ارزیابی شرکت سهامی بیمه ایران با استفاده از نسبت‌های مالی و مدل‌سازی ریاضی

صنعت بیمه یکی از قوی‌ترین و مهم‌ترین نهادهای اقتصادی و پشتیبان سایر نهادهای اقتصادی و خانوارها تلقی می‌شود. صنعت بیمه با تحولاتی مواجه بوده که آن را به سوی رقابتی‌شدن پیش می‌برد. بنابراین، می‌توان گفت شرکت‌های بیمه فعال در صنعت بیمه ایران باید همواره به پایش عملکرد شعب و نمایندگی‌های خود بپردازند. از جمله مشکلات روش‌های ارزیابی سازمان‌ها، تاکید بر شاخصی اصلی، همچنین قضاوت‌های ذهنی است. لذا، در ارزیابی باید جامعیت آن در فراگیری تمام زوایای کاری لحاظ شود. همچنین، خطاهای ذهنی را باید تا حد امکان کاهش داد. در این پژوهش ارزیابی شعب شرکت سهامی بیمه ایران به وسیله تکنیک تحلیل پوششی داده‌ها انجام شده است. در به‌کارگیری مدل‌های کلاسیک تحلیل پوششی داده‌ها معمولاً مباحث خروجی‌های نامطلوب و ورودی‌های غیراختیاری نادیده گرفته می‌شود. در این پژوهش به خروجی‌های نامطلوب و ورودی‌های غیراختیاری پرداخته شده است. نتایج این پژوهش نشان می‌دهد که با درنظرگرفتن ورودی غیراختیاری در حالت بازده به مقیاس متغیر و ثابت به ترتیب 50 و 36 درصد از شعب کاراست.

Performance assessment of branches of Iran Insurance Corporation using data envelopment analysis

Insurance industry is one of the most influential economic institutions and is considered to support other economic institutions and families. Insurance industry has been facing changes that lead it to becoming a competitive industry. Therefore, we can say insurance companies that are active in Iran insurance industry must constantly monitor performance of their branches and agencies. Ongoing problems in existing assessing methods of organizations are their emphasis on a single index and subjective judgment. Therefore, the assessment should comprehensively take all aspects into account. Subjective judgment should be reduced as much as possible. Thus, in this study we evaluate the performance of Iran Stock Corporation and its branches by using data envelopment analysis (DEA) technique. Meanwhile, in the classical applications of DEA models typically problems occur such as ignoring undesirable outputs and nondiscretionary inputs. Accordingly, in this study undesirable outputs and nondiscretionary inputs have been investigated. The results show that 50 and 36 percent of the branches are efficient under variable and constant returns to scale respectively in the presence of nondiscretionary inputs and undesirable outputs.