بخشی از مقاله
چکیده
تحلیل پوششی داده ھا یک روش غیر پارامتری، مبتنی بر برنامه ریزی خطی برای اندازه گیری کارایی واحدھای تصمیم گیرنده می باشد. از میان مدل ھای متعدد DEA، مدل CCR با رویکرد خروجی گرا به منظور ارزیابی عملکرد انتخاب شده است. با این که مدل ھای تحلیل پوششی داده ھا توان پاسخگویی قابل ملاحظه ای به نیازھای کاربردی سازمان دارد، اما رویکرد CCR از کنترل تغییرات وزن ھای ستاده ھا و نهاده ھا برای داده ھای بزرگ به دلیل دیدگاھهای مدیریتی رنج می برد.
از این رو در این تحقیق از مقوله شبیه سازی DEA در GA جهت تحلیل فرآیند کارایی ٢٥ واحد اقتصادی که قبلا کارایی آن ھا در مدل CCR محاسبه شده است، استفاده می کنیم. ھدف این تحقیق کارایی فنی شرکت ھای لیزینگ با به کارگیری روش تحلیل پوششی داده ھا - - DEA مبتنی بر الگوریتم ژنتیک است . نتایج عددی حاصل از اجرای مدل ھا نشان می دھد که الگوریتم GA امکان حل مسائل بهینه سازی را در مدل CCR با رویکرد خروجی محور با اختصاص بهترین ضرایب برای موزون کردن وزن ورودی ھا و خروجی ھا را دارا می باشد.
١. متن مقاله
امروزه اغلب سازمان ھا در محیط رقابتی و پویا در حال فعالیت ھستند، محیطی که سازمان ھا برای دستیابی به اھداف بلند مدت و چشم اندازھای خود نیازمند صرف ھزینه و زمان جهت تهیه، تدوین و اجرای استراتژی ھای رقابتی و نهایتا تقویت فعالیت شرکت و ارتقای کیفیت خدمات خود ھستند. بنابراین، آگاھی از این که عملکرد سازمان تا چه حد در جهت رسیدن به این اھداف بوده و موقعیت سازمان در محیط پیچیده و پویای امروز کجاست، برای مدیران و سازمان ھا اھمیت فراوانی دارد
صنعت لیزینگ به عنوان یک صنعت مدرن مالی به عنوان الگویی جدید در تجارت از یک سو تأمین کننده نیازھای مالی و پولی متقاضیان کالا و از دیگر سو، فراھم کننده ابزار تولید انبوه در اقتصاد خرد و کلان خواھد بود. صنعت لیزینگ برای اقتصاد ملی موجب افزایش تقاضا ، افزایش تولید، افزایش اشتغال، تعادل قیمت ھا و رونق اقتصادی می گردد.
این شرکت ھا در ھمه جای دنیا رکن دوم سیستم بانکی محسوب شده این شرکت ھا در کشور ما بسیار جوان ھستند و مردم و حتی مسئولان با سازوکار آن آشنایی ندارند، شرکت ھای یاد شده به طور قطع نقش کلیدی در برنامه ھای رشد اقتصادی و نگاه توسعه ای خواھند داشت . تحقیق حاضر با اذعان به این مهم که عواملی ھمچون دخالت دولت، موانع فرھنگی و روند رشد متغیرھای کلان اقتصادی بر درجه توسعه یافتگی صنعت لیزینگ مؤثر است، به بررسی نحوه عملکرد خود شرکت ھای لیزینگ در رابطه با استفاده بهینه از منابع در دسترس آن ھا می پردازد.
٢. بیان مسئله
یکی از مهمترین نیازھای ھر سازمان و مجموعه اقتصادی در جهت حفظ پاسخگویی به شرایط رقابتی و مطالبات روز افزون محیطی ، افزایش کارایی سازمان در کلیه سطوح است. پیش نیاز این امر تدارک روشی برای سنجش کارایی و یافتن نقاط ضعف واحدھای زیر مجموعه می باشد. روش تحلیل پوششی داده ھا یکی از بهترین روش ھای موجود در جهت تعیین کارایی نسبی واحدھای تصمیم گیری محسوب می شود. این روش ناپارامتریک علاوه بر سهولت نسبی اجرا،رتبه بندی ھای مناسب و قابل اعتمادی را به ھمراه نقاط ضعف و ھمچنین پیشنهادھایی برای رفع ھر یک از آن ھا را برای ھر واحد ناکارا ارائه می دھد.
مزیت قابل توجه تکنیک تحلیل پوششی داده ھا عدم نیاز آن به تعیین مشخصات پارامتریک - ھمچون تابع تولید - برای به دست آوردن امتیازات کارایی است، به تعبیر دیگر تحلیل پوششی داده ھا به عنوان یک ابزار استوار در ارزیابی کارایی مجموعه ھا و سازمان ھای تجاری و قتصادی به کار می رود، شناخته می شود که معیار واحدی از کارایی برای ھر واحد نسبت به ھمتایان فراھم می کند .
