Productivity Evaluation and Measurement in Iranian Petroleum Industry Health Organization

Subject Areas : industrial engineering

Meysam Azimian ¹ , Mehdi Karbassian ² , Hamed Rahimpour ³ , Shahrzad Falahi ⁴

1 - PHD, Industrial Engineering, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran
2 - Associate Professor, Department of Industrial Engineering, Malek Ashtar University of Technology, Isfahan, Iran.
3 - PHD, Management, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran
4 - Msc, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran

Received: 2022-10-15 Accepted : 2023-02-07 Published : 2023-02-07

Keywords: Health Services Provide Organizations, Productivity, Data Envelopment Analysis, Malmquist Index,

Abstract :

In health care provider organizations (HCPOs), there are several sub-units, simultaneously providing health and preventive services to the population covered, in which measuring productivity is one of the most important challenges for the managers of these organizations. Hence, the purpose of this study is to provide an integrative approach of data envelopment analysis (DEA) and Malmquist productivity index (MPI) to monitor the productivity in Iranian Petroleum Industry Health Organization (PIHO) as an HCPO. In this study, using the indicators related to efficiency and defining the specialized indicators affecting the performance of the sub-units of this organization, the growth rate of the performance of the sub-units was determined through calculating four distance functions and Malmquist productivity Index. According to the results of this study, 27 specialized indicators in the fields of direct and indirect health and preventive services for monitoring the effectiveness of proposed HCPO have been presented. Also, the growth rate of productivity of the fifteen areas of the organization under study has been evaluated from 2019 to 2021. The innovative aspect of this article lies in the definition of effectiveness measurement indicators and presentation of a theoretical framework for monitoring the rate of productivity in HCPOs. The findings of this applied research in health service organizations can be used to enhance capacity in different areas of health care and save resources.

References:

Almeida , A., Frias, R., & Fique, J. (2015). Evaluating Hospital Efficiency Adjusting for Quality Indicators: An Application to Portuguese NHS Hospitals. Health Economics & Outcome Research, 1(1), 1-5. doi:10.4172/2471-268X/1000103
Asandului, L., Roman , M., & Fatulescu, P. (2014). The Efficiency of Healthcare Systems in Europe: A Data Envelopment Analysis Approach. Procedia Economics and Finance, 10, 261-268. doi:10.1016/S2212-5671(14)00301-3
Asghar , N., Ur Rehman , H., & Ali , M. (2019). Cost Productivity of Healthcare Systems in OIC’s Member Countries: An Application of Cost Malmquist Total Productivity Index. Review of Economics and Development Studies, 5(3), 461-468. doi:10.26710/reads.v5i3.696
Azimian, M., & Akhavan, P. (2018). Performance Analysis of PIHO Family Health Teams: Integrative Approach of DEA and Malmquist. Health Informantion Management, 15(4), 155-161 . doi:10.22122/him.v15i4.3530
Azimian, M., Bardi, M., & Javadi, H. (2013). Sensistivity Analysis of Project Efficiency in a Multi-Project Environment Based on Data Envelopment Analysis. International of Engineering Sciences, 2(7), 259-265. doi:10.1.1.678.9238&rep=rep1&type=pdf
Azimian, M., Karbasian, M., & Atashgar, K. (2022). Developing a Novel Mathematical Approach toward Minimizing Sustainable Circular Economy Costs of One-shot Systems. Production Engineering, 16(1), 627-634. doi:10.1007/s11740-022-01122-1
Azimian, M., Karbasian, M., Atashgar, K., & Kabir, G. (2021). A New Approach to Select the Reliable Suppliers for One-shot Devices. Production Engineering, 15,371–382.doi:10.1007/s11740-021-01032-8
Castro Lobo, M., Ozcan, Y., Silva, A., Estellita Lins, M., & Fiszman , R. (2010). Financing Reform and Productivity Change in Brazilian Teaching Hospitals: Malmquist Approach. Central European Journal of Operations Research, 18(2), 141–152. doi:10.1007/s10100-009-0097-z
Chang, S.-J., Hsiao, H.-C., Huang, L.-H., & Chang, H. (2011). Taiwan Quality Indicator Project and Hospital Productivity Growth. OMEGA, 39(1), 14-22. doi:10.1016/j.omega.2010.01.006
Cheng, Z., Toa, H., Cia, M., Lin, H., Lin, X., Shu, Q., & Zhang, R.-n. (2015). Technical Efficiency and Productivity of Chines Courty Hospitals: An Exploratory Study in Henan Province, China. BMJ, 5(9), 1-10. doi:10.1136/bmjopen-2014-007267
Chowdhury, H., Zeleyuk, V., Laporte, A., & Pwodchis, W. (2014). Analysis of Productivity, Efficiency and Technological Changes in Hospital Servies in Ontario: How does Case-Mix Matter? International Journal of Production Economics, 150, 74-82. doi:10.1016/j.ijpe.2013.12.003
Dabagh, R., Kohi, B., Javaherian, L., & Latifi, M. (2015). Evaluation of Technical Efficiency and Productivity of West Azerbaijan Industries using Parametric and Non-parametric Methods. Parliament and Strategy, 22(83), 305-333. [In Pershian]. Retrieved from https://sid.ir/paper/224633/fa
Ghahremanloo, M., Hasani, A., Amiri, M., Hashemi-Tabatabaei, M., Keshavarz-Ghorabaee, M., & Ustinovičius, L. (2020). A Novel DEA Model for Hospital Performance Evaluation Based on the Measurement of Efficiency, Effectiveness, and Productivity. Engineering Management in Production and Services, 12(1), 7-19. doi:10.2478/emj-2020-0001
Guo, H., Zhao, Y., Niv, T., & Tsui, K.-L. (2017). Hong Kong Hospital Authority Resource Efficiency Evaluation: Via a Novel DEA-Malmquist Model and Tobit Regression Model. PLOS, 12(9), 1-24. doi:10.1371/journal.pone.0184211
Habib, A., & Shahwan, T. (2020). Measuring the Operational and Financial Efficiency Using a Malmquist Data Envelopment Analysis : A Case of Eqyption Hospitals. Benchmarking: An International Journal, 27(9):2521-2536. doi:10.1108/BIJ-01-2020-0041
Hollingsworth, B. (2003). Non-Parametric and Parametric Applications Measuring Efficiency in Health Care. Health Care Management Science, 6(4), 203-218. doi:10.1023/a:1026255523228.PMID:14686627
Kalantari, N., Mohammadi Pour, R., Seidi, M., Shiri, A., & Azizkhani, M. (2018). Fuzzy Goal Programming Model to Rolling Performance Based Budgeting by Productivity Approach (Case Study: Gas Refiner-ies in Iran). Advances in Mathematical Finance and Applications, 3(3), 95-107. doi:10.22034/amfa.2018.544952
Kawaguchi, H., Tone, K., & Tsutsui, M. (2014). Estimation of the Efficiency of Japanese Hospitals Using a Dynamic and Network DEA Model. Health Care Manag Sci, 17(2), 101-112. doi:10.1007/s10729-013-9248-9
Kim, Y., Oh, D.-h., & Kang, M. (2016). Productivity Changes in OECD Healthcare Systems: Bias-corrected Malmquist Productivity Approach. International Journal of Health Planning and Management, 31(4), 537-553. doi:10.1002/hpm.2333
Laupland, K., Edwards, F., & Dhanani , J. (2021). Determinants of Research Productivity During Postgraduate Medical Education: A Structured Review. BMC Medical Education volume, 21(1). doi:10.1186/s12909-021-03010-1
Li, H., & Dong, S. (2015). Measuring and Benchmarking Technical Efficiency of Public Hospitals in Tianjin, China: A Bootstrep-Data Envelopment Analysis Approach. The Journal of Health care Organization, Provision and Financing, 1-5. doi:10.1177/0046958015605487
Liu, W., Xia, Y., & Hou, J. (2019). Health Expenditure Efficiency in Rural China Using the Super-SBM Model and the Malmquist Productivity Index. International Journal for Equity in Health, 18(1). doi:10.1186/s12939-019-1003-5
Masri, M., & Asbu , E. (2018). Productivity Change of National Health Systems in the WHO Eastern Mediterranean Region: Application of DEA-based Malmquist Productivity Index. Global Health Research and Policy, 3(22). doi:10.1186/s41256-018-0077-8
McCann, P., & Vorley, T. (2020). Productivity Perspectives. USA: Edward Elgar Publishing. 1-392. doi:10.4337/9781788978804
Mollahaliloglu, S., Kavuncubasi, S., Younis, M., Simsek, F., Kostak, M., Yildirim, S., & Nwagwu, E. (2018). Impact of Health Sector Reforms in Hospital Productivity in Turkey: Malmquist Index Approach. International Journal of Organization Theory & Behavior, 21(2), 72-84. doi:10.1108/IJOTB-2018-0025
Naeem, M., & Ozuem, W. (2021). "Exploring the Use of Social Media Sites for Health Professionals' Engagement and Productivity in Public Sector Hospitals. Employee Relations, 43(5), 1029-1051. doi:10.1108/ER-08-2020-0391
NG, Y. (2011). The Productive Efficiency of Chines Hospitals. China Economic Review, 23, 428-439. doi:10.1016/j.chieco.2011.06.001
Ozan, Y., & Luke, R. (2011). Health Care Delivery Restructuring and Productivity Change: Assessing the Veterans Integrated Service Network (VISNs) using the Malmquist Approach. Medical Care Research and Review Supplement, 68(1), 20-35. doi:10.1177/1077558710369912
Pestana, M., Pereira, R., & Moro, S. (2020). Improving Health Care Management in Hospitals Through a Productivity Dashboard. Journal of Medical Systems, 44(4), 87. doi:10.1007/s10916-020-01546-1
Peykani, P., Seyed Esmaeili , F., Rostamy-Malkhalifeh , M., & Hosseinzadeh Lotfi, F. (2018). Measuring Productivity Changes of Hospitals in Tehran: The Fuzzy Malmquist Productivity Index. International Journal of Hospital Research, 7(3), 1-16. doi: LBL_COMMENTED_AT/ijhr.2018.92566
PN, M., & JM, K. (2016). Productivity and Efficiency Changes in Referral Hospitals in Uganda: An Application of Mamquist Total Productivity Index. Heath System and Policy Research, 3, 1-9.
Raei, B., Yousefi, M., Rahmani, K., Afshari, S., & Ameri, H. (2017). Patterns of Productivity Changes in Hospitals by Using Malmquist - DEA Index: A Panel Data Analysis (2011-2016). AMJ, 10(10), 856-864. doi:10.21767/AMJ.2017.3094
Rays, Y., & Lemqeddem, H. (2021). Data Envelopment Analysis and Malmquist Index Application: Efficiency of Primary Health Care in Morocco and Covid-19. Turkish Journal of Computer and Mathematics Education, 12(5), 971-983.
Singh, S., Bala, M., Kumar, N., & Janor, H. (2021). Application of DEA-Based Malmquist Productivity Index on Health Care System Efficiency of ASEAN Countries. International Journal of Health Planning and Management, 36(4), 1236-1250. doi:10.1002/hpm.3169
Stefko, R., Gavurora, B., & Koronys, S. (2016). Efficiency Measurement in Healthcare Work Management Using Malmquist Indices. Journal of Management Studies, 13(1), 168-180. doi:10.17512/pjms.2016.13.1.16
Trakakis, A., Nektarios, M., Tziaferi , S., & Prezerakos , P. (2021). Total Productivity Change of Health Centers in Greece in 2016–2018: a Malmquist Index Data Envelopment Analysis Application for the Primary Health System of Greece. Cost Effectiveness and Resource Allocation, 19(72). doi:10.1186/s12962-021-00326-z
Wang, T., Wang, Y., & McLeod, A. (2018). Do Health Information Technology Investments Impact Hospital Financial Performance and Productivity? International Journal of Accounting Information Systems, 28, 1-13. doi:10.1016/j.accinf.2017.12.002
Xenos, P., Nektarios, M., Constantopoulos, A., & Yfantopoulos, J. (2016). Two-Stage Hospital Efficiency Analysis Including Qualitative Evidence: A Greek Case. Journal of Hospital Administration, 5(3), 1-9. doi:10.5430/jha.v5n3p1
Yang, J., & Zeng, W. (2014). The Trade-Offs Between Efficiency and Quality in the Hospital Production: Some Evidence from Shenzen, China. China Economic Review, 13, 166-184. doi:10.1016/j.chieco.2014.09.005
Yi-Chung, H. (2013). The Efficiency of Government Spending in Health: Evidence from Europe and Central Asia. The Social Science Journal, 50(4), 665-673. doi:10.1016/j.soscij.2013.09.005

