۳-۱۱- جمع بندی فصل سوم
در این فصل روند تجدید ساختار در برخی از کشورهای منتخب مورد بررسی قرار گرفت. روند خصوصی­سازی و تجدید ساختار هم اکنون در بسیاری دیگر از مناطق جهان نیز تحت فشارهای بین ­المللی و یا در پی تصمیمات ملی در حال اجرا و در مراحل اجرایی گوناگون است. مرور شواهد تجربی موفق و ناموفق می ­تواند این کشورها را در طراحی مناسب این اصلاحات یاری رساند. تجربیات ارائه شده در این بخش نشان داد که برخی کشورها با طراحی درست بازارهای برق توانسته ­اند منافع فراوانی را از این سیاست کسب نمایند که کشورهای شمال اروپا مهم‌ترین نمونه در این گروه از کشورهاست. در برخی موارد نیز تجدید ساختار با شکست مواجه شده و نتایج مورد انتظار را نداشته است. وجود نمونه­های موفق در کنار شواهد نه چندان موفق دلیلی بر اهمیت اجرای درست و پیاده سازی مناسب تجدید ساختار برای دستیابی به اهداف از پیش تعیین شده است.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

فصل چهارم:
روش­شناسی تحقیق
۴-۱- مقدمه
همان طور که در فصل اول و دوم اشاره شد، کارایی، برای اولین بار توسط فارل (۱۹۵۷) و بر اساس مطالعات دبرو (۱۹۵۷) و کوپمنز (۱۹۵۱) اندازه‌گیری شد. کارایی در ابعاد مختلفی مانند کارایی اقتصادی، کارایی فنی و کارایی در تخصیص به کار گرفته شده است. کارایی فنی عبارت است از توانایی بنگاه برای استفاده از حداقل نهاده برای تولید سطح معینی از محصول یا حداکثر سازی تولید با توجه به سطح معینی از نهاده‌ها در یک تکنولوژی مشخص (کوئلی و همکاران، ۲۰۰۳). روش‌های محاسبه کارایی فنی به دو دسته پارامتریک و ناپارامتریک تقسیم می‌شوند. در روش‌های پارامتریک که روش تحلیل مرز تصادفی (SFA) مشهورترین آنها می‌باشد، تابع تولید با بهره گرفتن از روش‌های اقتصادسنجی برآورد شده و پس از خروج تأثیر نهاده‌ها و عوامل تصادفی خارج از کنترل بنگاه بر تولید، عامل عدم کارایی محاسبه می‌شود. در روش‌های ناپارامتریک که در میان آنها روش تحلیل پوششی داده‌ها (DEA) شناخته شده‌تر می‌باشد، با به­ کارگیری روش‌های برنامه‌ریزی خطی مرز بهینه تولید محاسبه و فاصله بنگاه‌ها تا این مرز به عنوان عدم کارایی در نظر گرفته می‌شود. روش تحلیل پوششی داده‌ها اولین بار توسط چارنز و همکاران[۲۲۰] (۱۹۷۷) مورد تجزیه و تحلیل قرار گرفت. روش پارامتریک نیز که ابتدا به صورت معین مورد استفاده قرار می‌گرفت و به وسیله روش­هایی همچون تخمین حداکثر راست نمایی (MLE[221])، حداقل مربعات اصلاح شده (CLO[222]) و حداقل مربعات تعدیل شده (MOLS[223]) تخمین زده می‌شد، بعدها به دلیل آن که تمامی اختلاف از حداکثر تولید ممکن را به ناکارایی نسبت می‌داد مورد انتقاد و اصلاح قرار گرفت و شکل تصادفی آن اولین بار به صورت همزمان به وسیله آیگنر و همکاران[۲۲۴] (۱۹۷۷) و میوسن و همکاران[۲۲۵] (۱۹۷۷) ارائه شد. در این روش یک رابطه تبعی بین نهاده‌ها و محصول در نظر گرفته می‌شود و برای تخمین پارامترهای تابع از تکنیک‌های آماری استفاده می‌شود. روش مذکور که به مرز تصادفی مشهور است دارای جزء خطای دو بخشی است که با یکدیگر ناهمبسته می‌باشند. بخش اول جزء اخلال تصادفی نوفه سفید (ناهمبسته با توزیع یکسان) می‌باشد و بیانگر عواملی است که تحت کنترل مدیر بنگاه نمی‌باشند. بخش دوم یک متغیر تصادفی غیر منفی می‌باشد که بیانگر ناکارایی فنی است. یکی از ایرادات روش پارامتریک، داشتن نیاز به فروض اولیه در مورد شکل تبعی تابع تولید می‌باشد، این در حالی است که در روش ناپارامتریک تحلیل پوششی داده‌ها، هیچ گونه فرض اولیه‌ای در مورد شکل تبعی رابطه بین تولید و نهاده‌ها در نظر گرفته نمی‌شود. با این وجود در این روش نیز که از برنامه‌ریزی خطی برای یافتن مرز حداکثر تولید استفاده می‌شود، امکان انجام آزمون‌های آماری به خاطر ماهیت ناپارامتریک آن وجود ندارد.
