Uzantı kartı · Kesin
Ağ SBM DEA (Tone ve Tsutsui, 2009)
Bu, DEA'nın çok aşamalı bir süreci, aşama başına ayrı önem ağırlıklarıyla değerlendiren biçimidir. Girdi/çıktı fazlalıklarını oransal değil doğrudan ölçer, birden çok dönemi bir pencere içinde birlikte inceleyebilir. Çıktısı yine 0 ile 1 arasında bir ağ verimlilik puanıdır.
Temel yöntem
DEA →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Kesin (Classical) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; DEA'nın kendi ağırlığını kendi bulma ilkesi değişmez.
Girdi-çıktı yapısı. Temel CCR ve iki aşamalı ağ DEA, girdiyi ve çıktıyı tek bir oransal katsayıyla (theta) daraltır ve genişletir. Burada her girdi ve çıktı kendi fazlalığını ayrı ayrı taşıyabilir; skor bu fazlalıkların oranına dayanır, tek bir ortak orana değil. Süreç yine aşamalara bölünür, bu kartta iki aşama, ve aşamalar arasında bir bağlantı ürünüyle bağlanır. Her aşamaya bir önem ağırlığı verilebilir.
Model kısıtları. Temel radyal modelde girdi ve çıktı fazlalıkları skor hesabına ikinci planda girer, ilk planda theta oranı belirleyicidir. Bu sapma tabanlı ölçüde skor doğrudan girdi fazlalıklarının payını ve çıktı fazlalıklarının payını oranlar; bu oran kesirli bir programlamadır ve DecisionMind bunu bir dönüşümle doğrusallaştırır. Aşamalar arası bağlantı ürünü, iki aşamada aynı düzeyde tutulacak biçimde bir eşitlik kısıtıyla bağlanır.
Skor hesaplama. Skor, payda girdi fazlalıklarının ağırlıklı toplamını, paydada çıktı fazlalıklarının ağırlıklı toplamını taşıyan bir oranın en iyileştirilmiş biçimidir. Aşama ağırlıkları bu oranda hangi aşamanın daha belirleyici sayılacağını ayarlar; eşit ağırlık da mümkündür. DecisionMind bu kartta birden çok dönemi tek bir pencerede birlikte gözlem kümesi sayabilir; pencere genişliği kullanıcı parametresidir.
Sonuç ve durulaştırma. Skor yine 0 ile 1 arasındadır; skor=1 sıfır fazlalık, yani tam etkinlik demektir. Fark şurada: yöntem yalnız birleşik skoru değil, her aşama için ayrı bir aşama etkinliğini de raporlar. Hangi aşamanın fazlalık taşıdığı doğrudan görülebilir; bu, iki aşamalı radyal modelin veremediği bir kırılımdır.
DecisionMind bu uzantıda doğrusallaştırma adımını ve aşamalar arası serbest bağlantı eşitliğini sabit tutar; bu kartta aşama sayısı ikidir, pencere genişliği ve dönem sayısı kullanıcı parametreleridir.
Çıktı Nasıl Yorumlanır?
Temel DEA'daki gibi skor kümeye görecelidir. Fark şurada: skor artık oransal bir daralma değil, girdi ve çıktı fazlalıklarının doğrudan oranıdır. Bu yüzden küçük fazlalıklar bile skoru düşürebilir; radyal modeldeki gibi orantılı bir yorum yapılamaz. Ayrıca aşama bazlı etkinlik ayrı okunmalıdır; birleşik skor düşükse hangi aşamanın sorumlu olduğu aşama etkinliklerinden anlaşılır.
Bu nedenle:
"Bu birim en verimli birimdir"
yerine:
"Bu birim, iki aşamalı ağ SBM modelinde skor=1 ile sıfır fazlalık göstermektedir. Diğer birim 0,921 skorla girdi ya da çıktı tarafında fazlalık taşımaktadır; hangi aşamada olduğu aşama etkinliklerinden görülür"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Süreç birden çok aşamaya ayrılıyorsa ve aşamalara farklı önem ağırlığı gerekiyorsa bu uzantı uygundur. Girdi ve çıktı fazlalıklarının oransal değil doğrudan ölçülmesi isteniyorsa da aynı şey geçerlidir. Aşamalar eşit önemliyse ve oransal bir skor yeterliyse, daha basit olan iki aşamalı ağ DEA tercih edilebilir.
