Designing a Supply Chain Resilience Assessment Model within the NDEA Approach A Case of Study of Government Hospitals of Yazd Province
Subject Areas : Industrial Management Supply Chain Trend
Keywords: performance evaluation, resilience, hospital supply chain, network data envelopment analysis,
Abstract :
As one of the most important institutions providing health and treatment services, the hospital plays an important role in the return of the physical and mental health of the society; therefore, effective management during a crisis can have a significant effect on the optimal performance of this institution. Resilient hospitals play a vital role in reducing mortality and severity of injuries by providing emergency services needed during accidents and disasters. Hence, this research was carried out with the aim of designing a model for assessing the resilience of the supply chain of public hospitals in Yazd province with the approach of network data coverage analysis (NDEA). This research is applied in terms of purpose and a descriptive-survey study in terms of method. The data has been collected through the review of articles and opinions of experts in the field of health. Determining the effective and ineffective hospitals, and finally, according to the results of the data coverage analysis, the sensitivity analysis of the data has been done. The results of the envelopment analysis of the input-oriented network data revealed that only 07percent of the studied hospitals were efficient. After determining the efficiency at four stages and the efficiency of the network, the hospitals were respectively ranked from the most efficient to the least efficient, and at the end, some suggestions for improving the efficiency of hospitals and future research were provided. Key Words: performance evaluation, resilience, hospital supply chain, network data envelopment analysis 1.Introduction Today, severe environmental changes and their unpredictability have increasingly attracted the attention of managers and planners in various fields. Lack of attention to these sudden and surprising changes not only puts organizations and institutions under threat and destruction, but it can also lead to human crisis in organizations such as hospitals (Khadmi-Jalgah-Najad, 2019). The importance of health supply chain is of great interest not only for the private sector to increase profits and reduce costs, but also for governments and the general public. In fact, it can have a direct impact on the quality of life of people in society. Achieving an ideal and efficient supply chain can be a fundamental step in improving the satisfaction of patients and health professionals and reducing costs. Hospitals are vital social institutions that provide essential health services to save lives and promote human health. However, the potential of hospitals to reduce risk and disasters is not only to continue providing essential health services in times of crisis, but also to manage community resilience to disasters in normal times (Ito & Aruga, 2022). Therefore, according to the type of function they have and being in the first place of reference for the injured, hospitals should have the best performance. Therefore, in order to maintain the basic functions and quickly return the hospital to its original state, the resilience of the hospital is important (Mohammed Hosseini Issini, 2019), which calls attention to the necessity of availability and efficiency of hospitals. With the increasing impact of disasters on people's lives in recent times, the need for resilience in the health care supply chain is very vital (Beg et al., 2019). The field of health and medicine is one of the fields where many disorders and risks occur (Mohammadipour, 2019). In this situation, people also expect hospitals to have a high level of continuity and sustainability, that is, to be available at all hours and provide medical care (Ernest Dube, 2020). Therefore, to maintain the performance of a hospital during disasters (Hiba Mehtadi et al., 2021), supply chain resilience is defined as the ability to proactively plan and design the supply chain network to anticipate unexpected disruptive events and respond adaptively to disruptions, which requires coordination and integration of resources and capabilities of supply chain entities to ensure adequate preparedness, effective recovery and response , and most importantly, providing robust services to patients in the event of a disruption. However, this supply chain must also support the well-being of its customers (Sawyer & Harrison, 2022). Hence, based on aforementioned points and the importance of resilience in the field of health, especially hospitals, this research aims to provide a suitable model to evaluate the efficiency of the resilience of the supply chain through the overlay analysis of network data in the studied hospitals. 2. Literature Review Health and safety are considered among the most important objectives in every country, and this is exemplified in the Constitution of the Islamic Republic of Iran, which highlights their importance as well. The health and community hygiene sector consistently aims to use minimal resources as efficiently as possible to deliver high-quality health and treatment services (Khatami Firouzabadi et al., 2017). Hence, it is important to evaluate the efficiency of health systems and medical centers at both micro and macro levels. In recent years, managers at these centers have shown a strong commitment to meeting the different needs of patients with high quality services. To achieve this goal, it is necessary to assess the performance and efficiency of each department within health centers (Jehan-tigh and Astavareh, 2016). Performance evaluation is a process that organizations always pursue to assess in various ways, aiming to improve and promote the organization's members and activities. In this regard, hospitals, as the most important units of the healthcare service delivery system, feel the need for performance evaluation more than other organizations since the weak performance of managers causes delay in the treatment or progression of diseases or death (Nazari, 1996). Therefore, in order to perform better, hospital managers need to examine the efficiency of different departments of hospitals and determine the causes of their inefficiency, which leads to people's satisfaction with the health and medical services of the country. (Samuel et al., 2014). In order to provide medical services and fulfill their mission, hospitals are made up of different departments. Thus, when examining the efficiency of hospitals, we should pay attention to examining their different units. These sectors have different inputs and outputs, and these inputs and outputs do not necessarily have the same scale. Therefore, the technique of data envelopment analysis can be used to check the efficiency of hospitals. On the other hand, in line with the primary objective of the research—to model and identify factors affecting hospital performance, compare units with one another, and rank them—the data envelopment analysis technique can effectively accomplish this goal (Shafi'i Nikabadi and Hosseini, 2018). In a comprehensive definition of resilience is considered as the ability of a system based on four actions of planning and preparation, returnability, recovery and adaptation in adverse events (Linko &Trump, 2020). At the time of an accident, hospitals, in addition to receiving and treating the injured, continue to take care of the existing patients. Therefore, in order to face these conditions, the concept of resilience should be considered (Khademi Jalgenejad, 2018). By creating resilient health systems, the hospital is able to predict, respond, cope and recover, and is also compatible with shocks and tensions (Laberda et al., 2017). Data envelopment analysis is a mathematical programming approach, one of the non-parametric methods of evaluating the performance and ranking of homogeneous decision-making units (Pratab Singh et al., 2022) which is also used for relative evaluation using multiple inputs and outputs. Scores evaluate the efficiency of decision-making units (Shafii Nik-Abadi et al., 2017). Since the conventional envelopment analysis models cannot be used to measure the performance of units with a network structure, the network data envelopment analysis approach should be used (Pikani et al., 2022), which can evaluate the performance of units with a network structure such as two-stage, series, parallel, mixed, etc. (Kao, 2017) 3. Methodology In terms of the purpose, this research is applied one, based on mathematical modeling with the help of the evaluation method. Regarding data collection, using library studies and the review of the related research and the opinions of health experts in the field under investigation, 10 main dimensions with 40 sub-dimensions were identified and examined. Since the aim of this research was to provide a suitable model to evaluate the efficiency of hospitals with an emphasis on the resilience component of the hospital supply chain, the data analysis method was based on open multi-stage NDEA and the statistical population included public hospitals in Yazd province in the summer of 1401. In this research, using Lingo software, optimal values were found. 4.Results The present research findings enable managers to evaluate their performance against competitors and identify reasons and weaknesses for any low performance and take action to fix them. The output of the model and the hospital ranking help managers to examine the input, intermediate and output data in order to enhance their performance and take action to improve the status of these variables and strengthen the resilience of the hospital supply chain. The results of the present study reveal that the resilience indicators of hospitals in terms of coordination with suppliers, stock management, support systems, medical equipment management strategies, government and organizations support for recovery and the nature and severity of the accident, compared to other indicators, and are not in favorable conditions to handel disruptions and crises, and they require attention and reinforcement. Also, in order to enhance patient satisfaction, the factors that lead to the deterioration of the target function should be minimized ensuring adequate preparation to handle crisis situations effectively and achieve the desired situation with proper planning since hospitals are among the most important organizations that provide medical care, in order to be efficient and perform well, they must respond in the best possible way when confronting accidents. 5. Discussion The present research findings enable managers to evaluate their performance against competitors and identify reasons and weaknesses for any low performance and take action to fix it. The output of the model and the hospital ranking help managers to examine the input, intermediate and output data in order to enhance their performance and take action to improve the status of these variables and strengthen the resilience of the hospital supply chain. In order to create resilience, several factors are involved, and by examining them, solutions are provided to reduce the disruptive factors. Some factors involved in creating resilience are continuous examination of the necessary equipment and emergency drugs and their supply and their proper management and storage. Additionally, ensuring that hospitals and suppliers meet their obligations in order to integrate the supply chain and its various sectors, establishing long-term contracts with suppliers in order to increase cooperation, planning crisis management, and activating the hospital incident command process to be ready and give timely responces to warnings in accord with incidents are among the issues to be considered.
Achour, N., Miyajima, M., Pascale, F., & DF Price, A. (2014). Hospital resilience to natural hazards: classification and performance of utilities. Disaster prevention and management, 23(1), 40-52. doi 10.1108/DPM-03-2013-0057
Aldrighetti, R., Zennaro, I., Finco, S., & Battini, D. (2019). Healthcare supply chain simulation with disruption considerations: A case study from Northern Italy. Global Journal of Flexible Systems Management, 20(Suppl 1), 81-102. doi:10.1007/s40171-019-00223-8
Bag, S., Gupta, S., & Foropon, C. (2019). Examining the role of dynamic remanufacturing capability on supply chain resilience in circular economy. Management Decision, 57(4), 863-885. doi:10.1108/MD-07-2018-0724
Cimellaro, G. P., Malavisi, M., & Mahin, S. (2018). Factor analysis to evaluate hospital resilience. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, 4(1), 04018002. doi:10.1061/AJRUA6.0000952
Currie, J., & Heslop, D. J. (2018). Operational systems evaluation of a large scale multi-agency decontamination exercise. International Journal of Disaster Risk Reduction, 31, 1054-1061. doi: 10.1016/j.ijdrr.2018.03. 027
Dube, E. (2020). The build-back-better concept as a disaster risk reduction strategy for positive reconstruction and sustainable development in Zimbabwe: A literature study. International journal of disaster risk reduction, 43, 101401. doi:10.1016/j.ijdrr.2019.101401
Firouzi Jahantigh, F., Astavare, M. (2016). "Evaluating the performance of Tehran University of Medical Sciences hospitals using the combined model of data envelopment analysis and Prometheus method". Iran's work health. 14(5): 140-152. .[In Persian] URL:http:// ioh.iums.ac.ir/ article-1-1969-fa.html
Haldane, V., De Foo, C., Abdalla, S. M., Jung, A. S., Tan, M., Wu, S., ... & Legido-Quigley, H. (2021). Health systems resilience in managing the COVID-19 pandemic: lessons from 28 countries. Nature Medicine, 27(6), 964-980. doi:10.1038/s41591-021-01381-y
Hassan, E. M., & Mahmoud, H. (2019). Full functionality and recovery assessment framework for a hospital subjected to a scenario earthquake event. Engineering Structures, 188, 165-177. doi:10.1016/j.engstruct. 2019.03.008
Hundal, G. S., Thiyagarajan, S., Alduraibi, M., Laux, C. M., Furterer, S. L., Cudney, E. A., & Antony, J. (2021). Lean Six Sigma as an organizational resilience mechanism in health care during the era of COVID-19. International Journal of Lean Six Sigma. doi:10.1108/IJLSS-11-2020-0204
Ito, H., & Aruga, T. (2022). A conceptual framework to assess hospitals for disaster risk reduction in the community. International Journal of Disaster Risk Reduction, 77, 103032. doi:10.1016/j.ijdrr.2022.103032
Kao, C. (2017). Network Data Envelopment Analysis. International Series in Operations Research & Management.
Khademi Jalgenejad, A., Ahmadikohen A., Hirani, A. (2018). Factors affecting hospital supply chain resilience (qualitative study). Hospital, 18(2 (serial 69) ), 61-73. .[In Persian] URL: http://jhosp.tums.ac.ir/article-1-6158-fa.html
Khademi Jalgenejad, A., Kohanali, R,. Hirani, A. (2019). Future research of resilient hospital supply chain with intuitive logic scenario planning. Hospital, 19(3 (serial 74)), 16-26. .[In Persian] URL: http://jhosp.tums.ac.ir/article-1-6295-fa.html
Khatami Firouzabadi S M A, Shafiei Nikabadi M, Tebyanian H, Shoji N. (2018) Presenting a Dynamic Model for Periodical Evaluation of Organizations Using DEA Case study: 13 hospitals in Semnan province. Koomesh 1397; 20 (3) :555-560. URL: koomeshjournal.semums.ac.ir/article-1-4167-fa.html
Labarda, C., Labarda, M. D. P., & Lamberte, E. E. (2017). Hospital resilience in the aftermath of Typhoon Haiyan in the Philippines. Disaster Prevention and Management: An International Journal. doi:10.1108/DPM-02-2017-0025
Mohammadipour, E. (2019). Determining the resilience strategies of the health tourism supply chain from the perspective of risk (case study: Ayatollah Yatharbi Kashan Hospital), Master of Business Administration, School of Management and Economics, Kashan University. .[In Persian] https://www.irandoc.ac.ir
Mohammad Hosseini Issini, F. (2019). Assessment and prioritization of factors affecting resilience in Bandar Abbas University Hospitals, Master's Degree, Faculty of Management, Economics and Accounting, Hormozgan University. .[In Persian] https://www.irandoc.ac.ir
Moons, K., Waeyenbergh, G., & Pintelon, L. (2019). Measuring the logistics performance of internal hospital supply chains–a literature study. Omega, 82, 205-217. doi:10.1016/j.omega.2018.01.007
Nazari, A. (1996). Performance evaluation of Semnan and Mazandaran provinces Health Network. Journal of Qazvin University of Medical Sciences, 2(8), 48-57.
Ozcan, Y. A. (2008). Health care benchmarking and performance evaluation. Springer US.
