ارائه مدلی برای ارزیابی عملکرد مدیران توزیع برق در حوزه مدیریت داراییهای فیزیکی با استفاده از شبکه های دو مرحله ای تحلیل پوششی داده ها ( مطالعه موردی: شرکت توزیع برق فارس)
محورهای موضوعی : مدیریت منابع انسانی
بهرام کشتکار
1
,
محمدرضا مظفری
2
,
محمدرضا فیلی زاده
3
*
,
رضا مداحی
4
1 - گروه مدیریت صنعتی، واحد نجفآباد، دانشگاه آزاد اسلامی، نجفآباد، ایران
2 - گروه ریاضی کاربردی، دانشکده علوم پایه، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
3 - گروه مهندسی صنایع, واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران
4 - گروه ریاضی ، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
کلید واژه: تحلیل پوششی داده های دو مرحله ای, مدیریت دارایی های فیزیکی, کارایی, پارامترهای مطلوب و نامطلوب, شرکت های توزیع برق,
چکیده مقاله :
ارزیابی عملکرد یکی از مؤلفههای کلیدی در تصمیمگیری مدیریتی و اقتصادی است و نقش مهمی در تحلیل بهرهوری سازمانها دارد. بهویژه در شرایط محدودیت منابع، سنجش کارایی واحدهای اجرایی برای بهبود مدیریت داراییهای فیزیکی اهمیت فزایندهای یافته است. هدف این پژوهش، ارائه مدلی برای ارزیابی عملکرد مدیریتهای توزیع برق در حوزه مدیریت داراییهای فیزیکی است. این مدل با استفاده از شبکههای دو مرحلهای تحلیل پوششی دادهها و با درنظرگیری پارامترهای مطلوب و نامطلوب طراحی شده و مطالعه موردی آن بر روی شرکت توزیع برق فارس انجام گرفته است. در این راستا، از مدلهای تحلیل پوششی دادهها (DEA) و تحلیل پوششی دادهها با خروجیهای نامطلوب (DEA-R) در ساختار دو مرحلهای استفاده شده است. این مدلها در چارچوب غیرشعاعی و با فرض بازده ثابت نسبت به مقیاس توسعه یافتهاند. بهمنظور ساخت مدل، از برنامهریزی خطی چندهدفه برای پوشش خروجیهای مطلوب و نامطلوب بهره گرفته شده است. ابزار مدلسازی امکان ارزیابی دقیقتر عملکرد واحدها با لحاظ اثرات منفی برخی خروجیها را فراهم میکند. نتایج نشان میدهد که مدل پیشنهادی توانایی شناسایی واحدهای کارا و ناکارا را در زمینه مدیریت داراییهای فیزیکی دارد. همچنین خروجیهای نامطلوب نقش مهمی در تفکیک عملکرد واقعی واحدهای اجرایی ایفا میکنند. در پایان پیشنهاد میشود سازمانهای خدماترسان با استفاده از این چارچوب، به بهینهسازی استفاده از منابع فیزیکی خود بپردازند. همچنین توسعه مدلهای مشابه در سایر بخشهای زیرساختی میتواند گامی مؤثر در ارتقاء بهرهوری کل باشد. یافتهها به وضوح نشان میدهد که غفلت از خروجیهای نامطلوب (مانند کالای اسقاط و راکد) میتواند منجر به ارزیابی نادرست و خوشبینانه از عملکرد واحدها شود.
Performance measurement is a crucial concept with a wide range of applications in managerial and economic decision-making. It aims to evaluate a set of homogeneous entities, known as decision-making units, that transform inputs into outputs. One of the most essential responsibilities in companies and institutions is inventory planning and control. Today, due to resource and capital constraints, managing physical assets and implementing capital projects on time is a particular concern for senior managers of service companies. Therefore, evaluating the performance of each organization's units in this area and determining their efficiency has become a priority within the organization's control programs. In this article, two-stage network models in DEA and DEA-R are presented with both desirable and undesirable outputs. In general, these models are non-radial and operate under a technology of constant returns to scale. By applying the structure of linear multi-objective programming in collective non-radial models in DEA and DEA-R, it becomes possible to identify an appropriate model for decision-making units while accounting for undesirable outputs. Subsequently, an applied model is introduced to evaluate the performance of the executive units of Fars Electricity Distribution Company in the field of physical asset management.
