عرب سايكلوجي

تحليل تغليف البيانات: كيف نقيس كفاءة الأداء النفسي؟

المحتويات:

تحليل تغليف البيانات (DEA)

المجالات التخصصية الأساسية: بحوث العمليات، علوم الإدارة، الاقتصاد القياسي، قياس الأداء.

1. التعريف الأساسي والمجالات

تحليل تغليف البيانات (Data Envelopment Analysis – DEA) هو منهجية غير بارامترية قوية تستخدم في بحوث العمليات والإدارة لقياس الكفاءة النسبية لوحدات اتخاذ القرار المتعددة والمتجانسة (Decision Making Units – DMUs). تعتمد هذه الأداة على البرمجة الخطية لإنشاء حدود كفاءة تجريبية، تُعرف بالحد الأمامي للكفاءة (The Efficiency Frontier)، والتي يتم اشتقاقها من بيانات المدخلات والمخرجات المرصودة. يُعد تحليل تغليف البيانات أداة أساسية في مقارنات الأداء، حيث يسمح للمحللين بتحديد الوحدات الأكثر كفاءة (الوحدات المرجعية أو الأقران) وقياس مدى ابتعاد الوحدات غير الكفؤة عن هذا الحد الأمامي. على عكس الطرق الإحصائية البارامترية التي تتطلب تحديد شكل وظيفي محدد مسبقًا للعلاقة بين المدخلات والمخرجات، فإن DEA لا تفرض أي افتراضات مسبقة حول الشكل الرياضي لوظيفة الإنتاج، مما يجعله مرنًا بشكل خاص في تحليل المؤسسات المعقدة التي تتعامل مع مدخلات ومخرجات متعددة.

يتجاوز استخدام DEA الإطار النظري الضيق، ليصبح أداة تطبيقية حيوية في قطاعات مختلفة تتطلب تقييمًا صارمًا للأداء. تشمل هذه القطاعات المصارف والتعليم والرعاية الصحية والمنظمات العامة والخدمات اللوجستية. يتمثل الهدف الأساسي من تطبيق DEA في الكشف عن أوجه القصور التشغيلي وتحديد الإمكانات غير المستغلة للوحدات قيد الدراسة. من خلال تحديد “مجموعة الأقران” (Peer Group) لكل وحدة غير كفؤة، يوفر التحليل مسارًا واضحًا للتحسين، يشير إلى كمية المدخلات التي يجب تقليلها أو المخرجات التي يجب زيادتها للوصول إلى مستوى الكفاءة الذي تحققه أفضل الوحدات أداءً في العينة.

في جوهره، يعالج DEA مشكلة التحويل المعقدة، وهي كيفية دمج المدخلات المتنوعة (مثل رأس المال، والعمالة، والمواد) لإنتاج مجموعة متنوعة من المخرجات (مثل الخدمات، والمنتجات، والجودة). إن قدرته على التعامل مع قياسات متعددة دون الحاجة إلى أوزان مقدرة مسبقًا أو أسعار سوقية تجعله مفيدًا بشكل خاص في القطاع العام حيث يصعب تحديد أسعار السوق للمخرجات (مثل جودة التعليم أو الرعاية الصحية).

2. الجذور التاريخية والتطور

تعود الجذور الفكرية لتحليل تغليف البيانات إلى عمل الاقتصادي مايكل فاريل في عام 1957، الذي وضع الإطار النظري لقياس الكفاءة الإنتاجية. اقترح فاريل مفهوم “حد الكفاءة” (Efficiency Frontier) كأفضل ممارسة يمكن تحقيقها بالاستناد إلى مجموعة معينة من التقنيات المتاحة. ومع ذلك، لم يتم تطوير أداة حاسوبية قوية لتطبيق هذا المفهوم على حالات متعددة المدخلات والمخرجات حتى وقت لاحق.

حدث التطور الحاسم في عام 1978 عندما قدم كل من تشارلز (Charnes)، وكوبر (Cooper)، ورودس (Rhodes) النموذج الرائد المعروف باسم نموذج CCR. استخدم هذا النموذج، الذي اعتمد على إطار البرمجة الخطية، فكرة فاريل لتطوير منهجية قادرة على قياس كفاءة وحدات اتخاذ القرار (DMUs) في ظل افتراض “عوائد الحجم الثابتة” (Constant Returns to Scale – CRS). كان نموذج CCR بمثابة نقطة الانطلاق لتأسيس DEA كأداة تحليلية راسخة.