این تکنیک یک روش مبتنی بر تجربه میباشد که نیازی به مفروضات و محدودیتهای سنتی سنجش کارایی ندارد از زمان معرفی، این روش بطور گسترده در تمام سازمانها اعم از انتفاعی و غیرانتفاعی و... استفاده شده است اگر یک واحد تصمیمگیری تنها دارای یک نهاده و یک ستاده باشد کارایی این واحدھا از طریق تقسیم ستاده به نهاده بدست میآید در حالتی ھم که نهاده و ستادهھای چندگانه وجود داشته باشد. در صورت وجود قیمت - ارزش - ھر یک از نهادھا و ستادهھا میتوان از طریق تقسیم مجموع وزنی ستادهھا به مجموع وزنی نهادھا کارایی را مشخص کرد.
٣.مدل تحلیلی تحقیق
شکل ١ – مدل مفهومی تحقیق
۴. پیشینه تحقیق
امروزه استفاده از تکنیک تحلیل پوششی داده ھا با سرعت زیادی در حال گسترش بوده ، توسعه ھای زیادی از جنبه تئوری و کاربردی در مدل ھای تحلیل پوششی داده ھا اتفاق افتاده که شناخت جوانب مختلف آن را برای به کارگیری دقیقتر اجتناب ناپذیر می کند. از این رو با توجه به جنبه کاربردی بودن و توسعه مدل ھای تحلیل پوششی داده ھا سالانه کنفرانس بین المللی تحلیل پوششی داده ھا در دانشگاه ھا و مراکز پژوھشی کشور، به منظور ترویج دانش تحلیل پوششی داده ھا و کاربرد آن در سایر علوم برگزار می گردد.
احمد فلاح نژاد و علی جانعلی زاده - - 1390 در مقاله ای تحت عنوان کارکرد الگوریتم ژنتیک در شبیه سازی قیود تصادفی به کاربرد این دو تکنیک پرداختند. در این مقاله از رویکرد الگوریتم ژنتیک برای حل - p model در مسائل قیود تصادفی تحلیل پوششی داده ھا با در برگرفتن مفهوم تئوری satisficing استفاده شده است .روش اصلی پاسخ این مسائل تا کنون از معادلات قطعی استنتاج می شد که اعمال آن برای تمامی پارامترھای تصادفی دشوار بود. در روش پیشنهاد شده تابع ھدف و قیود تصادفی توسط روش شبیه سازی تصادفی مبتنی بر الگوریتم ژنتیک بررسی شد
انتقاد شدیدی در روش ھای معمول DEA وجود دارد، از جمله این که داده ھای ورودی و خروجی تصادفی مجاز شمرده نمی شوند مثل خطاھای سنجش و یا خطاھای ورودی و ... . به ھر حال سنجش کاراییDEA ممکن است با چنین متغیرھایی حساس شود . از این رو GA برای حل مسائل CCP با متغیرھای تصادفی پیوسته استفاده کردند.
مصطفی عابدزاد و مصطفی مزینانی - ١٣٩٠ - در مقاله ای تحت عنوان "استفاده از الگوریتم ژنتیک و تحلیل پوششی داده ھا برای انتخاب کاراترین چیدمان مبتنی بر ساختار نوآوری منعطف"این دو تکنیک را مورد بررسی قرار دادند. محققین مسئله ی چیدمان را یک مسئله بهینه سازی می دانند.در این مقاله با در نظر گرفتن اھداف مختلف و به کارگیری یک رویکرد چند مرحله ای- شامل الگوریتم ژنتیک،الگوریتم 2-opt و شیوه ی تحلیل پوششی داده ھا-یک چیدمان کارا برای مسئله ی چیدمان مبتنی بر ساخنار نوآوری منعطف تعیین می شود.