Peykani, P., Emrouznejad, A., Mohammadi, E., & Gheidar-Kheljani, J. (2022). A novel robust network data envelopment analysis approach for performance assessment of mutual funds under uncertainty. Annals of Operations Research, 1-27. doi:10.1007/s10479-022-04625-3
Sawyerr, E., & Harrison, C. (2022). Resilience in healthcare supply chains: a review of the UK’s response to the COVID19 pandemic. International Journal of Physical Distribution & Logistics Management, 53(3), 297-329. doi:10.1108/IJPDLM-09-2021-0403
Seyedin, H., Abasi Dolat Abadi, Z., Sorani, M., Naghdi, S., & Rajabfard Mazraeno, F. (2014). Vulnerability assessment of general hospitals of Tehran University of Medical Sciences. Journal of Health Promotion Management, 3(2), 65-71. URL: jhpm.ir/article-1-249-en.html
Scott-Samuel, A., Bambra, C., Collins, C., Hunter, D. J., McCartney, G., & Smith, K. (2014). The impact of Thatcherism on health and well-being in Britain. International Journal of Health Services, 44(1), 53-71. doi:10.2190/HS.44.1.d
Singh, A. P., & Yadav, S. P. (2022). A Two-stage Network Data Envelopment Analysis: An Education Sector Application. arXiv preprint arXiv:2206.01561. doi: 10.48550/arXiv.2206.01561
Shang, Q., Wang, T., & Li, J. (2022). A quantitative framework to evaluate the seismic resilience of hospital systems. Journal of Earthquake Engineering, 26(7), 3364-3388. doi:10.1080/13632469.2020.1802371
Shirali, G. A., Azadian, S. H., & Saki, A. (2016). A new framework for assessing hospital crisis management based on resilience engineering approach. Work, 54(2), 435-444. doi:10.3233/wor-162329
Vol.18, No.71, Winter 2025 Journal of Productivity Management
Designing a Supply Chain Resilience Assessment Model
within the NDEA Approach
A Case of Study of Government Hospitals of Yazd Province
Mohsen Shafiei Nikabadi*1, Fereshteh Bahrami2
(Received:2023.05.20 - Accepted:2023.08.09 )
Abstract:
As one of the most important institutions providing health and treatment services, the hospital plays an important role in the return of the physical and mental health of the society; therefore, effective management during a crisis can have a significant effect on the optimal performance of this institution. Resilient hospitals play a vital role in reducing mortality and severity of injuries by providing emergency services needed during accidents and disasters. Hence, this research was carried out with the aim of designing a model for assessing the resilience of the supply chain of public hospitals in Yazd province with the approach of network data coverage analysis (NDEA). This research is applied in terms of purpose and a descriptive-survey study in terms of method. The data has been collected through the review of articles and opinions of experts in the field of health. Determining the effective and ineffective hospitals, and finally, according to the results of the data coverage analysis, the sensitivity analysis of the data has been done. The results of the envelopment analysis of the input-oriented network data revealed that only 07percent of the studied hospitals were efficient. After determining the efficiency at four stages and the efficiency of the network, the hospitals were respectively ranked from the most efficient to the least efficient, and at the end, some suggestions for improving the efficiency of hospitals and future research were provided.
Key Words: performance evaluation, resilience, hospital supply chain, network data envelopment analysis
1.Introduction
Today, severe environmental changes and their unpredictability have increasingly attracted the attention of managers and planners in various fields. Lack of attention to these sudden and surprising changes not only puts organizations and institutions under threat and destruction, but it can also lead to human crisis in organizations such as hospitals (Khadmi-Jalgah-Najad, 2019). The importance of health supply chain is of great interest not only for the private sector to increase profits and reduce costs, but also for governments and the general public. In fact, it can have a direct impact on the quality of life of people in society. Achieving an ideal and efficient supply chain can be a fundamental step in improving the satisfaction of patients and health professionals and reducing costs. Hospitals are vital social institutions that provide essential health services to save lives and promote human health. However, the potential of hospitals to reduce risk and disasters is not only to continue providing essential health services in times of crisis, but also to manage community resilience to disasters in normal times (Ito & Aruga, 2022). Therefore, according to the type of function they have and being in the first place of reference for the injured, hospitals should have the best performance. Therefore, in order to maintain the basic functions and quickly return the hospital to its original state, the resilience of the hospital is important (Mohammed Hosseini Issini, 2019), which calls attention to the necessity of availability and efficiency of hospitals. With the increasing impact of disasters on people's lives in recent times, the need for resilience in the health care supply chain is very vital (Beg et al., 2019). The field of health and medicine is one of the fields where many disorders and risks occur (Mohammadipour, 2019). In this situation, people also expect hospitals to have a high level of continuity and sustainability, that is, to be available at all hours and provide medical care (Ernest Dube, 2020). Therefore, to maintain the performance of a hospital during disasters (Hiba Mehtadi et al., 2021), supply chain resilience is defined as the ability to proactively plan and design the supply chain network to anticipate unexpected disruptive events and respond adaptively to disruptions, which requires coordination and integration of resources and capabilities of supply chain entities to ensure adequate preparedness, effective recovery and response , and most importantly, providing robust services to patients in the event of a disruption. However, this supply chain must also support the well-being of its customers (Sawyer & Harrison, 2022). Hence, based on aforementioned points and the importance of resilience in the field of health, especially hospitals, this research aims to provide a suitable model to evaluate the efficiency of the resilience of the supply chain through the overlay analysis of network data in the studied hospitals.
2. Literature Review
Health and safety are considered among the most important objectives in every country, and this is exemplified in the Constitution of the Islamic Republic of Iran, which highlights their importance as well. The health and community hygiene sector consistently aims to use minimal resources as efficiently as possible to deliver high-quality health and treatment services (Khatami Firouzabadi et al., 2017). Hence, it is important to evaluate the efficiency of health systems and medical centers at both micro and macro levels. In recent years, managers at these centers have shown a strong commitment to meeting the different needs of patients with high quality services. To achieve this goal, it is necessary to assess the performance and efficiency of each department within health centers (Jehan-tigh and Astavareh, 2016). Performance evaluation is a process that organizations always pursue to assess in various ways, aiming to improve and promote the organization's members and activities. In this regard, hospitals, as the most important units of the healthcare service delivery system, feel the need for performance evaluation more than other organizations since the weak performance of managers causes delay in the treatment or progression of diseases or death (Nazari, 1996). Therefore, in order to perform better, hospital managers need to examine the efficiency of different departments of hospitals and determine the causes of their inefficiency, which leads to people's satisfaction with the health and medical services of the country. (Samuel et al., 2014). In order to provide medical services and fulfill their mission, hospitals are made up of different departments. Thus, when examining the efficiency of hospitals, we should pay attention to examining their different units. These sectors have different inputs and outputs, and these inputs and outputs do not necessarily have the same scale. Therefore, the technique of data envelopment analysis can be used to check the efficiency of hospitals. On the other hand, in line with the primary objective of the research—to model and identify factors affecting hospital performance, compare units with one another, and rank them—the data envelopment analysis technique can effectively accomplish this goal (Shafi'i Nikabadi and Hosseini, 2018). In a comprehensive definition of resilience is considered as the ability of a system based on four actions of planning and preparation, returnability, recovery and adaptation in adverse events (Linko &Trump, 2020). At the time of an accident, hospitals, in addition to receiving and treating the injured, continue to take care of the existing patients. Therefore, in order to face these conditions, the concept of resilience should be considered (Khademi Jalgenejad, 2018). By creating resilient health systems, the hospital is able to predict, respond, cope and recover, and is also compatible with shocks and tensions (Laberda et al., 2017). Data envelopment analysis is a mathematical programming approach, one of the non-parametric methods of evaluating the performance and ranking of homogeneous decision-making units (Pratab Singh et al., 2022) which is also used for relative evaluation using multiple inputs and outputs. Scores evaluate the efficiency of decision-making units (Shafii Nik-Abadi et al., 2017). Since the conventional envelopment analysis models cannot be used to measure the performance of units with a network structure, the network data envelopment analysis approach should be used (Pikani et al., 2022), which can evaluate the performance of units with a network structure such as two-stage, series, parallel, mixed, etc. (Kao, 2017)
3. Methodology
In terms of the purpose, this research is applied one, based on mathematical modeling with the help of the evaluation method. Regarding data collection, using library studies and the review of the related research and the opinions of health experts in the field under investigation, 10 main dimensions with 40 sub-dimensions were identified and examined. Since the aim of this research was to provide a suitable model to evaluate the efficiency of hospitals with an emphasis on the resilience component of the hospital supply chain, the data analysis method was based on open multi-stage NDEA and the statistical population included public hospitals in Yazd province in the summer of 1401. In this research, using Lingo software, optimal values were found.
4.Results
The present research findings enable managers to evaluate their performance against competitors and identify reasons and weaknesses for any low performance and take action to fix them. The output of the model and the hospital ranking help managers to examine the input, intermediate and output data in order to enhance their performance and take action to improve the status of these variables and strengthen the resilience of the hospital supply chain.
The results of the present study reveal that the resilience indicators of hospitals in terms of coordination with suppliers, stock management, support systems, medical equipment management strategies, government and organizations support for recovery and the nature and severity of the accident, compared to other indicators, and are not in favorable conditions to handel disruptions and crises, and they require attention and reinforcement. Also, in order to enhance patient satisfaction, the factors that lead to the deterioration of the target function should be minimized ensuring adequate preparation to handle crisis situations effectively and achieve the desired situation with proper planning since hospitals are among the most important organizations that provide medical care, in order to be efficient and perform well, they must respond in the best possible way when confronting accidents.
5. Discussion
The present research findings enable managers to evaluate their performance against competitors and identify reasons and weaknesses for any low performance and take action to fix it. The output of the model and the hospital ranking help managers to examine the input, intermediate and output data in order to enhance their performance and take action to improve the status of these variables and strengthen the resilience of the hospital supply chain. In order to create resilience, several factors are involved, and by examining them, solutions are provided to reduce the disruptive factors. Some factors involved in creating resilience are continuous examination of the necessary equipment and emergency drugs and their supply and their proper management and storage. Additionally, ensuring that hospitals and suppliers meet their obligations in order to integrate the supply chain and its various sectors, establishing long-term contracts with suppliers in order to increase cooperation, planning crisis management, and activating the hospital incident command process to be ready and give timely responces to warnings in accord with incidents are among the issues to be considered.
طراحی مدل ارزیابی تابآوری زنجیره تامین با رویکرد تحلیل پوششی دادههای شبکهای
(مورد مطالعه: بیمارستانهای دولتی استان یزد)
محسن شفیعی نیکآبادی3*، فرشته بهرامی4
(دریافت: 30/02/1402-پذیرش نهایی: 18/05/1402)
چکیده
بیمارستان به عنوان یکی از مهمترین نهادهای ارائه دهنده خدمات بهداشتی و درمانی نقش مهمی را در بازگشت سلامت جسمی و روانی جامعه دارد لذا اعمال مدیریت کارآمد در زمان وقوع بحران میتواند در عملکرد مطلوب و بهینه این نهاد تأثیر بسزایی داشته باشد. بیمارستانهای تاب آور با ارائه خدمات اورژانسی مورد نیاز در هنگام حوادث و بلایا نقش حیاتی در کاهش مرگ و میر و شدت جراحات دارند. لذا این پژوهش با هدف" طراحی مدل ارزیابی تابآوری زنجیره تامین بیمارستانهای دولتی استان یزد با رویکرد تحلیل پوششی دادههای شبکهای" انجام شده است. روش پژوهش: این پژوهش از نظر هدف، کاربردی و از نظر نوع روش یک مطالعه توصیفی- پیمایشی است. دادهها از طریق بررسی مقالات و نظرات خبرگان حوزه سلامت گردآوری گردیده است .تحلیل دادهها با استفاده از تحلیل پوششی داههای شبکهای چند مرحلهای انجام گرفته است. یافتهها: تعیین بیمارستانهای کارا و ناکارا و در نهایت با توجه به نتایج حاصل از تحلیل پوششی دادهها به تحلیل حساسیت دادهها پرداخته شده است. نتیجهگیری: نتایج حاصل از تحلیل پوششی دادههای شبکهای ورودی محور نشان داده است که تنها 7درصد از بیمارستانهای مورد مطالعه کارا بوده و پس از تعیین کارایی 4 مرحله و در نتیجه کارایی شبکه، بیمارستانها به ترتیب (از بیشترین کارایی به کمترین کارایی) رتبهبندی شده و در آخر پیشنهاداتی جهت بهبود کارایی بیمارستانها و تحقیقات آتی ارائه شده است.