في عام 1984، جاء التعديل الرئيسي التالي على يد بانكر (Banker)، وتشارلز، وكوبر، مما أدى إلى ظهور نموذج BCC. قدم هذا النموذج القدرة على قياس الكفاءة في ظل افتراض “عوائد الحجم المتغيرة” (Variable Returns to Scale – VRS)، مما سمح بفصل الكفاءة الفنية البحتة (Pure Technical Efficiency) عن كفاءة الحجم (Scale Efficiency). أدت هذه التطورات المتعاقبة إلى توسيع نطاق تطبيق DEA بشكل كبير، مما مكنه من معالجة سيناريوهات إنتاجية أكثر واقعية وتعقيدًا، حيث لا تكون العلاقة بين المدخلات والمخرجات بالضرورة خطية أو متناسبة.

3. المنهجية الرياضية والمبادئ الأساسية

تعتمد منهجية DEA على حل مشكلة برمجة خطية لكل وحدة من وحدات اتخاذ القرار (DMU) قيد التقييم. يتم تحديد الكفاءة النسبية للوحدة من خلال النسبة القصوى للمخرجات الموزونة إلى المدخلات الموزونة، مع مراعاة قيد أساسي: يجب ألا تتجاوز نسبة المخرجات الموزونة إلى المدخلات الموزونة لجميع الوحدات الأخرى القيمة الواحدة (100%). رياضياً، يتم بناء الحد الأمامي للكفاءة كغلاف (Envelope) يحيط بجميع نقاط بيانات الإنتاج المرصودة، ويتم تعريف الوحدات التي تقع على هذا الحد بأنها كفؤة (كفاءة نسبية = 1)، في حين تعتبر الوحدات التي تقع تحت الحد غير كفؤة (كفاءة نسبية < 1).

يتمثل المبدأ الأساسي في أن DEA يعمل كأداة استدلالية، حيث “تُعلم” أفضل الممارسات من خلال البيانات نفسها، بدلاً من فرضها خارجيًا. يتم تحديد الأوزان المثلى للمدخلات والمخرجات لكل وحدة قيد التقييم بطريقة تزيد من كفاءتها الخاصة، مع الالتزام بقيد أن هذه الأوزان يجب أن تكون قابلة للتطبيق على جميع الوحدات الأخرى دون أن تجعل أي وحدة أخرى تبدو أكثر كفاءة من 100%. هذا يضمن أن يتم تقييم كل وحدة في أفضل ضوء ممكن لها، ضمن الحدود التي تفرضها البيانات المتاحة.

لتحقيق الكفاءة، يجب على الوحدة غير الكفؤة أن تحقق إما زيادة في المخرجات بنفس مستوى المدخلات (التوجه نحو المخرجات) أو تقليل المدخلات بنفس مستوى المخرجات (التوجه نحو المدخلات). يتيح هذا التوجه تحديد أهداف تحسين محددة وقابلة للقياس. علاوة على ذلك، فإن عملية الحل الرياضي تحدد “الوحدات المرجعية” أو “الأقران” (Reference Set) للوحدة غير الكفؤة؛ هذه الوحدات هي مزيج من الوحدات الكفؤة التي تشكل الحد الأمامي الذي يجب أن تسعى الوحدة غير الكفؤة للوصول إليه. وبالتالي، فإن النتيجة لا تقدم مجرد درجة كفاءة، بل توفر أيضًا نموذجًا إرشاديًا للتحسين.

4. مفهوم وحدات اتخاذ القرار والكفاءة

تُعد وحدات اتخاذ القرار (DMUs) هي محور تحليل تغليف البيانات. يمكن أن تكون هذه الوحدات أي كيانات متجانسة تؤدي نفس المهمة أو تنتج نفس النوع من الخدمات باستخدام مجموعة مماثلة من الموارد. قد تكون DMUs فروع بنك، مدارس، مستشفيات، أقسام شرطة، مصانع، أو حتى دول بأكملها. الشرط الأساسي هو التجانس؛ يجب أن تكون جميع الوحدات قادرة على استخدام المدخلات لتحقيق المخرجات بنفس الطريقة التقنية تقريبًا، لضمان أن تكون المقارنة عادلة ومفيدة.

يحدد DEA نوعين رئيسيين من الكفاءة: الكفاءة الفنية (Technical Efficiency) وكفاءة الحجم (Scale Efficiency). الكفاءة الفنية تقيس مدى قدرة الوحدة على إنتاج أقصى قدر ممكن من المخرجات بالنظر إلى مجموعة معينة من المدخلات، أو استخدام أقل قدر ممكن من المدخلات لإنتاج مجموعة معينة من المخرجات. يتم قياس هذه الكفاءة عادةً باستخدام نموذج BCC الذي يفترض عوائد حجم متغيرة.