[1] Banker, R.D., Charnes, A. and Cooper, W.W. (1984) Some models estimating technical and scale inefficiencies in data envelopment analysis. Management Science. 30:1078-1092
[2] Charnes, A., Cooper, W.W. and Rhodes, E. (1978) Measuring the efficiency of decision making units. European Journal of Operational Research, 2: 429-444
[3] Chen, Y., Cook, W. D., Li, N., Zhu, J., (2009). Additive efficiency decomposition in two-stage DEA. European Journal of Operational Research, 196(3), 1170-1176
[4] Despic, O., Despic, M. and Paradi, J.C. (2007) DEA-R: Ratio-based comparative efficiency model, its mathematical relation to DEA and its use in applications. Journal of Productivity Analysis. 28: 33–44
[5] Du, J., Liang, L., Chen, Y., Cook, W. D., & Zhu, J. (2011). A bargaining game model for measuring performance of two-stage network structures. European Journal of Operational Research, 210, 390–397
[6] Emrouznejad, A., & Amin, Gh. R. (2009). DEA models for ratio data: Convexity consideration. Applied Mathematical Modelling, 33, 486–498
[7] Fernandez-Castro, A., and Smith, P. (1994). Towards a general non-parametric model of corporate performance. Omega, 22(3):237–49
[8] Hatami-Marbini, A., & Toloo, M. (2019). Data Envelopment Analysis Models with Ratio Data: A revisit. Computers & Industrial Engineering, 133, 331-338
[9] Halme M, Korhonen P, Eskelinen J (2014) Non-convex value efficiency analysis and its application to bank branch sales evaluation. Omega 48:10-18.
[10] Hosseinzadeh Lotfi, F., Noora, A. A., Jahanshahloo, G. R., Jablonsky, J., Mozaffari, M. R., Gerami, J. (2009). An MOLP based procedure for finding efficient units in DEA models. Central European Journal of Operations Research, 17:1–11
[11] Hosseinzadeh Lotfi, F, Jahanshahloo, G. R., Soltanifar, M., Ebrahimnejad, A., and Mansourzadeh, S.M. (2010b), Relationship between MOLP and DEA on Output-Orientated CCR Dual Model, Expert Systems with Application, 37, 4331-4336
[12] Hosseinzadeh Lotfi, F., Jahanshahloo, G. R., Mozzaffari, M. R., Gerami, J. (2011a). Finding DEA-efficient hyperplanes using MOLP efficient faces. Journal of Computational and Applied Mathematics, 235:1227–1231
[13] Hosseinzadeh Lotfi, F., Jahanshahloo, G. R., Mozzaffari, M. R., Gerami, J. (2011b). Finding DEA-efficient hyperplanes using MOLP efficient faces. Journal of Computational and Applied Mathematics, 235:1227–1231
[14] Gerami J., Mozaffari, M. R., and Wanke P. F. (2020). A multi-criteria ratio-based approach for two-stage data envelopment analysis, Expert systems with applications, 158, 113508
[15] Gerami J., Mozaffari, M. R., Wanke P. F., & Correa H. L. (2021). A generalized inverse DEA model for firm restructuring based on value efficiency, IMA Journal of Management Mathematics, In Press, https://doi.org/10.1093/imaman/dpab043
[16] Gerami, J., Mozaffari, M. R., Wanke, P.F., Correa, H. (2022a). A novel slacks-based model for efficiency and super-efficiency in DEA-R, Operational Research, 22 (4), 3373-3410
[17] Gerami J., Mozaffari, M. R., Wanke P. F., and Correa H. L. (2022b). Improving information reliability of non-radial value efficiency analysis: An additive slacks based measure approach, European journal of operational research, 298 (3), 967-978
[18] Gerami, J., Kiani Mavi, R., Farzipoor Saen, R., and Kiani Mavi, N. (2023). A novel network DEA-R model for evaluating hospital services supply chain performance. Annals of Operations Research, 324 (1-2),1041-1066
[19] Ghiyasi M, Soltanifar M, Sharafi H. (2022). A novel inverse DEA-R model with application in hospital efficiency. Socio-Economic Planning Sciences (84), 101427