Full-Text:



Vol.18, No.68, Spring 2024                                                          Journal of Productivity Management 

 

 

 

 

 

 

 

 

 

 

Productivity Evaluation and Measurement in Iranian Petroleum Industry Health Organization

 

Meysam Azimian⃰ ¹ , Mahdi Karbasian², Hamed Rahimpour³, Shahrzad Falahi⁴

 

(Received:2022.10.15; Accepted:2023.02.07)

 

Abstract

In health care provider organizations (HCPOs), there are several sub-units, simultaneously providing health and preventive services to the population covered, in which measuring productivity is one of the most important challenges for the managers of these organizations. Hence, the purpose of this study is to provide an integrative approach of data envelopment analysis (DEA) and Malmquist productivity index (MPI) to monitor the productivity in Iranian Petroleum Industry Health Organization (PIHO) as an HCPO. In this study, using the indicators related to efficiency and defining the specialized indicators affecting the performance of the sub-units of this organization, the growth rate of the performance of the sub-units was determined through calculating four distance functions and Malmquist productivity Index. According to the results of this study, 27 specialized indicators in the fields of direct and indirect health and preventive services for monitoring the effectiveness of proposed HCPO have been presented. Also, the growth rate of productivity of the fifteen areas of the organization under study has been evaluated from 2019 to 2021. The innovative aspect of this article lies in the definition of effectiveness measurement indicators and presentation of a theoretical framework for monitoring the rate of productivity in HCPOs. The findings of this applied research in health service organizations can be used to enhance capacity in different areas of health care and save resources.

 

Key Words: Health Care Provider Organizations, productivity, data envelopment analysis, Malmquist index.

 

1.       Introduction

In health care provider organizations (HCPOs), there are several sub-units, simultaneously providing health and preventive services to the population covered, in which measuring productivity is one of the most important challenges for the managers of these organizations. Hence, the purpose of this study is to provide an integrative approach of data envelopment analysis (DEA) and Malmquist productivity index (MPI) to monitor the productivity in Iranian Petroleum Industry Health Organization (PIHO) as an HCPO.

2.       Literature Review

In researches about performance evaluation as well as productivity growth analysis, DEA is commonly used to evaluate hospital efficiency in a specific period of time (Hollingsworth, 2003), for example, hospitals performance evaluated by DEA in Greece hospitals (Xenos et al., 2016), Portuguese NHS hospitals (Almeida et al. 2015), Tianjin city hospitals in China (Li & Dong, 2015), 30 hospitals in the Europe (Assanduluie et al., 2014), and Japan hospitals (Kawaguchi et al., 2014). On the other hand, productivity growth rate in health care centers and hospitals has been evaluated by using integrated approach of DEA and Malmquist index in two time period, for instance, productivity growth of health care centers in ASEAN (Singh et al., 2021), primary health care in Morocco (Rays and Lemqeddem, 2021), total productivity change of health care centers in Greece (Trakakis et al., 2021), productivity growth in Egypt hospitals (habib and shawan,2020), productivity growth in Turkey (Mollahaliloglu et al.,2018), cost productivity of healthcare systems in OIC`s member countries (Asghar et al., 2019), productivity change of national health systems in the WHO eastern Mediterranean region (Masri and Asbu, 2018), Tehran hospitals in Iran (Peykani et al., 2018), Hong Kong hospitals (Guo, 2017), Yazd hospitals in Iran (Raie et al., 2017), productivity changes in OECD healthcare systems (Kim et al., 2016), Uganda hospitals (PN and JM, 2016), health systems in Slovakia (Stefko et al., 2016), Henan hospitals in china (Chenge et al., 2015), and Ontario hospitals in Canada (Chowdhury et al., 2014) evaluated by DEA and Malmquist approach. Therefore, in this study productivity growth of HCPO is evaluated using this approach as well as determining specific effectiveness indexes for such organizations.

3.       Methodology

In this study, by determining the efficiency indicators and defining the specialized indicators related to effectiveness in HCPOs, the performance of the sub-units in proposed HCPO, Iranian Petroleum Industry Health Organization (PIHO), are evaluated using DEA and Malmquist approach. From a functional point of view, the study employs an applied-developmental method. The data type is crisp and the data collection procedure is a longitudinal and quasi-longitudinal and correlational one from the research point of view. The dependent variables are productivity growth in PIHO sub-units as well as the critical variable in performance analysis, and the independent variables are the inputs and outputs of the DEA model.

4.       Results

Based on the results of this study, 27 specialized indicators in the fields of direct and indirect health and preventive services for monitoring the effectiveness of HCPOs were presented. Also, the growth rate of productivity of the fifteen sub-units of the PIHO was evaluated from 2019 to 2021.

5.       Discussion

The innovative aspect of this study lies in the definition of effectiveness measurement indicators and presentation of a theoretical framework for monitoring the rate of productivity in HCPOs. The findings of this applied research in health service organizations can be used to enhance capacity in different areas of health care and save resources. The limitation of this study is the possibility of defining the input and output indicators of the DEA method, which, by considering the existing software data in the organization under study, five input and output indicators were defined to evaluate the efficiency and productivity of the sub-units.

Today, performance evaluation and measurement of efficiency, effectiveness and productivity are among the most important topics in health and treatment centers, and the findings of the present study can be used to improve capacity in different areas of health care and save resources. Based on the results obtained in this research, the senior managers of the organization can use appropriate incentives and motivational tools to better support areas and units with improved performance. In addition, the input and output variables of HCPOs sub-units can be changed or enhanced based on the needs of the organizations. This proposed method can also be used to evaluate the performance of medical personnel and other units as desired by the senior managers of the organization and to define the corresponding input and output variables based on the data recorded in the organization database. It is also possible to propose productivity improvement projects based on performance evaluation results.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

سنجش و اندازه گیری بهره وری در سازمان بهداشت و درمان صنعت نفت ایران

 

میثم عظیمیان*⁵، مهدی کرباسیان⁶، حامدرحیم پور ⁷، شهرزاد فلاحی⁸

 

(دریافت:23/7/1401-پذیرش نهایی:18/11/1401)

 

 

چكيده

درسازمان­های ارائۀ دهندۀ خدمات سلامت، واحدهای زیرمجموعۀ متعددی وجود دارند که به صورت هم‌زمان درحال ارائۀ خدمات درمانی و پیشگیرانه به جمعیت تحت پوشش خاصی بوده و سنجش بهره­وری از مهمترین چالش­های پیش روی مدیران آن­ها می­باشد؛ لذا هدف ‌اين مطالعه، ارائۀ رویکردی تلفیقی از تحلیل پوششی داده­ها و شاخص بهره­وری مالم­کوئیست، جهت پایش بهره­وری سازمان بهداشت و درمان صنعت نفت ایران -به عنوان یک سازمان ارائه دهندۀ خدمات سلامت- بوده­است. دراين تحقيق، با استفاده از شاخص­های مرتبط با کارایی و همچنین تعریف شاخص­های اثربخشی تأثیرگذار بر عملکرد واحدهای زیرمجموعه سازمان، ميزان رشد عملکرد واحدهای زیرمجموعه با محاسبه چهار تابع مسافت و شاخص بهره­وری مالم­کوئیست تعیین شده­است. براساس نتایج به‌دست آمده دراین پژوهش، تعداد 27 شاخص تخصصی درحوزه­های درمان مستقیم، غیرمستقیم و بهداشت جهت پایش اثربخشی سازمان­های ارائه دهندۀ خدمات سلامت پیشنهاد شده­است. همچنین نرخ رشد بهره­وری پانزده منطقۀ زیرمجموعۀ سازمان مورد مطالعه -در بازه زمانی 1398 تا -1400 مورد بررسی قرار گرفته­است.­ نوآوری مقالۀ حاضر، عبارت از تعریف شاخص­های سنجش اثربخشی و ارائۀ یک چارچوب نظری جهت پایش نرخ رشد بهره­وری در سازمان­های ارائه دهندۀ خدمات سلامت می­باشد. توسعۀ کاربردی این تحقیق در سازمان­های مورداشاره می­تواند برای ارتقای ظرفیت در حوزه­های مختلف خدمات بهداشتی- درمانی و صرفه­جویی در منابع مورداستفاده قرارگیرد.

