ارائه يك مدل تركيبي از DEA دو مرحله‌اي و PROMETHEE در محيط خاكستري جهت ارزيابي عملكرد

A Hybrid Model of Two-Stage DEA and PROMETHEE in the Gray Environment for Performance Evaluation

يكي از چالش‌هاي عمده ارزيابي عملكرد در سازمان‌ها و كليه سيستم‌ها، غيرمنطقي بودن و دقيق نبودن روش‌ها و معيارهاي بكار گرفته شده است. روش‌هاي سنتي ارزيابي عملكرد عمدتا يك سطحي بوده، لذا فاقد توان لازم بمنظور ارائه بازخورد كافي جهت شناسايي واحدهاي ناكارا هستند. تحليل پوششي داده‌ها، يك تكنيك برنامه‌ريزي رياضي است كه كارايي نسبي چندين واحد تصميم‌گيرنده را بر مبناي ورودي‌ها و خروجي‌هاي مشاهده شده كه ممكن است با انواع مقياس‌هاي مختلف بيان شوند، محاسبه مي‌كند. در عمل، بسياري از واحدهاي تصميم‌گيري در درون خود به بخش‌هاي كوچك‌تري تقسيم مي‌شوند و با مدل‌هاي استاندارد تحليل پوششي داده‌ها كه سازمان را به صورت يك بخش كلي در نظر مي‌گيرند، نتايج منطقي حاصل نمي‌شود. بنابراين لازم است از مدل‌هايي همچون مدل DEA دومرحله‌اي متناسب با چنين شرايطي براي ارزيابي دقيق‌تر واحدهاي تحت بررسي استفاده شود. همچنين در شرايطي كه تعداد زيادي ورودي و خروجي وجود داشته باشد، اين روش چندان كارآمد نمي‌باشد و تعداد زيادي از واحدها را كارا اعلام مي‌كند لذا براي رفع اين مشكل تحقيق حاضر با استفاده از روش PROMETHEE ، ورودي‌ها و خروجي‌ها رتبه‌بندي مي‌كند، سپس با مهم‌ترين آنها كار ارزيابي ادامه خواهد يافت. از آنجايي كه همواره اطلاعات در دسترس كامل و دقيق نيستند اين مهم در فضاي خاكستري انجام خواهد شد. يافته‌هاي به دست آمده نشان‌دهنده كاهش چشمگير واحدهاي شناسايي شده كاراست كه در نتيجه بهبود قدرت تمايز روش DEA را نشان مي‌دهد. در كنار اين، استفاده از محيط عدم اطمينان به ارزيابي‌ها و برآوردهاي دقيق‌تر نسبت به مدل‌هاي قطعي انجاميده است.

One of the main challenges of performance evaluation in organizations and all systems is the irrationality and inaccuracy of the methods and criteria used. Traditional performance evaluation methods are mostly one-level, so they usually fail to provide sufficient feedback to identify inefficient units. Data envelopment analysis is a mathematical programming technique that compares the relative efficiency of several decision-making units based on observed inputs and outputs expressed by a variety of different scales. In practice, since many decision-making units are subdivided into smaller parts, with standard data envelopment analysis models that consider the organization as a whole, logical results are not obtained. Therefore, it would be better to use developed models like the two-stage DEA model to more accurately evaluate under investigation units in these conditions. Moreover, in cases that there are a large number of inputs and outputs, traditional DEA is not very efficient and it may consider a large number of units as efficient one. To deal with the problem, this study uses PROMETHEE method to rank criteria. After that, the efficiency evaluation problem is continued with most important inputs and outputs. Since the available information is usually incomplete and inaccurate, the problem is solved in the gray environment. The findings indicate a significant decrease in the number of identified efficient units which shows the improvement in discrimination power of DEA method. Additionally, the use of uncertain environment has led to more accurate estimates than previous definite models.