 | 1.0000 | 3.0000 | 0.0000 |
152 | 1.0000 | 5.5000 | 1.0000 | 1.0000 | 1.0000 | 1.2500 | 6.0417 |
153 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
154 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
155 | 1.6667 | 9.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 |
156 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
157 | 3.0081 | 4.5726 | 1.0161 | 1.0161 | 1.0000 | 4.0000 | 37.1501 |
158 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
159 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
160 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
161 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
162 | 5.5000 | 6.5000 | 2.0000 | 1.5000 | 1.0000 | 6.0000 | 7.5000 |
163 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
164 | 1.6000 | 10.4000 | 1.0000 | 2.2000 | 1.0000 | 3.0000 | 0.0000 |
165 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
166 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
167 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
168 | 9.0000 | 10.0000 | 2.0000 | 1.0000 | 1.0000 | 7.0000 | 15.0000 |
169 | 1.5000 | 7.0000 | 1.0000 | 2.0000 | 1.0000 | 4.0000 | 7.2500 |
170 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
171 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
172 | 3.0000 | 7.0000 | 2.0000 | 2.0000 | 1.0000 | 6.0000 | 40.0000 |
173 | 4.6219 | 7.5106 | 1.1555 | 1.1555 | 1.1555 | 5.0000 | 44.0000 |
174 | 3.0081 | 4.5726 | 1.0161 | 1.0161 | 1.0000 | 4.0000 | 37.1501 |
175 | 10.0000 | 9.1333 | 1.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
176 | 3.0000 | 12.0000 | 2.0000 | 3.0000 | 1.0000 | 8.0000 | 149.0000 |
177 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
178 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
179 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
180 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
DMU |
|
|
|
|
|
|
|
181 | 1.0000 | 2.0000 | 1.0000 | 1.0000 | 1.0000 | 3.0000 | 14.5000 |
182 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
183 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
184 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
185 | 1.0000 | 5.0000 | 2.0000 | 2.0000 | 1.0000 | 0.0000 | 0.0000 |
186 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
187 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
188 | 7.0000 | 8.0000 | 2.0000 | 2.0000 | 1.0000 | 7.0000 | 49.0000 |
189 | 1.4000 | 9.6000 | 1.0000 | 1.8000 | 1.0000 | 2.0000 | 0.0000 |
190 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
191 | 1.4722 | 6.5000 | 1.0000 | 1.5000 | 1.0000 | 3.0000 | 6.8472 |
192 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
193 | 1.2143 | 5.0000 | 1.0000 | 1.4286 | 1.0000 | 3.0000 | 9.3214 |
194 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
195 | 1.0000 | 9.0000 | 1.0000 | 2.0000 | 1.0000 | 4.0000 | 49.0000 |
196 | 1.0000 | 8.0000 | 1.0000 | 1.0000 | 1.0000 | 0.0000 | 0.0000 |
197 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |
198 | 2.0000 | 8.0000 | 1.1667 | 1.0000 | 1.0000 | 1.0000 | 0.8056 |
199 | 1.0000 | 6.0000 | 1.0000 | 1.0000 | 1.0000 | 1.0000 | 4.8333 |
200 | 1.0000 | 5.5000 | 1.0000 | 1.0000 | 1.0000 | 1.2500 | 6.0417 |
201 | 2.0000 | 3.0000 | 2.0000 | 2.0000 | 1.0000 | 5.0000 | 0.0000 |