異質な意思決定単位の多期間効率評価：COVID-19の前、中、後の効率を評価する

データ包絡分析（DEA）は、意思決定単位（DMU）の性能を評価し改善するための効果的な方法です。これにより、入力と出力に基づいて均質な単位を比較する数学的プログラミングモデルが利用されます。この分野の主要な課題の一つは、様々な要因から生じる異質性のあるDMUの効率を異なる期間で評価することです。科学技術の進展、政治的及び経済的変化、システム管理の更新などがその要因です。これらの変化は出力の追加または削除を引き起こし、単位間の比較をより複雑にし、効率に大きな違いを生じさせる可能性があります。従来のDEA手法は、異なる期間にわたるこれらの変化を同時に考慮することに失敗することが多いです。したがって、これらの条件下でDMUの効率を評価するための新しいアプローチが必要です。本論文はこれらの課題に対処し、時間の経過とともに重要な変化を遂げるDMUの効率を分析する新しいアプローチを提示します。実用的な応用として、COVID-19の発生前、パンデミック中、パンデミック後の三つの期間にわたる会議を評価する実証研究の結果が示されています。これらの発見は提案されたアプローチの効率を効果的に示し、進化する単位に対してより正確な評価やパフォーマンスの向上を支援する上で、組織にとって大きな助けとなる可能性があります。