واژه­های کلیدی:

سازمان­های ارائه دهندۀ خدمات سلامت، بهره­وری، تحلیل پوششی داده­ها، شاخص مالم­کوئیست.

 

 

مقدمه

محدودیت منابع و امکانات، از زمان­هاي گذشته تا عصر کنونی- که عصر اطلاعات فرامدرن و توسعه چشمگیر علم و فناوری است- همواره مطرح بوده و درآینده نیز با شدت فزون‌تري خود را بر شرایط اقتصادي تحمیل خواهد نمود (عظیمیان و همکاران⁹، 1401)؛ لذا در طی سالیان گذشته، توجه خاصی به کاهش هزینه­های حوزۀ درمان و تلاش در جهت بالا بردن بهره­وری در سازمان­های ارائه دهندۀ خدمات سلامت صورت گرفته­است (پستانا و همکاران¹⁰، 1399). درواقع، بهره­وری از بهبود هم‌زمان کارایی و اثربخشی حاصل می­شود (قهرمانلو و همکاران¹¹، 1399) که توجه هم‌زمان به این دو موضوع، سنجش عملکرد جامعی از سازمان ارائه می­نماید (نعیم و اوزم¹²، 1400).

قدم ابتدايي در چرخۀ مدیریت بهره‌وري، اندازه‌گيري با استفاده از داده­های برخط و معتبر مي‌باشد (وانگ و همکاران¹³، 1397) و پس از آن، تعریف پروژه­های بهبود و ارتقای بهره­وری مدنظر قرار می­گیرند (لوپلند و همکاران¹⁴،1400)؛ در این خصوص، اندازه­گیری بهره­وری -با استفاده از روش مدیران در سازمان­ها- روشی رایج است که بهره­وری عمومی و تخصصی به صورت شاخص­های کل و جزء محاسبه می­شوند (مک کان و ورلی¹⁵، 1399).

از سوی دیگر، ارزيابي عملكرد -به كمك شاخص­هاي متعدد کمی و کیفی- از موضوعاتي است كه بسيار مورد توجه مدیران و تصمیم­گیران می­باشد (عظیمیان و همکاران¹⁶، 1400) و يكي از روش­های مؤثر در این خصوص، تحلیل پوششی­داده­ها¹⁷ است؛ درواقع، پایش و اندازه­گیری کارایی و بهره­وری با روش­های پارامتریک (اقتصادسنجی) و ناپارامتریک (تحلیل پوششی داده­ها) امکان­پذیر است که نتایج هردو تقریبا یکسان می­باشد (دباغ و همکاران¹⁸، 1394)؛ تحلیل‌پوششی‌داده‌ها، یک روش غير ‌پارامتري مرزی برای ارزیابی عملکرد است که در آن، جهت سنجش عملکرد نسبی یک مجموعه، از موجودیت‌های قابل مقایسه¹⁹ استفاده می‌شود (عظیمیان و همکاران²⁰، 1392). از مزاياي اين روش، آن است كه به راحتي مي‌تواند ورودي‌ها و خروجي‌هاي چندگانه را با واحد‌هاي اندازه‌گيري متفاوت در تحليل وارد نمايد و جايگاه بهبود را براي واحد‌هاي ناكارآ شناسايي نمايد. از معايب آن نیز مي‌توان به امكان كاهش توان مدل -با افزايش تعداد ورودي و خروجي‌ها نسبت به تعداد واحد‌ها- اشاره نمود که دراین حالت اوزان ورودي و خروجي بزرگتر از يك مقدار ℰ بسيار كوچك درنظر گرفته می­شوند (عظیمیان و اخوان²¹، 1397). علاوه بر این، براي محاسبۀ نرخ رشد بهره­وری می توان از شاخص بهره­وری مالم‌كوئيست²² و روش تحلیل پوششی داده­ها استفاده نمود (تراکاکیس و همکاران²³، 1400)؛ شاخص مذکور بهبود عملکرد موجودیت­های قابل مقایسه را در دو بازۀ زمانی مختلف محاسبه می­نماید (اوزان و لوک²⁴، 1390). از سوی دیگر، با انجام ارزیابی عملکرد، امکان انجام فرآیند بودجه­ریزی مبتنی بر عملکرد²⁵ نیز تسهیل می­شود (کلانتری و همکاران²⁶، 1397).

درخصوص مطالعات انجام گرفته در سنجش عملکرد قیاسی و تعیین رشد بهره­وری مراکز زیرمجموعۀ سازمان­های ارائه دهندۀ خدمات سلامت، از روش تحلیل پوششی داده­ها -جهت ارزیابی بیمارستان­ها دریک مقطع زمانی- استفادۀ فراوانی شده­است (هولینگسورت²⁷، 1382) که به عنوان نمونه، زنوس و همکاران²⁸ (2016) بیمارستان­های کشور یونان، آلمدا و همکاران²⁹ (2015) بیمارستان­های کشور پورتوریکو، لی و دونگ³⁰ (2015) بیمارستان های شهر تیانجان کشور چین، آساندولیو و همکاران³¹ (2014) تعداد 30 بیمارستان قاره اروپا و کاواگوچی و همکاران³² (2013) بیمارستان های کشور ژاپن را مورد ارزیابی قرار داده اند.

همچنین در مطالعاتی، نرخ رشد بهره­وری مراکز درمانی ، بیمارستان­ها یا سیستم­های سلامت کشورها -در چندمقطع زمانی- با تلفیق تحلیل پوششی داده­ها و شاخص بهره­وری مالم­کوئیست تعیین شده­است که از جملۀ آن‌ها سینگ و همکاران³³ (2021) نرخ رشد بهره­وری سیستم بهداشت و درمان ملی ده کشور عضو آس­آن³⁴، رایز و لمگدم³⁵ (2021) مراقب­های اولیه بهداشتی مرتبط با ویروس کوید-19 کشور مراکش، تراکاکیس همکاران³⁶ (2021) شاخص مراقبت­های اولیه بهداشتی در مراکز سلامت کشور یونان، حبیب و شوآن³⁷ (2020) کارایی قیاسی و نرخ رشد بهره­وری بیمارستان­های کشور مصر، ملاعلی و همکاران ³⁸(2018) نرخ رشد بهره­وری بیمارستان­های کشور ترکیه، لیو و همکاران³⁹ (2019) بهره­وری هزینه­های بهداشتی در روستاهای کشور چین، اصغر و همکاران⁴⁰ (2019) بهره­وری سیستم بهداشت و درمان کشورهای عضو سازمان همکاری­های اسلامی⁴¹، مصری و همکاران⁴² (2018) نرخ رشد بهره­وری سیستم­های سلامت ملی در 20 کشور مدیترانه شرقی،  پیکانی و همکاران⁴³ (2018) تعیین نرخ رشد بهره­وری بیمارستان­های شهر تهران با استفاده از شاخص مالم‌کوئیست با رویکرد فازی ، گوا و همکاران⁴⁴ (2017) بیمارستان­های هنگ کنگ، رایی و همکاران⁴⁵ (2017) بیمارستان های شهر یزد در کشور ایران، کیم و همکاران⁴⁶ (2016) نرخ رشد بهره­وری  در 30 کشور عضو توسعه و همکاری­های اقتصادی، پی ان و جی ام⁴⁷ (2016) بیمارستان­های کشور اوگاندا، استفکو و همکاران⁴⁸ (2016) مدیریت سلامت در کشور اسلواکی، چنگ و همکاران⁴⁹ (2015) بیمارستان­های استان هنان چین، یانگ و زنگ ⁵⁰(2014) بیمارستان­های شنژن کشور چین، چادوری و همکاران⁵¹ (2014) خدمات بیمارستانی اونتاریو کشور کانادا، وای چانگ⁵² (2013) عملکرد دولت­ها در حوزه سلامت درکشورهای اروپایی و آسیای مرکزی، چانگ و همکاران⁵³ (2011) بیمارستان­های کشور تایوان، ان جی⁵⁴ ( 2011) بیمارستان های کشور چین و  کاسترو لوبو و همکاران⁵⁵ (2010)  بهره­وری بیمارستان­های آموزشی کشور برزیل را مورد ارزیابی قرار داده­اند و نرخ رشد بهره­وری را- در طول بازۀ زمانی- تعیین نموده­اند. در ادامه، جدول 1 به منظور تفسیر آسان شباهت ها و نوآوری مطالعۀ حاضر در مقایسه با دیگر مطالعات هم‌راستا ارائه شده­است.

 

جدول 1: شباهت ها و تفاوت های مطالعه حاضر با برخی از  مطالعات مشابه قبلی

Table1: The similarities and differences of the present study with some similar previous studies

نام نویسندگان Name of authors	سال Year	واحدهای تحت ارزیابی Decision Making Units	مدل های ارزیابی  The models used to evaluate
			DEA	DEA & Malmquist
زنوس و همکاران Xenos et al.	2016	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√
آلمدا و همکاران Almeida  et al.	2015	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√
آسندولیو و همکاران Asandului et al.	2014	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√
کاواگوچی و همکاران Kawaguchi et al.	2013	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√
ملاعلی و همکاران Mollahaliloglu  et al.	2018	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
چانگ و همکاران Chang et al.	2011	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
چانگ و همکاران Chang et al.	2015	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
گوا و همکاران Guo et al.	2017	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
ان جی NG	2011	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
زنگ و یانگYang and Zeng	2014	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
چادوری و همکاران Chowdhury et al.	2014	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
استفکو و همکاران Stefko et al.	2016	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
چانگ Cahng	2013	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
راعی و همکاران Raei et al.	2017	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
مصری و همکاران Mesri et al.	2018	سیستم های بهداشت و درمان کشورها Country Health Systems	√	√
عظیمیان و همکاران Azimian et al.	2018	تیم های سلامت خانواده Family Health Teams	√	√
اصغر و همکاران Ashgar et al.	2019	سیستم های بهداشت و درمان کشورها Country Health Systems	√	√
قهرمانلو و همکاران Ghahremanlo et al.	2020	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
حبیب و همکاران Habib et al.	2020	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
نعیم و اوزم Naeem & Ozuem	2021	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
رایز و همکاران Rayz et al.	2021	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
سینگ و همکاران Sing et al.	2021	سیستم های بهداشت و درمان کشورها Country Health Systems	√	√
تراکتیس و همکاران Traktis et al.	2021	مراکز درمانی (بیمارستان) Medical Centers (Hospital)	√	√
مطالعه حاضر Present Study	2022	مراکز ارائۀ دهندۀ  خدمات سلامت Health Care Provider Organizations (HCPO)	√	√

