مزایا و معایب تحلیل پوششی داده‌ها

تحلیل پوششی داده‌ها، روشی مبتنی بر برنامه‌ریزی خطی ‌می‌باشد که جهت تعیین و تشخیص کارایی نسبی عملکرد انواع واحد‌های تصمیم گیرنده به کار گرفته ‌می‌شود. از جمله شرایط واحد‌های تصمیم گیرنده آن است که در ازای تعدادی ورودی، تعداد مشخصی خروجی را تحویل دهد.

این روش از زمانی که طراحی شده و در دسترس عموم قرار گرفته است، توانسته به سبب کاربرد‌های زیاد و متنوعی که دارد، جایگاه ویژه‌ای در جهت بررسی و ارزیابی کارایی نسبی واحد‌های تصمیم گیرنده داشته و به کار برده شود.

روش تحلیل پوششی داده‌ها، ‌می‌تواند در مکان‌های مختلف پروسه سنجش و مقایسه کارایی شعب انواع بانک‌ها، بیمارستان و درمانگاه‌ها، فروشگاه‌های بزرگ زنجیره‌ای، انواع آژانس‌های مسافرتی و هوایی، پایگاه نظامی، مدرسه و دانشگاه‌ها، مراکز بیمه و صندوق‌های سرمایه گذاری مشترک را انجام دهد. این روش، در ابتدا به عنوان روشی جهت بررسی، تحلیل و ارزیابی کارایی به کار برده ‌می‌شد، اما به جهت کاربرد‌های زیادی که در تصمیم گیری پیدا کرد، امروز ابزاری قوی در حوزه تصمیم گیری و ارزیابی و سنجش واحد‌های تصمیم گیرنده، به شمار ‌می‌رود.

محدودیت‌های روش تحلیل پوششی داده‌ها

روش تحلیل پوششی داده‌ها از قابلیت و توانایی‌های زیادی جهت ارزیابی و بررسی و همچنین تشخیص واحد‌های کارا برخوردار ‌می‌باشد. این در حالی است که علاوه بر این ویژگی‌ها، معایبی نیز دارد. از جمله ایراداتی که به این روش وارد است، ‌می‌توان به عدم دستیابی عملکرد بهینه اشاره نمود.‌

دلیل این موضوع نیز محاسبه کارایی به طور نسبی تشخیص داده شده است. همچنین آزمون فرضیه بر روی آن نتایج درستی را به دنبال نداشته است. از آنجایی که برنامه‌ریزی‌های خطی به صورت مجزا برای هر واحد اجرایی طراحی و تهیه ‌می‌شود، محاسبه و حل مسائل مربوط به آن حتی از طریق نرم افزار‌ها نیز با مشکل مواجه ‌می‌شود.

این اتفاق به طور ویژه هنگا‌می ‌رخ ‌می‌دهد که تعداد DMU‌ها و همچنین تعداد ورودی و خروجی‌ها بالا باشد.‌ همانطور که احتمالا ‌می‌دانید این روش بر مبنای نقطه حدی کار ‌می‌کند. به همین جهت گاها خطا‌های اندازه گیری داده‌ها و اطلاعات و همچنین ستاده‌ها با مشکلات و انحرافات زیادی مواجه خواهند شد. نکته مهم آن است که خطاهای کوچک ‌می‌توانند تغییرات وسیعی را شامل شوند. برای نمونه، چنانچه یک مورد از ورودی و یا خروجی‌ها دچار تغییر شود، باعث بروز تغییرات اساسی و بارزی در عملکرد این روش خواهد شد. همچنین هیچ گونه توافقی در رابطه با انتخاب ورودی و خروجی‌های این روش شکل نخواهد گرفت.

با نرم‌افزار آزمون‌ساز هوشمند ایپُل آزمون‌هایی مطمئن را براساس نیاز خود، به راحتی طراحی نمایید.

معایب روش تحلیل پوششی داده‌ها

روش تحلیل پوششی داده‌ها علاوه بر ویژگی و نکات مثبتی که دارد، از معایبی نیز برخوردار است که در ادامه به توضیح مختصری از هریک ‌می‌پردازیم. تحلیل پوششی داده‌ها، تکنیکی است که جهت بهینه سازی به کار گرفته ‌می‌شود. اما هیچ گونه امکان پیشگیری بروز خطا‌های احتمالی در محاسبات و اندازه گیری این روش وجود ندارد.این روش صرفا جهت محاسبه و اندازه گیری کارایی نسبی به کار برده ‌می‌شود و اندازه گیری‌های مربوط به کارایی مطلق را انجام نمی‌دهد.

بین اهمیت ورودی و خروجی‌ها تفاوت‌هایی وجود دارد که سبب انحراف در نتایج ‌می‌شود. البته این مشکل تا حد بسیاری با محدود کردن وزن‌های ورودی و خروجی قابل بررسی و حل ‌می‌باشد. همانطور که ‌می‌دانید این روش نوعی تکنیک غیر پارامتری محسوب ‌می‌شود. به همین جهت، انجام انواع آزمون‌های آماری برای آن به سادگی انجام پذیر نمی‌باشد و گاها با مشکل نیز مواجه ‌می‌شود.

