benchmarking portów morskich bazuj cy na metodzie data

Transkrypt

PRACE NAUKOWE POLITECHNIKI WARSZAWSKIEJ
z. 100
Transport
2013
Joanna Baran
Szko)a G)ówna Gospodarstwa Wiejskiego w Warszawie
BENCHMARKING PORTÓW MORSKICH
BAZUJ%CY NA METODZIE DATA ENVELOPMENT
ANALYSIS
R7kopis dostarczono, wrzesie: 2013
Streszczenie: W artykule zastosowano metod7 DEA do okre?lenia efektywno?ci portów morskich.
Metoda DEA jest wielowymiarowym narz7dziem badania efektywno?ci umoGliwiajQcym porównanie
wielu efektów z wieloma nak)adami. W obliczonych modelach DEA, jako efekty uwzgl7dniono:
liczb7 statków wp)ywajQcych do portów, wielko?X obrotów )adunkowych w poszczególnych portach
za?, jako nak)ady uwzgl7dniono d)ugo?X nabrzeGa, powierzchni7 sk)adowania oraz sprz7t do obs)ugi
)adunków. Wyniki bada: wskazujQ, Ge 7 z 22 badanych portów morskich by)o w pe)ni efektywnych.
S)owa kluczowe: porty morskie, efektywno?X, metoda Data Envelopment Analysis
1. WPROWADZENIE
Transport morski jest jednym z kluczowych elementów rozwoju i ekspansji
gospodarczej pa:stw. Globalizacja dzia)alno?ci gospodarczej oraz otwieranie si7 pa:stw na
handel zagraniczny, który stanowi g)ównQ si)7 nap7dowQ rozwoju krajów i kontynentów,
wymaga sprawnego i efektywnego systemu przewozów morskich.
W ostatnich latach nastQpi) wzrost przewozów morskich pomi7dzy
wysokorozwini7tymi pa:stwami Ameryki Pó)nocnej, Europy i Azji Po)udniowoWschodniej – rejony te koncentrujQ ponad 60% ?wiatowego handlu morskiego.
Dodatkowo ciQgle obserwuje si7 wzrost znaczenia szlaków komunikacji morskiej na
morzach przybrzeGnych i ?ródziemnych. Przyk)adowo w Europie wzrasta ruch statków na
Morzu Pó)nocnym zw)aszcza w portach w strefie od Hawru do Hamburga, w których
prze)adowuje si7 ok. 20% wszystkich towarów przewoGonych transportem morskim na
?wiecie [15].
W 2010 roku przewozy morskie na ?wiecie wynios)y )Qcznie 8,4 mld ton, z czego
wi7kszo?X stanowi)y )adunki masowe (m.in. ropa i )adunki ropopochodne, w7giel, ruda
Gelaza, zboGe). Jednocze?nie 16% ogólnej wielko?ci przewozu obs)uGono przy
wykorzystaniu technologii kontenerowej. MoGna zauwaGyX, Ge udzia) ten od wielu lat
systematycznie ro?nie (w 2000 roku wynosi) tylko 8,5%).
6
Joanna Baran
Podstawowym elementem infrastruktury niezb7dnym do obs)ugi ruchu kontenerowego
sQ porty morskie stanowiQce w7z)owe punkty transportowe, usytuowane na styku
?rodowiska wodnego i lQdowego. Na ?wiecie funkcjonuje oko)o 10 tys. portów morskich
i miejsc prze)adunkowych. Obecnie najwi7kszymi portami kontenerowymi ?wiata sQ
o?rodki po)oGone w Azji, g)ównie w Chinach. Najwi7kszym portem kontenerowym ?wiata
jest Szanghaj, w którym w 2010 roku obs)uGono 29 mln TEU.
Istotnym zagadnieniem z punktu widzenia obs)ugi ruchu kontenerowego jest
efektywno?X poszczególnych portów morskich. W literaturze moGna spotkaX badania
porównujQce sprawno?X portów morskich w oparciu o tradycyjne wskainiki, moGna
równieG znaleiX analizy bazujQce na wielowymiarowych metodach badania efektywno?ci
takich jak np. Data Envelopment Analysis (DEA).
W ramach przeprowadzonego przeglQdu literatury ustalono, Ge metoda DEA jest
wykorzystywana do badania efektywno?ci w7z)ów logistycznych tj. portów morskich czy
portów lotniczych. W odniesieniu do portów morskich metoda DEA by)a stosowana do
teoretycznej oceny efektywno?ci portów morskich [13], do okre?lenia wzgl7dnej
wydajno?ci portów i ewolucji efektywno?ci indywidualnej poszczególnych portów [10], do
empirycznego przetestowania róGnych czynników wp)ywajQcych na wydajno?X
i efektywno?X portów [18], do porównania efektywno?ci portów morskich, w celu
ustalenia, czy istnieje szczególny rodzaj w)asno?ci i struktury organizacyjnej, która
prowadzi do wyGszej efektywno?ci portu [20].
