ارزيابي شركت سهامي بيمه ايران با استفاده از نسبت‌هاي مالي و مدل‌سازي رياضي

Performance assessment of branches of Iran Insurance Corporation using data envelopment analysis

صنعت بيمه يكي از قوي‌ترين و مهم‌ترين نهادهاي اقتصادي و پشتيبان ساير نهادهاي اقتصادي و خانوارها تلقي مي‌شود. صنعت بيمه با تحولاتي مواجه بوده كه آن را به سوي رقابتي‌شدن پيش مي‌برد. بنابراين، مي‌توان گفت شركت‌هاي بيمه فعال در صنعت بيمه ايران بايد همواره به پايش عملكرد شعب و نمايندگي‌هاي خود بپردازند. از جمله مشكلات روش‌هاي ارزيابي سازمان‌ها، تأكيد بر شاخصي اصلي، همچنين قضاوت‌هاي ذهني است. لذا، در ارزيابي بايد جامعيت آن در فراگيري تمام زواياي كاري لحاظ شود. همچنين، خطاهاي ذهني را بايد تا حد امكان كاهش داد. در اين پژوهش ارزيابي شعب شركت سهامي بيمه ايران به وسيله تكنيك تحليل پوششي داده‌ها انجام شده است. در به‌كارگيري مدل‌هاي كلاسيك تحليل پوششي داده‌ها معمولاً مباحث خروجي‌هاي نامطلوب و ورودي‌هاي غيراختياري ناديده گرفته مي‌شود. در اين پژوهش به خروجي‌هاي نامطلوب و ورودي‌هاي غيراختياري پرداخته شده است. نتايج اين پژوهش نشان مي‌دهد كه با درنظرگرفتن ورودي غيراختياري در حالت بازده به مقياس متغير و ثابت به ترتيب 50 و 36 درصد از شعب كاراست.

Insurance industry is one of the most influential economic institutions and is considered to support other economic institutions and families. Insurance industry has been facing changes that lead it to becoming a competitive industry. Therefore, we can say insurance companies that are active in Iran insurance industry must constantly monitor performance of their branches and agencies. Ongoing problems in existing assessing methods of organizations are their emphasis on a single index and subjective judgment. Therefore, the assessment should comprehensively take all aspects into account. Subjective judgment should be reduced as much as possible. Thus, in this study we evaluate the performance of Iran Stock Corporation and its branches by using data envelopment analysis (DEA) technique. Meanwhile, in the classical applications of DEA models typically problems occur such as ignoring undesirable outputs and nondiscretionary inputs. Accordingly, in this study undesirable outputs and nondiscretionary inputs have been investigated. The results show that 50 and 36 percent of the branches are efficient under variable and constant returns to scale respectively in the presence of nondiscretionary inputs and undesirable outputs.