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)udniowo-Wschodniej – 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%).
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 BADA-
Data 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
funkcja celu: 1 , 1 max s r ro r m u v i io i y ! x ! !
"
"
(1) przy nast7pujQcych warunkach ograniczajQcych:1 1 1 ( 0,1,..., ); s r rj r m i ij i y j n ! x ! ! # !
"
"
,
0;
r iv $
, ,..., 1 , 0 1 s r dla x v m i i io r $ ! " !%
&
. ,..., 1 , 0 1 m i dla x v v m i i io i $ ! " !%
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]:
" ! ! s r r ro o v w 1 y , max & & (2) przy ograniczeniach:
"
! ! n i io ix v 1 1"
"
! ! # ' s r m i ij i rj ry v x 1 1 0 & % % &r $ , vi $Model dualny tego problemu przedstawia si7 w nast7pujQcy sposób: funkcja celu: " " ! ! ' ( ' (
!
'
)
'
)
s r m i r r o S S s sz
1 1 , , , min*
%
%
+ * (3) przy ograniczeniach: " ! ( ! ' n j j j o Y s Y 1+ , , 0 1 0 ' ' ! ' ! " X s X n j +j j * . 0 , , ( ' $ i r j s s +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).
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].
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
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 prze)adunkowe Urz4dzenia Powierzchnia sk)adowania wchodz4ce Statki )adunkowe Obroty D)ugo12 nabrze3a 1 0,4685374 0,811638 0,664235 0,5612956 Urz4dzenia prze)adunkowe 0,4685374 1 0,4341877 0,7618474 0,8959718 Powierzchnia sk)adowania 0,811638 0,4341877 1 0,7535883 0,6626175 Statki wchodz4ce 0,664235 0,7618474 0,7535883 1 0,8789171 Obroty )adunkowe 0,5612956 0,8959718 0,6626175 0,8789171 1
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 wród)o: opracowanie w)asne
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
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 wród)o: opracowanie w)asne
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
Statki wchodz4ce (szt.) Obroty )adunkowe (t) Potencjalne zmiany (%) Statki wchodz4ce Potencjalne zmiany (%) Obroty )adunkowe Dubai Emirates 3916 12971235 24,62% 66,08% Jeddah Saudi 2049 12292704 0,00% 0,00% Salalah Oman 1506 1367404 19,96% 364,00% Dammam Saudi 1653 19874564 29,58% 8,95% Kuwait 1636 3836840 46,31% 129,24% Aden Yemen 6352 66541268 0,00% 0,00% Mombasa Kenya 3148 16106155 0,00% 0,00%
Khor Fakkan Sharjah 398 1239645 0,00% 0,00%
Yanbu Saudi 2463 14762086 16,06% 16,06%
Hodeidah 2042 8338290 0,00% 0,00%
c.d. tabeli 2
Djibouti 1462 8556476 61,49% 41,18%
Dar es Salaam Tanzania 1466 10720699 0,00% 0,00%
Sudan 4365 39245363 161,54% 90,28%
Mascut Oman 2431 5102331 46,47% 291,32%
Asmara Eritrea 1670 13916858 50,17% 14,14%
Khalid Sharjah 1615 6232654 18,92% 84,86%
Bander Abbas Iran 195 334189 201,57% 950,50%
Mukalla Yemen 174 276681 281,72% 899,95%
Assab Eritrea 819 535736 119,94% 999,90%
Tanga Tanzania 1602 1509422 1,10% 415,86%
Mtwara Tanzania 2165 6290892 0,00% 0,00%
wród)o: opracowanie w)asne
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 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 Dubai Emirates 5519 24 2209000 -19,76% -19,76% -19,76% Jeddah Saudi 1330 26 50000 0,00% 0,00% 0,00% Salalah Oman 4296 14 341292 -66,52% -16,64% -16,64% Dammam Saudi 1780 54 1032692 -8,22% -8,22% -37,43% Kuwait 1750 23 538898 -31,65% -31,65% -31,65% Aden Yemen 4875 176 1948610 0,00% 0,00% 0,00% Mombasa Kenya 4055 12 1586458 0,00% 0,00% 0,00% Khor Fakkan Sharjah 320 2 250567 0,00% 0,00% 0,00%
c.d. tabeli 3 Yanbu Saudi 2004 34 843015 -13,84% -13,84% -69,99% Hodeidah 1165 18 1321000 0,00% 0,00% 0,00% Jubail Saudi 8454 39 1843720 -64,49% -48,45% -48,45% Djibouti 4800 9 1438800 -55,12% -29,17% -41,42% Dar es Salaam Tanzania 1930 9 727000 0,00% 0,00% 0,00% Sudan 11200 114 2500000 -50,48% -47,45% -47,45% Mascut Oman 2254 44 540253 -31,73% -34,27% -31,73% Asmara Eritrea 1650 68 114117 -12,39% -55,37% -12,39% Khalid Sharjah 2444 63 46864 -57,11% -67,47% -15,91% Bander Abbas Iran 381 13 20000 -66,84% -81,06% -66,84% Mukalla Yemen 385 6 400000 -73,80% -73,80% -73,80% Assab Eritrea 1140 35 275319 -54,53% -72,18% -54,53% Tanga Tanzania 1120 18 204057 -1,08% -1,08% -1,08% Mtwara Tanzania 1795 20 151200 0,00% 0,00% 0,00%
wród)o: opracowanie w)asne
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).
Tabela 4
Korzy1ci skali w badanych portach morskich
Korzy1ci skali DMU – Port morski
Sta)e
Aden Yemen, Assab Eritrea, Dar es Salaam Tanzan, Hodeidah Jeddah Saudi,Khor Fakkan Sharjah, Mombasa Kenya Mtwara Tanzania, Mukalla Yemen, Salalah Oman,
Tanga Tanzania
Malej4ce Asmara Eritrea, Dubai Emirates, Jubail Saudi, Kuwait Mascut Oman, Yanbu Saudi, Sudan Rosn4ce Bander Abbas Iran, Dammam Saudi, Djibouti, Khalid Sharjah
wród)o: opracowanie w)asne
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.
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. 113-176.
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. 113-128.
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
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.