Zastosowanie metody DEA moGna równieG spotkaX w licznych badaniach dotyczQcych
efektywno?ci portów lotniczych m.in. w nast7pujQcych pracach [1], [2],[3], [8], [9], [11],
[16], [21].
Celem niniejszego artyku)u jest zaprezentowanie metody Data Envelopment Analysis,
jako przydatnego narz7dzia do badania efektywno?ci i benchmarkingu1 w7z)ów
logistycznych w tym w szczególno?ci portów morskich.
2. METODA BADAData Envelopment Analysis (DEA)2 jest zaliczana do nieparametrycznych metod
badania efektywno?ci obiektów. W 1978 r. autorzy metody DEA (Charnes, Cooper
i Rhodes3), bazujQc na koncepcji produktywno?ci sformu)owanej przez Debreu i Farella,
definiujQcej miar7 produktywno?ci jako iloraz pojedynczego efektu i pojedynczego
nak)adu, zastosowali jQ do sytuacji wielowymiarowej, to jest takiej w której dysponuje si7
wi7cej niG jednym nak)adem i wi7cej niG jednym efektem [4; 5; 7]. Matematycznie model
DEA moGna przedstawiX w nast7pujQcy sposób [5; 7]:
1
Benchmarking – jest to metoda zarzQdzania strategicznego polegajQca na porównywaniu swojej organizacji z praktykQ
funkcjonowania i wynikami dzia)ania najlepszych przedsi7biorstw na rynku, a nast7pnie zaadaptowania zasadniczych
cech tych wzorcowych praktyk do procesów realizowanych we w)asnej organizacji
2
Polskie odpowiedniki to: analiza obwiedni danych, analiza otoczki danych, graniczna analiza danych.
3
A. Charnes, W.W.Cooper, E. Rhodes po raz pierwszy przedstawili metod7 DEA w 1978 r. w pracy pt. „Measuring the
efficiency of decision making units” w European Journal of the Operational Research, No 2, s. 429-444.
Benchmarking portów morskich bazujQcy na metodzie Data Envelopment Analysis
7
s
max
funkcja celu:
u ,v
"
r
yro
(1)
r !1
m
"! x
i io
i !1
przy nast7pujQcych warunkach ograniczajQcych:
s
"
r
yrj
# 1 ( j ! 0,1,..., n);
r !1
m
"! x
i ij
i !1
r
&r
m
, vi $ 0;
$%
dla r ! 0,1,..., s,
$%
dla i ! 0,1,..., m.
" vi xio
i !1
vi
m
" vi xio
i !1
gdzie:
s – liczba efektów,
m – liczba nak)adów,
r – wagi okre?lajQce waGno?X poszczególnych efektów,
!i – wagi okre?lajQce waGno?X poszczególnych nak)adów,
yrj – wielko?X efektu r-tego rodzaju (r =1,…,R) w obiekcie j-tym,
xij – wielko?X nak)adu i-tego rodzaju (n =1,…,N) w obiekcie j-tym; (j =1,…,J).
Metoda DEA umoGliwia badanie relacji pomi7dzy poziomem wielu nak)adów
i wielu efektów. W modelu DEA m nak)adów i s róGnych efektów sprowadzonych zostaje
do pojedynczych wielko?ci „syntetycznego” nak)adu i „syntetycznego” efektu, które
nast7pnie sQ wykorzystywane przy obliczaniu wskainika efektywno?ci obiektu [12]. W
programowaniu liniowym wskainik ten jest funkcjQ celu. W metodzie DEA moGna
wyróGniX dwa warianty funkcji celu: maksymalizacja efektów przy danych nak)adach lub
minimalizacja nak)adów przy danych efektach [7].
Zmiennymi optymalizowanymi sQ wspó)czynniki r i vi b7dQce wagami wielko?ci
nak)adów oraz efektów, a wielko?ci efektów oraz nak)adów sQ danymi empirycznymi [7].
Ograniczenie zak)ada, Ge iloraz syntetycznego efektu i syntetycznego nak)adu ma byX
mniejszy lub równy jedno?ci, bez tego ograniczenia zadanie mia)oby niesko:czenie wiele
rozwiQza:. Wagi nak)adów i efektów sQ wyznaczone w taki sposób aby maksymalizowa)y
powyGszQ relacj7 efektów do nak)adów, a ich wielko?ci mogQ byX równe lub wi7ksze od
zera. WykorzystujQc technik7 transformacji Charnesa-Coopera powyGszy nieliniowy
model DEA moGna przekszta)ciX w zadanie programowania liniowego [6;7;14]:
8
Joanna Baran
s
(2)
max wo ! " & r yro
& ,v
r !1
przy ograniczeniach:
n
"v x
i
io
!1
i !1
s
m
"&
r !1
r
y rj ' " vi xij # 0
i !1
& r $ % , vi $ %
Model dualny tego problemu przedstawia si7 w nast7pujQcy sposób:
funkcja celu:
min
* ,+ , S ( , S '
s
m
r !1
i !1
z o ! * ' % ) " s (r ' % ) " s 'r
(3)
przy ograniczeniach:
n
" + jY j
j !1
' s ( ! Yo ,
n
*X 0 ' " + j X j ' s ' ! 0,
j !1
+ j , s r( , si' $ 0.
