سنجش عملکرد مستمر به کمک مدل های تحلیل پوششی داده ها: رویکردی برای سنجش پایداری صنایع
الموضوعات :
1 - عضو هیات علمی گروه مدیریت صنعتی، واحد تهران، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: تحلیل پوششی داده‌ها, کارایی نسبی, خروجی نامطلوب, کارایی مولفه ای, سنجش مستمر ,
ملخص المقالة :
در این مقاله، به بررسی یک رویکرد کمی برای سنجش و پایش عملکرد مستمر صنایع با استفاده از مدل‌های تحلیل پوششی داده‌ها (DEA) با حضور خروجی‌های نامطلوب که اثر منفی بر پایداری صنایع دارند، پرداخته شده است. این مدل‌ها به عنوان ابزارهای قدرتمند، قابلیت به‌کارگیری با داده‌های مختلف را دارند و برای تحلیل ارتباطات پیچیده بین متغیرهای مختلف عملکردی در صنایع گوناگون استفاده می‌شوند. این روش به شناسایی، ارزیابی و پایش عوامل مؤثر در عملکرد صنایع و بررسی تغییرات در آن‌ها کمک می‌کند. استفاده از این روش دارای مزایای بسیاری است. از جمله این مزایا می‌توان به تعیین و تحلیل عوامل کلیدی مؤثر بر عملکرد، پیش‌بینی روندهای آتی، و ایجاد امکانات بهبود عملکرد اشاره کرد. همچنین، این روش به صنایع کمک می‌کند تا با پایش مستمر عملکرد خود و بررسی کارایی و سطح عملکرد در دوره‌های مختلف، به پایداری و بهره‌وری بیشتر دست یابند و خروجی‌های نامطلوب را کنترل کنند. با استفاده از مدل‌های تحلیل پوششی داده‌ها به عنوان یک رویکرد قابل اعتماد، می‌توان بهبود و پایداری عملکرد صنایع را به دقت پایش کرد. این رویکرد، با توانایی ارزیابی عملکرد هسته یک کسب و کار، مدیریت، فرآیندها، نیروی انسانی و دارایی‌های مختلف، می‌تواند نسخه بهبود یافته‌ای ارائه دهد و به دست‌یابی به نتایج مطمئن‌تر کمک کند. این نسخه بهبود یافته، پتانسیل شرکت را برای اعتماد به توانایی تاب‌آوری در محیط رقابتی نمایان می‌سازد. به‌صورت موردی، در این مطالعه داده‌های مربوط به یک بانک در بیست استان کشور مورد آزمایش قرار گرفته‌اند. نتایج نشان می‌دهد که مدل‌های تحلیل پوششی داده‌ها می‌توانند به طور موثر نقاط ضعف و قوت عملکرد بانک‌ها را شناسایی کرده و به مدیران برای اتخاذ تصمیمات بهتر و بهبود عملکرد کمک کنند. بدین ترتیب، این مدل‌ها می‌توانند به عنوان ابزاری کارآمد در جهت ارتقای عملکرد و کاهش اثرات منفی خروجی‌های نامطلوب به کار گرفته شوند
1. Ahmad, N., & Seetanah, B. (2019). Sustainable development of the banking sector: A review and DEA-based performance assessment. [DOI: 10.1016/j.rser.2018.09.026]
2. Azadeh, A., Asadzadeh, S. M., & Gholami, S. (2015). A comprehensive review of data envelopment analysis (DEA) approach in energy efficiency. [DOI: 10.1016/j.enconman.2014.12.044]
3. Cooper, W. W., Seiford, L. M., & Tone, K. (2007). The basic CCR model. Data envelopment analysis: a comprehensive text with models, applications, references and DEA-solver software, 21-39.
4. Diez-Cañamero, B., Bishara, T., Otegi-Olaso, J. R., Minguez, R., & Fernández, J. M. (2020). Measurement of corporate social responsibility: A review of corporate sustainability indexes, rankings and ratings. Sustainability, 12(5), 2153. [DOI: 10.3390/su12052153]
5. Ertay, T., Büyüközkan, G., & Kahraman, C. (2008). A DEA–Topsis method for supplier selection problem: A case study in the automotive industry. [DOI: 10.1016/j.omega.2007.05.011]
6. Eslamian, S., Gholamnejad, S., & Nabipour, I. (2019). Assessment of sustainability in the healthcare sector: A systematic literature review. [DOI: 10.1016/j.jclepro.2019.117083]
7. Farzipoor Saen, R., & Sohrabi, B. (2018). An integrated approach for evaluating the sustainable development of transportation systems using DEA and TOPSIS. [DOI: 10.1016/j.tre.2018.08.009]
8. Fukuyama, H., & Weber, W. L. (2016). A review of environmental efficiency measurement with directional distance functions: A metafrontier approach. [DOI: 10.1016/j.erss.2016.04.012]
9. Lotfi, F. H., Jahanshahloo, G. R., & Esmaeili, M. (2007). Classification of decision-making units with interval data using SBM model. Applied Mathematical Sciences, 1(14), 681-689.
