طراحی مدل اندازه‌گیری نوآوری سازمان با رویکرد تحلیل پوششی داده‌های شبکه‌ای پویا و اعمال محدودیت‌های فازی برای کنترل اوزان و یافتن اوزان عمومی (مورد مطالعه: دانشگاه‌های سطح یک کشور)

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.

2 استاد، گروه مدیریت، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.

3 استادیار، گروه مدیریت، دانشکده مدیریت، دانشگاه تربیت مدرس، تهران، ایران.

چکیده

هدف: ارزیابی کارآیی نوآوری کمک می‌کند تا بهترین دست‌اندرکاران نوآوری را به منظور الگوگیری مورد شناسایی قرار داده و روش‌های بهبود کارآیی را از طریق روشن نمودن نقاط ضعف مشخص نمود. در این مقاله رویکرد فرموله‌سازی جدیدی برای تحلیل پوششی داده‌های شبکه‌ای پویا ارائه شده است تا ضمن کنترل اوزان انتخابی، کارآیی کلی سیستم‌های چندبخشی- چند دوره‌ای (MPMDS) را مورد ارزیابی قرار دهد.
روش: به منظور ممانعت از روبرو شدن با جعبه سیاه فرآیند نوآوری، در ابتدا یک مدل مفهومی از ساختار شبکه‎ای پویای نوآوری دانشگاه‎ها طراحی شده و سپس مدل تحلیل پوششی داده‎های شبکه‎ای پویای ارائه شده در این تحقیق، مورد استفاده قرار گرفته شده است.
یافته‌ها: از 13 دانشگاه مورد مطالعه، تعداد 1 دانشگاه (معادل 7 درصد) در فرآیند نوآوری کل کارآ شناخته شدند و میانگین کارایی برابر 82/0 برای دانشگاه‌ها بدست آمد. در هر دو زیرفرآیند تحقیق و توسعه و بکارگیری نتایج نیز 1 دانشگاه (معادل 7 درصد) کارآ شناخته شد و میانگین کارآیی به ترتیب برابر با 85/0 و 46/0 بدست آمد که نشان‌دهنده عملکرد ضعیف دانشگاه‌ها در زمینه بکارگیری نتایج و پیاده‌سازی و تجاری‌سازی ایده‌ها می‌باشد. همچنین روند تغییرات میانگین کارآیی در زیرفرآیند بکارگیری نتایج، کاملاً برعکس زیرفرآیند تحقیق و توسعه بود.
نتیجه‌گیری: نتایج حاصل نشان‌‌دهنده آن است که مدل ارائه شده در این تحقیق با کنترل وزن‌ها و محدود کردن آنها و توانایی اعمال اوزان مورد نظر مدیریت، علاوه بر حل مشکلات مدل‌های متعارف تحلیل پوششی داده‎ها در عدم کنترل اوزان، قابلیت تفکیک‌کنندگی واحدهای کارآ و ناکارآ را بهبود می‎بخشد.

کلیدواژه‌ها


عنوان مقاله [English]

Designing an Organizational Innovation Measurement Model with Dynamic Network Data Analysis and Applying Fuzzy constraint for Weight Control and Finding a common set of weights (Case Study: Iranian Universities)

نویسندگان [English]

  • Ali Hosein Gharib 1
  • Adel Azar 2
  • Mahmoud Dehghan Nayeri 3
1 Ph.D. Candidate, Department of Industrial Management, Faculty of Management and Economic, Tarbiat Modares University, Tehran, Iran.
2 Prof., Faculty of Management and Economic, Tarbiat Modares University, Tehran, Iran.
3 Assistant Prof., Faculty of Management and Economic, Tarbiat Modares University, Tehran, Iran.
چکیده [English]

Objective: Measuring the efficiency of innovation to manage innovation investment in
the era of "knowledge economy" is being considered by more researchers every day. The
evaluation of innovation efficiency helps identify the best innovators for benchmarking
and identifies ways to improve efficiency by identifying the weaknesses. In this paper, a
new formulation approach for dynamic network data envelopment analysis is presented to
evaluate the efficiency of multi-period and multi-division systems (MPMDS) while
controlling the weights.
Methods: To prevent facing the black-box of innovation, at the first, a conceptual
dynamic network structure of the universities’ innovation was developed, and then, the
proposed dynamic network DEA approach is used to overcome the fundamental
shortcomings to control the weights of factors in line with enabling the desired
management weights.
Results: The findings depicted that, among 13 universities surveyed, one university
(about 7%), was recognized as efficient in the total process of innovation, and the average
efficiency was equal to 0.79 for universities. In both sub-processes of R&D and
application, one university (7%) was considered efficient and their average efficiency was
0.82 and 0.47, respectively, which indicates the poor performance of universities in
implementation and ideas commercialization. Also, the changes in the average efficiency
of the sub-process of applying the results are quite the opposite of the research and
development sub-process.
Conclusion: The results reflect that the model presented in this study, by solving the
conventional DNDEA model problems in weight control, improves the discriminating
power of efficient and inefficient units.