أما كفاءة الحجم فتقيس ما إذا كانت الوحدة تعمل عند المستوى الأمثل لعملياتها. إذا كانت الوحدة تعمل بكفاءة فنية ولكنها لا تعمل عند الحجم الأمثل (سواء كان أكبر من اللازم أو أصغر من اللازم)، فإنها تعاني من عدم كفاءة الحجم. يمكن اشتقاق كفاءة الحجم من خلال مقارنة نتائج نموذج CCR (الذي يشمل كفاءة الحجم) بنتائج نموذج BCC (الذي يقيس الكفاءة الفنية البحتة). تُعد القدرة على فصل هذين النوعين من الكفاءة ميزة رئيسية لـ DEA، لأنها توفر رؤى إدارية محددة: هل المشكلة تكمن في سوء الإدارة الداخلية للموارد (كفاءة فنية)، أم في حجم التشغيل غير المناسب (كفاءة الحجم)؟

5. نماذج التحليل المغلف للبيانات: CCR و BCC

هناك نموذجان أساسيان يشكلان العمود الفقري لتطبيق DEA:

  • نموذج CCR (تشارلز، كوبر، رودس):

    يُعد نموذج CCR هو النموذج الأصلي الذي ظهر عام 1978. يفترض هذا النموذج أن عمليات الإنتاج تخضع لـ عوائد الحجم الثابتة (Constant Returns to Scale – CRS). هذا يعني أن مضاعفة جميع المدخلات سيؤدي بالضبط إلى مضاعفة جميع المخرجات. في نموذج CCR، يُقاس مقياس الكفاءة الكلي (Overall Efficiency)، والذي يجمع بين الكفاءة الفنية وكفاءة الحجم. يُستخدم هذا النموذج عندما يُفترض أن جميع وحدات اتخاذ القرار تعمل في نطاق عمليات يسمح بتطبيق مبدأ الثبات في عوائد الحجم.

  • نموذج BCC (بانكر، تشارلز، كوبر):

    تم تطوير نموذج BCC في عام 1984، وهو يفترض عوائد الحجم المتغيرة (Variable Returns to Scale – VRS). هذا يعني أن مضاعفة المدخلات قد يؤدي إلى زيادة في المخرجات بأقل أو أكثر من الضعف (تناقص أو تزايد في عوائد الحجم). نموذج BCC أكثر واقعية في العديد من السياقات التطبيقية (مثل المستشفيات والمدارس) حيث قد تكون هناك قيود إدارية أو مالية تمنع التشغيل عند الحجم الأمثل. يقيس نموذج BCC الكفاءة الفنية البحتة (Pure Technical Efficiency)، مع استبعاد تأثير الحجم التشغيلي.

يعتبر اختيار النموذج المناسب (CCR أو BCC) أمرًا حيويًا، ويعتمد على طبيعة البيئة التشغيلية للوحدات. إذا كانت الوحدات تعمل في بيئة تسمح بالتشغيل على أي نطاق دون قيود خارجية، فإن CCR هو الأنسب. أما إذا كانت هناك قيود على حجم العمليات (مثل قيود التمويل أو التراخيص)، فإن BCC يوفر تقييمًا أكثر دقة للكفاءة الإدارية الداخلية.

6. التطبيقات العملية الواسعة

اكتسب تحليل تغليف البيانات شهرة واسعة بسبب مرونته وقدرته على التعامل مع هياكل الإنتاج المعقدة، مما أدى إلى تطبيقاته في مجالات متنوعة:

  1. الرعاية الصحية: يستخدم DEA لتقييم كفاءة المستشفيات والعيادات والأقسام الطبية المختلفة. يمكنه تحديد المستشفيات التي تستخدم موارد أقل (مثل عدد الأسرة، الأطباء، الممرضات) لتحقيق مخرجات أعلى (مثل عدد المرضى المعالجين، جودة الرعاية، معدلات الشفاء).
  2. التعليم: يُستخدم لتقييم أداء المدارس أو الجامعات. المدخلات تشمل الإنفاق لكل طالب وحجم الفصول الدراسية، بينما تشمل المخرجات معدلات التخرج ودرجات الاختبارات. يساعد DEA في تحديد المدارس التي تحقق نتائج تعليمية أفضل بموارد أقل.
  3. القطاع المالي والمصرفي: يُطبق على فروع البنوك أو شركات التأمين لقياس الكفاءة التشغيلية، باستخدام مدخلات مثل نفقات التشغيل وعدد الموظفين، ومخرجات مثل حجم القروض وحسابات الودائع.
  4. القطاع العام والنقل: يُستخدم لتقييم كفاءة البلديات، وحدات الشرطة، أو شركات النقل العام. يساعد في تحسين تخصيص الموارد العامة وتحديد المناطق التي تعاني من هدر.