Tak sformu)owane zadanie programowania liniowego naleGy rozwiQzaX dla wszystkich
n obiektów. W zagadnieniu tym rozwiQzaniem dla obiektu 0o:
- X0 jest wektorem nak)adów danego obiektu (o wymiarach [1xm]);
- X jest macierzQ nak)adów wszystkich obiektów (o wymiarach [nxm]);
- Y0 jest wektorem efektów danego obiektu (o wymiarach [1xs]);
- Y jest macierzQ efektów wszystkich obiektów (o wymiarach [nxs]);
- s1,…, ss to wspó)czynniki kombinacji liniowej;
- t jest wspó)czynnikiem efektywno?ci obiektu;
- s+ oraz s- okre?lajQ warto?ci tzw. luzów powsta)ych w trakcie optymalizacji
funkcji celu;
- sta)a v oznacza niesko:czenie ma)Q liczb7 (odgrywa rol7 dolnego ograniczenia
dla wag okre?lajQcych waGno?X poszczególnych efektów i nak)adów, tak by
zapobiec przyjmowaniu przez nie zerowych warto?ci).
RozwiQzanie funkcji celu przy pomocy programowania liniowego pozwala na ustalenie
9
krzywej efektywno?ci, na której znajdujQ si7 wszystkie najbardziej efektywne jednostki
badanej zbiorowo?ci4 (rysunek 1). Obiekty uwaGa si7 za efektywne technicznie, jeGeli
znajdujQ si7 na krzywej efektywno?ci (wskainik ich efektywno?ci wynosi 1, co
w modelu ukierunkowanym na minimalizacj7 nak)adów oznacza, Ge nie istnieje bardziej
korzystna kombinacja nak)adów, pozwalajQca na osiQgni7cie przez przedsi7biorstwo tych
samych efektów), jeGeli natomiast znajdujQ si7 poza krzywQ efektywno?ci, sQ nieefektywne
technicznie (wskainik ich efektywno?ci jest mniejszy od 1, co oznacza, Ge istnieje bardziej
efektywna kombinacja nak)adów umoGliwiajQca osiQgni7cie tych samych efektów).
Efektywno?X obiektu jest mierzona wzgl7dem innych obiektów z badanej grupy
i przyjmuje warto?ci z przedzia)u (0, 1). W metodzie DEA obiektami analizy sQ tzw.
jednostki decyzyjne – Decision Making Units (DMU) [5]. Przedmiotem analizy jest
efektywno?X, z jakQ dana DMU transformuje posiadane nak)ady w wyniki. Metoda DEA
umoGliwia porównanie (benchmarking) danego obiektu z najlepszymi w branGy oraz
pozwala na stworzenie rankingu badanych obiektów [7].
Modele DEA dzieli si7 ze wzgl7du na dwa kryteria: orientacj7 modelu oraz rodzaj
efektów skali. Pierwsze kryterium wskazuje czy w danym modelu minimalizujemy
nak)ady czy maksymalizujemy efekty.
Rys. 1. Krzywe efektywno?ci CCR (o sta)ych efektach skali) i BCC (o zmiennych efektach skali)
(model: 1 efekt i 1 nak)ad)
wród)o: Opracowanie w)asne na podstawie: [7]
Z kolei drugie kryterium dotyczy za)oGenia rodzaju efektów skali (zmiennych lub
sta)ych) w danym modelu DEA. WyróGnia si7 tutaj model CCR5, którego nazwa pochodzi
od pierwszych liter nazwisk twórców modelu: Charnes-Cooper-Rhodes, zak)adajQcy sta)e
4
Graficzna prezentacja krzywej efektywno?ci jest moGliwa dla modeli: 1 nak)ad i 1 efekt, 2 nak)ady i 1 efekt lub 1 nak)ad
i 2 efekty. Dla modeli wielowymiarowych odpowiednikiem krzywej jest kilka po)Qczonych ze sobQ fragmentów róGnych
hiperp)aszczyzn.
5
Zak)ada si7, Ge model CCR jest bardziej odpowiedni w sytuacji, gdy wszystkie firmy operujQ w podobnych warunkach,
a osiQgana efektywno?X skali jest optymalna. JeGeli warunki gospodarowania sQ zmienne (wyst7pujQ ograniczenia
finansowe, technologiczne, konkurencja itp.) bardziej w)a?ciwym jest zastosowanie modelu BCC, który pozwala uniknQX
problemu zwiQzanego z brakiem optymalnych warunków funkcjonowania obiektów [17].