 

همانگونه که مشاهده می­شود، بیشترین تمرکز مطالعات گذشته بر ارزیابی عملکرد و تعیین نرخ رشد بهره­وری مراقبت­های اولیه بهداشتی، مراکز درمانی، بیمارستان­ها و سیستم­های سلامت کشورها -با استفاده از روش تحلیل پوششی داده­ها و شاخص بهره­وری مالم­کوئیست- بوده­است؛ لذا به نظرمی­رسد، شاخص­­های بررسی عملکرد سازمان­های تخصصی ارائه دهندۀ خدمات سلامت- به عنوان متولی ارائۀ خدمات سلامت در مناطق متعدد زیرمجموعه- کمتر مورد توجه بوده­است؛ درواقع در این گونه از سازمان­ها، ارائۀ خدمات درمانی (مستقیم و غیرمستقیم) و خدمات پیشگیرانه- به طور هم‌زمان -به جمعیت تحت پوشش خاصی ارائه می­گردد و درنتیجه، سنجش عملکرد شامل حوزه­های تخصصی (درمان و بهداشت) نیز می­شود و نیازمند تعریف ورودی‌ها و خروجی­های مختص سازمان­های مذکور -جهت سنجش عملکرد قیاسی و تعیین نرخ رشد بهره­وری- بوده که این پژوهش به این موضوعات پرداخته­است.

 

 

 

این پژوهش به دنبال اهداف زیر می باشد:

ü       شاخص­های اثربخشی حوزه درمان مستقیم در سازمان­های ارائه­دهندۀ خدمات سلامت .

ü       شاخص­های اثربخشی حوزه پیشگیری و بهداشت در سازمان­های ارائه­دهندۀ خدمات سلامت.

ü       شاخص­های اثربخشی حوزه درمان غیرمستقیم و امور بیمه­گیری در سازمان­های ارائه دهندۀ خدمات سلامت .

ü       نرخ رشد بهره­وری کل سازمان­های ارائه دهندۀ خدمات سلامت و مراکز زیرمجموعه آن­ها با استفاده از شاخص­های مرتبط با کارایی و اثربخشی .

 

مدل تحقیق

اين ‌تحقيق از نظر هدف، توسعه‌ای - ‌كاربردي و از‌ نظر ‌ماهيت داده‌ها، کمی است. همچنين از نظر جمع‌آوري داده‌ها، از نوع طولی و شبه طولی و از نظر مسئله پژوهش، از نوع ‌همبستگي مي‌باشد. متغير‌هاي وابسته، مقدار نرخ رشد بهره­وری و متغير‌هاي مستقل، داده­های ورودی و خروجی تأثیرگذار برعملکرد مي‌باشند. لذا مطابق با نظر تیم تصمیم­گیری، رویکرد تلفیقی پیشنهاد شده دراین پژوهش -جهت ارزیابی عملکرد برپایۀ سنجش بهره­وری مراکز ارائه دهندۀ خدمات سلامت- در شکل شماره یک ارائه شده­است.

 

 

شکل 1: مدل مفهومی پژوهش

Figure 1: Conceptual model of research

 

ابزار و روش

در این مطالعه - به منظور تعیین شاخص­های ورودی و خروجی تأثیرگذار بر عملکرد سازمان­های ارائه‌دهندۀ  خدمات سلامت- ابتدا یک تيم تصميم‌گيري شامل مدیران و کارشناسان حوزه­های تخصصی سازمان بهداشت و درمان صنعت نفت ایران تشکیل شد که این افراد در واحدهای درمان مستقیم، بهداشت خانواده، بهداشت کار، مدیریت امور بیمه­گری، سنجش رضایت‌مندی، برنامه­ریزی و آمار مستقر بودند؛ دليل انتخاب اين افراد، دسترس‌پذيري و آگاهي آن‌ها نسبت به فرآیندهای سازمان­های ارائه دهندۀ خدمات سلامت مي‌باشد.

همانگونه که در شکل شماره یک مشاهده می­شود، به منظور سنجش بهره­وری در فرآیند ارزیابی عملکرد، داده­ها به دو قسمت داده­های کارایی و داده­های اثربخشی تفکیک ­می­شوند؛ داده­های کارایی، با درست انجام دادن فعالیت­ها -با حداقل هزینه- مرتبط می­باشند و داده­های اثربخشی، با انجام دادن کارهای درست و اثربخش- در راستای اهداف سازمان- مرتبط هستند. ازسوی دیگر، درتفکیک جداگانه و به منظور تعیین بهره­وری عمومی و تخصصی کل سازمان، این داده­ها به شاخص­های عمومی و تخصصی نیز - مطابق با شکل شماره یک- تفکیک می­شوند.

همچنین- به منظور ارزیابی عملکرد قیاسی مراکز زیرمجموعۀ سازمان- ارزیابی عملکرد -برپایه شاخص­های مرتبط با کارایی در بازه­های زمانی شش ماه- و تعیین نرخ رشد بهره­وری -برپایه شاخص­های مرتبط با کارایی و اثربخشی در بازه زمانی سالانه- پیشنهاد شده­است؛ درواقع، دراين تحقيق -با تعيين مقادير ورودي و خروجي مرتبط با کارایی و اثربخشی مناطق زیرمجموعۀ سازمان و محاسبۀ چهار تابع مسافت و با استفاده از تحليل‌پوششي‌داده‌ها و شاخص مالم‌كوئيست- عملکرد هر منطقۀ زیرمجموعۀ سازمان -در دوبازۀ زماني مشخص- محاسبه می­شود؛ از این رو، داده­های ارزیابی کارایی قیاسی (شش ماهه) شامل جمع کل هزینه­ها و تعداد کل پرسنل (درمانی و پشتیبانی) به عنوان ورودی، و ارزش ریالی خدمات ایجاد شده و تعداد کل جمعیت تحت پوشش هر منطقه به عنوان خروجی پیشنهاد شده ­است. علاوه بر ورودی‌ها و خروجی­های مورد اشاره، در ارزیابی عملکرد سالانه به منظور تعیین نرخ رشد بهره­وری، برآیند شاخص­های تخصصی نیز به عنوان خروجی درنظر گرفته شده­است (شکل شماره 2).

 

 

شکل 2: ورودی و خروجی های تأثیرگذار در سنجش عملکرد مناطق زیرمجموعه سازمان های ارائۀ دهندۀ خدمات سلامت

Figure 2: Inputs and Outputs Influencing DMUs Performance in HCPO

 

جمع آوري اطلاعات نیز- در بخش پیشینه و ادبیات موضوع- از نوع کتابخانه­ای و در بخش میدانی با استفاده از نرم افزارهای بانک اطلاعاتی موجود در سازمان مورد مطالعه انجام شده­است.

در ادامه، ابتدا نحوۀ تعیین بهره­وری عمومی و تخصصی کل سازمان مشخص شده­است. در پایان این بخش نیز، نحوۀ محاسبۀ نرخ رشد بهره­وری مراکز زیرمجموعه با استفاده از شاخص بهره­وری مالم­کوئیست تشریح شده­است.

نحوه محاسبۀ بهره­وری عمومی و تخصصی کل 

در این قسمت- به منظور تعیین نرخ رشد بهره­وری عمومی و تخصصی کل سازمان- از شاخص­های بهره­وری مطابق با روابط شماره (1) تا (4) استفاده می­شود.

رابطه (1) (شاخص مصرف واسطه) ÷ (ارزش ریالی خدمات ایجاد شده)= شاخص بهره­وری مصرف واسطه

رابطه (2) (شاخص نیروی کار) ÷ (ارزش ریالی خدمات ایجاد شده)= شاخص بهره­وری نیروی کار

رابطه (3) (شاخص سرمایه) ÷ (ارزش ریالی خدمات ایجاد شده)= شاخص بهره­وری سرمایه

رابطه (4) (شاخص ترکیبی نیروی کار و موجودی سرمایه) ÷ (ارزش ریالی خدمات ایجاد شده)=

 

شاخص بهره­وری کل عوامل تولید

در روابط بالا، به جای ارزش خدمات ایجاد شده می­توان از ارزش افزوده- که از رابطه شماره (5) به‌دست می­آید استفاده نمود. همچنین مصرف واسطه، شامل مصرف حامل های انرژی (برق، گاز و انواع سوخت)، مواد مصرفی، کارمزدهای بانکی و بیمه­ای، هزینۀ اجارۀ محل و تجهیزات، هزینۀ تعمیرات جزئی ساختمان و تجهیزات، هزینۀ آموزش کارکنان، خدمات (مانند برون سپاری خدمات قراردادی نظافت ساختمان) و نظایر آن می­باشد.

 

رابطه (5) (مصرف واسطه) ÷ (ارزش ریالی خدمات ایجاد شده)= ارزش افزوده

 

در روابط بالا، شاخص مصرف واسطه، نیروی کار و موجودی سرمایه برای سال ابتدایی عدد 100 بوده و درسال­های بعد و قبل از آن، نسبت به کاهش و افزایش آن­ها- کمتر از عدد مذکور و یا بیشتر- خواهد شد. همچنین، در تعیین شاخص­های مورداشاره، تعدیل اعداد هزینه­ای با نرخ تورم سالانه -به منظور حذف اثر تورم- در محاسبات ضروری می­باشد. درخصوص موجودی سرمایه نیز، میزان ارزش روز مدنظر می­باشد و درمواردی که امکان محاسبۀ ارزش روز سرمایه­های ثابت میسر نباشد از بهره­وری تنزیل یافته -با حذف ارزش موجودی سرمایه- استفاده می­شود.

همچنین برای تعیین نرخ رشد بهره­وری تخصصی در مخرج کسر، برآیند شاخص­های تخصصی استفاده می­شود.

