مزایا و معایب تحلیل پوششی داده‌ها DEA

پس از مقایسه تکنیک تحلیل پوششی داده‌ها با سایر تکنیک‌های سنجش کارایی، می‌توان عمده­ترین مزایا و معایب آن را به صورت زیر خلاصه نمود.  از موارد زیر به عنوان مزایای DEA نام برده می­شود.

  • عدم نیاز به تخمین تابع تولید

  • توانایی بکارگیری در سیستم‌هایی با یک یا بیش از یک ورودی/خروجی

  • تمرکز بر خود مشاهدات به جای میانگین آنها

  • عدم نیاز به ارزش‌گذاری(تعیین وزن) برای ورودی‌ها و خروجی‌ها

  • امکان بکارگیری ورودی‌ها و خروجی‌ها با واحدهای اندازه‌گیری متفاوت

  • ارائه مجموعه مرجع جهت انجام ارزیابی‌های مقایسه‌ای برای هر واحد تحت بررسی

  • ارائه تخمینی از تغییرات لازم در ورودی‌ها و خروجی‌ها جهت انتقال واحدهای ناکارا به مرز کارا

  • ارائه اطلاعات مفیدی از ترکیبات مختلف ورودی‌ها و خروجی‌ها جهت اتخاذ تصمیمات مناسب در راستای تخصیص منابع.

  • انعطاف‌پذیری و برخورداری از قدرت تطبیق پذیری بالا جهت بکارگیری در مسائل مختلف

  • سهولت در انجام محاسبات (O’Neill et al, 2008).

  • ارزیابی کارایی با بکارگیری تعریف پارتو-کوپمنز از کارایی

  • ارائه اطلاعاتی درباره منابع و مقادیر ناکارایی‌ها (بر خلاف نسبت‌ها و شاخص‌های مهندسی)

  • مقید نبودن ارزیابی نتایج به ثابت بودن سایر شرایط (برخلاف آنچه در علم اقتصاد فرض می‌شود)

  • اطلاع از میزان افزایش در کارایی به ازای هر واحد با استفاده از مقادیر متغیرهای دوگان

  • بیان تغییرات موردنیاز برای تنظیم بهینه تمام ورودی‌ها و خروجی‌ها جهت کارا شدن یک واحد ناکارا (Cooper et al, 2007)

  • ارزیابی عملکرد تمامی واحدها با بهترین عملکرد ممکن در آن سیستم

  • ارائه نتایج نسبتاً خوب در هنگام استفاده از نمونه‌های کوچک

  • عدم نیاز به هیچ فرضی در رابطه با ناکارایی و توزیع آماری اجزای مدل (Duygun Fethi and Pasiouras, 2010).

همچنین در رابطه با معایب تکنیک تحلیل پوششی داده‌ها در مقایسه با سایر تکنیک‌ها می‌توان به موارد زیر اشاره نمود.

  • تکنیک DEA جهت اندازه‌گیری کارایی نسبی بوده و کارایی مطلق را نمی سنجد.
  • وجود تفاوت بین درجه اهمیت ورودی‌ها و خروجی‌ها در دنیای واقعی موجب انحراف در نتایج می‌گردد (البته این مشکل با محدودسازی وزن‌های تخصیصی به ورودی‌ها و خروجی‌ها تا حدی قابل رفع است).
  • تغییر در نوع و تعداد ورودی‌ها و یا خروجی‌ها امکان تغییر در نتایج ارزیابی را فراهم می‌کند. هم‌چنین به دلیل محاسبه کارایی به طور نسبی، تغییر در تعداد DMU ها موجب تغییر در امتیاز کارایی تمامی واحدها می‌گردد.
  • در ارزیابی هر سیستم، باید به تعداد واحدهای تصمیم گیرنده، مدل برنامه‌ریزی ریاضی ساخته و حل گردد که حجم بالایی از محاسبات را در پی خواهد داشت (هرچندکه استفاده از نرم افزارها و روش‌های محاسبات کامپیوتری این مشکل را مرتفع می‌سازد).
  • از آنجایی که DEA یک تکنیک ناپارامتری است، بهره‌گیری از تکنیک‌ها و آزمون‌های آماری در آن، دشوار می‌باشد.
  • در DEA فرض بر آن است که داده های جمع‌آوری شده، عاری از خطای اندازه‌گیری بوده و به طور کلی خطاهای تصادفی را لحاظ نمی نماید. در مقایسه با روش‌های تصادفی، مدل‌های معمول تکنیک DEA روش‌هایی قطعی هستند. از آنجا که مطالعاتی در راستای نشان دادن محدودیت‌های روش‌های قطعی انجام شده است، مدل  DEA تصادفی (DEA stochastic) با ایجاد تغییری در مدل  DEA اولیه، امکان جداسازی ناکارایی از خطای تصادفی (random error) را فراهم کرده است.
  • وقتی تعداد مشاهدات نسبت به اندازه نمونه کم باشد (داشتن مشاهدات اندک و ورودی‌ها و/یا خروجی‌های بسیار)، بسیاری از واحدها به اشتباه بر روی مرز کارا قرار می‌گیرند (O’Neill et al, 2008).
  • تکنیکDEA نسبت به داده‌های دورافتاده بسیار حساس است (Duygun Fethi and Pasiouras, 2010).
  • آزاد بودن وزن‌ها (عدم وجود محدودیت روی وزن‌ها) برای بیشینه نمودن کارایی واحد تصمیم گیرنده تحت ارزیابی، می‌تواند موجب بروز مشکلاتی شده و یا نااریبی در نتایج را به دنبال داشته باشد (با لحاظ نمودن قیود مناسبی در مدل بر روی وزن‌ها می‌توان آنها را کنترل کرد).
  • در صورتی‌که یک واحد تصمیم گیرنده کارا شناخته شود، بایستی با احتیاط در رابطه با آن صحبت نمود؛ زیرا که این واحد به طور نسبی کارا ارزیابی شده و نه به طور مطلق. از آنجایی که ناکارا بودن چنین واحدی رد شده اما کارا بودن آن نیز ثابت نشده است، در صورت ضرورت باید تست‌های دیگری در رابطه با کارا بودن آن انجام شود (جهانشاهی و همکاران، 1387).
  • داشتن رفتاری مشابه با ورودی‌ها یا خروجی‌ها در مدل‌های DEA هنگامی‌که آنها ناهمگن و نامتجانس هستند، ممکن است موجب بروز نااریبی در نتایج گردد.
  • لحاظ ننمودن تفسیر و تحلیلی از تفاوت‌های موجود در محیط در تکنیک ممکن DEA است نتایج گمراه کننده‌ای را ارائه دهد.
  • روش‌های DEA استاندارد، بهینه سازی برای چندین دوره یا ریسک تصمیم‌گیری مدیریتی را کنترل نمی‌کنند (Coelli et al, 2005).
  • هیچ توافق کلی در مورد انتخاب ورودی‌ها و خروجی‌ها در حوزه‌های مختلف کاربری DEA وجود نداشته و همواره  بحثی چالش برانگیز در این تکنیک بوده است.
  • تکنیک DEA صرفاً روشی ریاضی بوده و نتایج آن بر مبنای مدل‌های برنامه ریزی خطی حاصل می‌گردد و بنابراین  توانایی مقایسه عوامل کیفی در واحدهای تصمیم‌گیرنده را ندارد  (عباس آبادی، 1388).پایان نامه تحلیل کارایی شرکتهای بیمه خصوصی کشور

    متن کامل در سایت زیر