وبلاگ

در سالهای اخیر در اغلب کشورهای جهان برای ارزیابی عملکرد نهادها و دیگر فعالیت­های رایج در زمینه ­های مختلف، کاربرد­های مختلفی از تحلیل پوششی داده ­ها (DEA) دیده شده است. علت مقبولیت گسترده­تر روش DEA نسبت به سایر روش­ها، امکان بررسی روابط پیچیده و اغلب نامعلوم بین چندین ورودی و چندین خروجی است که در این فعالیت­ها وجود دارد. [1] در سال 1957 فارل[1] با بهره گرفتن از روشی مانند اندازه ­گیری کارایی در مباحث مهندسی اقدام به اندازه ­گیری کارایی برای یک واحد تولیدی نمود. موردی که فارل برای اندازه گیری کارایی مد نظر قرار داده بود شامل یک ورودی و یک خروجی بود. مطالعه فارل شامل اندازه ­گیری “کارایی­های فنی” و “تخصصی” و “مشتق تابع تولید کارا” بود. فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا نسبت به سایر کشور­ها مورد استفاده قرار داد. بااین وجود، او در ارائه روشی که دربرگیرنده ورودی و خروجی های متعدد باشد، موفق نبود.
چارنز، کوپر و رودز دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه گیری کارایی با چندین ورودی و چندین خروجی را داشت. این مدل تحت عنوان “تحلیل پوششی داده ­ها” نام گرفت و ابتدا در رساله­ی دکتری ادوارد رودز[2] و به راهنمایی کوپر[3] تحت عنوان “ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا” در سال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقاله ای تحت عنوان “اندازه ­گیری کارایی واحد­های تصمیم گیرنده” ارائه شد.
از آنجا که این مدل توسط چارنز[4] ، کوپر و رودز ارائه گردید، به مدل CCR که از حروف اول نام افراد فوق تشکیل شده است معروف گردید. هدف در این مدل اندازه گیری و مقایسه کارایی نسبی واحد­های سازمانی مانند مدارس، بیمارستان ها، شعب بانک، شهرداری ­ها و … که دارای چندین ورودی و خروجی شبیه به هم باشند است. [2]
مارشال[5] اولین کسی بود که اهمیت محلی کردن صنایع را  به توسعه ناحیه ای صنعت مدرن مرتبط ساخت. او نتیجه گیری کرد که بنگاه­ها یا کارخانه­ها قادرند تا تعدادی از مولفه­های تولید مانند زمین، نیروی انسانی، سرمایه، انرژی، و حمل و نقل را از طریق تراکم به اشتراک گذارند. یافته­ های ماشال به مفهوم اقتصاد خارجی منجر شد.[27]و[37] کارخانه­های تولیدی مجاور هزینه­ های تولید و هزینه­ های معاملات را از طریق مشارکت در زیر بنا ، نیروی کار ماهر ، منابع تولیدی در ناحیه کاهش می دهند. بنابراین اقتصاد خارجی و کاهش هزینه معاملات، فاکتور اصلی در تشکیل خوشه های صنعتی می باشد.
وقتی خوشه های صنعتی تخصصی سازی تولید و نزدیکی جغرافیایی بخش های مربوط را به دست می دهد، آنها تکنولوژی خارجی را تولید می کنند که به تولید کنندگان در منطقه کمک می­ کند . در حالی که عملیات سیستم تولید محلی تخصصی سازی تولید کننده را تقویت می کند و رابطه ی بین تولید کنندگان محلی و موسسه های محلی نزدیکتر می گردد.[20] یکی از منابع رقابتی بودن ناحیه ای عملیات سیستم تولید محلی می باشد.[19] چنین ویژگی های حیاتی اقتصاد محلی، گاهی نمی تواند در ناحیه های دیگر ایجاد یا تکرار شود . به عبارت دیگر فعالیت اقتصادی تولید کننده ها به وسیله محدودیت های ناحیه ای تحت تاثیر قرار می گیرد[21],و چنین رشد بزرگی در یک موقعیت

 مکانی به شدت محلی شده، می تواند مرتبط با محیط خاصی که مولفه های تولید را نگه می دارد به نام جاذبه ی فضایی باشد .[22]