در سال‌های اخیر برای رفع همزمان ایرادات روش‌های SFA و DEA روش جدیدی تحت عنوان روش تصادفی ناپارامتریک پوششی داده‌ها (StoNED) معرفی شده است (کازمنن، ۲۰۰۶). این روش ویژگی‌های روش پارامتریک مرز تصادفی و روش ناپارامتریک تحلیل پوششی داده‌ها را در شکل واحدی از تحلیل مرز تولید ترکیب نموده و نشان می‌دهد که مرز ناپارامتریک و جزء خطای ترکیبی تصادفی می‌توانند به طور هم زمان به دست آیند. مزیت این روش آن است که نیازی به فرض وجود فرم تبعی خاص برای تابع تولید در آن وجود نداشته و به جای آن، فرم تبعی انعطاف پذیر با ویژگی‌های تقعر، یکنواختی و همگنی معرفی می‌گردد. همچنین در این روش برخلاف روش تحلیل پوششی داده‌ها همه بنگاه‌ها بر روی شکل مرز تولید تأثیرگذار می‌باشند و امکان انجام آزمون‌های آماری نیز وجود دارد (همان). در روش تصادفی ناپارامتریک پوششی داده‌ها، تکنیک رگرسیون ناپارامتریک جایگزین رگرسیون حداقل مربعات معمولی می‌شود که به عنوان حداقل مربعات ناپارامتریک مقعر (CLNS[226]) شناخته می‌شود. تفاوت روش تصادفی ناپارامتریک پوششی داده‌ها با روش تحلیل پوششی داده‌ها آن است که در روش تحلیل پوششی داده‌ها کارایی هر یک از واحدها به طور مجزا به دست می‌آید، اما در روش تصادفی ناپارامتریک پوششی داده‌ها جزء خطاها برای تمامی واحدهای تولیدی به طور هم‌زمان محاسبه می‌شود. همچنین در روش تحلیل پوششی داده‌ها، تمامی انحراف‌ها از مرز تولید به عنوان جزء ناکارایی در نظر گرفته می‌شود و از وجود جزء تصادفی صرف نظر می‌شود ولی در روش تصادفی ناپارامتریک پوششی داده‌ها از جزء خطای ترکیبی استفاده می‌شود. در این مطالعه نیز برای محاسبه کارایی فنی عرضه‌کنندگان برق در ایران از روش تصادفی ناپارامتریک پوششی داده‌ها استفاده شده است[۲۲۷]. برای این منظور در این فصل به صورت خلاصه ساختار این روش معرفی می­ شود. همچنین با توجه به این که در بخش استحکام نتایج (فصل پنجم) از روش DEA و تجزیه شاخص بهره­وری مالم­کوئیست نیز استفاده خواهد شد، در بخش سوم از این فصل به معرفی این دو روش پرداخته شده است. در انتهای این فصل اشاره مختصری به مدل­های سانسور شده خواهد شد که در تخمین عوامل موثر بر کارایی از آن استفاده شده است.
۴-۲- روش تصادفی ناپارامتریک پوششی داده‌ها
اگر فن‌آوری تولید با بهره گرفتن از تابع تولید کلاسیک ((f: y = f(x) مشخص شود، در روش CLNS نخست فرض می‌شود که تابع f، تابعی صعودی، یکنواخت و مقعر می‌باشد ( و فرم تبعی خاصی برای f در نظر گرفته نمی‌شود. سپس یک جزء خطای ترکیبی (که هم شامل جزء تصادفی() و هم جزء ناکارایی فنی غیر منفی() است، به آن افزوده می‌شود..
(۴-۱)
در نهایت با بهره گرفتن از حل یک مسئله برنامه‌ریزی درجه دوم به صورت زیر به تخمین تابع تولید و محاسبه جزء ناکارایی اقدام می‌شود.
