DOI: https://doi.org/10.1007/s10479-026-07138-5
تاريخ النشر: 2026-03-13
المؤلف: Juan Aparicio وآخرون
الموضوع الرئيسي: تحليل الكفاءة باستخدام DEA
نظرة عامة
في هذا القسم، يبرز المؤلفون أهمية المتغيرات السياقية أو البيئية في تفسير الفروق في الكفاءة النسبية، لا سيما في تحليلات الإنتاجية. يشيرون إلى أن العديد من الدراسات، وخاصة تلك التي تستخدم طرق غير معلمية، غالبًا ما تتجاهل هذه المتغيرات عند فحص التغيرات في الإنتاجية بمرور الوقت. لمعالجة هذه الفجوة، يقدم البحث طريقة جديدة تدمج المعلومات السياقية في تفكيك إنتاجية مالموكويست من خلال مقاييس الكفاءة غير المعلمية الشرطية.
تُظهر الطريقة المقترحة من خلال دراسة تجريبية لمناطق الاتحاد الأوروبي (EU)، مع التركيز على كيفية تأثير جودة الحكم على الإنتاجية الإقليمية بعد الأزمة المالية الأخيرة. بينما تلتقط الطريقة بفعالية التغيرات في الإنتاجية بالنسبة للعوامل الخارجية، مثل جودة الحكم، إلا أنها لا تسهل الاستنتاج الرسمي بشأن التأثيرات الهامشية لهذه المتغيرات. يعترف المؤلفون بأن توسيع هذه المنهجية لتمكين مثل هذا الاستنتاج هو طريق واعد للبحث المستقبلي، على الرغم من أنه ليس ضمن نطاق الدراسة الحالية.
مقدمة
في المقدمة، يؤكد المؤلفون على أهمية النظر في المتغيرات البيئية، المشار إليها بـ $Z$، عند تقييم أداء وحدات اتخاذ القرار (DMUs) في سياقات الإنتاج. تؤثر هذه المتغيرات، التي تشمل عوامل مثل الموقع، والطقس، ونوع الملكية، بشكل كبير على تقييمات الكفاءة. تعتمد الطرق غير المعلمية التقليدية لتقدير الكفاءة غالبًا على افتراضات مقيدة، مثل قابلية فصل فضاءات المدخلات والمخرجات عن المتغيرات البيئية. بالمقابل، تقدم النموذج الشرطي المقترح من قبل دارايو وسيمار إطارًا أكثر مرونة يسمح بدمج هذه العوامل الخارجية في عملية الإنتاج دون الحاجة إلى القابلية للفصل.
يقدم البحث نهجًا جديدًا، يُسمى مؤشر إنتاجية مالموكويست الشرطي، الذي يصحح تأثير المتغيرات البيئية عند قياس التغيرات في الإنتاجية بمرور الوقت. يبني هذا المؤشر الجديد على مؤشر إنتاجية مالموكويست التقليدي (MPI) ولكنه يعززه من خلال الأخذ في الاعتبار العوامل السياقية التي تؤثر على الإنتاج. يهدف المؤلفون إلى توضيح قابلية تطبيق هذا النهج من خلال تحليل التغيرات في الإنتاجية في مناطق الاتحاد الأوروبي-28 بعد الأزمة المالية، مع التركيز بشكل خاص على دور جودة الحكومة كعامل محدد للأداء الإقليمي. تعد المنهجية المقترحة بتوفير فهم أكثر دقة لديناميات الإنتاجية من خلال السماح بالكشف عن التغيرات في تكنولوجيا الإنتاج وتقديم تفكيك شامل للعوامل التي تؤثر على مستويات الإنتاجية الإقليمية.
طرق
يستعرض قسم المنهجية النهج المنظم المستخدم في البحث. يوضح التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة إطارًا كميًا، مستخدمة أدوات إحصائية لتقييم العلاقات بين المتغيرات.
تم جمع البيانات من خلال استبيانات منظمة وتجارب، مما يضمن الموثوقية والصلاحية. شمل التحليل تطبيق اختبارات إحصائية مناسبة، مثل تحليل الانحدار، لتقييم الفرضيات واستخلاص الاستنتاجات. تم تصميم المنهجية لتقليل التحيز وتعزيز قوة النتائج، مما يساهم في مصداقية نتائج البحث بشكل عام.
