Abstract:
هدف: هدف این مقاله ارزیابی کارایی واحدهای تصمیم‌گیرنده با به‌کارگیری مدل برنامه‌ریزی آرمانی تحلیل پوششی داده‌ها با محدودیت وزنی و رتبه‌بندی واحدها با یک روش منحصربه‌فرد در بانک قوامین می‌باشد.
روش: در این پژوهش برای تعیین کارایی مدیریت شعب استان‌ها در بانک قوامین نخست مدل CCR کلاسیک به‌کارگیری شد. به‌منظور افزایش قدرت تفکیک‌پذیری واحدهای تصمیم‌گیرنده کارا از ناکارا، مدل برنامه‌ریزی آرمانی با محدودیت وزنی ترکیب‌شده و یک مدل جدید تحت عنوان برنامه‌ریزی آرمانی تحلیل پوششی داده‌ها با محدودیت وزنی ارائه گردید.
یافته‌ها: بر اساس مقادیر خروجی مدل CCR کلاسیک، 16 واحد از 32 واحد تصمیم‌گیرنده کارا و 16 واحد ناکارا شدند. در مرحله بعد برای تفکیک‌پذیری بیشتر واحدها مدل برنامه‌ریزی آرمانی تحلیل پوششی داده‌ها با محدودیت وزنی به‌کارگیری شد که نتایج حاصل از آن با نرم اقلیدسی مرتبه اول، از بین 32 واحد تصمیم‌گیرنده 7 واحد کارا و بقیه ناکارا شدند و نتایج حاصل از نرم بی‌نهایت، 1 واحد از 32 واحد کارا و بقیه واحدهای تصمیم‌گیرنده ناکارا شدند.
نتیجه‌گیری: نتایج نشان دادند که مدل برنامه‌ریزی آرمانی تحلیل پوششی داده‌ها با محدودیت وزنی مربوط به نرم بی‌نهایت در تفکیک و رتبه‌بندی واحدهای تصمیم‌گیرنده کارا از ناکارا، دارای قدرت تفکیک‌پذیری بالایی نسبت به مدل CCR کلاسیک و نرم اقلیدسی مرتبه اول است
Objective: The purpose of this paper is to evaluate the efficiency of decision-making units using the goal programming model of data envelopment analysis with restriction weight and ranking of units with a unique method in Ghavamin Bank. Methods: In this study, the classical CCR model was used to determine the management efficiency of provincial branches in Ghavamin Bank. To increase the discriminative power of efficient and inefficient decision-making units, a combination of goal programming models with Weight restriction was used and a new model called goal programming of data envelopment analysis with Weight restriction was presented. Results: Based on the output values of the classical CCR model, 16 out of 32 decision-making units became efficient and 16 units became inefficient. In the next step, for more separability of the units, the goal programming model of data envelopment analysis with Weight restriction was used. The results of the first-order Euclidean norm became 7 efficient and the rest inefficient out of 32 decision-making units, and the results of the infinite Euclidean norm became 1 of 32 efficient units and the rest of the decision-making units inefficient. Conclusion: The results showed that the goal programming model of data envelopment analysis with Weight restriction related to infinite Euclidean norm in separating and ranking efficient decision-making units from inefficient has a high discriminate power compared to the classical CCR model and the first-order Euclidean norm
Machine summary:
ارائه مدل تحليل پوششي داده ها بر پايه ي برنامه ريزي آرماني و محدوديت وزني براي ارزيابي کارايي و رتبه بندي واحدهاي تصميم گيرنده در بانک قوامين غلامرضا پناهنده خوجين دانشجوي دکتري مديريت صنعتي ، گرايش تحقيق در عمليات ، دانشکده اقتصـاد و مـديريت ، دانشـگاه آزاد اسـلامي ، واحـدعلـوم و تحقيقات ، تهران ، ايران .
ir چکيده هدف : هدف اين مقاله ارزيابي کارايي واحدهاي تصميم گيرنده با به کارگيري مدل برنامه ريزي آرمـاني تحليـل پوششـي داده هـا بـا محدوديت وزني و رتبه بندي واحدها با يک روش منحصربه فرد در بانک قوامين مي باشد.
نتيجه گيري: نتايج نشان دادند که مدل برنامه ريزي آرماني تحليل پوششي داده ها با محدوديت وزني مربوط به نرم بـي نهايـت در تفکيک و رتبه بندي واحدهاي تصميم گيرنده کارا از ناکارا، داراي قدرت تفکيک پذيري بالايي نسبت به مدل CCR کلاسيک و نرم اقليدسي مرتبه اول است .
DEA با توجه به اهميت ارزيابي کارايي در صنعت بانکداري، در اين پژوهش به دنبال ارائه مدل هاي تحليل پوششي داده هاي جديد هستيم که به وسيله آن يک رتبه بندي منحصربه فرد از واحدهاي تصميم گيرنده در بانک قوامين ارائه شود.
مدل هاي ارائه شده تلفيقي از برنامه ريزي آرماني با تحليل پوششي داده ها و يک نوع محدوديت وزني جديد ميباشد پيشينه پژوهش در حوزه ارزيابي کارايي در بانک ها به دليل اهميت و جايگاه آن ها، پژوهش هاي زيادي صورت گرفته است که از آن جمله به مطالعات زير ميتوان اشاره کرد: آذر و همکاران (١٣٩٣) در پژوهشي به بررسي کارايي ١٨ شعبه يکي از بانک هاي استان گيلان با به کارگيري از روش دومرحله اي DEA پرداختند.
(
, 
, 
)
