به‌کارگیری تحلیل پوششی داده‌های معکوس-اوزان مشترک جهت ادغام با هدف همگن‌سازی نمره کارایی (مورد مطالعه: شعب بانک)

نویسندگان

  • مهسا علیزاده * گروه مدیریت صنعتی، گرایش کیفیت و بهره‌وری، دانشکده علوم اداری و اقتصاد، دانشگاه ‌ولی‌‌عصر رفسنجان، رفسنجان، ایران
  • عباس شول گروه مدیریت صنعتی، گرایش کیفیت و بهره‌وری، دانشکده علوم اداری و اقتصاد، دانشگاه ‌ولی‌‌عصر رفسنجان، رفسنجان، ایران.

https://doi.org/10.22105/ssfmi.v3i2.111

چکیده

هدف: افزایش تعداد واحدهای سازمانی و پیامدهایی نظیر افزایش هزینه‌ها، کاهش کارایی مدیریتی و تضعیف قدرت بازار، ضرورت بازنگری در ساختار سازمان‌ها را افزایش داده است. ادغام واحدها یکی از راهکارهای موثر در این زمینه است. هدف این پژوهش ارایه رویکردی برای برنامه‌ریزی ادغام بانک‌ها با تاکید بر همگن‌سازی نمرات کارایی واحدهای ادغامی است.

روش‌شناسی پژوهش: در این پژوهش، یک مدل تحلیل پوششی داده‌های معکوس مبتنی بر اوزان مشترک برای فرایند ادغام ارایه شد. مدل، ترکیب بهینه ورودی‌ها و خروجی‌های واحدهای ادغام‌شونده را برای تشکیل واحد جدید تعیین کرده و اوزان را به‌گونه‌ای تخصیص می‌دهد که پراکندگی نمرات کارایی پس از ادغام حداقل شود. برای ارزیابی مدل، از داده‌های واقعی 42 بانک حوزه خلیج فارس استفاده و مدل با نرم‌افزار LINGO 11 حل شد.

یافته‌ها: نتایج نشان داد مدل پیشنهادی قادر است ترکیب مناسبی از منابع و ستانده‌های واحدهای ادغامی را تعیین کرده و در مقایسه با رویکردهای پیشین، نمرات کارایی همگن‌تر و با پراکندگی کمتری ایجاد کند. همچنین کارایی واحدهای حاصل از ادغام بهبود یافت.

اصالت/ارزش‌افزوده علمی: نوآوری اصلی پژوهش در به‌کارگیری تحلیل پوششی داده‌های معکوس مبتنی بر اوزان مشترک در مساله ادغام بانک‌ها و تمرکز بر همگن‌سازی نمرات کارایی است. این رویکرد ابزاری کاربردی برای تصمیم‌گیری مدیران در طراحی سناریوهای ادغام و تخصیص بهینه منابع پس از ادغام فراهم می‌آورد.

کلمات کلیدی:

