بیشترین مقیاس بهره وری شاخص بازده سرمایه در گردش در مقایسه با تحقق تقاضا
الموضوعات :مهناز احد زاده نمین 1 , الهه خمسه 2
1 - گروه ریاضی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه ریاضی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: بازده سرمایه در گردش, بیشترین مقیاس بهره وری, تحقق تقاضا, اندازه مقیاس اقتصادی,
ملخص المقالة :
شاخص هایی که در علم اقتصاد برای محاسبه مقیاس بهره وری بکار می روند همواره مثبت نیستند، لذا نیاز است مدل های موجود جهت محاسبه مقیاس بهره وری برای شاخص خروجی نیمه منفی و نیمه مثبت توسعه یابند. با این حال، شرکت هایی که کمبود ظرفیت دارند، نیاز به دستیابی به اندازه مقیاس اقتصادی و تقاضای تحقق آن به طور همزمان را در حضور شاخص خروجی منفی دارند، به خصوص زمانی که تقاضای شرکت ها متغیر است اما همیشه میزان تقاضای مشتری برابر با میزان خروجی نیست، میزان تقاضا ممکن است کمتر از ماکزیمم سطح خروجی بیشترین مقیاس بهره وری (MPSS)، بین بیشترین سطح خروجی MPSS و ماکزیمم سطح خروجی ها ویا بزرگتر از ماکزیمم سطح خروجی ها باشد. وقتی شاخص خروجی مورد ارزیابی شاخص بازده سرمایه در گردش است از آنجایی که این شاخص می تواند مقادیر منفی را داشته باشند. یکی از سوال های مطرح این است که با استفاده از چه مدل هایی می توان بیشترین مقیاس بهره وری شاخص بازده سرمایه در گردش را در مقایسه با تحقق تقاضایافت؟ در این مقاله قصد داریم متناسب با هر سه سناریو عنوان شده سطح تقاضا، بیشترین مقیاس بهره وری شاخص بازده سرمایه در گردش را در مقایسه با تقاضای محقق شده برای 24 شرکت فعال بیمه در سال 1396 بیابیم. در واقع، توسعه ای ازمقاله لی (2016) برای شاخص خروجی نیمه مثبت و منفی ارائه خواهیم نمود و در انتها روی 24 شرکت بیمه فعال در سال 1396 پیاده خواهیم نمود.
1] جها نشاهلو ، حسین زاده لطفی و نیکومرام (١٣٨٧). تحلیل پوششی داده ها و کاربردهای آن، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران.
[2] Abel, A. B., &Eberly, J. C. (1996). Optimal investment with costly reversibility. Review of Economic Studies, 63, 581–593.
[3] Banker, R. D. (1984) Estimating most productive scale size using data envelopment analysis. European Journal of Operational Research, 17(1), 35–44.
[4] Banker, R. D., Cooper, W. W., Seiford, L. M., Thrall, R. M., & Zhu, J. (2004). Returns to scale in different DEA models. European Journal of Operational Research, 154,345–362.
[5] Chambers, R. G., Chung, Y., &Färe, R. (1996). Benefit and distance functions. Journal of Economic Theory, 70 (2), 407–419.
[6] Coelli, T. J., PrasadaRao, D. S., O’Donnell, C. J., &Battese, G. E. (2005). An Introduction to Efficiency and Productivity Analysis. 2nd ed., New York: Springer.
[7] Emrouznejad, A., Anouze, A.L. & Thanassoulis.E.(2010). A semi-oriented radial measure for measuring the efficiency of decision-making units with negative data, using DEA. European Journal of Operational Research 206 ,265–268.
[8] Fukuyama, H. (2003). Scale characterizations in a DEA directional technology distance function framework. European Journal of Operational Research, 144 (1), 108–127.
[9] Khodabakhshi, M. (2009). Estimating most productive scale size with stochastic data in data envelopment analysis. Economic Modelling, 26 (5), 968–973.
[10] Lee, C.-Y., & Johnson, A. L. (2013). Operational Efficiency.Edited in: Badiru, A. B., Handbook of Industrial and Systems Engineering, 2nd edition, 17–44, CRC Press.
[11] Lee, C-Y. (2016). Most Productive Scale Size versus Demand FulÞllment: A Solution to the Capacity Dilemma, European Journal of Operational Research, Vol. 248, No. 3, pp. 954-962.
[12] Nahmias, S. 2009. Production and Operations Analysis.6th edition, McGraw-Hill/Irwin.
[13] Zhu, J. (2000). Setting scale efficient targets in DEA via returns to scale estimation method. Journal of the Operational Research Society, 51, 376–378.