با توجه به وجود محدودیت ھا و شرایط خاصی که در تحقیقات موجود مشاھده شده،در این مقاله با استفاده از یک مدل جدید DEA و الگوریتم2-OPT بسط و گسترش کاربرد DEA در مسائل جانمایی را ھدف گرفته است. تحلیل پوششی داده ھا یکی از شیوه ھای تصمیم گیری چند معیاره - MCDM - است [6-7 -8].کاراترین معیارھا توسط توسط الگوریتم 2-OPT و با به کارگیری تحلیل پوششی داده ھا انتخاب می شود.که باعث می گردد وزن دھی اھداف توسط خود مدل صورت گیرد.از ان جا که مسئله ی چیدمان از نوع NP -hard است. به منظور حل چنین مسائلی در یک مدت زمان معقول و با کیفین خوب،انتخاب یک الگوریتم فراابتکاری قدرمتند نیاز است. که در این مقاله از الگوریتم ژنتیک - GA - به دلیل قابلیت آن در جست وجوی موازی در فضاھای پیچیده و برای جلوگیری از رسیدن به جواب بهینه ی محلی در بسیاری مسئله ھا استفاده می شود.که در این نوشتار از الگوریتم ژنتیک برای حل مسئله ی چیدمان تسهیلات با ساختار نوآوری منعطف استفاده می شود
.ویپول جاین، آمیت کومار؛سامین کومار و چارو چاندرا - - 2015در مقاله ای تحت عنوان" محدودیت وزن در تحلیل پوششی داده ھا:مبتنی بر رویکرد جامع الگوریتم ژنتیک برای ترکیب قضاوت ارزش " این دو تکنیک را بررسی کرده اند. در این پژوھش به بررسی محدودیت ھای وزن ھای تصمیم گیری که شامل عوامل تصمیم گیری و سلسله مراتب سازمانی است مبتنی بر رویکرد الگوریتم ژنتیک می پردازد. این روش شامل پیدا کردن مجموعه ای از وزن ھا برای حداقل سازی فاصله از ترجیحات نسبی تصمیم گیران است.
این روش انعطاف پذیر است و مجموعه ای مشترک از وزن ھای واحدھای تصمیم گیری - - DMU و محدودیت ھای وزن مخصوص را به وجود می آورد و مشکل انعطاف پذیری مدل عمومی DEA را با استفاده از رویکرد الگوریتم ژنتیک حل می کند. تحلیل پوششی داده ھا از قابلیت انعطاف پذیری وزن رنج می برد. انتخاب منعطف وزن ھا در رویکرد CCR می تواند با دیدگاھهای مدیریتی یا دانش پیشین ورودی ھا و خروجی ھا متناقض باشد . به طور خلاصه محدودیتی که در وزن دھی به واحدھای تصمیم گیری به وجود می آید به دلیل مواردی از جمله این که به تصمیم گیران اجازه می دھند که بیشتر از کمیت قضاوتشان پیش روند. ھدف این پژوھش این است که محدودیت ھای مربوط به DMU ھای متفاوت تحلیل پوششی داده ھا را حل کند.
GA عوامل نقش دوگانه و تضمین امکان سنجی در ھمه زمان ھا را در بردارد. تابع فاصله را حذف می کند و نگرانی ھای ذھنیت را کاھش می دھد و ھمچنین چارچوبی برای آسان سازی را برای تصمیم گیرندگان فراھم می کند.در واقع این مقاله یک طرح کلی از پیشنهاد GA براساس محدودیت ھای روش وزن را ارائه می کند. یودھایاکومار، چارلز و موکش کومار١ - 2011 - در مقاله ای تحت عنوان"شبیه سازی تصادفی مبتنی بر الگوریتم ژنتیک برای شانس محدود تحلیل پوششی داده ھا و تجزیه و تحلیل مسائل"به حل مشکل شانس محدود تحلیل پوششی داده ھا مبتنی بر الگوریتم ژنتیک می پردازد. این مشکلات دربرگیرنده مواردی است که ورودی ھا و خروجی ھا تصادفی اند.
به ھمان نسبت،مواردی که فقط خروجی ھا تصادفی باشند . راه حل تکنیک دستیابی به معادله قطعی بعید است. [12-13 -14] زیرا پارامترھای تصادفی سخت می گردد و ھیچ روش به ھم پیوسته ای وجود ندارد.عملیات تصادفی و شانس ھای محدود در فرآیند ژنتیک آورده شده و انعطاف پذیری شانس ھای محدود توسط روش ھای شبیه سازی تصادفی بررسی شده است. در این مقاله مدل P -model ، CCDEA که شامل مفهوم رضایت شغلی است معرفی می شود. الگوریتم GA نقش حیاتی را در حل مدل CCDEA بدون ھیچ گونه فرض نرمال ، و در نتیجه حفظ خواص داده ھا بدون ھر تغییری را اجرا می کند.
چوان تی سه کوآه،کوآن یو ونگ و وای پنگ ونگ ٢ - 2012 - در مقاله ای تحت عنوان "تحلیل پوششی مونت کارلو داده ھا با الگوریتم ژنتیک برای اندازه گیری عملکرد مدیریت دانش" به تعبیه مدل حقیقی مدیریت دانش - - KM و مدل سنجش عملکرد در یک محیط تصادفی بر اساس تحلیل پوششی داده ھا - DEA - شبیه سازی مونت کارلو و الگوریتم ژنتیک - GA - می پردازد.
