شاخص بهره وری مالم کوئیست با استفاده از مدل تحلیل پوششی داده های دو مرحله ای در بیمارستانهای قلب

Subject Areas : Data Envelopment Analysis

علی رضا علینژاد ¹ (دانشیار،گروه مهندسی صنایع، دانشکده مهدسی صنایع و مکانیک،واحد قزوین، دانشگاه آزاد اسلامی،قزوین، ایران)
میرپویا میرمظفری ² (PhD Candidate, Department of Computer Science, Montana State University, Bozman)

Received: 2017-09-10 Accepted : 2017-10-09 Published : 2018-12-01

Keywords: تحلیل پوششی داده ها, شاخص بهره وری مالم کوئیست, عامل میانی, مدل دو مرحله ای,

Abstract :

بیماران قلبی علائم متعددی را نشان می دهند و اشاره به آنها دشوار است. تحلیل پوشش داده ها ((DEA یک درجه کارایی مقایسه ای برای هر واحد تصمیم گیری  (DMU) با چند ورودی و خروجی فراهم می کند. ارزیابی بیمارستان ها یکی از برنامه های کاربردی عمده در DEA است. در این مطالعه، مقایسه مدل جمعی با شاخص بهره وری مالم کوئیست (MPI) ورودی محور و خروجی مورد استفاده قرار گرفته است. MPI برای اندازه گیری رشد بهره وری نسبت به تکنولوژی مرجع محاسبه شده است. در محاسبه رشد MPI دو موضوع اصلی مطرح می شود. چه چیزی به طور کلی به عنوان اثر پیشروی و یا تغییر کارایی فنی (TEC) و اثر "تغییر مرز" یا تغییرات تکنولوژیکی (TC) اشاره می شود. داده ها شامل یک دوره شش ساله از سال 2011 تا 2016 برای 15 بیمارستان قلب محلی است. دو ورودی، یک عامل میانی  و دو خروجی در مدل دو مرحلهای انتخاب شده و این عوامل نشان دهنده عملکرد اصلی بیمارستانها است. تبدیل مدل دو مرحله ای به مدل تک مرحله ای معرفی شده است.این مدل برای اصلاح کارایی یک فرآیند دو مرحله ای وجلوگیری از وابستگی به وزنهای مختلف پیشنهادشده است. در نهایت، نتایج نشان داد که میانگین هندسی MPI در کارایی فنی خالص ورودی محور  در بیمارستان دهم (2.1517) به عنوان بالاترین  عملکرد بیمارستان  با بالاترین میزان  رشد بهره وری معرفی شده است.

References:

Aboueljinane, L., Sahin, E., & Jemai, Z. (2013). A review on simulation models applied to emergency medical service operations. Computers & Industrial Engineering, 66(4), 734-750.

Bhattacharjee, P., & Ray, P. K. (2014). Patient flow modelling and performance analysis of healthcare delivery processes in hospitals: A review and reflections. Computers & Industrial Engineering, 78, 299-312.

Bilsel, M., & Davutyan, N. (2011). Hospital efficiency with risk adjusted mortality as undesirable output: the Turkish case, Annals of Operations Research, 1-16.

Bwana, K. M. (2015). Measuring technical efficiency of faith based hospitals in Tanzania: An application of data envelopment analysis (DEA). Research in Applied Economics, 7(1), 1-12.

Caballer-Tarazona, M., Moya-Clemente, I., Vivas-Consuelo, D., & Barrachina-Martínez, I. (2010). A model to measure the efficiency of hospital performance. Mathematical and computer modelling, 52(7), 1095-1102.

Chang, H., Cheng, M. A., & Das, S. (2004). Hospital ownership and operating efficiency: evidence from Taiwan. European Journal of Operational Research, 159(2), 513-527.

Chen, Y., & Ali, A. I. (2004). DEA Malmquist productivity measure: New insights with an application to computer industry. European Journal of Operational Research, 159(1), 239-249.

Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two-stage DEA. European Journal of Operational Research, 196(3), 1170-1176.

Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two-stage DEA. European Journal of Operational Research, 196(3), 1170-1176.

Chen, Y., Liang, L., & Zhu, J. (2009b). Equivalence in two-stage DEA approaches. European Journal of Operational Research, 193(2), 600-604.

de Castro Lobo, M. S., Ozcan, Y. A., da Silva, A. C., Lins, M. P. E., & Fiszman, R. (2010). Financing reform and productivity change in Brazilian teaching hospitals: Malmquist approach. Central European Journal of Operations Research, 18(2), 141-152.

Giokas, D. I. (2001). Greek hospitals: how well their resources are used. Omega, 29(1), 73-83.

Gul, M., & Guneri, A. F. (2015). A comprehensive review of emergency department simulation applications for normal and disaster conditions. Computers & Industrial Engineering, 83, 327-344.

Jehu-Appiah, C., Sekidde, S., Adjuik, M., Akazili, J., Almeida, S. D., Nyonator, F., ... & Kirigia, J. M. (2015). Ownership and technical efficiency of hospitals: evidence from Ghana using data envelopment analysis. Cost Effectiveness and Resource Allocation, 12(1), 1-13.

Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European journal of operational research, 185(1), 418-429.

Kawaguchi, H., Tone, K., & Tsutsui, M. (2014). Estimation of the efficiency of Japanese hospitals using a dynamic and network data envelopment analysis model. Health care management science, 17(2), 101-112.

Köse, T., Uçkun, N., & Girginer, N. (2014). An efficiency analysis of the clinical departments of a public hospital in Eskisehir by using DEA. Glob J Adv Pure Appl Sci, 4, 252-258.

Lotfi, F. H., Eshlaghy, A. T., Saleh, H., Nikoomaram, H., & Seyedhoseini, S. M. (2012). A new two-stage data envelopment analysis (DEA) model for evaluating the branch performance of banks. African Journal of Business Management, 6(24), 7230.

Mendis, S., Puska, P., & Norrving, B. (2011). Global atlas on cardiovascular disease prevention and control. World Health Organization.

Mirmozaffari, M., Alinezhad, A., & Gilanpour,      A. (2017a). Data Mining Classification          Algorithms for Heart Disease Prediction,       Int'l Journal of Computing,      Communications & Instrumentation Engg., 4(1), 11-15.

Mirmozaffari, M., Alinezhad, A., & Gilanpour, A. (2017b). Heart Disease Prediction with Data Mining Clustering Algorithms, Int'l Journal of Computing, Communications & Instrumentation Engg., 4(1), 16-19.

Mirmozaffari, M., Alinezhad, A., & Gilanpour, A. (2017c). Data Mining Apriori Algorithm for Heart Disease Prediction, Int'l Journal of Computing, Communications & Instrumentation Engg., 4(1), 20-23.

Wang, Y. M., & Chin, K. S. (2010). Some alternative DEA models for two-stage process. Expert Systems with Applications, 37(12), 8799-8808.