توسعه یک مدل تحلیل پوششی شبکه ای چند دوره ای در حالت عدم قطعیت برای اندازه گیری کارایی نسبی بودجه عملياتي در بخش ارتباطات و فناوري اطلاعات در کشور ایران
الموضوعات : Research in operation and optimization of systems and processesعلیرضا ترکی 1 , کاوه خلیلی دامغانی 2 , فرهاد مهمانپذیر 3 , امیر عباس شجاعی 4 , حمید توحیدی 5
1 - مهندسی صنایع، دانشکده صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مهندسی صنایع، دانشکده ارتباطات، حمل و نقل و لجستیک، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
3 - مهندسی صنایع، دانشکده صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران
4 - مهندسی صنایع، دانشکده صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران
5 - مهندسی صنایع، دانشکده صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران
الکلمات المفتاحية: اندازه گیری کارایی بودجه کشور, کارایی بودجه ارتباطات و فن آوری اطلاعات, تحلیل پوششی داده ای شبکه, اندازه گیری کارایی چند دوره ای, اندازه گیری کارایی در شرایط عدم قطعیت,
ملخص المقالة :
اندازهگیری عملکرد بودجه در بخشهای مختلف کشور همواره یکی از مسائل و چالشهای مهم برنامهریزان در سطح کلان بوده است. در این تحقیق، با توجه به ساختار بودجه کشور در بخش ارتباطات و فناوری اطلاعات، رویکرد تحلیل پوششی دادههای شبکهای برای اندازهگیری کارایی بودجه در قالب چند دورهای توسعه داده میشود. این رویکرد به دلیل توانایی در تفکیک کارایی کل به اجزای مختلف و بررسی ارتباطات درونی میان بخشها، نسبت به مدلهای سنتی DEA مزیت دارد.
از آنجا که برخی پارامترهای بودجه غیرقطعی هستند و تحت تأثیر شرایط اقتصادی و مدیریتی قرار میگیرند، در این پژوهش از مجموعههای فازی برای مدلسازی عدم قطعیت استفاده شده است. بدین ترتیب، مدل پیشنهادی قادر خواهد بود کارایی بودجه را هم در حالت قطعی و هم در حالت غیرقطعی ارزیابی کند. دادههای واقعی بودجه بخش ارتباطات و فناوری اطلاعات ایران طی یک دوره چهار ساله با دقت سالیانه بهکار گرفته شدهاند تا اعتبار مدل در شرایط واقعی بررسی شود.
نتایج نشان میدهد که مدلهای پیشنهادی توانایی اندازهگیری کارایی نسبی سالیانه بودجه ارتباطات و فناوری اطلاعات کشور را دارند و میتوانند کارایی کل را به کارایی اجزای مختلف تفکیک کنند. همچنین امکان شناسایی منابع ناکارایی در بخشهای گوناگون فراهم میشود، بهگونهای که مدیران میتوانند تشخیص دهند ناکارایی ناشی از تخصیص نامناسب منابع، ضعف در فرآیندهای اجرایی یا ساختارهای سازمانی است.
این الگو علاوه بر ارائه یک ابزار علمی برای تحلیل کارایی، میتواند به برنامهریزی سطح کلان بودجه کشور کمک کند و زمینهساز توسعه مدلهای تخصیص بهینه منابع مالی در بخش ارتباطات و فناوری اطلاعات باشد. در نهایت، پژوهش حاضر با ترکیب تحلیل چنددورهای، ساختار شبکهای و مدلسازی عدم قطعیت، گامی نوین در جهت ارتقای بهرهوری و کارایی بودجه در سطح ملی محسوب میشود.
