سنجش بهره‌وری شعب فروش در صنعت برنج: رتبه‌بندی واحدهای عملیاتی با مدل‌های سوپرکارایی تحلیل پوششی داده‌ها

نویسندگان

  • مائده پورحسین احمدی * کارشناسی ارشد مدیریت بازرگانی، دانشگاه آزاد، بابل، ایران.
  • سید مجتبی کاوسی داودی استادیار گروه مهندسی صنایع، دانشگاه شمال، آمل، ایران.

https://doi.org/10.22105/mmaa.vi.128

چکیده

هدف: در شرکت‌های فعال در صنعت برنج، تفاوت در نحوه تخصیص منابع، مدیریت عملیات و کارایی فرآیندها می‌تواند منجر به شکاف‌های عملکردی قابل‌توجه میان شعب و واحدهای عملیاتی شود. اگرچه تحلیل پوششی داده‌ها یکی از پرکاربردترین ابزارهای ارزیابی عملکرد است، اما وجود چندین واحد با امتیاز کارایی یکسان، قدرت تمایز و رتبه‌بندی آن را محدود می‌کند. در پاسخ به این چالش، پژوهش حاضر با هدف ارزیابی و رتبه‌بندی عملکرد شعب شرکت دهکده برنج طبیعت و رفع مسئله هم‌رتبه‌ای میان واحدهای کارا انجام شد.

روش‌شناسی پژوهش: این پژوهش از نوع کاربردی بوده و از رویکرد تحلیل پوششی داده‌ها برای ارزیابی عملکرد استفاده می‌کند. ده شعبه شرکت دهکده برنج طبیعت به‌عنوان واحدهای تصمیم‌گیرنده در نظر گرفته شدند. متغیرهای ورودی شامل هزینه خرید شلتوک، انرژی مصرفی و نیروی انسانی و متغیرهای خروجی شامل میزان تولید نهایی و حاشیه سود بودند. در مرحله نخست، کارایی نسبی واحدها با استفاده از مدل CCR ورودی‌محور محاسبه شد. سپس برای رتبه‌بندی واحدهای کارا و رفع محدودیت هم‌رتبه‌ای، مدل سوپرکارایی اندرسن-پترسن به‌کار گرفته شد. همچنین برای بررسی پایداری نتایج، تحلیل حساسیت تحت سناریوهای مختلف تغییرات پارامترهای ورودی انجام گرفت.

یافته‌ها: نتایج نشان داد پنج شعبه در مرز کارایی قرار دارند و پنج شعبه دیگر دارای ناکارایی نسبی هستند. اجرای مدل سوپرکارایی امکان تفکیک واحدهای کارا را فراهم کرد و شعبه شماره ۲ با امتیاز 18/1 به‌عنوان واحد مرجع و الگوی عملکردی برتر شناسایی شد. تحلیل شکاف نیز نشان داد شعب دارای عملکرد ضعیف‌تر عمدتاً با اتلاف منابع در حوزه هزینه‌های خرید و مصرف انرژی مواجه هستند و می‌توانند بدون کاهش سطح تولید، بخشی از منابع مصرفی خود را کاهش دهند. نتایج تحلیل حساسیت نیز بیانگر ثبات نسبی رتبه‌بندی‌ها در برابر تغییرات محدود پارامترهای ورودی بود.

اصالت/ارزش افزوده علمی: این پژوهش کاربرد عملی مدل‌های سوپرکارایی را در ارزیابی عملکرد واحدهای عملیاتی صنعت برنج نشان می‌دهد و فراتر از شناسایی واحدهای کارا، امکان رتبه‌بندی دقیق آن‌ها را فراهم می‌سازد. ارزش افزوده اصلی مطالعه در تبدیل نتایج ارزیابی کارایی به توصیه‌های اجرایی برای تخصیص منابع، بهبود فرآیندها و الگوبرداری از واحدهای برتر است. چارچوب پیشنهادی می‌تواند در سایر شرکت‌های تولیدی و توزیعی نیز برای پایش عملکرد شعب، شناسایی گلوگاه‌های بهره‌وری و پشتیبانی از تصمیم‌گیری مدیریتی مورد استفاده قرار گیرد.

کلمات کلیدی:

تحلیل پوششی داده‌ها، رتبه‌بندی، سوپر-کارایی، صنعت برنج، مدیریت عملکرد

مراجع

  1. [1] Andersen, P., & Petersen, N. C. (1993). A procedure for ranking efficient units in data envelopment analysis. Management Science, 39(10), 1261–1264.
  2. [2] Arabmaldar, A., Sahoo, B. K., & Ghiyasi, M. (2023). A generalized robust data envelopment analysis model based on directional distance function. European Journal of Operational Research, 311(2), 617–632.
  3. [3] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science, 30(9), 1078–1092.
  4. [4] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444.
  5. [5] Chen, Y., et al. (2022). A review of data envelopment analysis in performance evaluation: Trends and future directions. Journal of Productivity Analysis, 57(1), 15–38.
  6. [6] Doyle, J., & Green, R. (1994). Efficiency and cross-efficiency in DEA: Derivations, meanings and uses. Journal of the Operational Research Society, 45(5), 567–578.
  7. [7] Emrouznejad, A., & Yang, G. L. (2024). A survey and analysis of the first 45 years of Data Envelopment Analysis (DEA). Socio-Economic Planning Sciences, 91, 101831.
  8. [8] Gómez-Calvet, R., et al. (2020). European energy efficiency evaluation based on the use of super-efficiency under undesirable outputs in SBM models. Energy Economics, 86, 104652.
  9. [9] Khodabakhshi, M., et al. (2021). Ranking decision-making units using super-efficiency models in the presence of imprecise data. Computational and Applied Mathematics, 40(4), 132.
  10. [10] Li, H., et al. (2020). Evaluating the efficiency of supply chain systems using two-stage network DEA. International Journal of Production Economics, 227, 107664.
  11. [11] Liang, L., Wu, J., Cook, W. D., & Zhu, J. (2008). Alternative secondary goals in DEA cross-efficiency evaluation. International Journal of Production Economics, 113(2), 1025–1030.
  12. [12] Omrani, H., et al. (2021). A novel common-weights approach for ranking decision-making units in DEA. Operational Research, 21, 1375–1405.
  13. [13] Sahoo, B. K., & Mehdiloo, M. (2023). Recent advances in data envelopment analysis: Challenges and opportunities. Omega, 118, 102868.
  14. [14] Wang, Y., et al. (2024). Performance evaluation of agricultural supply chains: A DEA-based approach with undesirable outputs. Computers and Electronics in Agriculture, 217, 108560.
  15. [15] Zhao, Y., & Gong, Z. (2023). Efficiency evaluation and ranking of operational units: An integration of DEA and sensitivity analysis. Expert Systems with Applications, 213, 119045.

چاپ شده

2026-08-24

شماره

مقالات آماده انتشار

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

پورحسین احمدی م., & کاوسی داودی س. م. (2026). سنجش بهره‌وری شعب فروش در صنعت برنج: رتبه‌بندی واحدهای عملیاتی با مدل‌های سوپرکارایی تحلیل پوششی داده‌ها. مدیریت: مدلسازی، تحلیل‌ها و کاربرد. https://doi.org/10.22105/mmaa.vi.128
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.