 

نحوۀ محاسبۀ نرخ رشد بهره­وری مراکز زیر مجموعه با استفاده از شاخص مالم­کوئیست

مطابق با پیشینۀ تحقیقات ارائه شده، اندازه­گیری کارایی، اثربخشی و بهره­وری -در مراکز ارائه دهندۀ خدمات بهداشت و درمان- با مقایسۀ عملکرد آن مراکز با عملکرد بهترین مرکز موجود نیز میسر می­باشد (عظیمیان و اخوان، 1397). لذا دراین بخش، با توجه به ماهیت سازمان بهداشت و درمان صنعت نفت ایران -در ارائۀ خدمات سلامت محور در مناطق زیرمجموعۀ متعدد و مطابق با الگوهای ارزیابی عملکرد و سنجش نرخ رشد بهره­وری اینگونه سازمان­ها با درنظرگرفتن شاخص­های کمی و کیفی-مدل تحلیل پوششی داده­ها و شاخص بهره­وری مالم­کوئیست -جهت ارزیابی عملکرد و تعیین نرخ رشد بهره­وری مناطق زیرمجموعه- قابل استفاده می­باشد.

به منظور استفاده از شاخص­ بهره­وری مالم­کوئیست، ابتدا داده­های ورودی و خروجی مناطق زیرمجموعۀ سازمان -مطابق با الگوی مندرج در شکل شماره دو- جمع­آوری شده و در ادامه نيز نوع بازدهی به مقیاس داده­ها و ميزان كارآيي واحدهای مورد مطالعه و نرخ رشد بهره‌وري آن‌ها تعيين شده است.

 باتوجه به پیچیدگی محاسبات روش تحلیل پوششی داده­ها -که برپایه مدل های تحقیق در عملیات⁵⁶ می­باشد- در این پژوهش از نرم افزار تحلیل پوششی داده­ها⁵⁷ استفاده شده­است؛ این نرم ­افزار، توانایی حل مدل‌های مختلف تحلیل پوششی داده­ها را- با سرعت و دقت بالا- فراهم می­نماید. همچنین با تعیین چهار تابع مسافت برای هر واحد -مطابق جدول شماره يك و استفاده از رابطه شماره (6)- رشد بهره‌وري مراکز زیرمجموعه- در دو بازه زماني- با يكديگر مقايسه می­شوند (عظیمیان و همکاران، 1397).

 

رابطه (6)   dot+1(yt+1 ,xt+1) / dot (yt , xt ) × [(dot (yt+1 ,xt+1) / dot+1(yt+1 , xt+1 )) × (dot(yt ,xt) / dot+1 (yt , xt )) ]1/2

 

دررابطه (6)، MO بزرگ‌تر از یک نشان مي‌دهد كه بهره‌وري بين دو دوره مذكور افزايش يافته‌است. بنابراين براي محاسبه رابطه (6)، براي هر واحد بايد چهار تابع مسافت مطابق جدول شماره2 محاسبه‌شود. 

 

جدول 2: توابع مسافت به منظور تعیین شاخص بهره وری مالم کوئیست براي هر واحد

Table 2: Distances Functions to determine the Malmquist Productivity Index for each DMU

تابع مسافت )θ( Distance Function	شرح Description
dot+1(yt+1 ,xt+1)	مقدار θ واحد مورد بررسي در دوره 1+t  با استفاده از تكنولوژي(مرز) دوره 1+t   The θ value of the DMU in T+1 period using the technology (boundary) of T+1 period
dot (yt , xt )	مقدار θ واحد مورد بررسي در دوره t با استفاده از تكنولوژي(مرز) دوره t  The θ value of the DMU in T period using the technology (boundary) of T period
dot (yt+1 ,xt+1)	مقدار θ واحد مورد بررسي در دوره 1+t  با استفاده از تكنولوژي(مرز) دوره t  The θ value of the DMU in T+1 period using the technology (boundary) of T period
dot+1 (yt , xt )	مقدار θ واحد مورد بررسي در دوره t با استفاده از تكنولوژي(مرز) دوره 1+t  The θ value of the DMU in T period using the technology (boundary) of T+1 period

 

در جدول 1 مقدار θ همان کارایی فنی می باشد که به منظور تعیین تابع مسافت درهرمرحله استفاده شده است. dot+1(yt+1,xt+1) کارایی واحد موردنظر در زمان 1+t  وبا درنظرگرفتن عملکرد واحدهای دیگر، درزمان t+1 می­باشد. dot (yt, xt) نیز کارایی واحد موردنظر در زمان t  و با درنظرگرفتن عملکرد واحدهای دیگر، درزمان t می­باشد.

 dot (yt+1,xt+1) کارایی واحد موردنظر با ورودی‌ها و خروجی‌های زمان t+1 می­باشد؛ هنگامی‌که واحدهای دیگر ورودی و خروجی زمان t را دارا هستند و dot+1 (yt, xt) کارایی واحد موردنظر با ورودی‌ها و خروجی‌های زمان t می­باشد؛ هنگامی‌که واحدهای دیگر ورودی و خروجی زمان t+1 را دارا هستند.

 

مطالعه کاربردی و یافته ها

در این قسمت، ابتدا شاخص­های تخصصی -مرتبط با عملکرد سازمان بهداشت و درمان صنعت نفت- تعریف شده­است و در پایان نیز نرخ رشد بهره­وری مراکز زیرمجموعۀ سازمان -با استفاده از شاخص بهره­وری مالم‌کوئیست- سنجیده شده­است؛ به منظور حفظ ملاحظات اخلاقی، دست اندر كاران اين پژوهش، كليۀ اطلاعات مربوط به مراکز درمانی سازمان بهداشت و درمان صنعت نفت ایران را -که شامل ریز داده­های جمع آوری شده به تفکیک کارایی و اثربخشی و همچنین نتایج نهایی ارزیابی برای تیم های مذکور می‌باشد-نزد خود به صورت محرمانه نگه‌داشته و فقط اجازه دارند نتايج كلي و گروهي اين پژوهش را بدون ذکر نام واقعی و مشخصات منتشر نمایند.

 

تعریف شاخص­های تخصصی مرتبط با اثربخشی

شاخص های تخصصی حوزه درمان مستقیم

دراین مطالعه- با استفاده از مصاحبه و هم اندیشی گروهی تیم تخصصی- شاخص­های اثربخشی درمان مستقیم با روابط (7) تا (14) تعیین شده­است:

رابطه (7) (تعداد ترخیص شدگان + فوت شدگان قبل و بعد از 24 ساعت) ÷ (تعداد فوت شدگان بعداز 24ساعت)= میزان مرگ ومیر خالص بیمارستانی (-)

رابطه (8) (تعداد کل تخت فعال  در همان بازه زمانی×روزهای بازه زمانی) ÷ (تعداد روزهای بستری در یک بازه زمانی)= ضریب اشغال تخت (+)

رابطه (9) (تعدادمراجعه به پزشک متخصص) ÷ (تعدادبستری شدگان)= نسبت موارد بستری در مراجعه به پزشکان متخصص (-)

رابطه (10)   (کل جمعیت تحت پوشش) ÷ (تعداد بستری شرگان)= نسبت موارد بستری به جمعیت تحت پوشش (-)

رابطه (11) (کل جمعیت تحت پوشش) ÷ (تعداد مراجعین به دندانپزشکی)= نسبت مراجعه به دندانپزشکی به جمعیت تحت پوشش (+)

رابطه (12) (تعداد ترخیص و فوت در همان دوره) ÷ (کل روزهای بستری در یک دوره)= متوسط مدت (روز) اقامت بیمار (-)

رابطه (13) (تعداد ترخیص و فوت در همان دوره) ÷ (تعداد تخت روز کل - تخت روز اشغالی در یک دوره)= مدت زمان (روز) خالی ماندن تخت (-)

رابطه (14) (تعداد تخت فعال) ÷ (تعداد کب بستری شدگان)= چرخش تخت (نسبت پذیرش بیمار برای هر تخت) (+)

شاخص های تخصصی حوزه درمان غیرمستقیم و امور بیمه‌گری

در این مطالعه -با استفاده از نظرات تیم تخصصی- شاخص­های اثربخشی درمان غیرمستقیم و امور بیمه­گری با روابط شماره (15) تا (20) تعیین شده­است:

رابطه (15) (تعداد کل اسناد رسیدگی شده) ÷ (جمع زمان رسیدگی به اسناد)= میانگین زمان رسیدگی به اسناد (-)

رابطه (16) (تعداد کل مراکز طرف قرارداد) ÷ (تعداد بازدید از مراکز طرف قرارداد)= نسبت تعداد بازدید به کل مراکز طرف قرارداد (+)

رابطه (17) (جمعیت تحت پوشش) ÷ (تعداد مراکز طرف قراداد)= نسبت مراکز طرف قرارداد به جمعیت تحت پوشش (+)

رابطه (18) (تعداد پرسنل صدور دفترچه) ÷ (تعداد دفترچه های صادر شده)= نسبت تعداد دفترچه های صادر شده به پرسنل صدور دفترچه (+)

رابطه (19) (تعداد کل پرسنل) ÷ (تعداد کل اسناد سرپایی رسیدگی شده)= نسبت اسناد سرپایی رسیدگی شده به کل پرسنل (+)

رابطه (20) (تعداد کل پرسنل) ÷ (تعداد کل اسناد سرپایی رسیدگی شده)= نسبت اسناد بستری رسیدگی شده به کل پرسنل (+)

 

شاخص های تخصصی حوزه بهداشت

در این مطالعه -با استفاده از نظرات تیم تخصصی- شاخص­های اثربخشی حوزه بهداشت (سلامت خانواده و سلامت کار) با روابط شماره (21) تا (33) تعیین شده­است:

رابطه (21) (تعداد کل سالمندان) ÷ (تعداد سالمندان دریافت کننده خدمات مراقبت)= درصد پوشش مراقبت از سالمندان (+)

رابطه (22) (تعداد کل میان‌سالان) ÷ (تعداد میان‌سالان دریافت کننده خدمات مراقبت)= درصد پوشش مراقبت از میانسالان (+)

رابطه (23) (تعداد کل جوانان) ÷ (تعداد جوانان دریافت کننده خدمات مراقبت)= درصد پوشش مراقبت از جوانان (+)

رابطه (24) (تعداد کل نوجوانان) ÷ (تعداد نوجوانان دریافت کننده خدمات مراقبت)= درصد پوشش مراقبت از نوجوانان (+)