کلیدواژه‌ها [English]

  • Dynamic Network Data Envelopment analysis
  • Innovation Process
  • Weight Controlling
  • Common set of weights
سلیمانی دامنه، رضا (1398). ارزیابی ساختارهای دومرحله‎ای متوالی: رویکرد تحلیل پوششی داده‌های شبکه‌ای چندهدفه (MO-NDEA). فصلنامه مدیریت صنعتی، 11(3)، 487-516.
شهریاری، سلطانعلی؛ لاهیجی، ساینا (1396). ارزیابی کارایی نظام ملی نوآوری با استفاده از تحلیل پوششی داده‎های شبکه‌ای. فصلنامه مدیریت صنعتی، 9(3)، 455-474.
صادقی‌مقدم، محمدرضا؛ غریب، علی‎حسین (1392). ارزیابی کارایی با استفاده از مدل تحلیل پوششی داده‌های فازی و اعمال محدودیت فازی برای کنترل اوزان و یافتن اوزان عمومی. فصلنامه مدیریت صنعتی، 5(2)، 71-84.
غریب، علی‌حسین؛ آذر، عادل؛ مقبل باعرض؛ دهقان نیری، محمود (1398). طراحی مدل اندازه‎گیری نوآوری سازمان با رویکرد تحلیل پوششی داده‌های شبکه‌ای پویا (مورد مطالعه: دانشگاه‎های سطح یک کشور). چشم‌انداز مدیریت صنعتی، 9(33)، 9-29.
کاظمی، مصطفی؛ فائضی راد، محمدعلی (1397). پیش‌بینی کارآیی به کمک تأثیرپذیری غیرخطی از تأخبرهای زمانی در تحلیل پوششی داده‌ها با شبکه‌های عصبی مصنوعی. فصلنامه مدیریت صنعتی، 10(1)، 17-34.
References
An, Q., Meng, F., Xiong, B., Wang, Z., & Chen, X. (2018). Assessing the relative efficiency of Chinese high-tech industries: a dynamic network data envelopment analysis approach. Annals of Operations Research, 1–23.
Anderson, T. R., Daim, T. U., & Lavoie, F. F. (2007). Measuring the efficiency of university technology transfer. Technovation, 27(5), 306–318.
Avkiran, N. K. (2015). An illustration of dynamic network DEA in commercial banking including robustness tests. Omega,55, 141–150.
Bogetoft, P., Färe, R., Grosskopf, S., Hayes, K., & Taylor, L. (2009). Dynamic network DEA: An illustration. Journal of the Operations Research Society of Japan, 52(2), 147–162.
Canto, J. G. D., & Gonzalez, I. S. (1999). A resource-based analysis of the factors determining a firm’s R&D activities. Research Policy, 28 (8), 891-905.
Chao, C. M., Yu, M. M., & Wu, H. N. (2015). An application of the dynamic network dea model: the case of banks in Taiwan. Emerging Markets Finance and Trade, 51, S133–S151.
Charnes, A., Cooper, W. W., Huang, Z. M., & Sun, D. B. (1990). Polyhedral cone-ratio DEA models with an illustrative application to large commercial banks. Journal of Econometrics, 46(1-2). 73-91.
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, K., & Guan, J. (2011). Mapping the functionality of China's regional innovation systems: A structural approach. China Economic Review, 22, 11-27.
Chen, K. H., & Guan, J. C. (2012). Measuring China’s regional innovation systems: an application of a relational network DEA. Regional Studies, 46(3), 355-370.
Chen, K. H., & Kou, M. T. (2014). Staged efficiency and its determinants of regional innovation systems: a two-step analytical procedure. The Annals of Regional Science, 52(2), 627–657.
Cook, W. D., Zhu, J., Bi, G. B. & Yang, F. (2010). Network DEA: additive efficiency decomposition. European Journal of Operational Research, 207(2), 1122–1129.
Cron, W., & Sobol, M. (1983). The relationship between compurerization and performance: A strategy for maximizing economic benefits of computerization. Information & management, 6, 171-181.
Färe, R., & Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences. 34, 35–49.
Fukuyama, H., & Weber, W. L. (2013). A dynamic network DEA model with an application to Japanese Shinkin banks. In F. Pasiouras (Ed.), Efficiency and Productivity growth: modelling in the financial services industry (pp. 193–213). John Wiley & Sons, Ltd. doi:10.1002/9781118541531.ch9.
Fukuyama, H., Weber, W. L., & Xia, Y., (2016). Time substitution and network effects with an application to nanobiotechnology policy for us universiries. Omega, 60, 34-44.
Guan, J. C., & Chen, K. H. (2010). Measuring the innovation production process: a cross-region empirical study of China’s high-tech innovations. Technovation, 30(5), 348–358.
Guan, J. C., & Chen, K. H. (2012). Modeling the relative efficiency of national innovation systems. Research Policy, 41(1), 102–115.
Halkos, G. E., & Tzeremes, N. G. (2013). Modelling the effect of national culture on countries’ innovation performances: A conditional full frontier approach. International Review of Applied Economics, 27(5), 656–678.
Hashimoto, A., & Haneda, S. (2008). Measuring the change in R&D efficiency of the Japanese pharmaceutical industry. Research Policy, 37(10), 1829–1836.
Hollanders, H., & Celikel-Esser, F. (2007). Measuring innovation efficiency. INNO Metrics 2007 report. European Commission. Brussels: DG Enterprise INNO Metrics 2007 report.