واژههای کلیدی: ارزیابی عملکرد، تابآوری، زنجیره تامین بیمارستان، تحلیل پوششی دادههای شبکهای
امروزه تغییرات شدید محیطی و غیرقابل پیش بینی بودن آنها به طور فزایندهای توجه مدیران و برنامهریزان حوزههای مختلف را به خود جلب کرده است.کم توجهی به این تغییرات غافلگیر کننده و برق آسا نه تنها سازمانها و موسسات را در معرض تهدید و نابودی قرار میدهد بلکه در سازمانهایی مانند بیمارستان میتواند بحران انسانی به دنبال داشته باشد. بنابراین مقابله با عدم اطمینان و تطبیق سریع با تغییرات محیطی از مهمترین عوامل موفقیت در هرسازمان به شمار میرود (خادمیجلگهنژاد، 1399). اهمیت موضوع زنجیره تامین سلامت نه تنها از طرف بخش خصوصی برای افزایش سود و کاهش هزینه بلکه برای دولتها و عموم مردم نیز بسیار مورد توجه است و تاثیر مستقیمی روی کیفیت زندگی افراد جامعه دارد. دستیابی به زنجیره تامین ایدهآل و کارآمد میتواند گامی اساسی در بهبود رضایت بیماران و دست اندرکاران سلامت و کاهش هزینهها داشته باشد. همچنین طی سالهای اخیر، با گسترش مراجعین به بیمارستانها به دلیل اختلالات و بلایا در زنجیره تامین سلامت و به طور خاص بیمارستانها دچار اختلال گسترده شدهاند (محمد حسینی ایسینی، 1399). بیمارستانها مؤسسات حیاتی اجتماعی هستند که خدمات بهداشتی ضروری را برای نجات جان افراد و ارتقای سلامت انسان ارائه میکنند. با این حال، پتانسیل بیمارستانها برای کاهش خطر و بلایا، نه تنها برای ادامه ارائه خدمات بهداشتی ضروری در مواقع بحران، بلکه برای مدیریت تابآوری جامعه در برابر بلایا در زمانهای عادی انجام میشود (ایتو و آروگا5، 2022). بعبارتی بیمارستانها به عنوان ساختمانهای استراتژیک در حوادث خطرناک شناخته میشوند و نقش کلیدی در شرایط بحران دارند (شوشانگ و همکاران6، 2020). لذا با توجه به نوع کارکرد و قرار داشتن در اولین جایگاه مراجعه آسیبدیدگان، باید بهترین عملکرد را داشته باشد؛ بنابراین برای حفظ عملکردهای اساسی و بازگشت سریع بیمارستان به حالت اولیه، تابآوری بیمارستان حائز اهمیت است (محمدحسینی ایسینی،1399) و این امر لزوم در دسترس و کارآمد بودن بیمارستانها را مورد توجه قرار میدهد، همچنین بیمارستانها باید بتوانند با افزایش ناگهانی تقاضا، بهویژه در هنگام وقوع بلایای طبیعی، پاسخگو باشند، حتی زمانی که اثرات بلایا توسط این مؤسسات و کارکنان آنها احساس میشود. بلایا، رویدادهای ناگهانی و غیرمنتظره شامل: زلزله، سیل، طوفان، سونامی، آتشسوزی و سایر رویدادهای شدید آب و هوایی مانند امواج گرما و.. (کوری و همکاران7، 2018)؛ حوادث بیولوژیکی، شیمیایی و هستهای، تروریسم و بیماری همهگیر میباشند (حسن و همکاران8، 2019). بروز حوادث و رخدادهای غیرمنتظره امری طبیعی و غیرقابلاجتناب است. رخدادهایی که برای مدیریت چالشهای آتی نیاز به افزایش تابآوری زنجیره به عنوان یکی از مراکز پرریسک با بالاترین میزان مواجهه با شرایط غیرمنتظره و ارائه راهکارهایی برای افزایش میزان تابآوری برای تداوم ارائه خدمات مناسب در زمان وقوع پیشامدهاست (ظروفی،1400). در دسترس بودن عرضه، منبعیابی جهانی و افزایش برون سپاری؛ این زنجیرههای تامین را طولانیتر و پیچیدهتر کرده است. بنابراین زنجیرههای تامین بهداشت و درمان در برابر اختلالات آسیبپذیرتر شدهاند. با تاثیر فزاینده بلایا بر زندگی انسانها در زمانهای اخیر، نیاز به تابآوری در زنجیره تامین مراقبتهای بهداشتی بسیار حیاتی است (بگ و همکاران9،2019؛ آلدریگتی و همکاران10، 2019)، زیرا این موارد نه تنها تقاضای خدمات زنجیره تامین را افزایش میدهند، بلکه تداوم ارائه خدمات بهداشتی را نیز برهم میزنند .امروزه قابلیت تابآوری این توانایی را به زنجیره تأمین میدهد تا پس از اختلال بتوانند به حالت اولیه خود یا یک حالت جدید و مطلوبتر بازگردند. حوزه سلامت و پزشکی یکی از حوزههایی است که اختلالات و ریسکهای زیادی در آن اتفاق میافتد (محمدی پور،1399). مردم نیز در این شرایط انتظار دارند که بیمارستانها سطح بالایی از تداوم و پایداری را داشته باشند، یعنی در همه ساعات در دسترس باشند و مراقبتهای پزشکی ارائه کنند (ارنست دوبه11، 2020). با این حال، نمونههای مستندی وجود دارد که در آن بیمارستانها در چنین شرایطی تحت فشار قرار گرفتهاندکه منجر به شکست جزئی یا کامل در برآوردن چنین انتظاراتی میشود. لذا برای حفظ عملکرد یک بیمارستان در هنگام بلایا (هیبا مهتدی و همکاران12، 2021)؛ تابآوری زنجیره تأمین به عنوان توانایی برنامهریزی و طراحی فعالانه شبکه زنجیره تأمین برای پیشبینی رویدادهای مخرب غیرمنتظره و پاسخ انطباقی به اختلالات تعریف شده است. برای زنجیرههای تأمین مراقبتهای بهداشتی، این امر مستلزم هماهنگی و یکپارچهسازی منابع و قابلیتهای نهادهای زنجیره تأمین برای اطمینان از آمادگی کافی، بازیابی مؤثر و پاسخگویی است، اما مهمتر از همه، ارائه خدمات قوی به بیماران در صورت بروز اختلال میباشد با این حال، این زنجیره تامین باید از رفاه مشتریان خود نیز حمایت کند (ساویر و هریسون13، 2022). بنابراین با توجه به مطالب گفته شده و اهمیت تابآوری حوزه سلامت بویژه بیمارستانها این پژوهش درصدد است تا با ارائه مدل مناسبی به ارزیابی کارایی تابآوری زنجیره تامین از طریق روش تحلیل پوششی دادههای شبکهای در بیمارستانهای مورد مطالعه بپردازد. با توجه به نکات مطرح شده، سوالات این پژوهش عبارتست از:
1) شاخصهاي تابآوری ارزیابی بیمارستانهای دولتی استان یزد کداماند؟
2) مدل ارزیابی تابآوری با رویکرد DEA شبکهای در بیمارستانهای دولتی استان یزد چگونه است؟
3) کاراترین بیمارستانهای دولتی استان یزد بر اساس شاخصهای تابآوری و مدل DEAشبکهای کداماند؟
هر پژوهش گامهای مختص به خود را دارد، در پژوهش حاضر فرآیند انجام پژوهش به شرح شکل 1 است:
شکل 1: فرآیند پژوهش
Figure 1: Research process
مساله بهداشت و سلامت در هر کشور یکی از مهمترین اهداف اصلی هر کشور محسوب میشود و در اثبات این گفته میتوان به قانون اساسی جمهوری اسلامی ایران اشاره کرد. بخش سلامت و بهداشت جامعه، همواره به دنبال این هدف هستند تا از حداقل منابع به بهترین شکل استفاده نموده تا به بهترین نحو، خدمات بهداشتی و درمانی را ارائه نمایند (خاتمی فیروز آبادی و همکاران، 1397). ارزیابی بهرهوری سیستمهای سلامت و مراکز درمانی در دو سطح خرد و کلان حائز اهمیت است. در سالهای اخیر مدیران این مراکز تمایل زیادی به برآورد نیازهای متفاوت بیماران با کیفیت خدمات بالا داشتهاند. لازمه دستیابی به این هدف، سنجش عملکرد و کارایی هر بخش مراکز بهداشتتی درمانی میباشد (جهانتیغ و استواره،1396). ارزیابی عملکرد فرآیندی است که همواره سازمانها به هر نحوی به دنبال محاسبه آن میباشند و از طریق آن سعی در اصلاح و ارتقاء اعضا و فعالیتهای سازمان دارند. بیمارستانها بعنوان مهمترین واحد نظام ارائه خدمات بهداشتی و درمانی ضرورت ارزیابی عملکرد را بیش از دیگر سازمانها احساس میکنند چرا که ضعف عملکرد مدیران باعث تاخیر در درمان یا پیشرفت بیماری یا مرگ میشود (نظری14، 1996)، بنابراین به منظور عملکرد بهتر مدیران بیمارستانها نیاز به بررسی کارایی بخشهای مختلف بیمارستانها و تعیین علل عدم کارایی آنهاست که منجر به رضایتمندی مردم از خدمات حوزه سلامت و درمانی کشور میشود. با توجه به ارزش والای سلامتی انسانها، ارائه خدمات درمانی در جوامع انسانی در زمره اساسیترین نیازهای جوامع قرار گرفته است (ساموئل و همکاران15، 2014). بیمارستانها در راستای ارائه خدمات درمانی و به منظور تحقق رسالت خود، از بخشهای مختلفی تشکیل شدهاند. لذا به هنگام بررسی کارایی بیمارستانها، باید به بررسی واحدهای مختلف آنها توجه داشته باشیم. این بخشها دارای نهادهها و ستادههای مختلف و متفاوتی هستند که این نهادهها و ستادهها لزوما از مقیاس یکسانی برخوردار نمیباشند. از اینرو، برای بررسی کارایی بیمارستانها میتوان از تکنیک تحلیل پوششی دادهها استفاده نمود. از طرفی با توجه به هدف اصلی پژوهش که مدلسازی جهت شناسایی عوامل تاثیرگذار بر کارایی عملکرد بیمارستانها و مقایسه واحدها با یکدیگر و سپس رتبهبندی آنها میباشد تکنیک تحلیل پوششی شبکهای دادهها میتواند این هدف را محقق سازد (شفیعی نیکآبادی و حسینی، 1398).
کلمه تابآوري16 به معنی ایستادگی، توانایی قوي، پافشاري کردن است (دعاگویان، 1398). در یک تعریف جامع تابآوری به عنوان توانایی یک سیستم بر اساس چهار عمل برنامهریزی و آمادهسازی؛ بازگشتپذیری؛ بازیابی و انطباق با توجه به رخدادهای نامطلوب است (لینکو و ترامپ17، 2020). بیمارستانها در زمان بروز حادثه، علاوه بر اینکه به پذیرش و درمان مصدومین توجه میکنند، مراقبت از بیماران موجود را نیز ادامه میدهند. بنابراین برای رویارویی با این شرایط، باید از مفهوم تابآوری بهره برد (خادمی جلگه نژاد،1398). امروزه بیمارستانهای باتجربه و تابآور، در مقابله با یک فاجعه، آسیبپذیری کمتر و بازیابی سریعتری نسبت به بیمارستانهای سنتی که ظرفیتهای خود را تنها بر اساس فاجعههای گذشته توسعه دادهاند دارند. تابآوری، استراتژیهای مقابله با فاجعه را توسعه میدهد؛ آگاهی از مسیرهای جلوگیری از شکست را افزایش میدهد و در تغییر مسیرها و یادگیری در مورد مسیرهای بالقوه دیگر کمک میکند (شیرعلی و همکاران، 2016). با ایجاد سیستمهای بهداشتی تابآور، بیمارستان قادر به پیشبینی، پاسخگویی، مقابله و بازیابی است و همچنین سازگار با شوكها و تنشها است ( لابردا و همکاران18، 2017). تورن19 (2019)، تابآوری سیستمهای بهداشتی را توانایی ادامه دادن و تحقق اهداف خود در مواجهه با چالشها؛ ظرفیت بازیگران؛ نهادها و جمعیتهای بهداشتی جهت آمادهسازی و پاسخگویی موثر به بحران؛ حفظ عملکرد اساسی در صورت بروز بحران و آگاهی با درسهای آموخته شده در هنگام بحران، سازماندهی مجدد در صورت شرایط نیاز به آن؛ قادر به تطبیق عملکرد خود برای مقابله با شوک و تغییر در صورت لزوم برای بهبودی از فاجعه تعریف میکند.
تحلیل پوششی دادهها20 یک رویکرد برنامهریزی ریاضی و از روشهای ناپارامتریک ارزیابی عملکرد و رتبهبندی واحدهای تصمیمگیری همگن21است (پراتاب سینگ و همکاران22،2022). روشی مبتنی بر رویکرد بهینهسازی با استفاده از برنامهریزی خطی است و برای ارزیابی نسبی با استفاده از ورودیها و خروجیهای چندگانه، نمرات کارایی واحدهای تصمیمگیرنده را ارزیابی میکند (شفیعی نیکآبادی و همکاران،1397). همچنین تحلیل پوششی راهکارهایی را براي مدیریت بهتر منابع به منظور رسیدن به خروجیهاي مورد انتظار ارائه میدهد (شفیعی نیکآبادی و سلیمی، 1394). از آنجایی که مدلهای تحلیل پوششی مرسوم را نمیتوان برای اندازهگیری عملکرد واحدها با ساختار شبکه استفاده کرد، باید از رویکرد تحلیل پوششی دادههای شبکه23 استفاده شود (پیکانی و همکاران24،2022). NDEA یک رویکرد کاربردی و موثر است که میتواند برای ارزیابی عملکرد واحدها با ساختار شبکهای مانند دو مرحلهای، سری، موازی، مختلط و غیره به کار رود (کائو25، 2017). این مدل علاوه بر کارایی کلی هر واحد تصمیمگیرنده به بررسی فرآیندهای داخلی و مراحل کاری واحدهای تصمیمگیرنده نیز میپردازد (شفیعی نیکآبادی و همکاران،1396). کاربرد این رویکرد در بخش آموزش، بانکداری، مراقبتهای بهداشتی، صنایع هتلداری و... میباشد (تان و دسپوتیس26، 2021). در بخش سلامت، اولین استفاده از تحلیل پوششی دادهها به سال 1983 بر میگردد که نونامیکر و لوین27 به بررسی کارایی خدمترسانی پرستاران پرداختند. همچنین در سال 1984،شرمان28 اولین کسی بود که کارایی یک بیمارستان را ارزیابی نمود (اوزکان29، 2008).