ادغام، تحلیل پوششی داده‌ها، تحلیل پوششی داده‌های معکوس، اوزان مشترک

مراجع

  1. [1] Merlo, L., Petrella, L., & Raponi, V. (2021). Forecasting VaR and ES using a joint quantile regression and its implications in portfolio allocation. Journal of Banking & Finance, 133, 106248. https://doi.org/10.1016/j.jbankfin.2021.106248
  2. [2] Cooper, W. W., Seiford, L. M., & Tone, K. (2007). Data envelopment analysis: A comprehensive text with models, applications, references and DEA-solver software (Vol. 2). Springer. https://doi.org/10.1007/b109347
  3. [3] Wang, K., Huang, W., Wu, J., & Liu, Y. N. (2014). Efficiency measures of the Chinese commercial banking system using an additive two-stage DEA. Omega, 44, 5–20. https://doi.org/10.1016/j.omega.2013.09.005
  4. [4] Gattoufi, S., Amin, G. R., & Emrouznejad, A. (2014). A new inverse DEA method for merging banks. IMA Journal of Management Mathematics, 25(1), 73–87. https://doi.org/10.1093/imaman/dps027
  5. [5] Afsharian, M., Ahn, H., & Harms, S. G. (2021). A review of DEA approaches applying a common set of weights: The perspective of centralized management. European Journal of Operational Research, 294(1), 3–15. https://doi.org/10.1016/j.ejor.2021.01.001
  6. [6] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
  7. [7] 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. https://doi.org/10.1287/mnsc.30.9.1078
  8. [8] Hosseinzadeh, L. F., Jahanshahloo, G. R., & Memariani, A. (2000). A method for finding common set of weights by multiple objective programming in data envelopment analysis. Southwest Journal of Pure and Applied Mathematics, (1), 44–54. https://eudml.org/doc/222875
  9. [9] Wang, Y. M., Luo, Y., & Lan, Y. X. (2011). Common weights for fully ranking decision making units by regression analysis. Expert Systems with Applications, 38(8), 9122–9128. https://doi.org/10.1016/j.eswa.2011.01.004
  10. [10] Saati, S., Hatami-Marbini, A., Agrell, P. J., & Tavana, M. (2012). A common set of weight approach using an ideal decision making unit in data envelopment analysis. Journal of Industrial and Management Optimization, 8(3), 623–637. https://doi.org/10.3934/jimo.2012.8.623
  11. [11] Jahanshahloo, G. R., Lofti, F. H., & Moradi, M. (2004). Sensitivity and stability analysis in DEA with interval data. Applied Mathematics and Computation, 156(2), 463–477. https://doi.org/10.1016/j.amc.2003.08.005
  12. [12] Ghiyasi, M. (2017). Inverse DEA based on cost and revenue efficiency. Computers and Industrial Engineering, 114, 258–263. https://doi.org/10.1016/j.cie.2017.10.024
  13. [13] Wei, Q., Zhang, J., & Zhang, X. (2000). An inverse DEA model for inputs/outputs estimate. European Journal of Operational Research, 121(1), 151–163. https://doi.org/10.1016/S0377-2217(99)00007-7
  14. [14] Li, Y., Lei, X., Dai, Q., & Liang, L. (2015). Performance evaluation of participating nations at the 2012 London Summer Olympics by a two-stage data envelopment analysis. European Journal of Operational Research, 243(3), 964–973. https://doi.org/10.1016/j.ejor.2014.12.032
  15. [15] Zhang, X. S., & Cui, J. C. (1999). A project evaluation system in the state economic information system of china an operations research practice in public sectors. International Transactions in Operational Research, 6(5), 441–452. https://doi.org/10.1111/j.1475-3995.1999.tb00166.x
  16. [16] Jahanshahloo, G., Lotfi, F. H., Shoja, N., Jelodar, M. F., & Abri, A. G. (2010). Ranking extreme and non-extreme efficient decision making units in data envelopment analysis. Mathematical and Computational Applications, 15(2), 299–308. https://doi.org/10.3390/mca15020299
  17. [17] Amin, G. R., & Al-Muharrami, S. (2018). A new inverse data envelopment analysis model for mergers with negative data. IMA Journal of Management Mathematics, 29(2), 137–149. https://doi.org/10.1093/imaman/dpw016
  18. [18] Baaquie, B. E., Yu, M., & Du, X. (2016). Multiple commodities in statistical microeconomics: Model and market. Physica A: Statistical Mechanics and Its Applications, 462, 912–929. https://doi.org/10.1016/j.physa.2016.06.102
  19. [19] Toloo, M., & Mirbolouki, M. (2019). A new project selection method using data envelopment analysis. Computers & Industrial Engineering, 138, 106119. https://doi.org/10.1016/j.cie.2019.106119
  20. [20] Li, F., Emrouznejad, A., Yang, G., & Li, Y. (2020). Carbon emission abatement quota allocation in Chinese manufacturing industries: An integrated cooperative game data envelopment analysis approach. Journal of the Operational Research Society, 71(8), 1259–1288. https://doi.org/10.1080/01605682.2019.1609892
  21. [21] Yu, C., Wang, F., Liu, Y. H., & An, L. (2021). Research on knowledge graph alignment model based on deep learning. Expert Systems with Applications, 186, 115768. https://doi.org/10.1016/j.eswa.2021.115768
  22. [22] Hatami-Marbini, A., Tavana, M., Agrell, P. J., Lotfi, F. H., & Beigi, Z. G. (2015). A common-weights DEA model for centralized resource reduction and target setting. Computers & Industrial Engineering, 79, 195–203. https://doi.org/10.1016/j.cie.2014.10.024
  23. [23] Amin, G. R., & Ibn Boamah, M. (2021). A two-stage inverse data envelopment analysis approach for estimating potential merger gains in the US banking sector. Managerial and Decision Economics, 42(6), 1454–1465. https://doi.org/10.1002/mde.3319
  24. [24] Emrouznejad, A., & Thanassoulis, E. (2005). A mathematical model for dynamic efficiency using data envelopment analysis. Applied Mathematics and Computation, 160(2), 363–378. https://doi.org/10.1016/j.amc.2003.09.026
  25. [25] Amin, G. R., Al-Muharrami, S., & Toloo, M. (2019). A combined goal programming and inverse DEA method for target setting in mergers. Expert Systems with Applications, 115, 412–417. https://doi.org/10.1016/j.eswa.2018.08.018
  26. [26] Soltanifar, M., Ghiyasi, M., Emrouznejad, A., & Sharafi, H. (2024). A novel model for merger analysis and target setting: A CSW-Inverse DEA approach. Expert Systems with Applications, 249, 123326. https://doi.org/10.1016/j.eswa.2024.123326
  27. [27] Soltanifar, M., & Lotfi, F. H. (2011). The voting analytic hierarchy process method for discriminating among efficient decision making units in data envelopment analysis. Computers & Industrial Engineering, 60(4), 585–592. https://doi.org/10.1016/j.cie.2010.12.016

دانلود

چاپ شده

2026-09-14

شماره

دوره 3 شماره 2 (2026): Strategic Studies in Financial Management and Insurance

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

علیزاده م. ., & شول ع. . (2026). به‌کارگیری تحلیل پوششی داده‌های معکوس-اوزان مشترک جهت ادغام با هدف همگن‌سازی نمره کارایی (مورد مطالعه: شعب بانک). مطالعات راهبردی در مدیریت مالی و بیمه, 3(2), 113-125. https://doi.org/10.22105/ssfmi.v3i2.111
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.