ارايه يك رويكردي شبكه اي در ارزيابي كارايي بانك‌ها در حالت عدم اطمينان در داده‌ها

Relative Efficiency Measurement of Banks Using Network DEA Model in Uncertainty Situation

روش تحليل پوششي داده‌هاي سنتي، واحدهاي تصميم­ گيري را به صورت يك جعبه سياه در نظر گرفته و بدون در نظر گرفتن ساختار داخلي آن­ها و با توجه به ميزان ورودي­ ها و خروجي­ هاي نهايي اين واحدها، نسبت به ارزيابي آن­ها اقدام مي­ نمايد. اين در حالي است كه در بسياري از سيستم ­هاي واقعي ما شاهد ساختارهاي داخلي مي­ باشيم. به همين منظور مدل­ هاي شبكه ­اي تحليل پوششي داده‌ها توسعه و گسترش يافته ­اند. مدل­ هاي موازي تحليل پوششي داده‌ها يكي از مدل­ هاي شبكه­ اي بوده كه در آن ورودي هر واحد به چندين زير فرآيند تخصيص يافته و مجموع خروجي اين فرآيندها به عنوان خروجي كل واحد مربوطه منظور مي­ گردد. مدل­ هاي تحليل پوششي داده‌هاي موازي با فرض مطلق بودن و اطمينان كامل داده‌ها توسعه يافته ­اند و در صورت عدم اطمينان در داده‌هاي ورودي و خروجي، نتايج قابل اتكايي را ارايه نمي نمايند. در اين مقاله در نظر داريم تا با ارايه يك مدل استوار تحليل پوششي داده‌هاي شبكه­ اي موازي، ضمن ارايه يك مورد مطالعاتي، نسبت به تشريح و تجزيه و تحليل مدل جديد اقدام نماييم. مدل پيشنهادي ضمن ارزيابي كارايي واحدهاي با ساختار موازي، توانايي برخورد با عدم اطمينان در داده‌ها را دارا مي­ باشد. نتايج بيانگر اين است كه با افزايش سطح خطا و كاهش سطح اطمينان مدل، كارايي واحدهاي تصميم ­گيري كاهش بيش­تري خواهد داشت. افزايش قدرت تفكيك­ پذيري مدل نسبت به مدل‌هاي سنتي موازي يكي ديگر از مزاياي مدل پيشنهادي مي­ باشد. همچنين در صورت ايجاد انحراف در داده‌ها، مدل‌هاي سنتي شبكه­ اي نسبت به مدل‌هاي استوار، انحراف بيشتري را در نتايج نشان مي­ دهند.

Traditional DEA method considered decision making units (DMUs) as a black box, regardless of their internal structure and appraisal performance with respect to the final inputs and outputs of the units. However, in many real systems we have internal structure. For this reason, network DEA models have been developed. Parallel network DEA models are a special variation which inputs of unit allocated to several sub-processes, and the total output of these processes are the output of the relevant unit. Parallel network DEA model have been developed based on certain and confidence data and they do not have the ability to deal with uncertainty about inputs and outputs data. In this paper we are going to provide a robust parallel network DEA model and attempt to describe and analyze the new model with a real case study. The proposed model can evaluate the performance of parallel structure and it has the ability to deal with uncertainty in the data. The results show that with increasing levels of uncertainty and decreasing of reliability, efficiency of decision-making units will be further reduced. Increasing of discrimination power is another advantage of the proposed model. Also traditional network models show more deviations in the results in compare with robust network model when the data are changed.