در این بخش به بررسی مطالعات خارجی و داخلی مرتبط با موضوع پژوهش بطور خلاصه پرداخته میشود:
جدول 1 : تحقیقات مرتبط با پژوهش
Table 1: Research related to the research
نتایج Results | اقدامات Actions | محقق research fellow |
این تحقیق اکتشافی تابآوری زنجیرههای تامین مراقبتهای بهداشتی بریتانیا را از دیدگاه مشتری در پرتو همهگیری ویروس کرونا تحلیل میکند. | تابآوری در زنجیره تامین مراقبتهای بهداشتی: مروری بر واکنش بریتانیا به کرونا | امانوئل و هریسون (2022) |
نتایج نشان میدهد که افزایش برش فازی، سطح اطمینان، ضریب استحکام، ضریب انعطافپذیری و سطح اطمینان CVaR میزان هزینهها افزایش مییابد. تابع Minimax برای تصمیم گیرندگان محافظه کار مناسب است. | بهینهسازی قوی فازی و دادهمحور ترکیبی برای تابآوری زنجیره تامین مراقبتهای بهداشتی پایدار با رویکرد VMI | لطفی و همکاران (2022) |
مطالعه موردی یک سیستم بیمارستانی معمولی نشان داد که برای بازیابی عملکرد اضطراری پس از یک زلزله شدید به اندازه کافی تابآور نیست. | چارچوبی برای ارزیابی کمی تابآوری لرزهای سیستمهای بیمارستانی | شوشانگ و همکاران (2022) |
یافتههای این مطالعه به بهبود برنامه آموزش مداوم، حمایت روانشناختی و برنامه سلامت روان کمک میکند تا اطمینان حاصل شود که نیازهای پرستاران بالینی در زمان شیوع بیماری برطرف میشود. | بررسی آمادگی بیمارستانی، تابآوری پرستاران بالینی در رسیدگی به کووید 19در عربستان | اجرسیتو مانگاوابلای و همکاران (2021) |
تابآوری بیمارستان از پیچیدگی در حال ظهور و برنامهریزی، سازگاری و همچنین از وابستگی متقابل با تابآوری فردی ناشی میشود. | تابآوری بیمارستان پس از زلزله 2015 در نپال | ماریا موتینیو (2021) |
از آنجایی که شاخصهای متنوعی بر تابآوری بیمارستان تأثیر میگذارند، باید مطالعات دیگری برای پیشنهاد برخی از آنها انجام شود. | به سوی توسعه مدلی برای ارزیابی تابآوری بیمارستان در بلایا: یک بررسی سیستماتیک | سعید فلاح علی آبادی (2020) |
نتایج نشان داد که شش سیگما ناب (LSS) به کاهش تأثیر کووید 19 در محیط مراقبتهای بهداشتی کمک میکند. | روش ناب شش سیگما به عنوان مکانیزم تابآوری سازمانی در مراقبتهای بهداشتی | هوندال و همکاران(2021) |
هدف این پژوهش یافتن عوامل کلیدی موثر بر انعطافپذیری و تابآوری زنجیره تامین تجهیزات و بررسی روابط پویای این عوامل با استفاده از روش دلفی و روش SDمیباشد. | تابآوری زنجیره تامین در صنعت تجهیزات پزشکی | جعفرنژاد و همکاران (2019) |
نشانگرهای عملکرد (هزینهها، زمان، پارامترهای موجودی سطح خدمات و..) بر جریانات تدارکات داخلی در یک بیمارستان تاثیر میگذارند. | بررسی 56 مقاله جهت بررسی عملکرد زنجیرههای تامین داخلی بیمارستان | مونز و همکاران (2019) |
به دنبال ارائه یک روش سریع برای کیفی سازی تابآوری فاجعه در تسهیلات مراقبت درمانی از طریق 3 عامل مدیریت آموزش و همکاری، منابع و قابلیت تجهیزات و رویههای عملیاتی سازی و ساختاری | تحلیل عاملی برای ارزیابی تابآوری بیمارستان | کیملارو و همکاران(2018) |
چهار شاخص برای تاباوری بیمارستان شامل مقاومت، افزونگی، منابع و سرعت بیان شد. آموزش و منابع انسانی، سازگاری در زمان مناسب جزو شاخصهایی هستند که بیشترین امتیاز را کسب کردند. | ویژگیهای آمادگی فاجعه و تابآوری بیمارستان در مالزی | سامسودین و همکاران(2018) |
بر اساس شاخصهای تابآوری بیمارستان برنامهریزی، ذخیرهسازی، ایمنی مراقبتهای حیاتی، آموزش و بازیابی نتایج نشان داد که بیمارستانهای دولتی واجد امتیازات بالاتری نسبت به بیمارستانهای خصوصی هستند. | تابآوری 21 بیمارستان دولتی و خصوصی در کشور فیلیپین | لابردا و همکاران(2017) |
یافته ها نشان داد که درک اندکی از سطح آمادگی برای بیمارستان که بتواند عملکرد خود را در طول و بعد از حادثه حفظ کند وجود دارد با وجود اینکه تمام پاسخ دهندگان بر وجود یک برنامه ریزی تداوم واقف بودند. | برنامه ریزی تداوم، یک بررسی در بیمارستانهای دهلی | جعفر و تانجا (2017) |
یافتهها نشان میدهد که شدت تأثیرگذاری وضعیتهای نامطلوب، بیشتر از وضعیتهای مطلوب است. بنابراین برای تابآوری زنجیره تامین بیمارستان لازم است که سناریوهای نامطلوب بیشتر مدنظر قرار گیرند. | سناریونگاری زنجیره تأمین تابآور بیمارستان با روش تحلیل تأثیر متقابل | جلگه نژاد و همکاران (1400) |
چهار سناریوی سازگار، آشفته، از هم گسیخته و مبارز بر مبنای بحرانیترین محرکها در زمینه تابآوری زنجیره تامین بیمارستان تدوین شد بهرهگیری از ویژگی الهام بخش این سناریوها میتواند به مدیران حوزه سلامت و مدیریت بحران کمک کند تا آمادگی لازم برای مواجهه با بحران را کسب نمایند. روش سناریونگاری منطق شهودی، میتواند برای آینده پژوهی در سایر حوزههای نظام سلامت مورد استفاده قرار گیرد. | آینده پژوهی زنجیره تامین بیمارستان با سناریونگاری منطق شهودی
| جلگه نژاد و همکاران (1399) |
بیمارستانهای نظامی با بازبینی در ماموریت و عملکردهای جاری خویش تدابیر ویژهای را برای افزایش سازگاری ظرفیتی در بحرانها فراهم نمایند. باید بتوانند برای افزایش تابآوری خدمات بازتوانی بعد از حادثه را تمرین و ارائه نمایند. | استاندارد سازی و اعتباریابی ابزار تابآوری سازمانی در بیمارستانهای نظامی | زابلی و همکاران (1399) |
عوامل مربوط به تمرینات کافی کارکنان، برنامه ریزی مدیریت فاجعه، سیستم فرماندهی وظرفیت بالقوه بیشترین تاثیر برتابآوری زنجیره تامین بیمارستان دارند. | عوامل موثر بر تابآوری زنجیره تامین بیمارستان | خادمی جلگه نژاد و همکاران (1398) |
با توجه به پژوهشهای داخلی و خارجی انجام شده میتوان نتیجه گرفت، ارزیابی عملکرد بیمارستانها با در نظر گرفتن شاخص های مرتبط با تابآوری به روش تحلیل پوششی دادههای شبکهای مشاهده نشده است.
در این پژوهش هدف اصلی طراحی مدل ارزیابی تابآوری زنجیره تامین بیمارستانهای دولتی استان یزد و شناسایی عوامل تاثیرگذار بر کارایی عملکرد بیمارستانها و مقایسه واحدها با یکدیگر و سپس رتبهبندی آنها میباشد تکنیک تحلیل پوششی شبکهای دادهها میتواند این هدف را محقق سازد.
بر این اساس مدل مفهومی پژوهش مطابق شکل 2 در قسمت زیرآورده شده است.
شکل 2: سیستم چند مرحلهای (4 مرحله ای) سری با مراحل موازی
Figure 2: Multi-stage (4-stage) series system with parallel stages
ابزار و روش
این پژوهش از نظر هدف، پژوهشی کاربردي و با کمک روش ارزیابی مبتنی بر مدلسازی ریاضی است و از نظر روش گردآوري اطلاعات با استفاده از مطالعات کتابخانهاي و بررسی تحقیقات پیشین و نظرات خبرگان حوزه سلامت در زمینه مورد بررسی 10 بعد اصلی با 40 زیر مولفه شناسایی و مورد بررسی قرار گرفت. از آنجایی که هدف این پژوهش ارائه مدل مناسبی به منظور ارزیابی کارایی بیمارستانها با تاکید بر مولفه تابآوری زنجیره تامین بیمارستان میباشد، روش تحلیل دادهها نیز بر اساس NDEA چند مرحلهای باز و جامعه آماری شامل بیمارستانهاي دولتی استان یزد در تابستان 1401 میباشد. در این پژوهش با استفاده از نرم افزار لینگو30 به یافتن مقادیر بهینه پرداخته شد. با توجه به اهمیت و ضرورت ارزیابی عملکرد در شناسایی واحدهای کارا و ناکارا و شناسایی نقاط قوت و ضعف هرکدام از این واحدها و برنامهریزی برای بهبود این واحدها در جهت افزایش کارایی آنها بایستی بیمارستان مورد مطالعه جهت حداكثر كردن راندمان كاري خود سعي و تلاش داشته باشند. بنابراین، این پژوهش درصدد است تا با استفاده از NDEA، ضمن ارزيابي عملكرد بیمارستانها بر اساس مولفه تابآوری زنجیره تامین، مدلي ارائه کند كه با استفاده از عمدهترين معيارها، امكان ارزيابي عملكرد این حوزه را فراهم آورد.
تجزیه و تحلیل گامهای پژوهش
این بخش با توجه به هدف پژوهش در 3 گام تنظیم و ارائه شده است:
در گام اول به شناسایی شاخصهای تابآوری زنجیره تامین بیمارستانها پرداخته شده که پاسخی برای سوال اول پژوهش است در گام دوم، به اجرای مدل پرداخته شده (پاسخ به سوال دوم) و در گام سوم نتایج حاصل خلاصه و جمعبندی شده است که اجرای هر گام به شرح زیر میباشد.
گام اول: شناسایی و بررسی شاخصهای تابآوری در زنجیره تامین بیمارستانها
در این گام از پژوهش شاخصهایي با استفاده از مطالعه ادبیات و مقالات و نظرات خبرگان حوزه سلامت در 10 بعد اصلی شناسایي گردید. جدول 3، نمای کلی از شاخصها که برای ارزیابی تابآوری استخراج شدهاند نشان داده شده است.
جدول 3: ابعاد و زیر مولفههای تابآوری زنجیره تامین بیمارستان
Table 3: dimensions and sub-components of hospital supply chain resilience
ردیف Row | ابعاد Dimensions | زیرشاخصها و علامت اختصاری Subscripts and abbreviations | منابع References |
1
| آمادگی و پاسخگویی کارکنان در زمان فاجع | آموزش نقشها و مسئولیتها ( W7) | (سیملارو و همکاران، 2018) (جعفر و تانجا، 2017) (خادمی جلگه نژاد، 1400) (ژنگ و همکاران، 2014) (آدینی و همکاران، 2006) (خادمی جلگهنژاد و همکاران، 1397) ( بورلاکینس و همکاران،2011) (مونز و همکاران، 2019) (لابردا وهمکاران،2017) (سازمان بهداشت جهانی، 2015) (سیدین و همکاران، 1393 ) (خانگه، 2012) (سامودین و همکاران، 2018) (زابلی و همکاران،1399 ) (ربیعیان و همکاران،1397) (شکوهیان و همکاران،1397 ( (هوهنستین و همکاران،2014 ) (منسا و مرکوری، 2014) (سازمان بهداشت جهانی، 2015) (بالتاچی و همکاران، 2007) (مک دنیل و همکاران، 2008) (کنفرانس جهانی، 2005) (کاوون و همکاران، 2016) (چند و لوسمر، 2015) (سم و همکاران، 2011) (آچور و همکاران، 2014) |
یادگیری از تجربیات ( W8) | |||
تمرینات کافی ( W9) | |||
نیروی کار داوطلب ( W10) | |||
2 | آمادگی در برابر بلایا | کمیته اضطراری یا مرکز ارزیابی ( W5) | |
دوره ارزیابی دوره ای و بازنگری طرحها ( W6) | |||
3 | ایمنی زیرساختها و تجهیزات | پروتکل ها و رویههای استاندارد ( W1) | |
دسترسی به بیمارستان ( W2) | |||
استراتژیهایی برای تخلیه ( W3) | |||
بازگرداندن تجهیزات به سطح قبل از حادثه ( W4) | |||
4 | آسیب پذیری و ایمنی بیمارستان | شناسایی عوامل اصلی تهدیدات و حوادث (V1) | |
ابلاغ حوادث و تهدیدات اصلی مصوب به واحدها ( Z2) | |||
ایجاد سیستم نظارت و هشدار دهنده زود هنگام به رویدادها ( Z1) | |||
5 | تامین کنندگان کالا و خدمات مورد نیاز بیمارستان | هماهنگی با تامین کنندگان (Z10) | |
انعطافپذیری تامین کنندگان (Z6) | |||
برنامه ارتباط با تامین کننده (Z7) | |||
تحریمهای دارویی و تجهیزات (V3) | |||
پشتیبانی دولت و سازمانها برای بازیابی (Z11) | |||
مدیریت ذخایر (Z4) | |||
سیستمهای پشتیبان (Z5) | |||
همکاریها و مشارکتها (Z8) | |||
ظرفیت بالقوه (Z9) | |||
فرهنگ مردم در زمان حادثه (Z12) | |||
6 | عوامل بیرونی | ||
سیاستهای دولت (Z13) | |||
ماهیت و شدت حادثه (V4) | |||
7 | مدیریت فاجعه | دانش و مهارت در مدیریت فاجعه (W16) | |
نظارت و ارزیابی (W17) | |||
برنامه مدیریت فاجعه (W18) | |||
سیستم فرماندهی و ارتباطی (W19) | |||
تداوم خدمات درمانی (W20) | |||
استراتژیهای بازیابی و سازگاری (W21) | |||
8 | تامین منابع مالی | اعتبارات اختصاصی و مدیریت منابع مالی (Z3) | |
مسائل اقتصادی (V2) | |||
استراتژی های مدیریت تجهیزات پزشکی (برنامه های توزیع داروهای محدود برای بخش های مهم ((W14) | |||
9 | سازگاری و ظرفیت | کمیت و کیفیت کارکنان اورژانس و گروه متخصص (W11) | |
راهبردهای محافظتی و انگیزشی (مراقبت خانواده ها، حمایت اجتماعی( (W12) | |||
دانش کارکنان کلیدی مدیریت بحران (W13) | |||
شناسایی و مدیریت مهارتهای کلیدی کارکنان(کمک های اولیه)(W15) | |||
10 | تداوم خدمات بحران | استراتژی افزایش ظرفیت بستری(فضای فیزیکی، کارکنان، منابع و..) (Y1) | |
امکان افزایش تجهیزات برای نجات در محل ( آمبولانس و..) (Y2) |
معرفی شاخصها
در این قسمت به اختصار به معرفی ابعاد اصلی تابآوری زنجیره تامین بیمارستان پرداخته شده است (خانگه و همکاران،1391):
آمادگی و پاسخگویی کارکنان در زمان فاجعه:
عملکرد سیستم خدمات و درمان از جمله بیمارستانها نیازمند کارکنان آموزش دیده و با تجربه است. لذا در زمان بحران جهت ارتقا تابآوری بایستی از شایستگی لازم برخوردار باشند (مونز و همکاران، 2019؛ سیملارو 2018).
آمادگی در برابر بلایا :
به معنای داشتن برنامه و اقدامات مربوطه و آمادگی لازم جهت افزایش توان بیمارستانها و مراکز بهداشتی درمانی جهت پاسخگویی به رویدادهای مختلف وکاهش خسارات ناشی ازآنها میباشد.
