ارائه مدلی برای ارزیابی کارایی بهکمک ترکیب مدل اندازهگیری با دامنه تعدیل شده و محدودیتهای وزنی (مطالعه موردی: شعبههای شرکت بیمه ایران)
محل انتشار: فصلنامه مدیریت صنعتی، دوره: 10، شماره: 2
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 127
فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IMJT-10-2_001
تاریخ نمایه سازی: 5 شهریور 1402
چکیده مقاله:
هدف: یکی از ضعفهای جدی کاربرد تحلیل پوششی دادهها در ارزیابی شرکتهای بیمه، بهره نبردن از نظر خبرگان و تصمیمگیرندگان و آزادی کامل شرکتهای بیمه تحت بررسی در تخصیص وزن به ورودیها و خروجیهاست. این مسئله به شرکتهای بیمه اجازه میدهد که امتیاز کارایی مجازی زیادی را با حذف برخی ورودیها و خروجیهای مهم بهدست آورند. روش: یکی از متداولترین روشها برای در نظر گرفتن نظر خبرگان و تصمیمگیرندگان در تحلیل پوششی دادهها، وارد کردن محدودیتهای وزنی است. محدودیتهای وزنی اجازه ترکیب نظر خبرگان و تصمیمگیرندگان و کنترل دامنه تغییرات وزنها در تحلیل پوششی دادهها را فراهم میکند. بنابراین در این مقاله یک مدل اندازهگیری با دامنه تعدیلشده در دو حالت با محدودیتهای وزنی و بدون محدودیتهای وزنی بهکار برده شده است. یافتهها: میانگین کارایی مدل اندازهگیری با دامنه تعدیلشده با محدودیتهای وزنی و بدون محدودیتهای وزنی، بهترتیب ۹۲۷/۰ و ۹۵۹/۰ بهدست آمد. تعداد شعبههای کارا در زمان بهکارگیری محدودیتهای وزنی از ۷۱ واحد به ۲۴ واحد کاهش داشت که این نتیجه تاثیر این محدودیتها را نشان میدهد. نتیجهگیری: در این مقاله تلاش شده است که مدل جدیدی در حوزه تحلیل پوششی دادهها با دامنه تعدیل شده و در نظر گرفتن محدودیتهای وزنی ارائه شده و در شرکت بیمه ایران نیز آزمون شود.
کلیدواژه ها:
نویسندگان
علی ابراهیمی کردلر
دانشیار گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران
عبدالحسین جعفرزاده
دانشجوی دکتری مدیریت تحقیق در عملیات، پردیس فارابی، دانشگاه تهران، قم، ایران
محمد هادی علی احمدی
دانشجوی دکتری مهندسی صنایع، دانشگاه علم و صنعت، ، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :