قانون بازده به مقیاس، بازده ثابت به مقیاس

Copy space. New arrows painted on asphalt. Direction future.

همان طور که اشاره شد مدل‌های تحلیل پوششی داده‌ها به دو گروه«ورودی محور» و «خروجی محور» تقسیم می‌شود که در ادامه به آن‏ها پرداخته خواهد شد.
برای تبدیل نسبت CCR به یک مدل برنامه ریزی خطی به روشی که توسط چارنز و کوپر به کار گرفته می‌شود توجه کنید. در این روش استدلال بر آن است که برای حداکثر کردن مقدار یک عبارت کسری کافی است که مخرج کسر معادل یک عدد ثابت در نظر گرفته شود و صورت کسر حداکثر گردد(مهرگان،1383). بر این اساس، با اعمال محدودیت در مدل برنامه‌ریزی کسری CCR، این مدل به مدل برنامه‌ریزی خطی زیر تبدیل شد. دقت کنید که مدل اخیر اگرچه شباهتی با متغیرها و پارامترهای مدل قبل دارد اما مدلی متفاوت و جدید است (فارسیجانی-1390)
st:
(j=1,2,….,n)
مدل اولیه (مضربی) CCR ورودی محور
st:
(j=1,2,….,n)
مدل اولیه (مضربی) CCRخروجی محور
2-1-8-3-قانون بازده به مقیاس:
بازده به مقیاس مفهومی است بلند مدت که منعکس کننده نسبت افزایش در خروجی به ازاء افزایش در میزان ورودی‌ها می‌باشد. این نسبت می‌تواند ثابت، صعودی و با نزولی باشد. نسبت بازده ثابت به مقیاس وقتی صادق است که افزایش در ورودی به همان نسبت موجب افزایش خروجی شود. برای مثال اگر نیروی کار و سرمایه دو برابر شود، نتیجه آن دو برابر شدن میزان محصول گردد. بازده صعودی نسبت به مقیاس آنست که به میزان خروجی به نسبتی بیش از میزان افزایش در ورودی‌ها، افزایش یابد و در صورتیکه میزان افزایش در خروجی‌ها کمتر از نسبتی باشد که ورودی‌ها افزایش داده شوند، بازده نزولی نسبت به مقیاس ایجاد می‌شود.
جهت بررسی بازده به مقیاس، در حالتیکه دو ورودی و یک خروجی وجود داشته باشد، یک منحنی تولید یکسان را که در نمودار 1-2 نمایش داده شده می‏توان در نظر گرفت. y1 واحد محصول با استفاده از ترکیب دو ورودی x1’ و x1در شکل زیر مورد توجه قرار دهید. دو برابر کردن هر دو ورودی موجب تغییر منحنی تولید یکسان به y2می‌شود. اگر y2دقیقاً برابر با y12باشد، سیستم را نماینده بازده ثابت به مقیاس در دامنه x1 x1’ تا x2 x2’نامند. اگر y2بیشتر از y12باشد،بازده به مقیاس صعودی است و اگر y2دقیقاً کمتر از y12باشد، بازده به مقیاس نزولی خواهد بود.
نمودار 1-2- نمودار تولید
متداول‌ترین وضعیت برای یک تابع تولید ابتدا بازده به مقیاس صعودی و سپس نزولی است. منطقه بازده به مقیاس صعودی به تخصص نسبت داده می‌شود. با افزایش مقدار تولید کارگران متخصص را می‌توان استخدام کرد و ماشین آلات جدید و کارا در فرآیند تولید مورد استفاده قرار گیرند. لیکن افزایش تولید از یک حد معین نه تنها کسب عواید بیشتر ناشی از میزان افزایش تخصص را محدود می‌کند، بلکه مشکلات مربوط به هماهنگی در مراحل و انجام تولید ممکن است هزینه را به طور قابل ملاحظه‌ای افزایش دهد. وقتی مخارج هماهنگی بیش از مخارج تخصیص داده شود، بازده به مقیاس نزولی تبدیل خواهد شد.
2-1-8-9-مدل BCC
یکی از ویژگی‌های مدل تحلیل پوششی داده‌ها ساختار بازده به مقیاس آن است.همان طور که اشاره شد بازده به مقیاس می‌تواند «ثابت» یا «متغیر» باشد. مدل‌های CCR از جمله مدل‌های بازده ثابت به مقیاس است. مدل بازده ثابت به مقیاس زمانی مناسب است که همه واحدها در مقیاس بهینه عمل کنند. در ارزیابی کارایی واحدها هرگاه فضا و شرایط رقابت ناقص محدودیت‌هایی را در سرمایه گذاری تحمیل کند موجب عدم فعالیت واحد در مقیاس بهینه می‌گردد.
در سال 1384 بنکر، چارنز و کوپر با تغییر در مدل CCR مدل جدیدی را عرضه کردند که با توجه به حروف اول نام آن‏ها به مدل BCC شهرت یافت . مدل BCC مدلی از انواع مدل‌های تحلیل پوششی داده‌ها است که در ارزیابی کارایی نسبی واحدها با بازده متغیر نسبت به مقیاس می‌پردازد. مدل‌های بازده به مقیاس ثابت محدود کنده‌تر از مدل‌های بازده به مقیاس متغیر هستند. زیرا مدل بازده به مقیاس ثابت واحدهای کارای کمتری را در بر می‌گیرد و مقدار کارایی نیز کمتر می‌گردد، علت این امر حالت خاص بودن «بازده ثابت به مقیاس» از مدل «بازده متغیر به مقیاس» می‌باشد.
مدل BCC برای ارزیابی کارایی واحد تحت بررسی (صفر) به صورت زیر می‌باشد:
St:
1 (j=1,2,…..,n)
آزاد در علامت ω
همان طور که ملاحظه می‌شود تفاوت این مدل با مدل CCR در وجود متغیر آزاد در علامت ω می‌باشد. در مدل BCC علامت متغیر ω بازده به مقیاس را برای هر واحد می‌تواند مشخص کند.