10
Joanna Baran
efekty skali (z ang. Constant Returns to Scale – CRS) oraz model BCC6, którego nazwa
równieG pochodzi od twórców modelu: Banker-Charnes-Cooper, zak)adajQcy zmienne
efekty skali (z ang. Variable Returns to Scale - VRS). W 1985 r. Färe, Grosskopf i Lovell
zmodyfikowali model BCC dodajQc nowe za)oGenia czego efektem by)o powstanie modelu
zak)adajQcego niewzrastajace efekty skali (z ang. Non-Increasing Returns-to-Scale NIRS)7 (rysunek 2) [6;7].
Na rysunku 2 krzywa efektywno?ci CCR jest wyznaczona przez obiekty efektywne przy
za)oGeniu sta)ych efektów skali, natomiast krzywa efektywno?ci BCC przy za)oGeniu
zmiennych efektów skali. Obiekt P leGy poza granicami jest wi7c obiektem
nieefektywnym. Nieefektywno?X techniczna obiektu P jest równa odcinkowi PPC w
przypadku analizy CCR, jednakGe w przypadku analizy BCC nieefektywno?X techniczna
b7dzie równa odcinkowi PPV. Model CCR jest wykorzystywany do obliczenia ca)kowitej
efektywno?ci technicznej (z ang. Technical Efficiency - TE), gdzie:
TE = APC/AP
(4)
Model BCC jest wykorzystywany do obliczenia czystej efektywno?ci technicznej (z ang.
Pure Technical Efficiency - PTE) [7], gdzie:
PTE = APV/AP
(5)
Rys. 2. Efektywno?X skali wed)ug metody DEA (model: 1 efekt i 1 nak)ad)
wród)o: Opracowanie w)asne na podstawie: [7]
RóGnic7 pomi7dzy wskainikiem czystej a ca)kowitej efektywno?ci moGna przypisaX
wyst7powaniu okre?lonych korzy?ci skali. MajQc zatem obliczonQ ca)kowitQ efektywno?X
technicznQ i czystQ efektywno?X technicznQ, moGna obliczyX efektywno?X skali obiektu
(z ang. Scale Efficiency – SE) wg wzoru [7]:
6
Model BCC powsta) poprzez dodanie za)oGenia do modelu CCR dotyczQcego wypuk)ej granicy przecinajQcych si7
p)aszczyzn (1’s=1, gdzie 1’ to wektor z)oGony z samych 1), co uczyni)o siatk7 danych punktów bardziej spójnQ
i spowodowa)o, Ge wyniki otrzymane w modelu BCC sQ bardziej precyzyjne niG wyniki uzyskane w modelu CCR [17].
7
Model NIRS zak)ada wyst7powanie sta)ych lub malejQcych efektów skali w badanych obiektach, powsta) na podstawie
modelu BCC, w którym ograniczenie 1’s=1 zastQpiono 1’s}1 [7].
11
SE = TE/PTE,
(6)
czyli SE = APC/APV
(7)
Tak wyliczona efektywno?X skali okre?la, w jakim stopniu obiekt jest efektywny w
stosunku do optimum umoGliwiajQcego maksymalnie efektywne wykorzystanie nak)adów.
Obiekty, dla których efektywno?X skali jest równa 1 charakteryzujQ si7 sta)ymi
korzy?ciami skali. Obliczona w wyGej przedstawiony sposób efektywno?X skali nie
pozwala jednak wskazaX, które obiekty charakteryzujQ si7 rosnQcymi, a które malejQcymi
korzy?ciami skali. Charakter skali (rosnQcy lub malejQcy) dla konkretnego obiektu moGe
byX okre?lony poprzez porównanie, wielko?ci efektywno?ci technicznej NIRS z wielko?ciQ
czystej efektywno?ci technicznej (PTE). JeGeli wielko?ci te sQ równe, ?wiadczy to o
malejQcym charakterze skali dla danego obiektu. JeGeli natomiast wielko?ci te nie sQ równe
to obiekt charakteryzuje si7 rosnQcymi efektami skali (por. rysunek 11) [6;7].
3. WYNIKI BADA- EMPIRYCZNYCH
W celu empirycznego przetestowania metody DEA zebrano dane na temat 22 portów
morskich zlokalizowanych na terenie Afryki. W procesie przetwarzania materia)u
badawczego wykorzystano arkusz kalkulacyjny Microsoft Excel 2007 oraz program
DEASolverPro6. Do modeli DEA przyj7to nast7pujQce zmienne:
, efekt 1 – wielko?X obrotów )adunkowych w poszczególnych portach (t),
, efekt 2 - liczb7 statków wp)ywajQcych do portów (szt.),
, nak)ad 1 – d)ugo?X nabrzeGa (m),
, nak)ad 2 – urzQdzenia prze)adunkowe (szt.),
, nak)ad 3 – powierzchni7 sk)adowania (m2).
W tabeli 1 przedstawiono wyniki analizy korelacji, która wskazuje na silnQ zaleGno?X
uwzgl7dnionych nak)adów i efektów.