نتائج
في هذا القسم، يقدم المؤلفون النتائج التجريبية لتحليلهم حول التغيرات في الإنتاجية في المناطق الأوروبية من 2007 إلى 2014، مع التركيز على تأثير جودة الحكومة (المشار إليها بـ $Z$). باستخدام مقدر تحليل البيانات الشرطي (DEA)، يتحققون أولاً من شرط القابلية للفصل، ويجدون أنه مرفوض، مما يبرر استخدام مؤشر مالموكويست الشرطي (CM). يكشف التحليل عن انخفاض عام في الإنتاجية الإقليمية، يتماشى مع الدراسات السابقة، حيث يشير CM إلى انخفاض أكثر وضوحًا مقارنة بمؤشر مالموكويست التقليدي (M). يُعزى هذا الانخفاض بشكل أساسي إلى التغيرات في الكفاءة والعوامل التقنية، بينما ظلت كفاءة الحجم مستقرة. ومن الجدير بالذكر أن الارتباط بين M وCM منخفض، مما يشير إلى أن دمج العوامل البيئية يغير بشكل كبير تقييمات الإنتاجية.
تسلط النتائج الضوء على أن قسوة البيئة (CEH) تمثل جزءًا كبيرًا من الفروق بين M وCM، حيث تفسر CEH 6.4% من التباينات. تشير النتائج إلى أن المناطق ذات الحكم منخفض الجودة، لا سيما في شرق أوروبا، تظهر نموًا في الإنتاجية، بينما قد تواجه المناطق ذات جودة الحكم العالية، مثل تلك الموجودة في الدول الاسكندنافية، انخفاضات. يكشف المؤشر الشرطي عن تحولات في اتجاهات الإنتاجية عبر مناطق مختلفة، مما يشير إلى أن التغيرات البيئية يمكن أن تؤثر بشكل كبير على نتائج الإنتاجية. كما يصنف التحليل الدول بناءً على قيم CM الخاصة بها، موضحًا أن عددًا قليلاً فقط، مثل بولندا ورومانيا، شهدت تحسينات في الإنتاجية مدفوعة بتغيرات الكفاءة، بينما واجه العديد من الآخرين انخفاضات ناتجة بشكل أساسي عن خسائر الكفاءة. بشكل عام، تؤكد الدراسة على أهمية النظر في العوامل البيئية في تحليلات الإنتاجية للحصول على فهم أكثر دقة للأداء الإقليمي.
نقاش
في هذا القسم، يناقش المؤلفون تفكيك التغيرات في الإنتاجية في وحدات اتخاذ القرار (DMUs) على مدى فترتين زمنيتين، باستخدام تحليل البيانات (DEA) لتقدير التقنيات تحت عوائد ثابتة (CRS) وعوائد متغيرة على المقياس (VRS). يتم تقديم مؤشر إنتاجية مالموكويست، وهو مقياس مستخدم على نطاق واسع لتقييم التغيرات في الإنتاجية، مع الإشارة إلى قيمته التي تحدد ما إذا كانت الإنتاجية قد تحسنت أو انخفضت أو ظلت دون تغيير. يبرز المؤلفون أهمية التمييز بين تغيير الكفاءة، والتغيير التقني، وتغيير كفاءة الحجم في تحليل الإنتاجية، مشيرين إلى التفكيك الثلاثي المقترح من قبل راي وديسلي (1997).
يستكشف القسم أيضًا دمج المتغيرات السياقية أو البيئية في قياسات الكفاءة، مقارنةً بمناهج مختلفة، بما في ذلك النهج ذو المرحلة الواحدة والنهج ذو المرحلتين، بالإضافة إلى النهج غير المعلمي الشرطي الأكثر حداثة. يُفضل الأخير لقدرته على الأخذ في الاعتبار تأثير العوامل الخارجية دون الافتراضات المقيدة للطرق السابقة. يقترح المؤلفون مؤشر إنتاجية مالموكويست الشرطي الجديد (CM)، الذي يحتفظ بهيكل مؤشر مالموكويست التقليدي ولكنه يدمج وظائف المسافة الشرطية التي تأخذ في الاعتبار المتغيرات البيئية. يهدف هذا النهج المبتكر إلى تقديم تقييم أكثر دقة للتغيرات في الإنتاجية من خلال النظر في التأثيرات السياقية على DMUs، مما يعزز من صحة المقارنات عبر بيئات التشغيل المختلفة.
DOI: https://doi.org/10.1007/s10479-026-07138-5
Publication Date: 2026-03-13
Author(s): Juan Aparicio et al.
Primary Topic: Efficiency Analysis Using DEA
Overview
In this section, the authors highlight the significance of contextual or environmental variables in explaining differences in relative efficiency, particularly in productivity analyses. They note that many studies, especially those employing nonparametric methods, often overlook these variables when examining productivity changes over time. To address this gap, the paper introduces a novel method that integrates contextual information into Malmquist productivity decompositions through conditional nonparametric efficiency measures.