ایمنی زیرساختها و تجهیزات بعد از فاجعه و جایگزینی منابع:
از اجزای اصلی بیمارستان میباشند که ایمنی آن جهت تابآور بودن بیمارستان از اهمیت زیادی برخودار است. لذا جهت اطمینان از تابآور بودن آن بایستی برنامهریزیهای لازم انجام شود (سازمان بهداشت جهانی، 2015).
مدیریت فاجعه :
هم تراز بودن مناسب تقاضا در زمان بحران با ظرفیت تسهیلات بیمارستان نیازمند مدیریت مناسب در زمان فاجعه میباشد. همچنین برنامهریزی و تصمیمگیری منجر به آمادگی پزشکی و مدیریت بیمارستان میشود. لذا با تمرکز بر مدیریت مناسب بحران میتوان تابآوری را ارتقا داد (سیملارو، 2018).
سیستمهای پشتیبانی و ظرفیت:
داشتن ذخیره اضطراری و استراتژی مدیریت منابع اضطراری و مدیریت تجهیزات پزشکی و کیفیت و کمیت کارکنان و متخصصان و راهبردهای انگیزشی کارکنان جهت ارائه خدمات بموقع و صحیح پیشبینیهای مربوط به تجهیزات پزشکی و دارویی و سیستمهای آب و برق برای زمان حادثه از اهمیت زیادی برخودار است و در صورت فقدان هر یک، بیمارستان قادر به ارائه خدمات نمیباشد این پیشبینیها و توجه به آنها منجر به سازگاری و ارتقا تابآوری در مواجه با بحران میشود (سیملارو، 2018).
تامین کنندگان کالا و خدمات مورد نیاز بیمارستان:
تامینکنندگان اقلام مورد نیاز بیمارستان مانند دارو، تجهیزات پزشکی و درمانی نقش مهمی در ارائه مطلوب خدمات بهداشتی و درمانی بعنوان بازیگر اصلی در زنجیره تامین بیمارستان ایفا میکنند (مونز و همکاران، 2019).
عوامل بیرونی :
عواملی که درخارج از محیط بیمارستان قرار دارند ولی بر تابآوری زنجیره تامین بیمارستان تاثیر میگذارند (آچور و همکاران، 2014).
تامین منابع مالی:
شرایط نامناسب اقتصادی، کاهش ارزش پول ملی، رشد بی رویه تورم از جمله عواملی هستند که بر حوزه سلامت بویژه بیمارستانها تاثیرگذار هستند. عدم توانایی در تامین منابع مالی، عدم تطابق بین نیازها و اعتبارات تخصیصی و عدم توانایی در خودگردانی بیمارستانها تابآوری زنجیره تامین بیمارستانها را کاهش میدهد (سیملارو، 2018).
آسیبپذیری و ایمنی بیمارستان:
آسیبپذیری بیمارستان به میزان کمبودها و نقاط ضعف آن در زمان وقوع حادثه و بلایا بستگی دارد. بررسی صحیح و منظم مخاطرات و آسیب پذیریهای محتمل لازمه برنامهریزی و مدیریت موثر خطر بوده و برنامهریزی باید بر مخاطرات محلی متمرکز باشد. شاخص ایمنی بیمارستان نیز معرف این احتمال است که بیمارستان میتواند در شرایط وقوع بلایا فعال بوده و وظایف خود را انجام دهد (سیدین و همکاران، 2014).
گام دوم : معرفی نهادهها و ستاندههای مدل تحلیل پوششی شبکهای دادهها
در این پژوهش، پس از شناسایی شاخصها، با توجه به ساختار شبکه مورد مطالعه و تحقیقات مشابه جهت تعیین ورودیها و خروجیهای مدل از مدل NDEA چند مرحلهای ورودیمحور که توسط کوک و همکاران در سال 2010 ارائه شده بهره گرفته بدین معنی که خروجیهای هر مرحله میتوانند محصول نهایی تلقی شده و سیستم را ترک کنند و یا به عنوان ورودی وارد مرحله بعد شوند، ضمن اینکه ورودیهای جدیدی نیز در هر مرحله میتوانند وارد سیستم شوند، در حالیکه در سیستمهای بسته امکان ورود ورودیهای جدید در هر مرحله به سیستم وجود ندارد و خروجیهای مرحله آخر، خروجی نهایی محسوب میشوند. بر اساس این مدل میتوان مشخص کرد که میزان کارایی هر یک از بیمارستانهای تحت بررسی چگونه است. به این ترتیب قابلیت رتبهبندی بیمارستانهای تحت بررسی فراهم میشود. در خصوص ماهیت مدل به با توجه به رویکرد پژوهش جهت تخصیص بهینه منابع و کنترل بیشتر بر ورودیهای سیستم بیمارستان تا خروجیهای آن، مدل مذکور با ماهیت ورودیگرا در نظر گرفته و کارایی بر این اساس محاسبه گردید. این مدل از چهار مرحله تشکیل شده است که مرحله اول شامل سه فرآیند و مرحله دوم شامل پنج فرآیند و مرحله سوم شامل یک فرآیند و مرحله چهارم شامل یک فرآیند که بر اساس آنها کارایی بیمارستانها نمونه محاسبه شده است. در این پژوهش با توجه به ساختار شبکه مورد مطالعه و تحقیقات مشابه، از مدل تحلیل پوششی دادههای شبکهای چند مرحلهای باز که توسط کوک و همکاران در سال 2010 ارائه گردیده استفاده شده است، بدین معنی که خروجیهای هر مرحله میتوانند محصول نهایی تلقی شده و سیستم را ترک کنند و یا به عنوان ورودی وارد مرحله بعد شوند، ضمن اینکه ورودیهای جدیدی نیز در هر مرحله میتوانند وارد سیستم شوند. در حالیکه در سیستمهای بسته امکان ورود ورودیهای جدید در هر مرحله به سیستم وجود ندارد و خروجیهای مرحله آخر، خروجی نهایی محسوب میشوند. لذا مدل مفهومی پژوهش مطابق شکل 2 در قسمت بالا آورده شده است.
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است(24). براساس مدل مفهومی فوق، پارامترهای مدل بصورت زیر تعریف شدهاند:
جدول 4: ورودیها و خروجیهای مشترک مدل
Table 4: Common inputs and outputs of the model
ورودی Entrance | پارامترهای مشترک Parameters Common | خروجی output |
ورودی ایمنی زیرساختها | Z1 | خروجی آسیب پذیری و ایمنی |
ورودی آمادگی در برابر بلایا ورودی آمادگی و پاسخگویی کارکنان در زمان فاجعه | Z2 |
خروجی آسیب پذیری و ایمنی |
ورودی تامین کنندگان کالا و خدمات | Z3 | خروجی منابع مالی |
ورودی تداوم خدمات بحران | W10 | خروجی آمادگی و پاسخگویی کارکنان در زمان فاجعه |
ورودی سازگاری و ظرفیت | Z4 | خروجی تامین کنندگان کالا و خدمات |
ورودی سازگاری و ظرفیت | Z5 | خروجی تامین کنندگان کالا و خدمات |
ورودی تداوم خدمات بحران | Z10 | خروجی تامین کنندگان کالا و خدمات |
ورودی تداوم خدمات بحران | Z11 | خروجی تامین کنندگان کالا و خدمات |
ورودی تداوم خدمات بحران | W14 | خروجی سازگاری و ظرفیت |
ورودی مدیریت فاجعه | Z12 | خروجی عوامل بیرونی |
در جداول زیر به تعریف ورودیها و خروجیهای هر فرآیند پرداخته میشود.
جدول 5: ورودیها و خروجیهای مدل
Table 5: Inputs and outputs of the model
خروجی output | فرآیند Process | ورودی Entrance |
Z1 ، Z2 | 1 (آسیب پذیری و ایمنی بیمارستان) | v1 |
W1، W2 ،W3 ، W4 | 2 (ایمنی زیرساختها) | Z1 |
W5، W6 | 3 (آمادگی در برابر بلایا) | Z2 |
W7،W8، W9، W10 | 4 (آمادگی و پاسخگویی کارکنان) | Z2 |
Z3 | 5 (منابع مالی) | V2 |
Z4 ،Z5 ،Z6 ،Z7 ،Z8 ،Z9 ،Z10، Z11 | 6(تامین کنندگان کالا و خدمات) | V3 ،Z3 |
W11 ،W12 ،W13 ،W14 ،W15 | 7 (سازگاری و طرفیت) | Z4 ، Z5 |
Y1 ،Y2 | 8 (تداوم خدمات بحران) | Z10، Z11 ،W10 ،W14 |
Z12، Z13 | 9 (عوامل بیرونی) | V4 |
W16 ،W17 ،W18،W19 ،W20 W21 | 10 (مدیریت فاجعه) | Z12 |
-- | خروجی نهایی U: (تابآوری زنجیره تامین) | -- |
مدل ریاضی
در این بخش از پژوهش تابع هدف و محدودیتهای مدل مربوطه آورده شده است که در اینجا تابع هدف بدنبال حداکثر کردن تابآوری میباشد. همچنین این مدل دارای 7 محدودیت بوده که بصورت زیر (رابطه 2 تا 8) تعریف شده است.
تابع هدف و محدودیتهای مدل برای محاسبه کارایی بیمارستان K بصورت رابطه زیر میباشد:
(1)
EK = MAX uy (z6+z7+z8+z9+z13+ w1+w4+w5+w6+w7+w8+w9+w11+w12+w16+w17+w18+ w19+w20+w21+ y1+y2)
s.t (v1 + v2 + v3+v4) = 1 (2)
a) (z6+z7+z8+z9+z13+ w1+w4+w5+w6+w7+w8+w9+w11+w12+w16+w17+w18+w19+w20+ w21+ y1+y2)- (v1 + v2 + v3+v4) <=0 (3)
b) )z1+z2+z3+z12+z13( - (v1 + v2 +v4( <=0 (4)
c) )w1+ w2+w3+w4+w5+w6+w7+w8+w9+w10+ z4+z5+z6+z7+ z8+ z9+ z10+z11+w16+w17 +w18+w19+ w20 +w21)-( z1+z2+z3+z12+v3) <=0 (5)
d) (w11+w12+w13+w14+w15)- (z4+z5) <=0 (6)
e) (y1 + y2) - (w10+w13+w14+w15+ z10+z11) <=0 (7)
f) V, u, z, w,y ≥0 (8)
در این مدل، u ضریب اختصاص داده شده به تابآوری، v1 تا v4 ضرایب اختصاص داده شده به ورودیها، z1 تا z13 و w1 تا w21 و y1 تا y2 ضرایب مربوط به واسطهها (خروجیهای مرحله قبل و ورودیهای مرحله بعد) میباشند.
جمعآوری مقادیر شاخصها برای هریک از بیمارستانهای دولتی استان یزد
پس از تعیین مدل نهایی پژوهش، نیاز به جمعآوری مقادیر پارامترهای تعریف شده در مدل برای هریک از بیمارستانها میباشد. به همین منظور لیست بیمارستانهای دولتی استان یزد تهیه گردید و از 13 بیمارستان جهت انجام پژوهش استفاده شده است. مقادیر پارامترهای تعریف شده در مدل با استفاده از پرسشنامه برای بیمارستانهای منتخب آورده شده است و در ادامه با استفاده از نرمافزار لینگو تحلیل دادهها انجام شده است.
