ارایه یک رویکردی شبکه ای در ارزیابی کارایی بانک‌ها در حالت عدم اطمینان در داده‌ها

روش تحلیل پوششی داده های سنتی، واحدهای تصمیم گیری را به صورت یک جعبه سیاه در نظر گرفته و بدون در نظر گرفتن ساختار داخلی آنها و با توجه به میزان ورودی ها و خروجی های نهایی این واحدها، نسبت به ارزیابی آنها اقدام می نماید. این در حالی است که در بسیاری از سیستم های واقعی ما شاهد ساختارهای داخلی می باشیم. به همین منظور مدل های شبکه ای تحلیل پوششی داده ها توسعه و گسترش یافته اند. مدل های موازی تحلیل پوششی داده ها یکی از مدل های شبکه ای بوده که در آن ورودی هر واحد به چندین زیر فرآیند تخصیص یافته و مجموع خروجی این فرآیندها به عنوان خروجی کل واحد مربوطه منظور می گردد. مدل های تحلیل پوششی داده های موازی با فرض مطلق بودن و اطمینان کامل داده ها توسعه یافته اند و در صورت عدم اطمینان در داده های ورودی و خروجی، نتایج قابل اتکایی را ارایه نمی نمایند. در این مقاله در نظر داریم تا با ارایه یک مدل استوار تحلیل پوششی داده های شبکه ای موازی، ضمن ارایه یک مورد مطالعاتی، نسبت به تشریح و تجزیه و تحلیل مدل جدید اقدام نماییم. مدل پیشنهادی ضمن ارزیابی کارایی واحدهای با ساختار موازی، توانایی برخورد با عدم اطمینان در داده ها را دارا می باشد. نتایج بیانگر این است که با افزایش سطح خطا و کاهش سطح اطمینان مدل، کارایی واحدهای تصمیم گیری کاهش بیشتری خواهد داشت. افزایش قدرت تفکیک پذیری مدل نسبت به مدل های سنتی موازی یکی دیگر از مزایای مدل پیشنهادی می باشد. همچنین در صورت ایجاد انحراف در داده ها، مدل های سنتی شبکه ای نسبت به مدل های استوار، انحراف بیشتری را در نتایج نشان می دهند.

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

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 subprocesses, 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 decisionmaking 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.