The proposed approach is exemplified through an empirical study of European Union (EU) regions, focusing on how governance quality affected regional productivity following the last financial crisis. While the method effectively captures productivity changes in relation to external factors, such as governance quality, it does not facilitate formal inference regarding the marginal effects of these variables. The authors acknowledge that extending this methodology to enable such inference is a promising avenue for future research, although it is not within the scope of the current study.
Introduction
In the introduction, the authors emphasize the importance of considering environmental variables, denoted as $Z$, when evaluating the performance of decision-making units (DMUs) in production contexts. These variables, which include factors like location, weather, and ownership type, significantly influence efficiency assessments. Traditional nonparametric methods for estimating efficiency often rely on restrictive assumptions, such as the separability of input-output spaces from environmental variables. In contrast, the conditional model proposed by Daraio and Simar offers a more flexible framework that allows for the integration of these external factors into the production process without the need for separability.
The paper introduces a novel approach, termed the conditional Malmquist productivity index, which corrects for the influence of environmental variables when measuring productivity changes over time. This new index builds on the traditional Malmquist productivity index (MPI) but enhances it by accounting for the contextual factors that affect production. The authors aim to illustrate the applicability of this approach by analyzing productivity changes in EU-28 regions following the financial crisis, particularly focusing on the role of government quality as a determinant of regional performance. The proposed methodology promises to provide a more nuanced understanding of productivity dynamics by allowing for the detection of changes in production technology and offering a comprehensive decomposition of factors influencing regional productivity levels.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a quantitative framework, employing statistical tools to assess the relationships between variables.
Data were gathered through structured surveys and experiments, ensuring reliability and validity. The analysis involved applying appropriate statistical tests, such as regression analysis, to evaluate hypotheses and draw conclusions. The methodology was designed to minimize bias and enhance the robustness of the findings, thereby contributing to the overall credibility of the research outcomes.
Results
In this section, the authors present the empirical results of their analysis on productivity changes in European regions from 2007 to 2014, emphasizing the impact of government quality (denoted as $Z$). Utilizing a conditional Data Envelopment Analysis (DEA) estimator, they first verify the separability condition, finding it rejected, which justifies the use of the conditional Malmquist index (CM). The analysis reveals a general decline in regional productivity, consistent with previous studies, with the CM indicating a more pronounced decrease compared to the traditional Malmquist index (M). This decline is primarily attributed to changes in efficiency and technical factors, while scale efficiency remained stable. Notably, the correlation between M and CM is low, suggesting that incorporating environmental factors significantly alters productivity assessments.
The findings highlight that environmental harshness (CEH) accounts for a substantial portion of the differences between M and CM, with CEH explaining 6.4% of the divergences. The results indicate that regions with low-quality governance, particularly in Eastern Europe, show productivity growth, while regions with high governance quality, such as in Scandinavia, may experience declines. The conditional index reveals shifts in productivity trends across various regions, indicating that environmental changes can significantly influence productivity outcomes. The analysis also ranks countries based on their CM values, showing that only a few, such as Poland and Romania, experienced productivity improvements driven by efficiency changes, while many others faced declines primarily due to efficiency losses. Overall, the study underscores the importance of considering environmental factors in productivity analyses to obtain a more accurate understanding of regional performance.
Discussion
In this section, the authors discuss the decomposition of productivity changes in Decision-Making Units (DMUs) over two time periods, utilizing Data Envelopment Analysis (DEA) to estimate technologies under constant (CRS) and variable returns to scale (VRS). The Malmquist productivity index, a widely used measure for assessing productivity changes, is introduced, with its value indicating whether productivity has improved, declined, or remained unchanged. The authors highlight the importance of distinguishing between efficiency change, technical change, and scale efficiency change in productivity analysis, referencing the three-fold decomposition proposed by Ray and Desli (1997).
The section further explores the integration of contextual or environmental variables into efficiency measurements, comparing various methodologies, including the one-stage and two-stage approaches, as well as the more recent conditional nonparametric approach. The latter is favored for its ability to account for the influence of external factors without the restrictive assumptions of earlier methods. The authors propose a new conditional Malmquist productivity index (CM), which retains the structure of the traditional Malmquist index but incorporates conditional distance functions that account for environmental variables. This innovative approach aims to provide a more accurate assessment of productivity changes by considering the contextual influences on DMUs, thereby enhancing the validity of comparisons across different operating environments.