[20] Kasravi, M., Mahmoudi, A., & Feylizadeh, M. R. (2019). A novel algorithm for solving resource-constrained project scheduling problems: a case study. Journal of Advances in Management Research, 16(2), 194-215
[21] Liu, W. B., D. Q., Meng, W., Li, X.X., Xu, F. (2011). A study of DEA models without explicit inputs. Omega 39:472–480
[22] Lotfi, F. H., Noora, A. A., Jahanshahloo, G. R. and Reshadi, M. (2011). One DEA ranking method based on applying aggregate units. Expert Systems with Applications, 38, 13468–13471
[23] Mozaffari, M. R., Dadkhah, F., & Wanke, P. F. (2020). Finding efficient surfaces in DEA-R models. Applied Mathematics and Computation, 388, 125541. https://doi.org/10.1016/j.amc.2020.125541
[24] Mozaffari, M. R, Gerami, J., and Jablonsky, J. (2014a). Relationship between DEA models without explicit inputs and DEA-R models, Central European Journal of Operations Research, 22 (1), 1–12
[25] Mozaffari, M. R., Gerami, J., & Peyvas, M. (2022). Ratio-based data envelopment analysis: An interactive approach to identify benchmark. Results in Control and Optimization, 6, 100104. https://doi.org/10.1016/j.rico.2022.100104
[26] Mozaffari, M. R, Kamyab, P., Jablonsky, J., and Gerami, J. (2014b). Cost and revenue efficiency in DEA-R models. Computers & Industrial Engineering, 78 (12), 188–194
[27] Mozaffari, M. R., Ostovan, S., Wanke, P. W. (2020). A Hybrid Genetic Algorithm-Ratio DEA Approach for Assessing Sustainable Efficiency in Two-Echelon Supply Chains, Sustainability 12 (19), 8075
[28] Noori, S., Feylizadeh, M. R., Bagherpour, M., Zorriassatine, F., & Parkin, R. M. (2008). Optimization of material requirement planning by fuzzy multi-objective linear programming. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 222(7), 887-900
[29] Olesen, O. B., Petersen, N. C., & Podinovski, V. V. (2015). Efficiency analysis with ratio measures. European Journal of Operational Research, 245, 446–462
[30] Olesen, O. B., Petersen, N. C., & Podinovski, V. V. (2017). Efficiency measures and computational approaches for data envelopment analysis models with ratio inputs and outputs. European Journal of Operational Research, 261, 640–655
[31] Omrani, H., Yang, Z., & Teplova, T. (2023). Combination of top-down and bottom-up DEA models using PCA: A two-stage network DEA with shared input and undesirable output for evaluation of the road transport sector. Socio-Economic Planning Sciences. https://doi.org/10.1016/j.seps.2023.10154
[32] Seiford, L. M., Zhu, J., (2002). Modeling undesirable factors in efficiency evaluation. European Journal of Operational Research, 142(1), 16–20
[33] Shi, X., Emrouznejad, A., & Yu, W. (2021). Overall efficiency of operational process with undesirable outputs containing both series and parallel processes: A SBM network DEA model. Expert Systems with Applications, 175, 114805. https://doi.org/10.1016/j.eswa.2021.114805
[34] Wanke, P. W., Ostovan, S., Mozaffari, M. R., Gerami, J., Tan, Y. (2022). Stochastic network DEA-R models for two-stage systems, in Journal of Modell ing in Management, https://doi.org/10.1108/JM2-10-2021-0256
[35] Wei, C.K., Chen, L.C., Li, R.K. and Tsai, C.H. (2011a). Using the DEA-R model in the hospital industry to study the pseudo-inefficiency problem. Expert Systems with Applications. 38: 2172–2176
[36] Wei, C.K., Chen, L.C., Li, R.K. and Tsai, C.H. (2011b). Exploration of efficiency underestimation of CCR model: Based on medical sectors with DEA-R model. Expert Systems with Applications. 38: 3155–3160
[37] Wei, C.K., Chen, L.C., Li, R.K. and Tsai, C.H. (2011c). A study of developing an input-oriented ratio-based comparative efficiency model. Expert Systems with Applications. 38: 2473–2477