1. Amirteimouri, S. (2006). A dynamic DEA model for measuring revenue efficiency. Applied Mathematics and Computation, 181(2), 1050–1057. https://doi.org/10.1016/j.amc.2006.01.038
2. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
3. Chen, Y. (2005). Measuring super-efficiency in DEA in the presence of infeasibility. European Journal of Operational Research, 161(2), 545–551. https://doi.org/10.1016/j.ejor.2003.08.037
4. Chien, Y. H., & Tzeng, G. H. (2000). A fuzzy multiple objective programming approach for data envelopment analysis. Fuzzy Sets and Systems, 119(1), 77–90. https://doi.org/10.1016/S0165-0114(99)00057-3
5. Cook, W. D., Liang, L., & Zhu, J. (2010). Two-stage network DEA: Modeling and evaluation of multi-level decision making units. Operations Research, 58(3), 480–492. https://doi.org/10.1287/opre.1090.0741
6. Golany, B. (1988). An interactive MOLP procedure for the extension of DEA to effectiveness analysis. Journal of the Operational Research Society, 39(8), 725–734. https://doi.org/10.1057/jors.1988.125
7. Guo, P., & Tanaka, H. (2001). Fuzzy DEA: A perceptual evaluation method. Fuzzy Sets and Systems, 119(1), 149–160. https://doi.org/10.1016/S0165-0114(99)00056-2
8. Hatami-Marbini, A., Emrouznejad, A., & Tavana, M. (2011). A taxonomy and review of the fuzzy data envelopment analysis literature: Two decades in the making. European Journal of Operational Research, 214(3), 457–472. https://doi.org/10.1016/j.ejor.2011.02.001
9. Hougaard, J. L. (1999). Fuzzy scores of technical efficiency: theory and methodology. European Journal of Operational Research, 115(3), 529–541. https://doi.org/10.1016/S0377-2217(98)00364-2
10. Jahanshahloo, G. R., Lotfi, F. H., & Izadikhah, M. (2008). Ranking units in DEA with fuzzy input-output levels using a method for assessing ranking and imposing weight restrictions. Applied Mathematics and Computation, 195(2), 594–607. https://doi.org/10.1016/j.amc.2007.05.062
11. Jafarian-Moghaddam, A. R., & Ghoseiri, K. (2010). A fuzzy multi-objective dynamic DEA model for performance evaluation. International Journal of Industrial Engineering Computations, 1(1), 1–14. https://doi.org/10.5267/j.ijiec.2010.01.001
12. Joro, T., Korhonen, P., & Wallenius, J. (1998). Structural comparison of data envelopment analysis and multiple objective linear programming. Management Science, 44(7), 962–970. https://doi.org/10.1287/mnsc.44.7.962
13. Kao, C., & Liu, S. T. (2000). Fuzzy efficiency measures in data envelopment analysis. Fuzzy Sets and Systems, 119(1), 149–160. https://doi.org/10.1016/S0165-0114(99)00056-2
14. Kao, C., & Liu, S. T. (2003). A mathematical programming approach to fuzzy efficiency ranking. International Journal of Production Economics, 85(2), 145–154. https://doi.org/10.1016/S0925-5273(03)00106-5
15. Kao, C., & Liu, S. T. (2011). A new approach to fuzzy two-stage DEA. European Journal of Operational Research, 212(2), 476–482. https://doi.org/10.1016/j.ejor.2011.01.015
16. Karsak, E. E. (2008). Using data envelopment analysis for evaluating flexible manufacturing systems in the presence of imprecise data. International Journal of Advanced Manufacturing Technology, 35(9–10), 867–874. https://doi.org/10.1007/s00170-006-0765-2
17. Leon, T., Liern, V., Ruiz, J. L., & Sirvent, I. (2003). A fuzzy BCC model: Alpha-cut approach. European Journal of Operational Research, 149(3), 512–527. https://doi.org/10.1016/S0377-2217(02)00400-2
18. Lertworasirikul, S., Fang, S. C., Joines, J. A., & Nuttle, H. L. W. (2003). Fuzzy data envelopment analysis (DEA): A possibility approach. Fuzzy Sets and Systems, 139(2), 379–394. https://doi.org/10.1016/S0165-0114(02)00484-0
19. Li, X., & Reeves, G. R. (1999). A multiple criteria approach to data envelopment analysis. European Journal of Operational Research, 115(3), 507–517. https://doi.org/10.1016/S0377-2217(98)00297-6
20. Sohn, S. Y., & Kim, Y. S. (2012). DEA-based multi-period evaluation system for research in academia. Expert Systems with Applications, 39(9), 8274–8278. https://doi.org/10.1016/j.eswa.2012.01.095
21. Sueyoshi, T., Goto, M., & Ueno, T. (2005). Performance analysis of public sector organizations: DEA approach with two types of inputs. European Journal of Operational Research, 160(2), 414–431. https://doi.org/10.1016/j.ejor.2003.06.002
22. Tavana, M., et al. (2019). A fuzzy multi-objective multi-period network DEA model for efficiency measurement in oil refineries. Computers & Industrial Engineering, 137, 106078. https://doi.org/10.1016/j.cie.2019.106078
23. Thanassoulis, E., & Dyson, R. G. (1992). Estimating preferred target input-output levels using data envelopment analysis. European Journal of Operational Research, 56(1), 80–97. https://doi.org/10.1016/0377-2217(92)90322-5
24. Wong, Y. H., Luque, M., & Yang, G. L. (2007). A MOLP approach to interactive DEA models. Journal of the Operational Research Society, 58(9), 1191–1202. https://doi.org/10.1057/palgrave.jors.2602255
25. Zadeh, L. A. (1978). Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems, 1(1), 3–28. https://doi.org/10.1016/S0165-0114(99)80004-9
26. Zerafat Angiz, L. M., Emrouznejad, A., & Anouze, A. L. (2010). Fuzzy assessment of performance of decision making units using DEA: A non-radial approach. Expert Systems with Applications, 37(7), 5153–5157. https://doi.org/10.1016/j.eswa.2009.12.048
27. Zimmermann, H. J. (1996). Fuzzy Set Theory—and Its Applications (4th ed.). Springer. https://doi.org/10.1007/978-94-010-0646-0
28. Zhu, J. (1996). Data envelopment analysis with preference structure. Journal of the Operational Research Society, 47(1), 136–150. https://doi.org/10.1057/jors
29. Zhu, J. (2003). Quantitative models for performance evaluation and benchmarking: Data envelopment analysis with spreadsheets. Kluwer Academic Publishers. https://doi.org/10.1007/978-1-4615-0165-8