Tabela 1
Wspó)czynniki korelacji mi0dzy nak)adami i efektami
D)ugo12 nabrze3a
Urz4dzenia
prze)adunkowe
Powierzchnia
sk)adowania
Statki wchodz4ce
Obroty
)adunkowe
D)ugo12
nabrze3a
1
Urz4dzenia
prze)adunkowe
0,4685374
Powierzchnia
sk)adowania
0,811638
Statki
wchodz4ce
0,664235
Obroty
)adunkowe
0,5612956
0,4685374
1
0,4341877
0,7618474
0,8959718
0,811638
0,4341877
1
0,7535883
0,6626175
0,664235
0,7618474
0,7535883
1
0,8789171
0,5612956
0,8959718
0,6626175
0,8789171
1
wród)o: opracowanie w)asne
12
Joanna Baran
W pierwszym etapie bada: obliczono model DEA ukierunkowany na maksymalizacj7
efektów (z ang. output-oriented model). Wielko?X miary efektywno?ci technicznej
wyliczonej w modelu zorientowanym na efekty pozwoli)a przeanalizowaX, o ile trzeba
zwi7kszyX wyniki danego portu morskiego, aby by) on efektywny przy tej samej wielko?ci
uGytych nak)adów.
Ranking efektywno?ci portów morskich wed)ug modelu zorientowanego na efekty
przedstawiono na rysunku 3. Efektywno?X badanych portów morskich kszta)towa)a si7
w przedziale od 0,26 do 1 a ?rednia efektywno?X badanej próby portów wynosi)a 0,79.
W modelu ukierunkowanym na maksymalizacj7 efektów 7 portów morskich, których
wskainiki efektywno?ci wynios)y 1 efektywnie wykorzystywa)o posiadane nak)ady
i zosta)y one uznane za w pe)ni efektywne. Porty morskie, dla których wskainiki
efektywno?ci by)y mniejsze od 1, zosta)y uznane za nieefektywne a w kolejnym etapie
bada: okre?lono o ile powinny zwi7kszyX obroty )adunkowe i liczb7 obs)ugiwanych
statków, aby mog)y zostaX uznane za efektywne przy tej samej wielko?ci zaangaGowanych
nak)adów.
Rys. 3. Efektywno?X portów morskich – wyniki bada: empirycznych
Zgodnie z ideQ benchmarkingu dla nieefektywnych portów morskich przy pomocy
metody DEA zdefiniowano wzorce efektywno?ci, co pozwoli)o wskazaX na potencjalne
usprawnienia, które naleGa)oby zastosowaX, aby uznaX dany port za efektywny.
Przyk)adowo dla Portu Kuwait portem wzorcowym jest Port Mtwara Tanzania. Port
Kuwait posiada podobnQ d)ugo?X nabrzeGa, sprz7t portowy oraz znacznie wi7kszQ
powierzchni7 sk)adowania niG Port Mtwara Tanzania, ale obs)uguje odpowiednio 1,3 razy
13
mniej statków i ma ponad 1,5 krotnie mniejsze obroty )adunkowe (rysunek 4).
Port Kuwait w modelu zorientowanym na maksymalizacj7 efektów osiQgnQ) wskainik
efektywno?ci na poziomie 0,68 powinien zwi7kszyX obroty )adunków o 129% oraz
roz)adowaX/za)adowaX ok. 46% wi7cej statków aby posiadane nak)ady (sprz7t, nabrzeGe,
powierzchni7 sk)adowania) wykorzystaX maksymalnie efektywnie i zostaX uznanym za
w pe)ni efektywny (tabela 2).
Rys. 4. Nak)ady i wyniki portu Kuwait na tle portu wzorcowego
W tabeli 2 przedstawiono potencjalne zmiany, jakie powinny dokonaX si7
w nieefektywnych portach morskich tak, aby mog)y staX si7 portami efektywnymi. Wyniki
sugerujQ o ile wi7cej efektów naleGy wygenerowaX przy danym poziomie nak)adów
w poszczególnych portach.
Tabela 2
Kierunki potencjalnych zmian w portach w celu uzyskania wzorcowej efektywno1ci
- model output-oriented
DMU – Port morski
Dubai Emirates
Jeddah Saudi
Salalah Oman
Dammam Saudi
Kuwait
Aden Yemen
Mombasa Kenya
Khor Fakkan Sharjah
Yanbu Saudi
Hodeidah
Jubail Saudi
Statki
wchodz4ce
(szt.)