Birden çok dönemin tek bir pencerede birlikte değerlendirilmesi isteniyorsa pencere analizi devreye girer. Tek dönemlik veri için pencere genişliği döneme eşitlenir ve pencere analizi etkisiz kalır. Temel yöntemin çıkış koşulu burada da geçerlidir: amaç tercih değil göreli verimlilik ölçmekse bu aile uygundur.
Bu Uzantıya Özgü Hatalar
Aşama ağırlıklarını düşünmeden eşit vermek. Aşamalar stratejik önem bakımından farklıysa eşit ağırlık sıralamayı çarpıtabilir. Ağırlıklar uzman yargısıyla ya da açık bir gerekçeyle belirlenmelidir.
Kesirli programlamayı doğrudan çözmeye çalışmak. Bu modelin ham biçimi kesirlidir. DecisionMind bunu bir dönüşümle doğrusal programlamaya çevirir; bu adım atlanırsa sonuç yanlış çıkar ya da çözücü yakınsamaz.
Bağlantı ürününü aşamalar arasında sabit gözlenen değere kilitlemek. Ağ SBM'de bağlantı etkinlikleri serbesttir; iki aşamanın yoğunluk değişkenleri bağlantı ürününü içsel olarak eşitler, gözlenen değere zorlanmaz. Bunu sabit veri gibi ele almak modelin serbestlik derecesini bozar.
Radyal theta ile bu modelin skorunu aynı ölçekte karşılaştırmak. İki aşamalı ağ DEA'nın theta'sı ile bu modelin skoru farklı matematiksel tanımlardır. Aynı birimin iki farklı modeldeki skorunu doğrudan kıyaslamak yanlış sonuca götürür.
Temel ilke şudur:
Ağ SBM, girdi ve çıktı fazlalıklarını aşama bazında ve doğrudan ölçmek içindir. Aşamaları eşitleyen ya da kesirli formu doğrusallaştırmadan çözen her uygulama bu katkıyı ortadan kaldırır.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir; manifestteki fixture elle kurulmuş küçük bir tablodur ve iki aşamalıdır. Literatürdeki gerçek uygulama (29 Tayvanlı Ar-Ge kuruluşu, 2005-2009, üç aşama) burada yeniden üretilmemiştir; DecisionMind motoru şu an iki aşamayı çalıştırır. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç limanın iki aşamalı elleçleme verimliliği
Bir liman işletmesinin üç terminali iki aşamalı bir süreçle değerlendiriliyor. Birinci aşamada vinç sayısı ve işçi gücü (girdi), elleçleme kapasitesini (bağlantı ürünü) oluşturuyor. İkinci aşamada bu kapasite, konteyner trafiği ve gelir (çıktı) üretiyor. Aşama ağırlıkları eşit alınmıştır (0,5; 0,5).
| Terminal | Girdi | Bağlantı | Çıktı |
|---|---|---|---|
| L1 | 2; 3 | 5; 4 | 10; 8 |
| L2 | 3; 2 | 6; 3 | 12; 7 |
| L3 | 4; 4 | 3; 3 | 9; 6 |
Yöntem her terminal için girdi ve çıktı fazlalıklarının ağırlıklı oranını en iyileştiren doğrusal programlamayı çözer.
| Terminal | Ağ SBM skoru | Aşama 1 etkinliği | Aşama 2 etkinliği |
|---|---|---|---|
| L1 | 0,921 | 1,000 | 0,854 |
| L2 | 1,000 | 1,000 | 1,000 |
| L3 | 1,000 | 1,000 | 1,000 |
Sonuç şöyle okunur. L2 ve L3 sıfır fazlalıkla tam etkindir. L1'in birinci aşaması fazlalıksızken ikinci aşamasında fazlalık vardır; bu yüzden birleşik skoru 1'in altındadır.
Terminalin tereddüdü şudur: L1'in çıktı fazlalığı, aşama ağırlıkları değişse skor değişir mi? Python ile aynı doğrusal programlama, ikinci aşamaya daha çok önem verilerek (0,3; 0,7) yeniden çözülmüştür. L1'in skoru 0,921'den 0,893'e düşmüştür; ikinci aşamaya daha çok ağırlık verildiğinde L1'in fazlalığı skoru daha çok cezalandırmıştır.