Jyoti, Banwet, D. K., & Deshmukh, S. G. (2008). Evaluating performance of national R&D organizations using integrated DEA-AHP technique. International Journal of Productivity and Performance Management, 57(5), 370-388.
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.
Kao, C. (2009). Efficiency decomposition in network data envelopment analysis: a relational model. European Journal of Operational Research, 192(3), 949–962.
Kao, C., & Hwang, S. N. (2010). Efficiency measurement for network systems: IT impact on firm performance. Decision Support Systems, 48, 437-446.
Kao, C. (2013). Dynamic data envelopment analysis: A relational analysis. European Journal of Operational Research, 227(2), 325–330.
Kazemi, M., Faezirad, M. (2018). Efficiency Estimation using Nonlinear Influences of Time Lags in DEA Using Artificial Neural Networks. Industrial Management Journal, 10(1), 17- 34. (in Persian)
Khushalani, J., & Ozcan, Y. A. (2017). Are hospitals producing quality care efficiently? An analysis using Dynamic Network Data Envelopment Analysis (DEA). Socio-Economic Planning Sciences, 60, 15–23.
Kordrostami, S., & Azmayandeh, O. H. (2013). The dynamic effect in parallel production systems; An illustration with Iranian Banks. International Journal of Industrial Mathematics, 5(2), 175-185.
Kou, M., Chen, K., Wang, Sh., & Shao, Y. (2016). Measuring efficiencies of multi-period and multi-division system associated with DEA: An application to OECD countries’ national innovation systems. Expert systems whit applications, 46, 494–510.
Lee, H., Park, Y., & Choi, H. (2009). Comparative evaluation of performance of national R&D programs with heterogeneous objectives: A DEA approach. European Journal of Operational Research, 196(3), 847–855.
Park, K. S., & Park, K. (2009). Measurement of multiperiod aggregative efficiency. European Journal of Operational Research, 193 (2), 567-580.
Roll, Y., Cook, W., & Golany, B. (1991). Controlling Weights in DEA. IIE Trans, 21, 99-109
Saati, M. S., & Memariani, A. (2005). Reducing Weight Flexibility in Fuzzy DEA. Applied Mathematics and Computation, 161, 611-622.
Sadeghi moghaddam, M. R., Gharib, A. H. (2013). Measuring efficiency with fuzzy DEA using fuzzy constraints to finding a common set of weights. Journal of Industrial Management, 5(2), 71-84. (in Persian)
Shahriari, S., Lahiji, S. (2017). Performance Evaluation of the National Innovation Systems by Network Data Envelopment Analysis. Journal of Industrial Management, 9(3), 455-474. (in Persian)
Soleymani Damaneh, R. (2019). Evaluation of Continuous Two-stage Structures: A New Multi-objective Network Data Envelopment Analysis (MO-NDEA) Approach. Industrial Management Journal, 11(3), 487-516. (in Persian)
Soltanzadeh, E., & Omrani, H. (2018). Dynamic network data envelopment analysis model with fuzzy inputs and outputs: An application for Iranian Airlines. Applied Soft Computing, 63, 268–288.
Thompson, R. G., Langemeier, L. N., Lee, C. T., Lee, E., & Thrall, R. M. (1990). The role of multiplier bounds in efficiency analysis with application to Kansas farming. Journal of Econometrics, 46 (1–2), 93–108.
Tone, K., & Tsutsui, M. (2010). Dynamic DEA: A slacks-basedmeasure approach. Omega. The International Journal of Management Science, 38(3), 145–156.
Tone, K., & Tsutsui, M., (2014). Dynamic DEA with network structure: A slack-based measure approach. Omega. 42, 124–131
Tran, C-D. T. T., & Villano, R. A. (2018). Financial efficiency of tertiary education institution: A second-stage dynamic network data envelopment analysis method. The Singapore Economic Review. https://doi.org/10.1142/S0217590818500133
Wang, C. H., Gopal, R. D., & Zionts, S. (1997). Use of data envelopment analysis in assessing information technology impact on firm performance. Annals of Operation Research, 73, 191–213.
Wang, E. C., & Huang, W. C. (2007). Relative efficiency of R&D activities: A cross-country study accounting for environmental factors in the DEA. approach. Research Policy, 36(2), 260–273.
Xiao- Bail & Reeves, G. R, (1997). Theory and Methodology: A Multiple Criteria Approach to Data Envelopment Analysis. European Journal of Operation Research, 507-508.
Zhang, T., Chiu, Y-H., Li, Y., & Lin, T-Y. (2018). Air Pollutant and Health-Efficiency Evaluation Based on a Dynamic Network Data Envelopment Analysis. International Journal of Environmental Research and Public Health, 15(9), 2046.
Zhang, L. (2019). Dynamic network data envelopment analysis based upon technology changes. INFOR: Information Systems and Operational Research, 57(2), 242–259.