Obroty
)adunkowe
(t)
3916
2049
1506
1653
1636
6352
3148
398
2463
2042
2782
12971235
12292704
1367404
19874564
3836840
66541268
16106155
1239645
14762086
8338290
16210109
Potencjalne
zmiany (%)
Statki
wchodz4ce
24,62%
0,00%
19,96%
29,58%
46,31%
0,00%
0,00%
0,00%
16,06%
0,00%
93,97%
Potencjalne
zmiany (%)
Obroty
)adunkowe
66,08%
0,00%
364,00%
8,95%
129,24%
0,00%
0,00%
0,00%
16,06%
0,00%
93,97%
14
Joanna Baran
c.d. tabeli 2
Djibouti
Dar es Salaam Tanzania
Sudan
Mascut Oman
Asmara Eritrea
Khalid Sharjah
Bander Abbas Iran
Mukalla Yemen
Assab Eritrea
Tanga Tanzania
Mtwara Tanzania
1462
1466
4365
2431
1670
1615
195
174
819
1602
2165
8556476
10720699
39245363
5102331
13916858
6232654
334189
276681
535736
1509422
6290892
61,49%
0,00%
161,54%
46,47%
50,17%
18,92%
201,57%
281,72%
119,94%
1,10%
0,00%
41,18%
0,00%
90,28%
291,32%
14,14%
84,86%
950,50%
899,95%
999,90%
415,86%
0,00%
Z drugiej strony moGna przypuszczaX, Ge zarzQdzajQcy portami morskimi majQ wi7kszy
wp)yw na wielko?X stosowanych nak)adów niG wielko?X generowanych wyników. Dlatego
w kolejnym etapie bada: obliczono model DEA ukierunkowanym na minimalizacj7
nak)adów (z ang. input-oriented model). Za efektywne równieG uznano porty morskie,
których wskainiki efektywno?ci wynios)y 1. W odniesieniu do portów morskich, dla
których wskainiki efektywno?ci by)y mniejsze od 1 stwierdzono, Ge danQ wielko?X
generowanych efektów mog)yby osiQgnQX przy wykorzystaniu mniejszych nak)adów
(mniejszej d)ugo?ci nabrzeGa, powierzchni magazynowej i sprz7cie).
W tabeli 3 przedstawiono zatem potencjalne zmiany jakie powinny dokonaX si7 w
nak)adach portów nieefektywnych tak aby mog)y staX si7 portami efektywnymi. PosiadajQc
takie informacje zarzQdzajQcy poszczególnymi portami mogQ skoncentrowaX si7 na
odpowiedniej redukcji nak)adów, co powinno pozwoliX portom morskim zredukowaX
koszty oraz staX si7 efektywnymi.
Tabela 3
Kierunki potencjalnych zmian w portach w celu uzyskania wzorcowej efektywno1ci
- model input-oriented
DMU –
Port
morski
Dubai
Emirates
Jeddah
Saudi
Salalah
Oman
Dammam
Saudi
Kuwait
Aden
Yemen
Mombasa
Kenya
Khor
Fakkan
Sharjah
D)ugo12
nabrze3a
(m)
Urz4dzenia
prze)adunkowe
(szt.)
Powierzchnia
sk)adowania
(m2)
Potencjalne
zmiany (%)
D)ugo12
nabrze3a
Potencjalne
zmiany (%)
Urz4dzenia
prze)adunkowe
Potencjalne
zmiany (%)
Powierzchnia
sk)adowania
5519
24
2209000
-19,76%
-19,76%
-19,76%
1330
26
50000
0,00%
0,00%
0,00%
4296
14
341292
-66,52%
-16,64%
-16,64%
1780
1750
54
23
1032692
538898
-8,22%
-31,65%
-8,22%
-31,65%
-37,43%
-31,65%
4875
176
1948610
0,00%
0,00%
0,00%
4055
12
1586458
0,00%
0,00%
0,00%
320
2
250567
0,00%
0,00%
0,00%
15
c.d. tabeli 3
Yanbu
Saudi
Hodeidah
Jubail
Saudi
Djibouti
Dar es
Salaam
Tanzania
Sudan
Mascut
Oman
Asmara
Eritrea
Khalid
Sharjah
Bander
Abbas
Iran
Mukalla
Yemen
Assab
Eritrea
Tanga
Tanzania
Mtwara
Tanzania
2004
1165
34
18
843015
1321000
-13,84%
0,00%
-13,84%
0,00%
-69,99%
0,00%
8454
4800
39
9
1843720
1438800
-64,49%
-55,12%
-48,45%
-29,17%
-48,45%
-41,42%
1930
11200
9
114
727000
2500000
0,00%
-50,48%
0,00%
-47,45%
0,00%
-47,45%
2254
44
540253
-31,73%
-34,27%
-31,73%
1650
68
114117
-12,39%
-55,37%
-12,39%
2444
63
46864
-57,11%
-67,47%
-15,91%
381
13
20000
-66,84%
-81,06%
-66,84%
385
6
400000
-73,80%
-73,80%
-73,80%
1140
35
275319
-54,53%
-72,18%
-54,53%
1120
18
204057
-1,08%
-1,08%
-1,08%
1795
20
151200
0,00%
0,00%
0,00%
Punktem wyj?cia do podj7cia decyzji przez decydentów w portach morskich na temat
strategii dzia)ania – maksymalizowaX efekty czy minimalizowaX nak)ady moGe byX analiza
skali dzia)ania portu i zwiQzanych z tym korzy?ci skali. Charakter korzy?ci skali zaleGy
bowiem od reakcji wyników (efektów) badanego obiektu na zwi7kszenie ilo?ci nak)adów
W przypadku, gdy wzrost efektów jest procentowo wi7kszy niG wzrost nak)adów to mówi
si7 o rosnQcych korzy?ciach skali (z ang. increasing returns to scale). JeGeli wielko?X
efektów wzro?nie procentowo mniej niG kaGdy z nak)adów mówi si7 o malejQcych
korzy?ciach skali (z ang. decreasing returns to scale), a jeGeli wielko?X efektów wzrasta o
taki sam procent jak nak)ady to obiekt charakteryzuje si7 sta)ymi korzy?ciami skali (z ang.
constant returns to scale) [19].