جدول 6: مقادیر شاخصهای تاب آوری در بیمارستانها
Table 6: Resilience index values in hospitals
متغیرها Variables | dmu1 | dmu2 | dmu3 | dmu4 | dmu5 | dmu6 | dmu7 | dmu8 | dmu9 | dmu10 | dmu11 | dmu12 | dmu13 |
v1 | 0.785 | 0.981 | 0.932 | 1.030 | 1.226 | 0.932 | 0.834 | 0.883 | 1.030 | 1.128 | 1.128 | 0.981 | 1.148 |
v2 | 0.907 | 0.857 | 1.008 | 1.058 | 1.209 | 0.857 | 0.857 | 0.957 | 0.907 | 1.008 | 0.759 | 1.058 | 1.124 |
v3 | 0.804 | 0.898 | 0.945 | 1.040 | 1.087 | 0.945 | 0.851 | 0.993 | 1.040 | 1.182 | 0.882 | 1.040 | 0.970 |
v4 | 0.903 | 0.803 | 0.954 | 1.004 | 0.954 | 1.004 | 0.853 | 1.054 | 1.154 | 1.154 | 0.954 | 1.154 | 1.070 |
z1 | 1.008 | 0.902 | 0.955 | 1.114 | 0.902 | 1.008 | 1.955 | 1.167 | 1.902 | 1.008 | 1.982 | 1.008 | 1.069 |
z2 | 0.904 | 1.904 | 1.904 | 1.961 | 1.904 | 1.930 | 1.917 | 1.074 | 1.917 | 2.930 | 1.990 | 1.017 | 1.844 |
z3 | 0.925 | 0.925 | 1.325 | 1.976 | 1.833 | 1.976 | 1.822 | 1.079 | 1.233 | 2.974 | 1.908 | 0.976 | 1.940 |
z4 | 0.732 | 0.961 | 1.824 | 1.961 | 1.099 | 1.007 | 1.099 | 1.236 | 1.907 | 1.907 | 1.007 | 1.099 | 1.991 |
z5 | 1.012 | 0.906 | 0.906 | 1.119 | 1.172 | 0.906 | 1.066 | 1.119 | 1.012 | 1.693 | 1.119 | 0.959 | 0.965 |
z6 | 1.053 | 0.947 | 0.947 | 0.895 | 1.053 | 1.000 | 0.947 | 1.158 | 1.105 | 1.895 | 1.053 | 0.895 | 1.062 |
z7 | 1.092 | 0.936 | 0.884 | 0.936 | 1.040 | 0.936 | 0.936 | 1.092 | 0.988 | 1.940 | 1.092 | 0.988 | 1.051 |
z8 | 1.211 | 0.842 | 1.000 | 1.105 | 1.000 | 0.895 | 0.789 | 1.158 | 0.947 | 1.789 | 1.158 | 0.895 | 1.219 |
z8 | 1.079 | 1.022 | 1.079 | 1.022 | 1.192 | 0.852 | 0.795 | 1.079 | 0.965 | 1.981 | 1.135 | 0.852 | 1.303 |
z10 | 1.211 | 1.000 | 1.000 | 1.158 | 1.158 | 0.895 | 0.842 | 1.158 | 0.842 | 1.684 | 1.053 | 1.053 | 0.903 |
z11 | 1.336 | 0.925 | 0.874 | 1.028 | 0.925 | 0.976 | 0.874 | 1.079 | 0.822 | 1.925 | 0.976 | 1.130 | 1.091 |
z12 | 1.092 | 0.936 | 0.884 | 0.832 | 0.988 | 0.936 | 0.780 | 1.196 | 1.040 | 1.940 | 1.092 | 1.144 | 1.051 |
z13 | 1.004 | 0.951 | 1.951 | 0.846 | 1.951 | 1.898 | 1.951 | 1.215 | 0.951 | 1.987 | 2.968 | 1.004 | 1.922 |
w1 | 1.110 | 0.793 | 1.163 | 0.951 | 1.904 | 0.846 | 1.846 | 1.321 | 0.951 | 1.993 | 2.957 | 1.004 | 1.971 |
w2 | 0.959 | 0.768 | 1.055 | 0.911 | 0.959 | 1.055 | 0.911 | 1.151 | 0.863 | 1.955 | 1.055 | 1.103 | 1.174 |
w3 | 1.151 | 0.863 | 1.007 | 1.055 | 0.959 | 0.911 | 1.007 | 1.103 | 0.959 | 1.815 | 1.103 | 0.911 | 1.174 |
w4 | 1.205 | 0.954 | 0.903 | 1.004 | 0.903 | 0.803 | 0.954 | 1.104 | 0.903 | 1.853 | 1.054 | 1.104 | 1.271 |
w5 | 1.066 | 0.959 | 0.799 | 1.172 | 1.066 | 0.852 | 1.066 | 1.119 | 0.906 | 1.959 | 1.066 | 0.906 | 1.126 |
w6 | 1.012 | 0.906 | 1.066 | 0.959 | 1.012 | 1.012 | 0.852 | 1.119 | 1.012 | 1.966 | 1.012 | 0.959 | 0.965 |
w7 | 1.305 | 0.870 | 0.870 | 1.033 | 1.251 | 0.925 | 0.870 | 0.979 | 1.033 | 1.925 | 0.925 | 0.979 | 0.982 |
w8 | 1.667 | 0.967 | 1.099 | 1.055 | 0.967 | 0.879 | 0.967 | 1.099 | 1.143 | 1.967 | 1.055 | 0.967 | 0.981 |
w9 | 0.980 | 1.108 | 0.980 | 1.066 | 0.980 | 0.895 | 1.023 | 1.023 | 1.108 | 1.938 | 0.938 | 0.980 | 0.933 |
w10 | 0.885 | 1.025 | 1.025 | 0.792 | 0.978 | 0.978 | 0.792 | 1.165 | 1.072 | 1.998 | 1.118 | 0.885 | 1.098 |
w12 | 1.177 | 1.177 | 0.932 | 0.932 | 1.128 | 0.932 | 1.128 | 1.079 | 0.883 | 1.932 | 0.834 | 0.932 | 1.002 |
w11 | 1.243 | 0.829 | 1.936 | 0.984 | 1.036 | 0.932 | 0.984 | 1.036 | 1.088 | 1.036 | 0.725 | 0.984 | 1.099 |
w13 | 1.040 | 0.936 | 1.936 | 1.092 | 0.832 | 0.832 | 1.092 | 0.884 | 0.988 | 1.092 | 1.092 | 1.092 | 1.103 |
w14 | 0.917 | 0.917 | 0.971 | 1.025 | 1.133 | 1.025 | 0.971 | 0.917 | 1.025 | 0.917 | 0.971 | 0.971 | 1.191 |
w15 | 0.944 | 0.786 | 0.944 | 1.048 | 1.101 | 0.944 | 1.206 | 0.944 | 0.786 | 0.996 | 1.101 | 1.101 | 1.057 |
w16 | 0.860 | 0.806 | 0.913 | 0.967 | 1.021 | 0.860 | 0.860 | 1.128 | 1.074 | 1.128 | 1.182 | 1.074 | 1.134 |
w17 | 0.900 | 1.000 | 1.000 | 1.100 | 1.150 | 1.050 | 0.900 | 1.100 | 0.750 | 0.750 | 1.150 | 1.000 | 1.066 |
w18 | 1.022 | 0.965 | 1.079 | 1.192 | 1.249 | 1.022 | 0.908 | 1.022 | 1.079 | 0.624 | 1.079 | 0.795 | 0.961 |
w19 | 0.950 | 0.900 | 1.050 | 1.100 | 1.000 | 0.950 | 0.950 | 0.950 | 0.850 | 0.900 | 1.100 | 0.950 | 1.367 |
w20 | 1.010 | 1.054 | 0.747 | 1.054 | 0.966 | 1.010 | 1.054 | 1.186 | 0.966 | 0.834 | 0.922 | 1.142 | 1.000 |
w21 | 1.007 | 0.919 | 1.051 | 1.051 | 0.963 | 0.875 | 1.226 | 0.832 | 0.700 | 1.269 | 1.051 | 1.094 | 1.043 |
y1 | 1.000 | 1.000 | 1.045 | 1.091 | 0.955 | 0.818 | 1.182 | 0.955 | 1.000 | 0.818 | 1.000 | 1.045 | 1.122 |
y2 | 0.980 | 1.108 | 0.980 | 1.066 | 0.980 | 0.895 | 1.023 | 1.023 | 1.108 | 0.938 | 0.938 | 0.980 | 0.933 |
یافتهها
مدل تحقیق براساس مقادیر ورودیها و با استفاده از نرمافزار Lingo حل شده که خروجیهای نرمافزار، مقادیر بهینه متغیرهای مدل شامل (v1 تا v4 )؛ (, z11 تا z13)؛( w1 تا w21)؛(y1, y2) هستند. در جدول زیر این مقادیر برای هر یک از DMU ها نشان داده شده است.
جدول7 : خروجیهای مدل
Table 7: Outputs of the model
متغیرها Variables | dmu1 | dmu2 | dmu3 | dmu4 | dmu5 | dmu6 | dmu7 | dmu8 | dmu9 | dmu10 | dmu11 | dmu12 | dmu13 |
v1 | 0.858 | 0.856 | 0.849 | 0.775 | 0.683 | 0.909 | 0.982 | 0.997 | 0.825 | 0.732 | 0.803 | 0.829 | 0.782 |
v2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.124 | 0.161 | 0.315 | 0 | 0 | 0 |
v3 | 0.406 |
| 0.108 | 0.193 | 0 | 0.161 | 0.171 | 0 | 0.297 | 0.119 | 0 | 0.178 | 0.104 |
v4 | 0 | 0.198 | 0.111 | 0 | 0.170 | 0 | 0.405 | 0 | 0 | 0 | 0.980 | 0 | 0 |
z1 | 0 | 0.201 | 0 | 0.359 | 0.266 | 0.197 | 0 | 0 | 0.143 | 0.276 | 0 | 0 | 0 |
z2 | 0 | 0.482 | 0 | 0 | 0 | 0.164 | 0 | 0 | 0.431 | 0.330 | 0 | 0.489 | 0 |
z3 | 0 | 0.197 | 0.803 | 0.245 | 0.437 | 0.366 | 0.678 | 0 | 0.233 | 0 | 0 | 0.119 | 0 |
z4 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z5 | 0 | 0 | 0.159 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z6 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.713 | 0 | 0 | 0 | 0 |
z7 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z11 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
z12 | 0.616 | 0 | 0 | 0 | 0 | 0 | 0.149 | 0 | 0 | 0 | 0 | 0.655 | 0 |
z13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.822 | 0 | 0 | 0.668 | 0 | 0.568 |
w1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w4 | 0 | 0 | 0 | 0 | 0 | 0 | 0.550 | 0 | 0 | 0 | 0 | 0 | 0 |
w5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w6 | 0 | 0 | 0.279 | 0 | 0 | 0.339 | 0 | 0 | 0 | 0.280 | 0 | 0 | 0 |
w7 | 0 | 0 | 0 | 0 | 0.126 | 0 | 0 | 0 | 0 |
| 0 | 0 | 0 |
w8 | 0.602 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w9 | 0 | 0.826 | 0 | 0.325 | 0 | 0 | 0 | 0 | 0.576 | 0 | 0 | 0 | 0 |
w10 | 0 | 0 | 0 | 0 | 0 | 0 | 0.3000 | 0 | 0 | 0 | 0 | 0 | 0 |
w12 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w11 | 0 | 0 | 0.106 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w13 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w14 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w16 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.132 | 0.641 | 0 | 0.660 | 0.155 |
w17 | 0 | 0 | 0 | 0 | 0 | 0.526 | 0 | 0 | 0 | 0 | 0 | 0 | 0.782 |
w18 | 0 | 0 | 0.377 | 0.415 | 0.497 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
w19 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.535 |
w20 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.704 | 0 |
w21 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.332 | 0 | 0 | 0 |
y1 | 0 | 0 | 0 | 0 | 0 | 0 | 0.706 | 0 | 0 | 0 | 0 | 0 | 0 |
y2 | 0 | 0 | 0 | 0 | 0 | 0 | 0.150 | 0 | 0 | 0 | 0 | 0 | 0 |
محاسبه کارایی با مدل تحلیل پوششی دادهای شبکهای چند مرحلهای
پس از تعیین مقدار عددی ضرایب در مدل DEA شبکهای چند مرحلهای، کارایی مراحل با استفاده از روابط (1) و (2) محاسبه میشود. در این فرمولها، مجموع خروجیهای هر مرحله بر مجموع ورودیهای همان مرحله تقسیم شده و در نتیجه کارایی مرحله حاصل میشود. در جدول زیر کارایی هر یک از بیمارستانهای دولتی استان یزد در مراحل 1 تا 4 نشان داده شده است. علاوه بر این، کارایی کل سیستم با ضرب کارایی مرحله 1 تا 4 از رابطه (2) محاسبه شده است. پس از محاسبه مقادیر بهینه، کارایی کل واحد تصمیمگیری و نیز زیر فرآیندها از طریق زیر محاسبه میگردد:
(1)
و کارایی کل سیستم برابر است با (کوک و همکاران، 2010)
(2)
جدول 8 : کارایی مراحل و کل شبکه
Table 8: The efficiency of the stages and the whole network
DMU | کارایی مرحله Step efficiency | کارایی سیستم شبکهای Network system efficiency | |||
1 | 2 | 3 | 4 |
| |
1 | 1.000 | 1.004 | 0 | 0 | 1.004 |
2 | 0.779 | 0.915 | 0 | 0 | 0.713 |
3 | 0.843 | 0.850 | 0.699 | 0 | 0.501 |
4 | 0.901 | 0.841 | 0 | 0 | 0.758 |
5 | 0.960 | 0.779 | 0 | 0 | 0.748 |
6 | 0.682 | 0.895 | 0 | 0 | 0.611 |
7 | 0.861 | 0.762 | 0 | 0.240 | 0.157 |
8 | 0.999 | 0 | 0 | 0 | 0 |
9 | 0.800 | 0.990 | 0 | 0 | 0.792 |
10 | 0.918 | 0.818 | 0 | 0 | 0.751 |
11 | 0.927 | 0 | 0 | 0 | 0 |
12 | 0.618 | 0.991 | 0 | 0 | 0.613 |
13 | 0.822 | 0.058 | 0 | 0 | 0.048 |
میانگین Average | 0.855 | 0. 685 | 0.053 | 0.018 | 0.0005 |
نتیجه محاسبات بر روی نمودار (1) نشان داده شده است. مطابق این نمودار، تفاوت کارایی دو مرحله اول و دوم با مرحله چهارم زیاد است. در مورد بیمارستان شماره 1 در مرحله 1 و 2 کارایی برابر یک میباشد، بیمارستان شماره 8 نیز در مرحله اول و بیمارستانهای شماره 9 و 12 در مرحله دوم با کارایی 99 درصد بیشترین کارایی را دارا میباشند. همچنین شکل نشان میدهد که، بیمارستانهای مورد نمونه در مرحله 1 و 2 عملکرد بهتری را نسبت به دیگر مراحل دارند.
شکل (1) : مقایسه کارایی مراحل
Diagram (1): Comparing the efficiency of the steps
بررسی کارایی بیمارستانهای دولتی استان یزد در بین 4 مرحله نشان میدهد که تنها 0.07 درصد از بیمارستانها در مرحله 1و 2 در حوزه تابآوری کارا هستند. شکل زیر درصد فراوانی بیمارستانها را در هر یک از حدود مشخص شده کارایی نشان میدهد.
شکل2) : نمودار درصد فراوانی بیمارستانها بر اساس کارایی در هر مرحله
Graph (2): Frequency percentage of hospitals based on efficiency in each stage
ساختار کلی سیستم یک ساختار سری موازی چند مرحلهای میباشد که تنها بیمارستان شماره 1 در مرحله 1و2 کارا شده که تنها 0.07 درصد از نمودار زیر را شامل میشود؛ همچنین شکل زیر نشان میدهد که کارایی تقریبا 61 درصداز بیمارستانها بین 0.9 تا 0.5 درصد میباشد و مابقی بین 0.5 تا 0 درصد قرار دارند.
شکل (3) :نمودار درصد فراوانی بیمارستانها بر اساس کارایی کل
Graph (3): Frequency percentage of hospitals based on total efficiency
کارایی فرآیندها نیز بر اساس روابط 22 تا 24 محاسبه شده که در جدول زیر نشان داده شده است. برای محاسبه کارایی فرآیندها، ساختار شبکه بیمارستانهای دولتی استان یزد در نظر گرفته شده است.