في جميع هذه التطبيقات، لا يقتصر دور DEA على مجرد إصدار “درجة”؛ بل إنه يوفر معلومات إدارية غنية من خلال تحديد المعايير المرجعية (Benchmarks) وأهداف التخفيض أو الزيادة المطلوبة في المدخلات والمخرجات.

7. المزايا والتحديات المنهجية

يوفر DEA عدة مزايا تجعله أداة مفضلة لقياس الأداء:

  • المرونة وعدم الافتراضات: لا يتطلب DEA افتراض شكل وظيفي محدد لوظيفة الإنتاج (Non-parametric)، مما يجعله مناسبًا للبيئات التي تكون فيها العلاقات بين المدخلات والمخرجات غير معروفة أو معقدة.
  • التعامل مع المدخلات والمخرجات المتعددة: يمكنه دمج عدد كبير من المدخلات والمخرجات في تحليل واحد دون الحاجة إلى تحديد أوزان نقدية أو أسعار سوقية لها.
  • تحديد مصادر عدم الكفاءة: يحدد بدقة أي المدخلات أو المخرجات يجب تعديلها لتحقيق الكفاءة، ويحدد مجموعة الأقران (الوحدات المرجعية) التي يجب محاكاتها.

ومع ذلك، يواجه DEA تحديات منهجية يجب أخذها في الاعتبار:

  • الحساسية للبيانات المتطرفة (Outliers): نظرًا لأن DEA يغلف جميع نقاط البيانات، فإن أي وحدة بيانات متطرفة تمارس مستوى عالٍ بشكل غير عادي من الكفاءة (ربما بسبب خطأ في القياس) يمكن أن تؤدي إلى تحريك الحد الأمامي للكفاءة بشكل غير واقعي، مما يؤدي إلى تقليل درجات كفاءة الوحدات الأخرى.
  • تأثير اختيار المتغيرات: تعتمد النتائج بشكل كبير على اختيار المدخلات والمخرجات. إذا تم حذف متغير مهم (مدخل أو مخرج)، فقد يؤدي ذلك إلى تضليل في تقدير الكفاءة.
  • عدم التعامل مع الضوضاء العشوائية: DEA هي طريقة حتمية (Deterministic)؛ فهي تفترض أن أي انحراف عن الحد الأمامي هو نتيجة لعدم الكفاءة الإدارية. لا يفصل النموذج الأصلي بين عدم الكفاءة (Inefficiency) والضوضاء العشوائية (Stochastic Noise)، على عكس الطرق البارامترية مثل تحليل الحدود العشوائية (SFA).

8. النقد والاتجاهات المستقبلية

وجه النقد الأساسي لـ DEA يتركز حول طبيعته الحتمية وعدم قدرته على إجراء اختبارات إحصائية تقليدية أو بناء فترات ثقة حول تقديرات الكفاءة. بالإضافة إلى ذلك، يتطلب DEA أن يكون عدد وحدات اتخاذ القرار (DMUs) أكبر بكثير من مجموع عدد المدخلات والمخرجات لضمان “قوة التمييز” في النموذج، وإلا فإن عددًا كبيرًا من الوحدات قد يحصل على درجة كفاءة 1 ببساطة بسبب ندرة البيانات.

لمواجهة هذه الانتقادات، تطورت الأبحاث في DEA في اتجاهات متعددة:

  1. DEA العشوائي (Stochastic DEA): محاولات لدمج عناصر إحصائية في DEA للتعامل مع الضوضاء العشوائية وعدم اليقين في البيانات.
  2. DEA الديناميكي (Dynamic DEA): نماذج تسمح بقياس الكفاءة عبر فترات زمنية متعددة، مع الأخذ في الاعتبار المدخلات والمخرجات التي يتم ترحيلها من فترة إلى أخرى (مثل رأس المال المتراكم).
  3. DEA الشبكي (Network DEA): تحليل العمليات الداخلية المعقدة التي تنطوي على مراحل إنتاج متعددة، حيث تكون مخرجات مرحلة معينة هي مدخلات للمرحلة التالية.

على الرغم من القيود، يظل تحليل تغليف البيانات أداة لا غنى عنها في مقارنة الأداء، خاصة في البيئات التي تتطلب تقييمًا مستقلاً عن الأسعار والقيم النقدية، مما يضمن استمرار أهميته في بحوث الإدارة والسياسات العامة.

Further Reading