W celu okre?lenia korzy?ci skali poszczególnych portów morskich obliczono model
NIRS i porównano go z wielko?ciQ czystej efektywno?ci technicznej (PTE). Stwierdzono,
Ge po)owa (11) portów morskich w badanej grupie charakteryzuje si7 sta)ymi korzy?ciami
skali (w grupie tej znalaz)y si7 m.in. wszystkie porty uznane za efektywne), 7 portów
charakteryzuje si7 malejQcymi korzy?ciami skali a 4 rosnQcymi korzy?ciami skali
(tabela 4).
16
Joanna Baran
Tabela 4
Korzy1ci skali w badanych portach morskich
Korzy1ci skali
Sta)e
Malej4ce
Rosn4ce
DMU – Port morski
Aden Yemen, Assab Eritrea, Dar es Salaam Tanzan, Hodeidah Jeddah Saudi,Khor
Fakkan Sharjah, Mombasa Kenya Mtwara Tanzania, Mukalla Yemen, Salalah Oman,
Tanga Tanzania
Asmara Eritrea, Dubai Emirates, Jubail Saudi, Kuwait Mascut Oman,
Yanbu Saudi, Sudan
Bander Abbas Iran, Dammam Saudi, Djibouti, Khalid Sharjah
4. PODSUMOWANIE
DQGQc do poprawy efektywno?ci w7z)ów logistycznych warto stosowaX koncepcj7
twórczego na?ladownictwa tj. benchmarkingu wyraGajQcQ si7 has)em – „równaj do
najlepszych”. Benchmarking wyników moGna prowadziX w oparciu o tradycyjne metody
wskainikowe odzwierciedlajQce relacj7 pojedynczego efektu do pojedynczego nak)adu.
InteresujQcQ alternatywQ jest zastosowanie metody DEA umoGliwiajQcej ocen7 relacji
wielu nak)adów i efektów.
W niniejszych badaniach metod7 DEA wykorzystano do oceny efektywno?ci portów
morskich zlokalizowanych u wybrzeGy Afryki. Dzi7ki zastosowaniu metody DEA
stworzono ranking portów morskich wg ich efektywno?ci uwzgl7dniajQcej relacj7 trzech
nak)adów i dwóch efektów. W ramach przeprowadzonej analizy zidentyfikowano 7
efektywnych portów morskich. Z kolei dla portów nieefektywnych okre?lono benchmarki
dzi7ki, którym moGna by)o wskazaX co naleGa)oby usprawniX aby dany port morski sta) si7
w pe)ni efektywny.
BiorQc pod uwag7 powyGsze analizy, naleGy stwierdziX, Ge metod7 DEA moGna
zastosowaX do oceny efektywno?ci innych w7z)ów logistycznych. Metoda DEA moGe byX
przydatnym narz7dziem do oceny efektywno?ci np. centrów dystrybucji, terminali
prze)adunkowych czy portów lotniczych. Warto jednak pami7taX o wadach i
ograniczeniach tej metody. Metoda DEA wyznacza wzgl7dnQ efektywno?X badanego
obiektu tzn. efektywno?X jest ustalona w stosunku do badanej grupy obiektów. Do)Qczenie
lub wyeliminowanie jakiego? obiektu z badanej grupy moGe mieX wp)yw na wskainiki
efektywno?ci poszczególnych obiektów. Poza tym metoda DEA charakteryzuje si7 duGQ
wraGliwo?ciQ na b)7dne dane. Wynika to z faktu, Ge krzywa efektywno?ci jest
konstruowana, nie poprzez estymacj7 parametrów, a jedynie na podstawie danych
empirycznych, jedna b)7dna dana moGe znaczQco zmieniX wyniki oblicze:. W metodzie
DEA istniejQ równieG szczegó)owe wytyczne co do liczebno?ci próby (liczba badanych
obiektów powinna byX znacznie wi7ksza od sumy liczby nak)adów i efektów), takie
ograniczenie moGe stanowiX barier7 do zastosowania metody do badania efektywno?ci
polskich portów morskich i lotniczych ze wzgl7du na zbyt ma)Q liczebno?X próby.
17
Bibliografia
1. Adler, N. and Berechman, J. (2001a), Measuring Airport Quality from the Airlines’ Viewpoint: An
Application of Data Envelopment Analysis, Transport Policy, Vol. 8, pp. 171-181.
2. Adler, N. and Berechman, J. (2001b), Airport Quality and the Hub Location Question, Proceedings of
the 9th World Conference on Transport Research, 22-27 July, Seoul, South Korea.