جدول 9:کارایی بیمارستانهای دولتی استان یزد در هر فرآیند با مدل DEA شبکهای دو مرحلهای
Table 9: Efficiency of public hospitals in Yazd province in each process with two-stage network DEA model
کارایی فرآیندها Process efficiency | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 |
1 | 0 | 0.983 | 0 | 0.400 | 0.240 | 0.509 | 0 | 0 | 0.793 | 0.907 | 0 | 0.379 | 0 |
2 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
3 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
4 | 0 | 0.996 | 0 | 0 | 0 | 0 | 0 | 0 | 0.771 | 0 | 0 | 0 | 0 |
5 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
6 | 0 | 0 | 0.100 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
7 | 0 | 0 | 1.000 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
8 | 0 | 0 | 0 | 0 | 0 | 0 | 0.981 | 0 | 0 | 0 | 0 | 0 | 0 |
9 | 0 | 0 | 0 | 0 | 0 | 0 | 0.261 | 0 | 0 | 0 | 1.009 | 0 | 0 |
10 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.017 | 0 |
از آنجایی که ساختار کلی سیستم یک ساختار سری موازی چند مرحلهای میباشد و با توجه به آنچه در جدول بالا مشاهده میشود در فرآیند منابع مالی؛ بیمارستان شماره 9، فرآیند تامینکنندگان کالا و خدمات بیمارستانهای شماره 3، فرآیند سازگاری و ظرفیت بیمارستان شماره 3، فرآیند عوامل بیرونی و مدیریت فاجعه بترتیب بیمارستان شماره 11 و 12 دارای کارایی برابر با 100 درصد میباشند.
شکل 4 : نموداردرصد فراوانی بیمارستانها بر اساس کارایی در هر فرآیند
Chart 4: Frequency percentage of hospitals based on efficiency in each process
گام سوم : تعیین بیمارستانهای کارا و ناکارا و رتبهبندی آنها
پس از تعیین کارایی مراحل 1،2،3 و 4 و در نتیجه کارایی شبکه، بیمارستانهای دولتی استان یزد به ترتیب (از بیشترین کارایی به کمترین کارایی) رتبهبندی میشوند. با توجه به جدول 9، فقط یکی از بیمارستانها کارایی 100 درصد را داراست.
جدول 10: رتبهبندی بیمارستانها
Table 10: Ranking of hospitals
رتبه Rank | نام بیمارستان Hospital name | کارایی شبکه Network performance | رتبه Rank | نام بیمارستان Hospital name | کارایی شبکه Network performance |
1 | DMU1 | 1.004 | 8 | DMU8 | 0.611 |
2 | DMU2 | 0.792 | 9 | DMU9 | 0.501 |
3 | DMU3 | 0.758 | 10 | DMU10 | 0.157 |
4 | DMU4 | 0.751 | 11 | DMU11 | 0.048 |
5 | DMU5 | 0.748 | 12 | DMU12 | 0 |
6 | DMU6 | 0.713 | 13 | DMU13 | 0 |
7 | DMU7 | 0.613 | -- | --- | -- |
تحلیل حساسیت
از آنجایی که بیمارستانها در یک سیستم پیچیده اقتصادی، اجتماعی، سیاسی و زیست محیطی قرار دارند؛ عوامل متعددی از جمله بحران، حمله تروریستی، بحران اقتصادی، بلایای طبیعی و بیماری از جمله مواردی است که بر روی آن اثر میگذارد که نه تنها تبعات منفی برای جامعه محلی، ملی و بينالمللی دارند، بلكه چالشهای بسيار زیادی برای مدیران و کارکنان بيمارستانها ایجاد میکنند. لذا ضرورت دارد تا بیمارستانها به گونهای طراحی و مجهز به امکانات باشند که در مواقع بحران و بلایای طبیعی یا ساخته دست بشر کمترین آسیب را دیده و به سرعت افزایش ظرفیت داده و پاسخگوی نيازهای بهداشتی و درمانی جامعه تحت پوشش خود باشند؛ در واقع بیمارستانها برای دستیابی به موفقیت، باید در کنار توجه به هدف افزایش بهرهوری، به موضوع تابآوری در زنجیره تامین خود واکنش مناسب نشان داده و به بهترین شکل ممکن به آن پاسخ دهند. لذا با توجه به اهمیت بسیار بالای بیمارستانها در ارائه خدمات بهداشتی و درمانی و تاثیر زیاد آنها در کارایی نظام مدیریت سلامت کشور، استفاده از NDEA با ارائه امکان مقایسه و رتبهبندی و الگوگیری میتواند گامی مهم برای بهبود مستمر عملکرد بیمارستانها و بخصوص بهداشت کشور باشد. ارزیابی عملکرد بیمارستانها با تحلیل پوششی شبکهای با استفاده از مدل ریاضی ورودیمحور برای 13 بیمارستان دولتی طی سال 1401 انجام شده است. نتایج حاصل از رتبهبندی بیمارستانها نشان میدهد که در این مدل بیمارستان شماره 1 با عملکرد 100 درصد رتبه اول و بیمارستان شماره 12 و 13 با عملکرد صفر رتبه آخر را در میان 13 بیمارستان مورد بررسی بدست آوردهاند. همچنین جدول زیر مقادیری را نشان میدهد که اگر یک واحد متغیری افزایش داده شود، به چه میزان منجر به بدتر شدن تابع هدف میشود.
جدول11: تحلیل حساسیت شاخصها
Table 11: Sensitivity analysis of indicators
متغیرها Variables | DMU1 | DMU2 | DMU3 | DMU4 | DMU5 | DMU6 | DMU7 | DMU8 | DMU9 | DMU10 | DMU11 | DMU12 | DMU13 |
v1 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
v2 | 0.000 | 0.137 | 0.146 | 0.169 | 0.292 | 0.001 | 0.391 | 0.000 | 0.000 | 0.000 | 0.269 | 0.105 | 0.144 |
v3 | 0.000 | 0.028 | 0.000 | 0.000 | 0.080 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.214 | 0.000 | 0.000 |
v4 | 0.000 | 0.000 | 0.000 | 0.035 | 0.000 | 0.045 | 0.000 | 0.000 | 0.121 | 0.235 | 0.000 | 0.987 | 0.927 |
z1 | 0.000 | 0.000 | 0.238 | 0.000 | 0.000 | 0.000 | 0.717 | 0.000 | 0.000 | 0.000 | 0.271 | 0.156 | 0.944 |
z2 | 0.000 | 0.000 | 0.115 | 0.036 | 0.037 | 0.000 | 0.332 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.212 |
z3 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.435 | 0.560 | 0.000 | 0.404 |
z4 | 0.000 | 0.009 | 0.533 | 0.000 | 0.000 | 0.358 | 0.241 | 0.309 | 0.279 | 0.621 | 0.363 | 0.127 | 0.973 |
z5 | 0.000 | 0.049 | 0.000 | 0.000 | 0.171 | 0.363 | 0.281 | 0.151 | 0.323 | 0.894 | 0.364 | 0.218 | 0.858 |
z6 | 0.000 | 0.544 | 0.170 | 0.055 | 0.038 | 0.022 | 0.000 | 0.000 | 0.000 | 0.251 | 0.139 | 0.177 | 0.000 |
z7 | 0.000 | 0.077 | 0.243 | 0.043 | 0.084 | 0.094 | 0.000 | 0.000 | 0.121 | 0.976 | 0.607 | 0.124 | 0.000 |
z8 | 0.000 | 0.278 | 0.291 | 0.011 | 0.280 | 0.245 | 0.000 | 0.000 | 0.229 | 0.381 | 0.526 | 0.246 | 0.000 |
z9 | 0.000 | 0.058 | 0.214 | 0.058 | 0.029 | 0.232 | 0.000 | 0.000 | 0.197 | 0.528 | 0.678 | 0.254 | 0.000 |
z10 | 0.000 | 0.257 | 0.652 | 0.042 | 0.887 | 0.398 | 0.648 | 0.353 | 0.000 | 0.171 | 0.609 | 0.114 | 0.000 |
z11 | 0.000 | 0.000 | 0.369 | 0.022 | 0.244 | 0.459 | 0.303 | 0.000 | 0.000 | 0.344 | 0.168 | 0.345 | 0.144 |
z12 | 0.000 | 0.221 | 0.214 | 0.242 | 0.151 | 0.102 | 0.000 | 0.000 | 0.121 | 0.113 | 0.620 | 0.000 | 0.137 |
z13 | 0.000 | 0.236 | 0.259 | 0.315 | 0.306 | 0.230 | 0.000 | 0.000 | 0.241 | 0.519 | 0.000 | 0.161 | 0.000 |
w1 | 0.000 | 0.040 | 0.623 | 0.043 | 0.150 | 0.198 | 0.000 | 0.000 | 0.183 | 0.388 | 0.230 | 0.136 | 0.000 |
w2 | 0.000 | 0.834 | 0.534 | 0.853 | 0.891 | 0.819 | 0.294 | 1.151 | 0.773 | 0.641 | 0.265 | 0.865 | 0.157 |
w3 | 0.000 | 0.953 | 1.177 | 0.969 | 1.032 | 1.033 | 0.495 | 1.103 | 1.127 | 1.178 | 0.517 | 1.094 | 1.055 |
w4 | 0.000 | 0.127 | 0.419 | 0.335 | 0.318 | 0.295 | 0.000 | 0.000 | 0.325 | 0.441 | 0.189 | 0.144 | 0.000 |
w5 | 0.000 | 0.229 | 0.405 | 0.546 | 0.198 | 0.235 | 0.000 | 0.000 | 0.316 | 0.297 | 0.160 | 0.210 | 0.000 |
w6 | 0.000 | 0.100 | 0.000 | 0.233 | 0.084 | 0.000 | 0.000 | 0.000 | 0.416 | 0.000 | 0.102 | 0.813 | 0.000 |
w7 | 0.000 | 0.192 | 0.293 | 0.356 | 0.000 | 0.180 | 0.000 | 0.000 | 0.982 | 0.161 | 0.131 | 0.171 | 0.000 |
w8 | 0.000 | 0.136 | 0.185 | 0.310 | 0.383 | 0.326 | 0.253 | 0.000 | 0.104 | 0.198 | 0.833 | 0.310 | 0.000 |
w9 | 0.000 | 0.000 | 0.523 | 0.000 | 0.158 | 0.106 | 0.154 | 0.000 | 0.000 | 0.169 | 0.160 | 0.750 | 0.000 |
w10 | 0.000 | 0.000 | 0.271 | 0.000 | 0.000 | 0.068 | 0.000 | 0.668 | 0.000 | 0.196 | 0.173 | 0.000 | 0.248 |
w12 | 0.000 | 0.000 | 0.784 | 0.260 | 0.141 | 0.000 | 0.130 | 0.000 | 0.405 | 0.905 | 0.277 | 0.440 | 0.202 |
w11 | 0.000 | 0.381 | 0.000 | 0.328 | 0.000 | 0.000 | 0.863 | 0.000 | 0.000 | 0.000 | 0.247 | 0.000 | 0.000 |
w13 | 0.000 | 0.000 | 0.045 | 0.091 | 0.085 | 0.058 | 0.242 | 0.636 | 0.509 | 0.273 | 0.000 | 0.152 | 0.000 |
w14 | 0.000 | 0.085 | 0.128 | 0.150 | 0.085 | 0.000 | 0.642 | 1.720 | 0.000 | 0.127 | 0.120 | 0.127 | 0.295 |
w15 | 0.000 | 0.010 | 0.000 | 0.138 | 0.918 | 0.139 | 0.000 | 1.549 | 0.000 | 0.302 | 0.000 | 0.000 | 0.000 |
w16 | 0.000 | 0.237 | 0.194 | 0.383 | 0.060 | 0.110 | 0.201 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
w17 | 0.000 | 0.090 | 0.937 | 0.186 | 0.018 | 0.000 | 0.190 | 0.000 | 0.337 | 0.363 | 0.310 | 0.513 | 0.000 |
w18 | 0.000 | 0.209 | 0.000 | 0.000 | 0.000 | 0.063 | 0.201 | 0.000 | 0.365 | 0.446 | 0.000 | 0.201 | 0.000 |
w19 | 0.000 | 0.251 | 0.250 | 0.317 | 0.221 | 0.154 | 0.243 | 0.000 | 0.366 | 0.408 | 0.102 | 0.188 | 0.000 |
w20 | 0.000 | 0.045 | 0.333 | 0.838 | 0.185 | 0.036 | 0.162 | 0.000 | 0.169 | 0.321 | 0.287 | 0.000 | 0.000 |
w21 | 0.000 | 0.180 | 0.587 | 0.195 | 0.191 | 0.147 | 0.127 | 0.000 | 0.492 | 0.000 | 0.426 | 0.684 | 0.000 |
y1 | 0.000 | 0.163 | 0.728 | 0.000 | 0.063 | 0.006 | 0.000 | 0.000 | 0.100 | 0.483 | 0.000 | 0.000 | 0.000 |
y2 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 | 0.290 | 0.518 | 0.101 |
با توجه به جدول شماره 11، عواملی که بیشترین تاثیر را در هر یک از بیمارستانها دارند به صورت زیر هستند:
بیمارستان شماره 1: در این بیمارستان هیچ یک از عوامل تاثیرگذار نبوده است. بیمارستان شماره 2، 3، 4، 5، 6، 9، 10، 12 و 13: شاخص استراتژیهایی برای تخلیه؛ بیمارستان 7: کمیت و کیفیت کارکنان اورژانس و گروه متخصص؛ بیمارستان 8: عامل استراتژی مدیریت تجهیزات پزشکی؛ بیمارستان شماره 11: یادگیری از تجربیات بیشترین تاثیر را بر تابع هدف دارند. در نهایت با توجه به معیارهای موجود در ساختار شبکه بیمارستانها و نتایج حاصل از تحلیل حساسیت مدل NDEA چندمرحلهای در جدول بالا، جهت افزایش تابآوری زنجیره تامین بیمارستانها و ارتقای عملکرد آنها افزایش شاخص استراتژیهایی برای تخلیه و دسترسی به بیمارستان کارایی کل شبکه را تحت تاثیر قرار دادهاند. شکل زیر میانگین تاثیر هر یک از عوامل را نشان میدهد.