مدل پیشنهادی مدیریت دانش را با استفاده از مجموعه ای از اقدامات پروکسی ھای ھمبسته با فرآیندھای اصلی مدیریت دانش ارزیابی می کند. رانگ- چوآنگ لین آ و مصطفی کمالیان٣ - - 2013 در مقاله ای تحت عنوان "بهینه سازی شبیه سازی چند ھدفه با استفاده از تحلیل پوششی داده ھا و الگوریتم ژنتیک: کاربر دخاص برای تعیین سطح بهینه منابع در خدمات جراحی" کاربرد این دو روش را در بهینه سازی چند ھدفه مورد بررسی قرار می دھد. شبیه سازی ابزاری قدرتمند برای مدلسازی سیستم ھای پیچیده ھمراه با روابط پیچیده بین منبع و نهادھای متنوع است
بهینه سازی شبیه سازی به روش ھایی که فضاھای طراحی را جستجو می کند.اشاره دارد که وضعیت سیستم را آشکار می کند و به بهترین عملکرد می رسد.که این مقاله چارچوبی را برای بهینه سازی شبیه سازی پیشنهاد می کند. که با رویکرد طبیعی الگوریتم ژنتیک ترکیب می شود که فضاھای طرحی را می تواند کارآمدتر کند. و از روش تحلیل پوششی داده ھا برای نتایج شبیه سازی استفاده می شود.و به فرآیند جستجو کمک می کند. در این چارچوب، ما روابط و رتبه بندی موضوعات بهره وری را از روش DEA استفاده می کنیم که از تابع ھدف برای ارزش گذاری رویکرد طبیعی عملیات GA استفاده می شود
٥. اھداف پژوھش:
اھداف اصلی این تحقیق عبارتند از:
١- ٥تحلیل کارایی فنی شرکت ھای لیزینگ با DEA به عنوان یک روش غیرپارامتری به منظور محاسبه کارایی فنی شرکت ھای لیزینگ است.
٢- ٥ترکیب تکنیک الگوریتم ژنتیک با DEA جهت بررسی کارایی فنی.
٣- ٥تشخیص علت ناکارا بودن شرکت ھا مبتنی بر اصول انتخاب طبیعی الگوریتم ژنتیک GA برای یافتن فرمول بهینه جهت پیش بینی یا تطبیق الگو.
٤- ٥ استفاده از DEA به عنوان یک روش چندمعیاره تصمیم گیری برای چندین متغیر ورودی و خروجی جهت تحلیل حساسیت و تعیین انتخاب پرتفوی بهینه از بین شرکت ھای کارا با رویکرد طبیعی داروین الگوریتم ژنتیک .GA
٦.سوالات تحقیق:
١-٦ چگونه می توان مدل مضربی - اولیه - CCR خروجی محور و مدل پوششی - ثانویه - CCR خروجی محور را با رویکرد طبیعی الگوریتم ژنتیک در فرآیند تحلیل کارایی فنی شرکت ھای لیزینگ به کار برد؟
٢-٦ چگونه می توان جزئیات مربوط به محدودیت وزن DMUھا را با رویکرد طبیعی الگوریتم ژنتیک به دست آورد؟
٣-٦ چگونه می توان مقدار متناوب تابع ھدف در الگوی خروجی محور CCRرا با عملگرھای الگوریتم ژنتیک بهینه سازی نمود؟
٧. قلمرو مکانی:
کلیه شرکتهای لیزینگ تایید شده بانک مرکزی کشور می باشند. براساس جدیدترین اطلاعات، ھماکنون ٣٧ شرکت لیزینگ از بانک مرکزی دارای مجوز ھستند. از این میان ۵٢ شرکت دارای مجوز و ١٢ شرکت در حال تمدید مجوز از بانک مرکزی ھستند.
٨. قلمرو زمانی:
داده ھای این تحقیق برگرفته از صورت ھای مالی شرکت ھای دارای مجوز از بانک مرکزی کشور در فاصله زمانی سال - ١٣٩٣-١٣٩٢ - بوده است.
٩. روش تحقیق :
تحقیق حاضر از حیث ھدف از نوع کاربردی و از حیث روش از نوع توصیفی مدلسازی می باشد . در این پژوھش ابتدا پیشینه مسأله مورد مطالعه و بررسی قرار گرفته و سپس با مشخص کردن متغیرھا و پارامترھا به تحلیل کارایی فنی شرکت ھای لیزینگ با به کار گیری روش تحلیل پوششی داده ھا پرداخته می شود .که با استفاده از رویکرد مبتنی بر الگوریتم ژنتیک DMU ھای مربوط به واحدھای تصمیم گیرنده شرکت ھای لیزینگ با به کارگیری عملگرھای الگوریتم ژنتیک در تابع ھدف GA بهینه سازی می شود.
