Epsilon Tabanlı Ölçüm Veri Zarflama Analizi
Epsilon-Based Measure Data Envelopment Analysis (EBM-DEA) · Ayrıca şöyle bilinir: EBM-DEA, Epsilon Measure DEA
Epsilon Tabanlı Ölçüm Veri Zarflama Analizi (EBM-DEA), organizasyonel birimlerin girdileri çıktılara ne kadar verimli dönüştürdüğünü değerlendiren parametrik olmayan bir etkinlik analiz yöntemidir. Basit oran tabanlı yöntemlerin aksine, EBM, hem girdi hem de çıktı boyutlarında orantılı olarak gevşeklikleri (kullanılmayan girdiler, karşılanmayan çıktılar) hesaba katar. 0 ile 1 arasında, 1'in en iyi uygulama etkinliğini gösterdiği tek bir etkinlik puanı üretir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Çoklu girdi ve çıktılarınız olduğunda ve etkinlik sınırı üzerindeki ancak farklı gevşeklik profillerine sahip birimler arasında ayrım yapmanın önemli olduğu durumlarda etkinliği değerlendirmek için EBM-DEA'yı kullanın. Bir sektördeki kuruluşları, hastaneleri, üniversiteleri ve üretim tesislerini kıyaslamak için idealdir.
Güçlü yönler & sınırlılıklar
- Parametrik olmayan; üretim fonksiyonunun biçimi hakkında varsayımda bulunmaz
- Çoklu girdi ve çıktıları eş zamanlı olarak ele alır; bunları tek bir orana dönüştürmeye gerek yoktur
- Gevşeklik farkındalığı; kullanılmayan girdileri ve karşılanmayan çıktıları açıkça hesaba katar
- Ölçüm birimi değişmezliği; sonuçlar girdilerin/çıktıların ton veya kilogram olarak ölçülüp ölçülmediğine bağlı değildir
- Yorumlanabilir öneriler üretir; gevşeklik değerleri iyileştirme hedeflerini gösterir
- Yeterli veri gerektirir; genellikle gözlemlerin en az 3 katı (girdi+çıktı) gereklidir
- Boyutsallık laneti; birimlere kıyasla çok sayıda girdi/çıktı olduğunda, ayrım azalır
- Aykırı değerlere duyarlı; tek bir aşırı performans gösteren birim sınırı bozabilir
- Dış faktörleri hesaba katmaz; tüm etkin olmama durumunun kontrol edilebilir olduğunu varsayar
SSS
Kaç karar verme birimine (DMU) ihtiyacım var?
Bir kural olarak, girdi artı çıktı sayısının en az 3 katıdır. 5 girdi ve 3 çıktı için en az 24 DMU'ya ihtiyacınız vardır. Daha fazlası daha iyidir; daha azı, verimli birimlerin oranını yapay olarak artırır.
Peki ya birçok birim verimli olarak sınıflandırılırsa?
Bu genellikle DMU sayısına göre çok fazla girdi veya çıktı olduğunu gösterir. İlişkili veya daha az önemli değişkenleri kaldırın. Alternatif olarak, verimli birimleri bile sıralayabilen süper verimlilik DEA varyantlarını kullanın.
Küçük organizasyonlar için EBM-DEA kullanabilir miyim?
Sadece birkaç kuruluşunuz varsa, geleneksel kıyaslama veya uzman görüşü DEA'dan daha uygun olabilir. DEA, birçok benzer birimi karşılaştırırken en iyi sonucu verir.
Kaynaklar
- Tone, K. (2010). Variations of data envelopment analysis: Models and comparisons. International Journal of Data Envelopment Analysis and Operations Research, 1(1), 1-17. link ↗
- Tone, K. (2011). A slacks-based measure of efficiency in data envelopment analysis. European Journal of Operational Research, 130(3), 498-509. DOI: 10.1016/S0377-2217(99)00407-5 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Epsilon-Based Measure Data Envelopment Analysis (EBM-DEA). ScholarGate. https://scholargate.app/tr/decision-making/epsilon-based-measure-dea
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
Yan yana karşılaştır →