Raporda: "Üç terminal iki aşamalı ağ SBM ile karşılaştırılmıştır. L2 ve L3 sıfır fazlalıkla tam etkindir (skor 1,000); L1 ikinci aşamada fazlalık taşıdığı için 0,921 skorla geridedir. Bu sonuç aşama ağırlıklarının seçimine duyarlıdır."
Kaynak: Bu, DecisionMind'ın Ağ SBM DEA motorunun doğrulama örneğidir; Tone ve Tsutsui'nin (2009) ağ SBM çerçevesine dayanır, ama makalenin kendi sayfasından alınmış bir tablo değildir. Sayılar Python ile bağımsız olarak yeniden hesaplanmıştır.
2. Lojistik: Bir kargo şirketinin çok yıllı iki aşamalı verimliliği
Bir kargo şirketi, üç dağıtım merkezinin son beş yıldaki verimliliğini tek bir pencerede karşılaştıracaktır. Birinci aşamada araç filosu ve personel sayısı (girdi), taşıma kapasitesini ton-kilometre cinsinden (bağlantı ürünü) oluşturur. İkinci aşamada bu kapasite, teslim edilen paket sayısı ve gelir (çıktı) üretir. Şirket birinci aşamaya, filo verimliliğine, ikinci aşamadan biraz daha fazla önem veriyor.
Yöntem beş yılın gözlemlerini tek bir pencerede birleştirip her merkez için girdi ve çıktı fazlalıklarının ağırlıklı oranını en iyileştirir. Diyelim ki en büyük filoya sahip merkez, kapasitesini teslimata tam yansıtamadığı için ikinci aşamada fazlalık taşıdı ve birleşik skoru düşük çıktı. Daha küçük ama kapasitesini tam kullanan merkez ise tam etkin çıktı.
Şirketin tereddüdü şudur: büyük filolu merkezin düşük skoru filo büyüklüğünden mi, yoksa dağıtım rotalarının verimsizliğinden mi kaynaklanır? Birleşik skor bunu tek başına ayırmaz. Aşama etkinlikleri ayrı okunduğunda birinci aşamanın (filo kullanımı) yüksek, ikinci aşamanın (teslimat verimliliği) düşük çıktığı görülür ve sorun rota planlaması tarafına işaret eder.
Raporda: "Üç dağıtım merkezi beş yıllık ortak pencerede karşılaştırılmıştır. En büyük filoya sahip merkez ikinci aşamada fazlalık taşımaktadır; birinci aşama etkindir. Bu ayrım, iyileştirmenin filo değil rota planlaması tarafında aranması gerektiğini göstermektedir."
3. Yapılmaması Gereken
Birinci yanlış, öğretici örnekteki kesirli oranı bir dönüşüm uygulamadan doğrudan çözmeye çalışmaktır; bu ya yakınsamaz ya da yanlış bir skor üretir. İkinci yanlış, aşama ağırlıklarını hiç düşünmeden her zaman eşit almaktır; L1 örneğinde görüldüğü gibi ağırlık seçimi skoru değiştirebilir ve bu seçim gerekçelendirilmelidir. Üçüncü yanlış, L1'in 0,921 skorunu iki aşamalı radyal ağ DEA'nın theta'sıyla doğrudan karşılaştırmaktır; iki skor farklı matematiksel tanımlara dayanır ve birbirinin yerine geçmez.
Kaynaklar
Adımların formülleri, ara tablolar ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/dea-network-sbm
Tone, K., & Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European Journal of Operational Research, 197(1), 243–252. DOI: 10.1016/j.ejor.2008.05.027
Tone, K., & Tsutsui, M. (2014). Dynamic DEA with network structure: A slacks-based measure approach. Omega, 42(1), 124–131. DOI: 10.1016/j.omega.2013.04.002
Wu, Y.-C., Ting, I. W. K., Lu, W.-M., Nourani, M., & Kweh, Q. L. (2016). Capital stock and performance of R&D organizations: A dynamic DEA-ANP hybrid approach. In Handbook of Operations Analytics Using Data Envelopment Analysis (Ch. 7, pp. 169–196). Springer. DOI: 10.1007/978-1-4899-7705-2_7
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. DOI: 10.1016/0377-2217(78)90138-8