افزودن واحدی جدید به مجموعه واحد‌های پیشین که مورد بررسی قرار گرفته‌اند، سبب ایجاد تغییراتی در امتیاز کارایی کل واحد‌ها ‌می‌شود. گاها ممکن است تغییراتی در میزان ورودی و خروجی‌ها ایجاد شود. این اتفاق در نتایج بررسی و ارزیابی پایانی بسیار ‌می‌توان تاثیر گذار باشد.

انواع ویژگی و توانایی‌های روش تحلیل پوششی داده‌ها

روش تحلیل پوششی داده‌ها، ارائه بهترین وضیعت عملکردی را جایگزین ارائه وضیعت مناسب و مطلوب نموده است. ارزیابی و نتایج به دست آمده از این روش، تماما با واقعیت مطابقت دارند. همچنین اطلاعات و داده‌ها را به درستی استانداردسازی ‌می‌نمایند.

تما‌می ‌واحد‌های تصمیم گیرنده را رتبه بندی ‌می‌کنند. خاصیتی تحت عنوان جبرانی بودن نیز دارند. به هیچ عنوان به اوزان از قبل تعیین شده احتیاج ندارند. داده‌ها را با گرایش مرزی بررسی و ارزیابی ‌می‌کنند. همچنین حساسیت ورودی و خروجی‌ها را تحلیل و بررسی ‌می‌نمایند.

به کمک فرم ساز حرفه ای ایپُل و بدون نیاز به دانش برنامه نویسی و براساس نیاز خود، فرم ورود اطلاعاتتان را بسازید.

الزامات روش تحلیل پوششی داده‌ها

در ادامه به برخی از الزامات این روش ‌می‌پردازیم:

1. تعداد ورودی‌های واحد‌های تصمیم گیری ‌می‌بایست حتما بین ۲ تا ۵ واحد باشد.
2. تعداد خروجی‌های واحد‌های تصمیم گیری ‌می‌بایست حتما بین ۱ تا ۳ واحد باشد.
3. تعداد واحد‌های تصمیم گیری ‌می‌بایست حتما حدود ۵ برابر مجموع تعداد ورودی و خروجی‌ها تعیین شوند.
4. کمترین تعداد واحد‌های تصمیم گیری در روش تحلیل پوششی داده‌ها ۱۵، و بیشترین تعداد آنها حدود ۴۰ واحد ‌می‌باشد.
5. جهت اجرای این روش، حتما ‌می‌بایست داده‌ها و اطلاعات بسیار درست، واقعی و دقیق باشند.

انواع مدل‌های روش تحلیل پوششی داده‌ها

مدل‌هایی که در روش تحلیل پوششی داده‌ها بر اساس افزایش خروجی و یا کاهش میزان ورودی به جهت افزایش کارایی مورد استفاده قرار ‌می‌گیرند، به دو دسته کلی تقسیم بندی ‌می‌شوند‌‌.

مدل‌های روش تحلیل پوششی داده‌ها بر اساس ماهیت ورودی

در این الگو، هدف افزایش میزان کارایی، از طریق کاستن از میزان ورودی‌ها انجام ‌می‌شود. در این الگو، سطح خروجی ثابت نگه داشته ‌می‌شود که به دنبال آن کاهش سطح ورودی را خواهیم داشت. در نهایت افزایش کارایی سبب ‌می‌شود.

مدل‌های روش تحلیل پوششی داده‌ها بر اساس ماهیت خروجی

• در این الگو، هدف افزایش کارایی، به وسیله افزایش میزان خروجی‌ها انجام ‌می‌پذیرد.
• در این روش، سطح ورودی را در محدوده ثابتی قرار ‌می‌دهیم که به دنبال آن افزایش سطح خروجی را شاهد خواهیم بود. در نهایت میزان کارایی افزایش ‌می‌یابد.

مزایای تحلیل پوششی داده‌ها

روش تحلیل پوششی داده‌ها، به طور ویژه بر هر یک از اطلاعات و مشاهدات در مقابل میانگینی از جامعه متمرکز ‌می‌شود.

• این روش امکان استفاده همزمان از چندین ورودی و خروجی را برای کاربران برآورده ‌می‌سازد.
• این روش با انواع متغیر‌های برون گرا نیز سازگار ‌می‌باشد. همچنین ‌می‌تواند متغیر‌های مجازی و یا طبقه‌ای را در نظر بگیرد.
• به هنگام استفاده از این روش، به هیچ گونه اطلاعاتی درخصوص وزن‌ها و یا قیمت‌های ورودی و خروجی‌ها نیازی ‌نمی‌باشد. همچنین دیگر احتیاجی به سیستم ارزش گذاری نیز نیست.

پرسشنامه آنلاین، آزمون آنلاین همچنین فرم نظرسنجی خود را با فرم ساز ایپُل، بصورت رایگان و سریع بسازید و در وقت و هزینه خود صرفه جویی نمایید.