بنابراین فضای فعالیت صنایع قطعاً شامل موهبت های طبیعی می باشد مانند نیروی انسانی و منافع فرصت که منجر به تولید کنندگان مستقر در همان ناحیه صنعتی می شود. به دلیل علم سرازیر شده ، پویایی نیروی انسانی، فواید اعتماد دو جانبه و ارزش های مشترک در گروه، این شرکت ها عملکرد اقتصادی بهتری را نسبت به تولید کنندگان خارج از ناحیه صنعتی تجربه می کنند.[23] به علاوه مرتبط کردن مهارت ها، اشتراک اطلاعات ، قوانین گروه ، سیستم و نیروی انسانی در یک ناحیه صنعتی برای توسعه صنعت در محل و افزایش رقابتی بودن محل ، بسیار مهم است.
بر اساس مفاهیم مارشال در ناحیه­ی صنعتی و تئوری که تولید­کنندگان واقعاً از تراکم در مناطق صنعتی یکسان سود می برند ، سیاست های صنعتی دولتی اغلب صنایع خاص را تشویق به جمع شدن در یک ناحیه ی خاص می کند ، در واقع سیاست­های دولت می تواند به طور فعالی صنایع خاص را تشویق کند، توسعه ناحیه ای روستایی و شهری را تنظیم کند ، و شبکه­ همکاری تشکیل دهد، و مهمتر از همه توسعه صنعتی در ناحیه داده شده را هدایت کند.[24] توسعه­ شهرک­های علمی و صنعتی مثالی از چنین سیاست­هایی است. همانطور که در بحث ناحیه ی صنعتی اشاره شد، شبکه­ ایجاد شده از طریق شهرک صنعتی، موهبت­های ناحیه را به طور مثبتی تحت تاثیر قرار می دهد. بنابراین همکاری در تقویت اقتصاد ناحیه بسیار مورد توجه است.[17]
نگاهی کوتاه به ساختار نظام اقتصادی کشور های مختلف، ما را با اهمیت و جایگاه شرکت ها و بنگاه های کوچک و متوسط و شهرک­ها و نواحی در برگیرنده­ی آن­ها بیشتر آشنا خواهد کرد.
هر سازمان به منظور آگاهی از میزان مطلوبیت و مرغوبیت فعالیت های خود به خصوص درمحیط­های پیچیده و پویا نیاز مبرم به نظام ارزیابی دارد. از سوی دیگر فقدان وجود نظام ارزیابی و کنترل در یک سیستم به معنای عدم برقراری ارتباط با محیط درون و برون سازمان تلقی می گردد که پیامد های آن کهولت و در نهایت مرگ سازمان است. ممکن است بروز پدیده مرگ سازمانی به علت عدم وقوع یکباره آن از سوی مدیران عالی سازمان ها احساس نشود. اما مطالعات نشان می دهد فقدان نظام کسب بازخورد امکان انجام اصلاحات لازم برای رشد، توسعه و بهبود فعالیت­های سازمان را غیر ممکن می نماید، سرانجام این پدیده مرگ سازمانی است.[3]
لذا با شناخت آماری شهرک­ها و رتبه بندی آنها و مقایسه نتایج حاصله با اهداف و چشم اندازهای شرکت شهرک­ها­ی، امکان بررسی عملکردی میسر می­گردد که آن هم به نوبه­ی خود در جهت تدوین راهکار­های موثر برای حرکت در مسیر توسعه بخش صنعت به کار می­آید.
1-2- تشریح و بیان موضوع
از آنجایی که تحلیل پوششی داده ­ها کارایی متفاوتی در طول زمان ارائه می­دهد و به هیچ پیش­فرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روش­های ارزیابی عملکرد، DEA در سازماندهی و تحلیل داده ­ها بهترین روش است. اما DEA قادر به تفکیک کارایی همه­ی شرکت­ها از یکدیگر نیست دلیل این موضوع  کم بودن تعداد واحد­های تصمیم گیرنده نسبت به تعداد ورودی و خروجی­ها است. هرچه این نسبت بیشتر باشد، مدل قدرت تفکیک­پذیری بالاتری خواهد داشت. در صورتی که این رابطه­ تجربی بین تعداد واحد­های تصمیم گیرنده ([6]DMUs ) و ورودی­ ها و خروجی­ها برقرار باشد، قدرت تفکیک پذیری مدل مناسب است:
m : تعدادورودی­ های هر DMU
s  : تعداد خروجی­های هر DMU
n : تعداد DMU ها
لذا از آنجایی که روش تحلیل پوششی داده ها در صورت کم بودن تعداد واحد های تصمیم گیرنده (DMU ) با توجه به تعداد ورودی و خروجی ها قادر به تفکیک واحد های تصمیم گیری نمی باشد و در واقع مدل های پایه ای DEA  قادر به رتبه بندی کامل واحد ها نیستند،  سعی می­ شود تا از تلفیق تحلیل پوششی داده ها و شبکه های عصبی مصنوعی به منظور اندازه گیری عملکرد واحد­های تصمیم گیرنده استفاده شود به نحوی که مشکل مذکور برطرف گردد.
در این پژوهش سعی شده است معیار­های ارزیابی عملکرد شهرک­های صنعتی استان مازندران تعیین گردد  و با بهره گرفتن از مدل ترکیبی Neuro-DEA با اندازه گیری کارایی شهرک­های صنعتی این استان و تعیین شهرک­های کارا و ناکارا  و همچنین رتبه بندی شهرک­ها به بهینه سازی شرکت شهرک­های صنعتی استان مازندران از طریق ارزیابی عملکرد کمک گردد.
1 Farrell
[2] Rohdes
[3] Cooper
[4] Charnes
[5]  Marshall
[6] Decision-Making Units