3. Adler, N. and Golany, B. (2001), Evaluation of Deregulated Airline Network Using Data Envelopment
Analysis Combined with Principal Component Analysis with an Application to Western Europe,
European Journal of Operational Research, Vol. 132, pp. 260-273.
4. Charnes, A., Cooper, W. W. and Rhodes, E. (1978), Measuring the Efficiency of Decision Making Units,
European Journal of Operational Research, Vol. 2, pp. 429-444.
5. Charnes, A., Cooper, W. W., Lewin, A. Y. and Seiford, L. M., (1994), Data Envelopment Analysis:
Theory, Methodology and Application, Kluwer Academic Publishers, Boston/Dordrecht/London.
6. Coelli, T., Prasada Rao, D. S. and Battese, G. E. (1998), An Introduction to Efficiency and Productivity
Analysis, Kluwer Academic Publishers: Boston, Dordrecht and London.
7. Cooper, W.W., Seiford, L. M. and Tone, K. (2007), Data Envelopment Analysis: A Comprehensive Text
with Models, Applications, References and DEA-Solver Software, Kluwer Academic Publishers: Boston.
8. De La Cruz, F. S. (1999), A DEA Approach to the Airport Production Frontier, International Journal of
Transport Economics, Vol. 26, No. 2, pp. 255-270.
9. Gillen, D. and Lall, A. (1997), Developing Measures of Airport Productivity and Performance: An
Application of Data Envelopment Analysis, Transportation Research E, Vol. 33, No. 4, pp. 261-273.
10. Martinez-Budria, E., Diaz-Armas, R., Navarro-Ibanez, M. and Ravelo-Mesa, T. (1999) A study of the
Efficiency of Spanish port authorities using Data Envelopment Analysis, International Journal of
Transport Economics, Vol. XXVI, No. 2, pp. 237-253.
11. Parker D. (1999), The Performance of BAA before and after Privatisation, Journal of Transport
Economics and Policy, Vol. 33, pp. 133-145.
12. Rogowski G., 1998: Metody analizy i oceny dzia)alno?ci banku na potrzeby zarzQdzania strategicznego,
Wydawnictwo WyGszej Szko)y Bankowej w Poznaniu, Pozna:, s. 131.
13. Roll, Y. and Hayuth, Y. (1993) Port Performance Comparison Applying Data Envelopment Analysis
(DEA), Maritime Policy and Management, Vol. 20, No. 2, pp. 153-161.
14. Rusielik R., 1999: DEA - Zastosowanie w badaniach efektywno?ci spó)ek AWRSP, [w:] Strategiczne
modele funkcjonowania spó)ek handlowych Agencji W)asno?ci Rolnej Skarbu Pa:stwa, Szczecin, s. 113176.
15. Rydzykowski W., Wojewódzka-Król K. (2008): Transport, PWN, s. 178-181.
16. Sarkis, J. (2000), An analysis of the Operational Efficiency of Major Airports in the United States,
Journal of Operations Management, Vol. 18, pp. 335-351.
17. wit)yk M., Zi7tara W., 2008: Analiza efektywno?ci produkcji mleka i Gywca wo)owego, Raport 2008,
Wydawnictwo Naukowe Akademii Rolniczej w Szczecinie, Szczecin.
18. Tongzon, J. (2001), Efficiency Measurement of Selected Australian and Other International Ports Using
Data Envelopment Analysis, Transportation Research A: Policy and Practice, Vol. 35 No. 2, pp. 113128.
19. Whitehead G., (2001), Ekonomia, Zysk i S-ka, Pozna:.
20. Valentine, V. F. and Gray, R. (2001), The Measurement of Port Efficiency Using Data Envelopment
Analysis, Proceedings of the 9th World Conference on Transport Research, Seoul, South Korea, 22-27
July.
21. Yoshida Y., Fujimoto H. (2004), Japanese-airport benchmarking with the DEA and endogenous-weight
TFP methods: testing the criticism of overinvestment in Japanese regional airports," Transportation
Research Part E: Logistics and Transportation Review, Elsevier, vol. 40(6), pp. 533-546.
BENCHMARKING OF SEAPORT BASED ON DATA ENVELOPMENT ANALYSIS
Summary: In this paper DEA models was used to determine the relative efficiency of seaports. The basic
concept of DEA efficiency is the ratio of total outputs to total inputs. The output of seaports was measured by
18
Joanna Baran
two indicators: ship call and throughput load/unload, while the inputs was measured by the indicators, such
as berth length, storage area and handling equipment. The score reports shows that 7 ports out 22 are
efficient.
Keywords: seaports, efficiency, Data Envelopment Analysis Method

benchmarking portów morskich bazuj cy na metodzie data

Transkrypt

Podobne dokumenty

Zastosowanie metody granicznej analizy danych do oceny

STOLIK NOCNY SZUFLADA + WNĘKA St-705 Wymiary

analiza efektywno ci systemu transportu dyskretnego z

P£YNNE TAPETY- Instrukcja Techniczna