شکل 5 : نمودارمیانگین تأثیر هر یک از عوامل بر تابع هدف
Diagram 5: The average effect of each factor on the objective function
نتیجهگیری و پیشنهادها
نتایج پژوهش به مدیران کمک میکند تا بتوانند عملکرد خود را در مقایسه با رقبا ارزیابی و در صورتی که عملکرد پایینی دارند به دنبال دلایل و نقاط ضعف خود بوده و نسبت به رفع آنها اقدام نمایند. خروجی مدل و تعیین رتبهبندی بیمارستانها به مدیران کمک میکند که در راستای ارتقای میزان عملکرد خود به بررسی دادههای ورودی، واسطهای و خروجی پرداخته و در جهت بهبود وضعیت این متغیرها و ارتقای تابآوری زنجیره تامین بیمارستانها اقدام نمایند نتایج حاصل از جدول 11 نشان میدهد که شاخصهای تابآوری بیمارستانها از نظر هماهنگی با تامینکنندگان، مدیریت ذخایر، سیستمهای پشتیبان، استراتژیهای مدیریت تجهیزات پزشکی، پشتیبانی دولت و سازمانها برای بازیابی و ماهیت و شدت حادثه نسبت به دیگر شاخصها از وضعیت مطلوبی در برابر اختلالات و بحران برخوردار نیستند و بایستی مورد توجه قرار گرفته و تقویت شوند و جهت افزایش رضایت بیماران عواملی که منجر به بدتر شدن تابع هدف میشوند کاهش یابند تا آمادگی لازم جهت مواجه با وضیت بحران فراهم و با برنامهریزی مناسب به وضعیت مطلوب دست یابند، چرا که بیمارستانها از مهمترین سازمانهای ارائه دهنده مراقبتهای درمانی هستند و به منظور بهرهوری و عملکرد مطلوب بایستی در مواجه با حوادث (در قبل، همزمان و بعد از حادثه) به بهترین نحو ممکن پاسخگو باشند لذا در صورت ایجاد اختلالات، تهدید و بحران باید تمامی بخشهای مختلف یک بیمارستان به سرعت بتواند به اختلالات پاسخ مناسب داده و توانایی بازگشت به حالت اولیه یا حالت جدید و مطلوبتر پس از اختلال و رسیدن به حالت پایداری را دارا باشند که این امر مستلزم تاباوری زنجیره تامین میباشد. جهت ایجاد تابآوری عوامل متعددی دخیل هستند که با بررسی آنها راهکارهایی به منظور کاهش عوامل اختلال زا ارائه میگردد:
1) بررسی مداوم تجهیزات لازم و ضروری و داروهای اضطراری و تامین آنها و مدیریت صحیح و ذخیره کردن آنها و برنامهریزی جهت استفاده صحیح از آنها و پیشبینی شرایط تحریم و تهیه هر چه سریعتر مواد و تجهیزات جهت مقابله با اثرات تحریم
2) پایبندی بیمارستان و تامینکنندگان به تعهداتشان به منظور یکپارچگی زنجیره تامین و بخشهای مختلف، منعقد کردن قراردادهای بلندمدت با تامین کنندگان به منظور نزدیکی و افزایش همکاری، انتخاب تامین کننده مناسب و ایجاد رابطه با آن، وجود تامینکنندگان چندگانه و توسعه تامینکنندگان
3) در برنامهریزی مدیریت بحران جلساتی به منظور هماهنگی با اداراتی که در شرایط اضطراری از بیمارستان پشتیبانی و حمایت میکنند برگزار گردد؛ چرا که مشکلات مالی و بودجه میتواند دسترسی به تکنولوژیهای روز پزشکی و ظرفیت بالقوه دارویی و تجهیزات پزشکی را با مشکلاتی مواجه سازد.
4) فعال كردن فرآیند فرماندهي حوادث بيمارستاني جهت آماده باش و اخطارها؛ بدین منظور براي پاسخگويي مناسب و مؤثر به يك حادثه (ماهیت و شدت حادثه) ، نظام پاسخگو باید با فراهم کردن دادهها و تولید اطلاعات، سطح بحران را ارزيابي و تعيين نمايد تا بتواند متناسب با سطح بحران خود را براي پاسخگویی آماده كرده و با بسيج امكانات و نيروي انساني پاسخ متناسب با حادثه را ارائه نمايد.
سپاسگزاری
در اینجا لازم میدانیم از مدیران و کارکنان بیمارستانهای دولتی استان یزد و کلیه افرادی که در این پژوهش ما را یاری نمودهاند تشکر و قدردانی نماییم.
تعارض منافع
نویسندگان هیچگونه تعارض منافع ندارند.
References
Achour, N., Miyajima, M., Pascale, F., & DF Price, A. (2014). Hospital resilience to natural hazards: classification and performance of utilities. Disaster prevention and management, 23(1), 40-52. doi 10.1108/DPM-03-2013-0057
Aldrighetti, R., Zennaro, I., Finco, S., & Battini, D. (2019). Healthcare supply chain simulation with disruption considerations: A case study from Northern Italy. Global Journal of Flexible Systems Management, 20(Suppl 1), 81-102. doi:10.1007/s40171-019-00223-8
Bag, S., Gupta, S., & Foropon, C. (2019). Examining the role of dynamic remanufacturing capability on supply chain resilience in circular economy. Management Decision, 57(4), 863-885. doi:10.1108/MD-07-2018-0724
Cimellaro, G. P., Malavisi, M., & Mahin, S. (2018). Factor analysis to evaluate hospital resilience. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, 4(1), 04018002. doi:10.1061/AJRUA6.0000952
Currie, J., & Heslop, D. J. (2018). Operational systems evaluation of a large scale multi-agency decontamination exercise. International Journal of Disaster Risk Reduction, 31, 1054-1061. doi: 10.1016/j.ijdrr.2018.03. 027
Dube, E. (2020). The build-back-better concept as a disaster risk reduction strategy for positive reconstruction and sustainable development in Zimbabwe: A literature study. International journal of disaster risk reduction, 43, 101401. doi:10.1016/j.ijdrr.2019.101401
Firouzi Jahantigh, F., Astavare, M. (2016). "Evaluating the performance of Tehran University of Medical Sciences hospitals using the combined model of data envelopment analysis and Prometheus method". Iran's work health. 14(5): 140-152. .[In Persian] URL:http:// ioh.iums.ac.ir/ article-1-1969-fa.html
Haldane, V., De Foo, C., Abdalla, S. M., Jung, A. S., Tan, M., Wu, S., ... & Legido-Quigley, H. (2021). Health systems resilience in managing the COVID-19 pandemic: lessons from 28 countries. Nature Medicine, 27(6), 964-980. doi:10.1038/s41591-021-01381-y
Hassan, E. M., & Mahmoud, H. (2019). Full functionality and recovery assessment framework for a hospital subjected to a scenario earthquake event. Engineering Structures, 188, 165-177. doi:10.1016/j.engstruct. 2019.03.008
Hundal, G. S., Thiyagarajan, S., Alduraibi, M., Laux, C. M., Furterer, S. L., Cudney, E. A., & Antony, J. (2021). Lean Six Sigma as an organizational resilience mechanism in health care during the era of COVID-19. International Journal of Lean Six Sigma. doi:10.1108/IJLSS-11-2020-0204
Ito, H., & Aruga, T. (2022). A conceptual framework to assess hospitals for disaster risk reduction in the community. International Journal of Disaster Risk Reduction, 77, 103032. doi:10.1016/j.ijdrr.2022.103032
Kao, C. (2017). Network Data Envelopment Analysis. International Series in Operations Research & Management.
Khademi Jalgenejad, A., Ahmadikohen A., Hirani, A. (2018). Factors affecting hospital supply chain resilience (qualitative study). Hospital, 18(2 (serial 69) ), 61-73. .[In Persian] URL: http://jhosp.tums.ac.ir/article-1-6158-fa.html
Khademi Jalgenejad, A., Kohanali, R,. Hirani, A. (2019). Future research of resilient hospital supply chain with intuitive logic scenario planning. Hospital, 19(3 (serial 74)), 16-26. .[In Persian] URL: http://jhosp.tums.ac.ir/article-1-6295-fa.html
Khatami Firouzabadi S M A, Shafiei Nikabadi M, Tebyanian H, Shoji N. (2018) Presenting a Dynamic Model for Periodical Evaluation of Organizations Using DEA Case study: 13 hospitals in Semnan province. Koomesh 1397; 20 (3) :555-560. URL: koomeshjournal.semums.ac.ir/article-1-4167-fa.html
Labarda, C., Labarda, M. D. P., & Lamberte, E. E. (2017). Hospital resilience in the aftermath of Typhoon Haiyan in the Philippines. Disaster Prevention and Management: An International Journal. doi:10.1108/DPM-02-2017-0025
Mohammadipour, E. (2019). Determining the resilience strategies of the health tourism supply chain from the perspective of risk (case study: Ayatollah Yatharbi Kashan Hospital), Master of Business Administration, School of Management and Economics, Kashan University. .[In Persian] https://www.irandoc.ac.ir
Mohammad Hosseini Issini, F. (2019). Assessment and prioritization of factors affecting resilience in Bandar Abbas University Hospitals, Master's Degree, Faculty of Management, Economics and Accounting, Hormozgan University. .[In Persian] https://www.irandoc.ac.ir
Moons, K., Waeyenbergh, G., & Pintelon, L. (2019). Measuring the logistics performance of internal hospital supply chains–a literature study. Omega, 82, 205-217. doi:10.1016/j.omega.2018.01.007
Nazari, A. (1996). Performance evaluation of Semnan and Mazandaran provinces Health Network. Journal of Qazvin University of Medical Sciences, 2(8), 48-57.
Ozcan, Y. A. (2008). Health care benchmarking and performance evaluation. Springer US.
Peykani, P., Emrouznejad, A., Mohammadi, E., & Gheidar-Kheljani, J. (2022). A novel robust network data envelopment analysis approach for performance assessment of mutual funds under uncertainty. Annals of Operations Research, 1-27. doi:10.1007/s10479-022-04625-3
Sawyerr, E., & Harrison, C. (2022). Resilience in healthcare supply chains: a review of the UK’s response to the COVID19 pandemic. International Journal of Physical Distribution & Logistics Management, 53(3), 297-329. doi:10.1108/IJPDLM-09-2021-0403
Seyedin, H., Abasi Dolat Abadi, Z., Sorani, M., Naghdi, S., & Rajabfard Mazraeno, F. (2014). Vulnerability assessment of general hospitals of Tehran University of Medical Sciences. Journal of Health Promotion Management, 3(2), 65-71. URL: jhpm.ir/article-1-249-en.html
Scott-Samuel, A., Bambra, C., Collins, C., Hunter, D. J., McCartney, G., & Smith, K. (2014). The impact of Thatcherism on health and well-being in Britain. International Journal of Health Services, 44(1), 53-71. doi:10.2190/HS.44.1.d
Singh, A. P., & Yadav, S. P. (2022). A Two-stage Network Data Envelopment Analysis: An Education Sector Application. arXiv preprint arXiv:2206.01561. doi: 10.48550/arXiv.2206.01561
Shang, Q., Wang, T., & Li, J. (2022). A quantitative framework to evaluate the seismic resilience of hospital systems. Journal of Earthquake Engineering, 26(7), 3364-3388. doi:10.1080/13632469.2020.1802371
Shirali, G. A., Azadian, S. H., & Saki, A. (2016). A new framework for assessing hospital crisis management based on resilience engineering approach. Work, 54(2), 435-444. doi:10.3233/wor-162329
Shafi'i Nikabadi, M., Hosseini, F. (2018). "Evaluating the efficiency of hospitals using the fuzzy serological integration model and fuzzy network data coverage analysis". Hospital. 18 (4): 75-85. .[In Persian] URL: http://jhosp.tums.ac.ir/article-1-5847-fa.html
Shafii Nikabadi, M., Salimi, A. (2014). Using fuzzy network data overlay analysis to investigate the effect of organizational culture on non-financial performance through the mediation of the role of knowledge use and exploitation. Productivity Management, 9(3(34) Fall), 45-72. .[In Persian] URL: https://sanad.iau.ir/fa/Article/975995. fa.html
Shafii Nikabadi, M., Shahroudi, C., Owaisi Imran, A., Khosravi, M. (2017). "Evaluating the efficiency of Iran's regional power companies using data envelopment analysis and neural networks". Industrial management studies. 16(51): 181-206. .[In Persian] doi:10.22054/jims.2018.15618.1551
Shafii Nikabadi, M., Yakideh, K and Owaisi Imran, A. (2016). "Presentation of network data coverage analysis model with integration of favorable and unfavorable intermediate and final outputs". Operations research in its applications (applied mathematics). 14(1) (series 52), 95-116. .[In Persian] URL: http://jamlu.liau.ac.ir/article-1-1169-fa.html
Tan, Y., & Despotis, D. (2021). Investigation of efficiency in the UK hotel industry: A network data envelopment analysis approach. International Journal of Contemporary Hospitality Management. doi:10.1108/IJCHM-07-2020-0641
Trump, B. D., Bridges, T. S., Cegan, J. C., Cibulsky, S. M., Greer, S. L., Jarman, H., ... & Linkov, I. (2020). An analytical perspective on pandemic recovery. Health security, 18(3), 250-256. doi:10.1089/hs. 2020.0057
Zarabi, B. (2021). Evaluating resilience and providing solutions to improve the resilience of the supply chain of Baqiyatollah Hospital and Medical Center in Tehran, Master of Industrial Engineering, Business Management, Faculty of Management and Economics, Tabriz University. [In Persian] https://www.irandoc.ac.ir
(23)
[1] - Associate Professor, Department of Industrial Management, Semnan University, Semnan, Iran.
*.Corresponding Author: shafiei@semnan.ac.ir
[2] - Ph.D. Candidate, Department of Industrial Management, Semnan University, Semnan, Iran. Bahrami
[3] . دانشیارگروه مدیریت صنعتی، دانشگاه سمنان، سمنان، ایران.
*.نویسنده مسؤول: shafiei@semnan.ac.ir
[4] -دانشجوی دکتری گروه مدیریت صنعتی، دانشگاه سمنان، سمنان، ایران. Bahrami.f2022@semnan.ac.ir
[5] . Ito & Aruga
[6] . Shushang, et al
[7] . Corey, et al
[8] . Hassan, et al
[9] . Beg, et al
[10] . Aldrighetti, et al
[11] . Ernest dubbed
[12] . Hiba Mehtadi, et al
[13] . Sawyer & Harrison
[14] . Nazari
[15] . Samuel, et al
[16] . Resistance
[17] . Linko & Trump
[18] . Labreda, et al
[19] . Torn
[20] . Data envelopment analysis
[21] . decision making units
[22] . Pratab Singh, et al
[23] . network data envelopment analysis
[24] . Picani, et al
[25] . Cao
[26] . Ton and despotism
[27] . Nunamaker and Levine
[28] . SHerman
[29] . Ozkan
[30] . Lingo