رابطه (25) (تعداد کل کودکان) ÷ (تعداد کودکان دریافت کننده خدمات مراقبت)= درصد پوشش مراقبت از کودکان (+)

رابطه (26) (تعداد کل جمعیت هدف) ÷ (تعداد افراد بالای 50 سال غربالگری شده سرطان روده بزرگ)= درصد غربالگری سرطان روده بزرگ (+)

رابطه (27) (تعداد کل جمعیت هدف) ÷ (تعداد زنان 30تا59 سال غربالگری شده سرطان سرویکس)= درصد غربالگری سرطان سرویکس (+)

رابطه (28) (کل جمعیت تحت پوشش) ÷ (تعداد دریافت کنندگان مراقبت های بیماری های غیرواگیر )= درصد مراقبت از بیماری­های غیرواگیر (+)

رابطه (29) (کل جمعیت تحت پوشش) ÷ (تعداد دریافت کننده خدمات خطرسنجی)= درصد خطرسنجی بیماری­های قلبی و عروقی (+)

رابطه (30) (تعداد کل پرسنل) ÷ (تعداد دریافت کنندگان معاینات دوره ای)= میزان پوشش معاینات دوره ای (+)

رابطه (31) (تعداد افرادی دیابتی) ÷ (تعداد افرادی که تحت کنترل مطلوب دیابت قرار گرفته اند)= میزان کنترل مطلوب دیابت (+)

رابطه (32) (تعداد افرادی دیابتی) ÷ (تعداد افرادی که تحت کنترل نامطلوب دیابت قرار گرفته اند)= میزان کنترل نامطلوب دیابت (-)

رابطه (33) (تعداد کل پرسنل) ÷ (تعداد افراد دارای سندرم متابولیک)= میزان شیوع سندرم متابولیک (-)

 

محاسبه توابع مسافت و شاخص بهره­وری مالم­کوئیست

به منظور تعیین نرخ رشد بهره­وری مالم­کوئیست، ابتدا مقدار متغیرهای ورودی و خروجی -مطابق با الگوی مندرج در شکل شماره 2- در سال­های 1398، 1399 و 1400 استخراج و ثبت شده­است.  سپس، به منظور تعيين کارایی و نرخ رشد بهره­وري، پس از تعیین نرخ بازده به مقیاس (تحليل بازده به مقياس نرم افزار)- با استفاده از مدل CCR مضربی اصلاح شده- خروجي‌محور با بازده به مقياس ثابت (رابطه 34) توابع فاصله (جدول 1) براي هر كدام از واحدها و با استفاده از نرم افزار تحلیل پوششی داده­ها، محاسبه شده­است.

همچنین شاخص مالم­کوئیست هر منطقه براساس رابطه (1) و با  كمك نرم افزار محاسباتی اکسل، به صورت جدول 3 (از سال 1398 تا 1399) و جدول شماره 4 (1399 تا 1400) به دست آمده­است.  

 

                                                                                                             (34)

 

 

                        

                        

 

در رابطه (34)،  و  به ترتیب وزن­های ورودی­ها و خروجی­های مناطق زیرمجموعه سازمان،  و  به ترتیب ورودی­­ها و خروجی­های مناطق،  ،و  به ترتیب تعداد مناطق، تعداد ورودی­ها و تعداد خروجی­ها می­باشند.

 

جدول 3:  مقادیر توابع فاصله و شاخص بهره وری مالمکوئیست (1398 تا 1399)

Table 3: Distances Functions and Malmquist Productivity Indexes (2019 to 2020)

مناطق زیرمجموعه سازمان DMUs	ستون اول Column 1	ستون دوم Column 2	ستون سوم Column 3	ستون چهارم Column 4	ستون پنجم Column 5
	dot (yt , xt )	dot+1(yt+1 ,xt+1)	dot (yt+1 ,xt+1)	dot+1 (yt , xt )	MO
1	0.8	0.75	0.73	0.95	0.9048
2	0.57	0.79	0.54	1	0.6290
3	0.23	0.48	0.3	0.39	0.6137
4	0.26	0.3	0.31	0.32	0.9254
5	0.41	0.4	0.4	0.49	0.9166
6	0.13	0.19	0.2	0.16	0.8982
7	0.57	0.48	0.59	0.55	1.1259
8	1	1	1	1	1
9	1	1	1	1	1
10	0.63	0.72	0.96	0.63	1.1586
11	0.62	0.7	0.92	0.77	1.0332
12	1	0.86	1	0.84	1.1816
13	1	1	1	1	1
14	1	1	1	1	1
15	0.64	0.73	1	0.59	1.2159

 

جدول 4: مقادیر توابع فاصله و شاخص بهره وری مالمکوئیست (1399 تا 1400)

Table 3: Distances Functions and Malmquist Productivity Indexes (2020 to 2021)

مناطق زیرمجموعه سازمان DMUs	ستون اول Column 1	ستون دوم Column 2	ستون سوم Column 3	ستون چهارم Column 4	ستون پنجم Column 5
	dot (yt , xt )	dot+1(yt+1 ,xt+1)	dot (yt+1 ,xt+1)	dot+1 (yt , xt )	MO
1	0.55	0.75	0.69	0.83	0.7802
2	0.98	0.59	1	0.67	1.5783
3	0.38	0.3	0.44	0.43	1.1420
4	0.32	0.28	0.36	0.42	0.9915
5	0.45	0.28	0.37	0.58	1.0121
6	0.77	0.49	0.49	1	0.8791
7	1	0.56	1	0.83	1.4744
8	0.69	0.79	0.99	0.99	1.9315
9	1	0.98	1	1	1.0098
10	1	0.67	1	1	1.2257
11	0.72	0.71	0.73	1	0.8572
12	1	1	0.9	1	0.9503
13	1	1	1	1	1
14	1	1	1	1	1
15	0.81	0.63	0.69	1	0.9450

 

ستون اول جداول 3 و 4، كارايي واحدهای مورد ارزیابی- باتوجه به داده­هاي مرحله اول- و ستون دوم كارايي- با توجه به داده­هاي مرحله دوم- مي­باشند. رشد بهره­وری هركدام از واحدها نیز مطابق ستون شمارۀ پنج جداول مذكور به دست آمده­است. طبق تعریف، اگر اين مقدار از يك بيشتر باشد نشان‌دهندۀ رشد بهره­وري در دوبازه زماني مورد نظر بوده ودرصورتي‌كه كمتر از يك باشد كاهش بهره­وري را نشان مي­دهد.

همچنین در محاسبات مندرج در جداول 3 و 4، اگر نمره کارایی قیاسی برای مدل خروجی محور -بیشتر از یک ناکارا-آورده شود باید از معکوس ستون پنجم برای تحلیل نتایج نهایی استفاده شود که در مطالعه حاضر، با وجود خروجی محور بودن مدل مقدار کارایی واقعی (کمتر از یک ناکارا)، از نتایج نرم­افزار تحلیل پوششی داده­ها، در جدول شماره سه درج شده­است.

مطابق با تعریف ارائه شده و نتایج مندرج در جدول شماره 4 -از تعداد پانزده منطقۀ زیرمجموعۀ سازمان مورد مطالعه و در بازه زمانی 1399 تا 1400- هفت منطقه با رشد و شش منطقه با کاهش نرخ بهره­وری مواجه بوده­اند و دو منطقه نرخ ثابتی داشته­اند؛ درحالی‌که، در بازۀ زمانی 1398 تا 1399، تنها پنج منطقه دارای رشد نرخ بهره­­وری بوده­اند.

همچنین، درادامه به منظور امکان تحلیل بیشتر نتایج به دست آمده، دو نمودار شمارۀ یک و دو ارائه شده­است؛ در نمودار شمارۀ یک، میزان نرخ رشد بهره­وری هر منطقه از سال 1398 تا 1399 و از سال 1399 تا 1400 مقایسه شده­است.

 

 

نمودار 1: مقایسه نرخ رشد بهره­وری مناطق با یکدیگر  در دوبازه زمانی مختلف

Chart 1: Comparing the productivity growth rate of DMUs with each other at different times

 

مطابق با نتایج مندرج در نمودار شماره 1، از تعداد پانزده منطقۀ زیرمجموعۀ سازمان مورد مطالعه، هشت منطقه دارای رشد نرخ بهره­وری در بازه زمانی 1400-1399 نسبت به بازه زمانی 1399-1398 بوده­اند، دو منطقه نرخ ثابتی داشته­اند و مابقی مناطق با کاهش نرخ رشد بهره­وری مواجه بوده­اند.

همچنین نمودار شماره 2، میانگین نرخ رشد بهره­وری کلیه مناطق را در دو بازۀ زمانی مذکور یا یکدیگر مقایسه نموده­است.

 

 

نمودار 2: مقایسه میانگین نرخ رشد بهره­وری مناطق در بازه­های زمانی مختلف

Chart 2: Comparison of the average productivity growth rate of DMUs at different time intervals

 

براساس نتایج مندرج در نمودار شماره 2، میانگین نرخ رشد بهره­وری مناطق زیرمجموعۀ سازمان از بازه زمانی 1398-1399 تا بازه 1400-1399 دارای رشد بوده که نشان‌دهندۀ بهبود عملکرد درکل سازمان می­باشد.

 

تحلیل حساسیت جهت اولویت­بندی خروجی­های تأثیرگذار بر کارایی

در ادامه با توجه به خروجی محور بودن مدل و در جهت تعیین خروجی­های تأثیرگذار بر کارایی نسبی واحدهای زیرمجموعه- با تحليل حساسيت برروي خروجي‌ها، اهميت هركدام در تعيين كارآيي نسبی به‌دست آمده‌است (عظیمیان و همکاران، 1392)؛ درواقع با انجام این تحلیل حساسیت، علاوه بر شناسایی شاخص­های تأثیرگذار -که امکان برنامه­ریزی بهبود را تسهیل می­نماید- امکان تأیید نتایج با افزایش و کاهش شاخص­ها نیز میسراست.