(۴-۲)
s.t
در مدل بالا، Xi برداری از متغیرهای (X1,X2,…,Xn) برای واحد تولیدی i ام می‌باشد. مقادیر نهاده‌ی x و محصول y به شکل لگاریتمی است. رگرسیون CNLS در رابطه‌ی (۴-۲)، n شیب مختلف را برای تابع تولید نامعین تخمین می‌زند که برخلاف روش حداقل مربعات معمولی، عرض از مبدأ و ضرایب شیب برای هر یک از واحدهای تولیدی متفاوت است به صورتی که n بردار شیب مختلف و n تابع تولید مختلف برای واحدهای تولیدی وجود دارد. ضرایب شیب‌ها ( ) تولید نهایی نهاده‌ها را نشان می‌دهد. در مدل بالا محدودیت دوم، ویژگی تقعر تابع تولید را با به‌کارگیری محدودیت نابرابری افریت[۲۲۸] نشان می‌دهد (کازمنن، ۲۰۰۶). برخلاف روش SFA که در آن توزیع u و v نرمال فرض می‌شود، کازمنن، ۲۰۰۶ فرض می کند که ناکارایی فنی و جزء اخلال سفید دارای توزیع نیمه نرمال، ناهمبسته و غیر منفی () می‌باشند. تخمین CNLS از تابع تولید یک تابع خطی چند ضابطه‌ای است که بسیار به مرز تولید DEA شباهت دارد اما فرم مسئله حداقل سازی حداقل از جهات مختلف تفاوت محسوسی با روش برنامه‌ریزی خطی در DEA دارد(سایفورد و ترول[۲۲۹]، ۱۹۹۰). نخست این که در روش DEA برای هر واحد تولیدی یک مسئله خطی به صورت جداگانه حل می‌شود در حالی که در رابطه (۴-۲) مقدار برای بنگاه‌ها به صورت همزمان محاسبه می‌شود. دوم، در روش DEA مقدار ضریب کارایی بر اساس یک مقیاس نسبی تعریف می‌شود اما در رابطه (۴-۲) مانند روش SFA از مقیاس مطلق انحراف از مرز تولید استفاده می‌شود. سوم، روش DEA مرز تولید را تنها به صورت ضمنی ارائه می کند در حالی که رابطه (۴-۲) به طور صریح ضرایب تابع تولید برای هر واحد را مشخص می کند. در نهایت، درحالی‌که روش DEA یک عبارت ناکارایی یک طرفه دارد روش CNLS از جزء خطای نامقید استفاده می کند. در روش ناپارامتریک تصادفی، همانند حداقل مربعات اصلاح شده (MOLS) در روش پارامتریک مرز تصادفی، با به‌کارگیری گشتاورهای دوم و سوم واریانس ناکارایی و جزء اخلال تصادفی تخمین زده می‌شود (کازمنن، ۲۰۰۶). روش ناپارامتریک تصادفی شامل سه مرحله است:
۱) تخمین حداقل مربعات جزء خطا
۲) تخمین واریانس پارامترهای و با بهره گرفتن از گشتاورهای دوم و سوم[۲۳۰]
۳) تخمین جزء ناکارایی بر مبنای توزیع شرطی آن.
پس از تخمین جزء خطای ترکیبی که شامل جزء ناکارایی است، از گشتاورهای دوم و سوم برای توزیع جزء اخلال استفاده می‌شود (کازمنن، ۲۰۰۶).
(۴-۳)
(۴-۴)
این گشتاورها تخمین زننده‌های سازگاری از آماره‌های حقیقی و می‌باشند که مقادیر آنها وابسته به واریانس جزء ناکارایی و جزء خطای تصادفی می‌باشد (کازمنن، ۲۰۰۶).
(۴-۵)
(۴-۶)
واریانس‌های و با به‌کارگیری گشتاورهای دوم و سوم ( و) به راحتی تخمین زده می­شوند.
