ارایه یک مدل تحلیل پوششی داده‌ها با محدودیت وزنی به‌منظور ارزیابی کارایی در صنعت بانکداری

تحلیل پوششی داده ها(dea) یک روش بر پایه برنامه ریزی ریاضی به منظور ارزیابی کارایی واحدهای تصمیم گیری(dmus) با چندین ورودی و خروجی است. در dea وزن های ورودی و خروجی به منظور رسیدن به بهترین کارایی می توانند هر مقدار نامنفی را بگیرند. یکی از مشکلات به وجود آمده در این نوع ارزیابی توان تفکیک پذیری کم این مدل ها است. روش های محدودیت وزنی به عنوان یک راه حل برای رفع این مشکل و بهبود قدرت تفکیک پذیری مدل های dea معرفی شده است. هدف از این مقاله ارایه یک مدل تحلیل پوششی داده ها با محدودیت وزنی جدید است. محدودیت ارایه شده با استفاده از میانگین و انحراف معیارهای وزن های متغیر مربوط به dmu های کارا است. در نظر گرفتن وزن های متغیر به دلیل عدم منحصربه فرد بودن وزن های به دست آمده در مدل مضربی می باشد. همچنین مدل ارایه شده به منظور ارزیابی کارایی شعب بانک در ایران استفاده می شود. درواقع این روش را برای ارزیابی کارایی 40 شعبه از یک بانک تجاری در ایران طی دو سال متوالی به کار خواهیم برد. نتایج اجرای مدل نشان می دهد که قدرت تفکیک پذیری dmu ها با استفاده از مدل ارایه شده، بالا می رود و نتایج آن موارد نظری بیان شده در مورد روش ارایه شده را تایید می نماید.

A Data Envelopment Analysis Model with Restricted Weights to Evaluate the Efficiency in the Banking Industry

Data Envelopment Analysis (DEA) is based on a mathematical programming method to evaluate the performance of decisionmaking units (DMUs) with multiple inputs and outputs. In DEA, input and output weights can take any nonnegative value to achieve the best performance. One of the problems with this type of evaluation is the low discriminate of these models. Weight reduction methods have been introduced as a solution to this problem and improve the discrimination of DEA models. The purpose of this paper is to present a data envelopment analysis model with a new weight reduction. The constraint presented using the mean and standard deviation of variable weights is related to efficient DMUs. Considering the variable weights is due to the nonunique weights obtained in the multiplier model. The proposed model is also used to evaluate the efficiency of bank branches in Iran. We will use this method to evaluate the efficiency of 40 branches of a commercial bank in Iran for two consecutive years. The results of the model implementation show that the discrimination of DMUs is increased using the proposed model and the results confirm the theoretical points expressed about the proposed method.