بدین منظور، كارآيي به تفكيك حذف هر خروجي به دست‌آمده وسپس مجموع اختلاف در حالات حذف هر خروجي با كارآيي اصلي، به عنوان شاخص تعيين اهميت آن خروجي محاسبه گرديده‌است. هرچقدر اين فاصله بيشتر باشد، نشان‌دهندۀ اهميت و اثر بيشتر آن خروجي بر كارآيي واحدها مي‌باشد. اين شاخص ازطريق رابطه (35) و براساس داده­های مرحله دوم محاسبه شده­است (عظیمیان و همکاران، 1397) و نتايج در جدول 5، آورده‌شده‌است.

 

رابطه  (35)                           

 

در رابطه (35) ، كارآيي واحد i با داده­های مرحله دوم  و  كارآيي واحد j در حالت حذف خروجي مي‌باشند.

 

جدول 5: اختلاف كارآيي به تفكيك حذف هر خروجي

Table 5: Disputes of Effectivity by Removing outputs

خروجي Output	تعداد جمعیت تحت پوشش Population covered	ارزش خدمات ایجاد شده The value of services created	برآیند شاخص های تخصصی The result of specialized indicators
شاخص Index	0.145	0.615	0.302
رتبه Rank	3	1	2

                

براساس نتایج جدول5  به ترتیب تعداد ارزش خدمات ایجاد شده، برآیند شاخص­های تخصصی و تعداد جمعیت تحت پوشش بیشترین تأثیر را بر عملکرد واحدها داشته­اند.

 

بحث

براساس روش ‌پيشنهاد‌شده در‌اين مطالعه، کارایی و رشد عملکرد مناطق زیرمجموعۀ سازمان بهداشت و درمان صنعت نفت ایران در دو مقطع زمانی مختلف ارزیابی شده است؛ نتایج حاصل از این مطالعه، امکان ارزیابی کارایی نسبی واحدهای درمانی را نشان می دهد که این موضوع همسو با بسیاری از مطالعات انجام شده قبلی از جمله: (مولاعلی و همکاران، 1397)، (پی ان و جی ام، 1395)، (چانگ و همکاران، 1390)، (چنگ و همکاران، 1394)، (گوا و همکاران، 1396)، (ان جی، 1390)، (یانگ و زنگ، 1393)، (چادوری و همکاران، 1393)، (استفکو و همکاران، 1395)، (چانگ، 1392)، (راعی و همکاران، 1396) و (عظیمیان و اخوان، 1397)  می­باشد؛ که درتمامی آن ها عملکرد مراکز درمانی با تلفیق تحلیل پوششی داده­ها و شاخص بهره­وری مالم‌کوئیست مورد ارزیابی قرار گرفته­است و رشد بهره­وری در طول بازه زمانی تعیین شده است.

محدودیت این مطالعه نیز، امکان تعریف شاخص­های ورودی و خروجی روش تحلیل پوششی داده­ها می­باشد که- با درنظر گرفتن داده­های نرم افزاری موجود درسازمان مورد مطالعه-پنج شاخص ورودی و خروجی جهت ارزیابی کارایی و بهره­وری مراکز زیرمجموعه تعریف شده­است که این شاخص­ها می­توانند با توسعه نرم افزار صحت سنجی و توسعه یابند.

  

نتیجه گیری

اين مقاله جهت سنجش و اندازه­گیری بهره­وری سازمان بهداشت و درمان صنعت نفت ایران -به عنوان یک سازمان دولتی ارائه‌دهندۀ خدمات سلامت- با پیشنهاد شاخص­های تخصصی مرتبط با اثربخشی اینگونه از سازمان­ها، از رويكرد تلفيقي تحليل‌پوششي‌داده‌ها و شاخص بهره‌وري مالم‌كوئيست -به منظور ارزيابي عملكرد مناطق زیرمجموعۀ آن- استفاده نموده‌است. دراین پژوهش، کارآیی نسبی و نرخ رشد بهره‌وري مالم‌کوئیست مناطق زیرمجموعۀ سازمان موردمطالعه -در بازه زماني 1398 تا 1400- تعيين شده‌است. براساس نتایج به دست آمده دراین پژوهش، تعداد 27 شاخص تخصصی درحوزه­های درمان مستقیم، غیرمستقیم و بهداشت -جهت پایش اثربخشی سازمان­های ارائه دهندۀ خدمات سلامت- پیشنهاد شده­است. همچنین نرخ رشد بهره­وری پانزده منطقۀ زیرمجموعۀ سازمان مورد مطالعه -در بازه زمانی 1398 تا 1400- مورد بررسی قرار گرفته­است.

 امروزه، موضوع ارزیابی عملکرد و سنجش کارایی، اثربخشی و بهره­وری یکی از مهمترین مباحث موردتوجه مدیران در مراکز بهداشتی و درمانی می­باشد و نتایج آن می­تواند جهت ارتقای ظرفیت و صرفه جویی در منابع مورداستفاده قرارگیرد؛ براساس نتایج به دست آمده دراین پژوهش، مدیریت ارشد سازمان می­تواند ابزار‌های تشویقی و انگیزشی مناسب را در جهت حمایت بیشتر از مناطق و واحدهای دارای بهبود عملکرد، به کار گیرد. ضمنا می‌توان متغیرهای ورودی‌ وخروجی‌ واحدهای تحت بررسی را براساس نیاز سازمان تغییر ویا افزایش داد. همچنین مي‌توان از این روش جهت ارزیابی عملکرد پرسنل درمان و دیگر واحدهای مورد نظر مدیران ارشد سازمان استفاده نمود و متغیرهای ورودی و خروجی متناسب با آن­ها را براساس داده­های ثبت شده در بانک اطلاعاتی سازمان تعریف نمود. همچنین امکان تعریف پروژه­های بهبود بهره­وری براساس نتایج ارزیابی عملکرد تسهیل می­شود.

علاوه براین، جهت مطالعات آتی می­توان با تعریف شاخص­های فازی از روش تحلیل پوششی فازی و ترکیب آن با شاخص بهره­وری فازی استفاده نمود و یا یک مدل ریاضی اختصاصی -برای سنجش بهره­وری مراکز ارائه دهندۀ خدمات سلامت- ارائه نمود. همچنین به منظور انتخاب و سنجش شاخص­های ورودی و خروجی، می­توان از روش­های تصمیم­گیری با معیارهای چندگانه بهره­برد. در پايان به پژوهشگران توصیه می‌شود الگوی پیشنهادی را در سایر سازمان‌های فعال در حوزه درمان مورد آزمون و بررسی قرارداده و با انجام تحليل حساسيت‌هاي هدفمند متغير‌هاي تعديل‌كننده با تأثيرات زياد در بهبود كارآيي واحدهای تحت بررسی را مورد شناسايي قرار دهند.

 

سپاسگزاری

نويسندگان اين مقاله برخود لازم مي­دانند از مدیران محترم مدیریت مهندسی ساختار و     بهره­وری شرکت ملی نفت ایران، مدیران محترم ستادی و عملیاتی سازمان بهداشت ودرمان صنعت نفت ایران و همچنین مشاور علمی حوزه بهره­وری شرکت ملی نفت ایران جهت همکاری مناسب در پیشبرد فعالیت­های حوزه بهره­وری کمال تشکر وقدردانی را بنمايند.

 

تضادمنافع

نویسندگان هیچگونه تعارض منافعی ندارند

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

References

Almeida , A., Frias, R., & Fique, J. (2015). Evaluating Hospital Efficiency Adjusting for Quality Indicators: An Application to Portuguese NHS Hospitals. Health Economics & Outcome Research, 1(1), 1-5. doi:10.4172/2471-268X/1000103

Asandului, L., Roman , M., & Fatulescu, P. (2014). The Efficiency of Healthcare Systems in Europe: A Data Envelopment Analysis Approach. Procedia Economics and Finance, 10, 261-268. doi:10.1016/S2212-5671(14)00301-3

Asghar , N., Ur Rehman , H., & Ali , M. (2019). Cost Productivity of Healthcare Systems in OIC’s Member Countries: An Application of Cost Malmquist Total Productivity Index. Review of Economics and Development Studies, 5(3), 461-468. doi:10.26710/reads.v5i3.696

Azimian, M., & Akhavan, P. (2018). Performance Analysis of PIHO Family Health Teams: Integrative Approach of DEA and Malmquist. Health Informantion Management, 15(4), 155-161 . doi:10.22122/him.v15i4.3530

Azimian, M., Bardi, M., & Javadi, H. (2013). Sensistivity Analysis of Project Efficiency in a Multi-Project Environment Based on Data Envelopment Analysis. International of Engineering Sciences, 2(7), 259-265. doi:10.1.1.678.9238&rep=rep1&type=pdf

Azimian, M., Karbasian, M., & Atashgar, K. (2022). Developing a Novel Mathematical Approach toward Minimizing Sustainable Circular Economy Costs of One-shot Systems. Production Engineering, 16(1), 627-634. doi:10.1007/s11740-022-01122-1

Azimian, M., Karbasian, M., Atashgar, K., & Kabir, G. (2021). A New Approach to Select the Reliable Suppliers for One-shot Devices. Production Engineering, 15,371–382.doi:10.1007/s11740-021-01032-8

Castro Lobo, M., Ozcan, Y., Silva, A., Estellita Lins, M., & Fiszman , R. (2010). Financing Reform and Productivity Change in Brazilian Teaching Hospitals: Malmquist Approach. Central European Journal of Operations Research, 18(2), 141–152. doi:10.1007/s10100-009-0097-z

Chang, S.-J., Hsiao, H.-C., Huang, L.-H., & Chang, H. (2011). Taiwan Quality Indicator Project and Hospital Productivity Growth. OMEGA, 39(1), 14-22. doi:10.1016/j.omega.2010.01.006

Cheng, Z., Toa, H., Cia, M., Lin, H., Lin, X., Shu, Q., & Zhang, R.-n. (2015). Technical Efficiency and Productivity of Chines Courty Hospitals: An Exploratory Study in Henan Province, China. BMJ, 5(9), 1-10. doi:10.1136/bmjopen-2014-007267

Chowdhury, H., Zeleyuk, V., Laporte, A., & Pwodchis, W. (2014). Analysis of Productivity, Efficiency and Technological Changes in Hospital Servies in Ontario: How does Case-Mix Matter? International Journal of Production Economics, 150, 74-82. doi:10.1016/j.ijpe.2013.12.003

Dabagh, R., Kohi, B., Javaherian, L., & Latifi, M. (2015). Evaluation of Technical Efficiency and Productivity of West Azerbaijan Industries using Parametric and Non-parametric Methods. Parliament and Strategy, 22(83), 305-333. [In Pershian]. Retrieved from https://sid.ir/paper/224633/fa