(۴-۷)
(۴-۸)
آماره که تنها به انحراف معیار جزء عدم کارایی وابسته می‌باشد. شاخصی برای نشان دادن چولگی توزیع است. با توجه به این فرض که جزء عدم کارایی دارای توزیع نیمه نرمال می‌باشد که چولگی مثبت دارد، بنابراین گشتاور سوم، بایستی منفی باشد. اگر مثبت باشد، چولگی توزیع جزء خطا در مدل CNLS در جهت نادرست خواهد بود و تخمین حداکثر راست‌نمایی برای جزء ناکارایی برابر صفر می‌شود . زمانی که کشیدگی توزیع خیلی بزرگ باشد، به دست آمده از رابطه‌ (۴-۷) خیلی بزرگ خواهد بود و بنابراین احتمال دارد منفی شود. در این حالت، واریانس جزء اخلال سفید را برابر صفر در نظر گرفته و همه‌ی واریانس، به جزء ناکارایی نسبت داده می‌شود و همانند روش DEA عمل می‌شود (کامباکر و لاول[۲۳۱]، ۲۰۰۰). واریانس‌های به دست آمده از روابط (۴-۷) و (۴-۸) برای تخمین جزء ناکارایی به کار می‌رود. جاندرو و همکاران (۱۹۸۲) نشان دادند که توزیع شرطی ناکارایی به ازای معلوم، یک توزیع نرمال محدود شده[۲۳۲] با میانگین و واریانس می‌باشد. میانگین شرطی به صورت زیر است:
(۴-۹)
که تابع چگالی نرمال استاندارد و تابع توزیع تجمعی نرمال استاندارد می‌باشد. پس از تخمین میانگین شرطی جزء ناکارایی، برای محاسبه‌ی کارایی فنی از رابطه‌ی زیر استفاده می‌شود (باتیس و کوئلی[۲۳۳]، ۱۹۹۵):
(۴-۱۰)
در رگرسیون CNLS، بازده نسبت به مقیاس وابسته به عرض از مبدأ است و به صورت زیر تعریف شده می‌شود (کازمنن، ۲۰۰۶).
۱) بازده ثابت نسبت به مقیاس[۲۳۴] :
۲) بازده صعودی نسبت به مقیاس[۲۳۵] :
۳) بازده نزولی نسبت به مقیاس[۲۳۶] :
۴-۲- روش ناپارامتریک پوششی داده‌ها
تحلیل پوششی داده ­ها و یا DEA یک روش مبتنی بر برنامه­ ریزی خطی برای ارزیابی کارایی نسبی واحدهای تصمیم ­گیری[۲۳۷] (DMU’s) یا همان بنگاه­ها است. این روش یک روش غیرپارامتریک است که در آن نیاز به یک فرم تبعی خاص، صریح و روشن از رابطه بین ورودی­ ها و خروجی­ها (یعنی تابع تولید) نیست (کوئلی، ۲۰۰۵). فرض کنیم که هر DMU مشخص j دارای ورودی های متعدد xij و خروجی های متعدد ykj است. مقدار کارایی نسبی به صورت زیر تعریف می­ شود:
کارایی  (۴-۱۱)
که در آن u و v وزن محصول و نهاده­ها است. براساس معادله فوق مقادیر کارایی هر DMU در بازه ۰ تا ۱ خواهد بود. در روش فوق، فرض مقادیر یکسان برای وزن­ها در تمام بنگاه­ها دور از واقعیت است. ایده اصلی در روش DEA، این است که به هر DMU اجازه داده شود تا وزن­های مختص به خود را اختیار نماید. این امر از طریق تبدیل رابطه (۴-۱۱) به مساله بهینه یابی زیر میسر است که در آن کارایی بنگاه j0 مشروط به این که کارایی سایر DMU­ها، کمتر یا برابر با ۱ باقی بماند حداکثرسازی می­ شود:
(۴-۱۲)

البته مساله فوق یک مساله برنامه­ ریزی غیرخطی است. یک راه برای ​​ساده نمودن مساله فوق این است که مخرج کسر را برابر یک مقدار ثابت در نظر گرفته و تنها صورت کسر را حداکثر نماییم. بدیهی است که این امر به منزله افزودن یک محدودیت دیگر به مساله حداکثر­سازی کارایی است:
(۴-۱۳)

در این مساله x و yمتغیرهای وضعیت و v وu متغیرهای تصمیم ­گیری هستند. حل دوگان مساله فوق به مراتب آسانتر بوده (در مدل اولیه تعدا سطرها بسیار بیشتر از ستون­هاست) و اکثر مطالعات از دوگان این مساله برای محاسبه کارایی استفاده نموده ­اند. مدل دوگان DEA می تواند به صورت زیر بیان شود:
(۴-۱۴)

اشکال دیگری نیز برای مدل DEA ارائه شده است. شکل مورد بحث در سطور فوق به مدل CCR[238] یا مدل با بازدهی ثابت به مقیاس[۲۳۹] مشهور است. یکی دیگر از الگوهای پایه مدل BCC[240] یا مدل با بازدهی متغیر به مقیاس[۲۴۱] است. این مدل با افزودن محدودیت  به الگوی (۴-۱۴) به دست می آید( کوئلی، ۲۰۰۵).

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...