10. Lotfi, F. H., Saen, R. F., Moghaddas, Z., & Vaez-Ghasemi, M. (2023). Using an SBM-NDEA model to assess the desirable and undesirable outputs of sustainable supply chain: A case study in wheat industry. Socio-Economic Planning Sciences, 89, 101699. [DOI: 10.1016/j.seps.2022.101699]
11. Malik, A., Sharma, S., Batra, I., Sharma, C., Kaswan, M. S., & Garza-Reyes, J. A. (2024). Industrial revolution and environmental sustainability: An analytical interpretation of research constituents in Industry 4.0. International Journal of Lean Six Sigma, 15(1), 22-49. [DOI: 10.1108/IJLSS-06-2022-0157]
12. Mardani, A., & Zavadskas, E. K. (2017). Assessment of sustainable development of cities: A comprehensive review of the literature. [DOI: 10.1016/j.scs.2017.02.016]
13. Mohammadi, S., & Tavana, M. (2018). Assessment of energy sustainability under multiple perspectives: A combined approach using DEA and TOPSIS. [DOI: 10.1016/j.jclepro.2018.02.189]
14. Moghaddas, Z., Vaez-Ghasemi, M., & Lotfi, F. H. (2021). A novel DEA approach for evaluating sustainable supply chains with undesirable factors. Economic Computation & Economic Cybernetics Studies & Research, 55(2).
15. Paramanathan, S., Farrukh, C., Phaal, R., & Probert, D. (2004). Implementing industrial sustainability: The research issues in technology management. R&D Management, 34(5), 527-537. [DOI: 10.1111/j.1467-9310.2004.00363.x]
16. Ramanathan, R., & Gunasekaran, A. (2014). Assessment of environmental sustainability in developing countries: A DEA approach. [DOI: 10.1016/j.ecolind.2013.11.013]
17. Reid, S. W. J., & Mahadeo, S. (2018). Assessing sustainable development in the Caribbean: A DEA approach. [DOI: 10.1016/j.ecolind.2018.05.060]
18. Saboori, B., & Sulaiman, J. (2013). Evaluation of sustainable development in the energy sector: A dynamic data envelopment analysis approach. [DOI: 10.1016/j.enpol.2013.05.062]
19. Santos, C. D., & Rua, O. L. (2015). Assessing the sustainability of higher education institutions: A DEA approach. [DOI: 10.1016/j.omega.2014.07.005]
20. Sarkis, J., & Talluri, S. (2002). A review of sustainability assessment models and methods in DEA context.
21. Shahriari, M. (2011). Malmquist Productivity Index for Two-stage Structures and its Applications in Bank Branches. International Journal of Industrial Mathematics, 3(4), 325-335. [DOI: 10.5267/j.ijim.2011.07.002]
22. Shahriari, M. (2013). Ranking Network-Structured Decision-Making Units and Its Application in Bank Branches. International Journal of Industrial Mathematics, 5(4), 397-402. [DOI: 10.5267/j.ijim.2013.10.002]
23. Sharma, A., Goyal, S., & Gupta, R. (2019). Measuring sustainable development of Indian states using data envelopment analysis. [DOI: 10.1016/j.techfore.2018.08.034]
24. Soleimani-damaneh, M., Kordrostami, S., & Ghaderi, S. F. (2016). Sustainable development assessment using data envelopment analysis and principal component analysis: A case study of OECD countries. [DOI: 10.1016/j.erss.2016.02.001]
25. Yang, Y., Wang, K., & Nie, P. (2019). Assessment of sustainable development based on DEA and grey relational analysis: A case study of China. [DOI: 10.1016/j.jclepro.2018.12.171]
26. Zailani, S., & Suradi, N. R. M. (2012). A review of sustainable supply chain management using DEA approach. [DOI: 10.1504/IJSTM.2013.052704]
27. Zhao, Z., Zhou, Y., & Zhang, X. (2019). Evaluation of sustainable development of China’s industrial economy based on the improved DEA model. [DOI: 10.1016/j.resconrec.2018.09.011]