Ghahremanloo, M., Hasani, A., Amiri, M., Hashemi-Tabatabaei, M., Keshavarz-Ghorabaee, M., & Ustinovičius, L. (2020). A Novel DEA Model for Hospital Performance Evaluation Based on the Measurement of Efficiency, Effectiveness, and Productivity. Engineering Management in Production and Services, 12(1), 7-19. doi:10.2478/emj-2020-0001

Guo, H., Zhao, Y., Niv, T., & Tsui, K.-L. (2017). Hong Kong Hospital Authority Resource Efficiency Evaluation: Via a Novel DEA-Malmquist Model and Tobit Regression Model. PLOS, 12(9), 1-24. doi:10.1371/journal.pone.0184211

Habib, A., & Shahwan, T. (2020). Measuring the Operational and Financial Efficiency Using a Malmquist Data Envelopment Analysis : A Case of Eqyption Hospitals. Benchmarking: An International Journal, 27(9):2521-2536. doi:10.1108/BIJ-01-2020-0041

Hollingsworth, B. (2003). Non-Parametric and Parametric Applications Measuring Efficiency in Health Care. Health Care Management Science, 6(4), 203-218. doi:10.1023/a:1026255523228.PMID:14686627

Kalantari, N., Mohammadi Pour, R., Seidi, M., Shiri, A., & Azizkhani, M. (2018). Fuzzy Goal Programming Model to Rolling Performance Based Budgeting by Productivity Approach (Case Study: Gas Refiner-ies in Iran). Advances in Mathematical Finance and Applications, 3(3), 95-107. doi:10.22034/amfa.2018.544952

Kawaguchi, H., Tone, K., & Tsutsui, M. (2014). Estimation of the Efficiency of Japanese Hospitals Using a Dynamic and Network DEA Model. Health Care Manag Sci, 17(2), 101-112. doi:10.1007/s10729-013-9248-9

Kim, Y., Oh, D.-h., & Kang, M. (2016). Productivity Changes in OECD Healthcare Systems: Bias-corrected Malmquist Productivity Approach. International Journal of Health Planning and Management, 31(4), 537-553. doi:10.1002/hpm.2333

Laupland, K., Edwards, F., & Dhanani , J. (2021). Determinants of Research Productivity During Postgraduate Medical Education: A Structured Review. BMC Medical Education volume, 21(1). doi:10.1186/s12909-021-03010-1

Li, H., & Dong, S. (2015). Measuring and Benchmarking Technical Efficiency of Public Hospitals in Tianjin, China: A Bootstrep-Data Envelopment Analysis Approach. The Journal of Health care Organization, Provision and Financing, 1-5. doi:10.1177/0046958015605487

Liu, W., Xia, Y., & Hou, J. (2019). Health Expenditure Efficiency in Rural China Using the Super-SBM Model and the Malmquist Productivity Index. International Journal for Equity in Health, 18(1). doi:10.1186/s12939-019-1003-5

Masri, M., & Asbu , E. (2018). Productivity Change of National Health Systems in the WHO Eastern Mediterranean Region: Application of DEA-based Malmquist Productivity Index. Global Health Research and Policy, 3(22). doi:10.1186/s41256-018-0077-8

McCann, P., & Vorley, T. (2020). Productivity Perspectives. USA: Edward Elgar Publishing. 1-392. doi:10.4337/9781788978804

Mollahaliloglu, S., Kavuncubasi, S., Younis, M., Simsek, F., Kostak, M., Yildirim, S., & Nwagwu, E. (2018). Impact of Health Sector Reforms in Hospital Productivity in Turkey: Malmquist Index Approach. International Journal of Organization Theory & Behavior, 21(2), 72-84. doi:10.1108/IJOTB-2018-0025

Naeem, M., & Ozuem, W. (2021). "Exploring the Use of Social Media Sites for Health Professionals' Engagement and Productivity in Public Sector Hospitals. Employee Relations, 43(5), 1029-1051. doi:10.1108/ER-08-2020-0391

NG, Y. (2011). The Productive Efficiency of Chines Hospitals. China Economic Review, 23, 428-439. doi:10.1016/j.chieco.2011.06.001

Ozan, Y., & Luke, R. (2011). Health Care Delivery Restructuring and Productivity Change: Assessing the Veterans Integrated Service Network (VISNs) using the Malmquist Approach. Medical Care Research and Review Supplement, 68(1), 20-35. doi:10.1177/1077558710369912

Pestana, M., Pereira, R., & Moro, S. (2020). Improving Health Care Management in Hospitals Through a Productivity Dashboard. Journal of Medical Systems, 44(4), 87. doi:10.1007/s10916-020-01546-1

Peykani, P., Seyed Esmaeili , F., Rostamy-Malkhalifeh , M., & Hosseinzadeh Lotfi, F. (2018). Measuring Productivity Changes of Hospitals in Tehran: The Fuzzy Malmquist Productivity Index. International Journal of Hospital Research, 7(3), 1-16. doi: LBL_COMMENTED_AT/ijhr.2018.92566

PN, M., & JM, K. (2016). Productivity and Efficiency Changes in Referral Hospitals in Uganda: An Application of Mamquist Total Productivity Index. Heath System and Policy Research, 3, 1-9.

Raei, B., Yousefi, M., Rahmani, K., Afshari, S., & Ameri, H. (2017). Patterns of Productivity Changes in Hospitals by Using Malmquist - DEA Index: A Panel Data Analysis (2011-2016). AMJ, 10(10), 856-864. doi:10.21767/AMJ.2017.3094

Rays, Y., & Lemqeddem, H. (2021). Data Envelopment Analysis and Malmquist Index Application: Efficiency of Primary Health Care in Morocco and Covid-19. Turkish Journal of Computer and Mathematics Education, 12(5), 971-983.

Singh, S., Bala, M., Kumar, N., & Janor, H. (2021). Application of DEA-Based Malmquist Productivity Index on Health Care System Efficiency of ASEAN Countries. International Journal of Health Planning and Management, 36(4), 1236-1250. doi:10.1002/hpm.3169

Stefko, R., Gavurora, B., & Koronys, S. (2016). Efficiency Measurement in Healthcare Work Management Using Malmquist Indices. Journal of Management Studies, 13(1), 168-180. doi:10.17512/pjms.2016.13.1.16

Trakakis, A., Nektarios, M., Tziaferi , S., & Prezerakos , P. (2021). Total Productivity Change of Health Centers in Greece in 2016–2018: a Malmquist Index Data Envelopment Analysis Application for the Primary Health System of Greece. Cost Effectiveness and Resource Allocation, 19(72). doi:10.1186/s12962-021-00326-z

Wang, T., Wang, Y., & McLeod, A. (2018). Do Health Information Technology Investments Impact Hospital Financial Performance and Productivity? International Journal of Accounting Information Systems, 28, 1-13. doi:10.1016/j.accinf.2017.12.002

Xenos, P., Nektarios, M., Constantopoulos, A., & Yfantopoulos, J. (2016). Two-Stage Hospital Efficiency Analysis Including Qualitative Evidence: A Greek Case. Journal of Hospital Administration, 5(3), 1-9. doi:10.5430/jha.v5n3p1

Yang, J., & Zeng, W. (2014). The Trade-Offs Between Efficiency and Quality in the Hospital Production: Some Evidence from Shenzen, China. China Economic Review, 13, 166-184. doi:10.1016/j.chieco.2014.09.005

Yi-Chung, H. (2013). The Efficiency of Government Spending in Health: Evidence from Europe and Central Asia. The Social Science Journal, 50(4), 665-673. doi:10.1016/j.soscij.2013.09.005 

 

(81)

 

 

---

[1] .PhD in Industrial Engineering, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran.

*.Corresponding Author: [e-mail]

2.Professor, Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Malik Ashtar University of Technology, Tehran, Iran. [e-mail] 

3.PhD in Management, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran.

4.MSc in Management, Petroleum Industry Health Organization (PIHO), National Iranian Oil Company (NIOC), Tehran, Iran.

[2]  

[3]  

[4]  

[5] .دکتری گروه مهندسی صنایع، سازمان بهداشت و درمان صنعت نفت، شرکت ملی نفت ایران، تهران، ایران (نویسنده مسؤول) [e-mail] 

[6] .استاد گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران ([e-mail])

[7]  .دکتری گروه مدیریت خدمات بهداشتی و درمانی، سازمان بهداشت و درمان صنعت نفت، شرکت ملی نفت ایران، تهران، ایران

[8] .کارشناسی ارشد گروه مدیریت، سازمان بهداشت و درمان صنعت نفت، شرکت ملی نفت ایران، تهران، ایران

[9] .Azimian et al. (2022)

[10] .Pestana, et al.

[11] .Ghahremanloo, et al.

[12] .Naeem & Ozuem

[13] .Wang, et al.

[14] .Laupland, et al.

[15] .McCann & Vorley

[16] .Azimian et al. (2021)

[17] .Data Envelopment Analysis (DEA)

[18] .Dabagh, et al.

[19] .DMU: Decision Making Units

[20] .Azimian et al. (2013)

[21] .Azimian & Akhavan

[22] .Malmquist

[23] .Trakakis, et al.

[24] .Ozan & Luke

[25] .Performance-based budgeting

[26] .Kalantari, et al.

[27] .Hollingsworth

[28] .Xenos et al.

[29] .Almeida  et al.

[30] .Li and Dong

[31] .Asandului et al.

[32] .Kawaguchi et al.

[33] .Singh et al.

[34] .ASEAN

[35] .Rays and Lemqeddem

[36] .Trakakis et al.

[37] .Habib and Shawan

[38] .Mollahaliloglu  et al.

[39] .Liu et al.

[40] .Asghar et al.

[41] .Organization of Islamic Cooperation (OIC)

[42] .Masri et al.

[43] .Peykani  et al.

[44] .Guo et al.

[45] .Raei et al.

[46] .Kim et al.

[47] .PN and JM

[48] .Stefko et al.

[49] .Cheng et al.

[50] .Yang and Zeng

[51] .Chowdhury et al.

[52] .Yi-Chung

[53] .Chang et al.

[54] .NG

[55] .Castro Lobo et al. 

[56] .Operation Research (OR)

[57] .DEA Solver