Kısa cevap: Veri zarflama analizi, aynı işi yapan birimlerin girdilerini çıktıya ne kadar verimli dönüştürdüğünü doğrusal programlama ile ölçer. Önce karar birimlerini ve girdi-çıktı değişkenlerini seçersiniz. Ardından yönelimi (girdi ya da çıktı) ve ölçek varsayımını (CCR ya da BCC) belirler, her birim için bir model çözersiniz. Son olarak etkinlik skorlarını, referans birimleri ve iyileştirme hedeflerini yorumlarsınız.
Bu rehberde on hastaneden oluşan kurgusal bir veri setini baştan sona çözüyoruz. Ayrıca Excel Çözücü ve R ile nasıl uygulayacağınızı, çıktının hangi satırına bakacağınızı ve tezde nasıl raporlayacağınızı gösteriyoruz. Böylece formülü ezberlemek yerine sonucu savunabilir hale geliyorsunuz.

Veri zarflama analizi nedir ve ne zaman kullanılır?
Veri zarflama analizi (VZA), İngilizce adıyla Data Envelopment Analysis (DEA), parametrik olmayan bir etkinlik ölçme yöntemidir. Charnes, Cooper ve Rhodes 1978’de ilk modeli önermiştir; bu nedenle model onların baş harfleriyle CCR diye anılır. Banker, Charnes ve Cooper ise 1984’te değişken ölçek getirisine izin veren BCC modelini geliştirmiştir. Kısa bir İngilizce özet için Wikipedia’daki DEA maddesine bakabilirsiniz.
Yöntemin mantığı basittir. En iyi uygulayan birimler bir sınır (etkinlik sınırı) oluşturur. Diğer birimlerin bu sınıra uzaklığı ise etkinsizlik derecesini verir. Dolayısıyla skor mutlak değil, görelidir: bir birim yalnızca aynı setteki birimlere göre etkin ya da etkinsizdir.
Özellikle hastane, banka şubesi, belediye, okul, havalimanı ve üretim tesisi gibi aynı türden birimleri karşılaştıran tezlerde kullanılır. Bunun yanı sıra birden fazla girdi ve çıktıyı tek bir fiyat ya da ağırlık vermeden birlikte ele alabilir. Ancak birimler aynı teknolojiyi paylaşmıyorsa (örneğin devlet hastanesi ile diş kliniği) karşılaştırma anlamsız hale gelir.
Öte yandan veri zarflama analizi bir hipotez testi değildir. Bu yüzden p değeri üretmez ve “anlamlı fark” iddiası taşımaz. İstatistiksel çıkarım istiyorsanız bootstrap veya ikinci aşama regresyon gibi ek adımlar gerekir.
Girdi ve çıktı değişkenleri nasıl seçilir?
Analizin en kritik kararı budur; çünkü yazılım hangi değişkeni verirseniz onu işler. Girdi, birimin kullandığı kaynaktır: personel, yatak, sermaye, bütçe, alan. Çıktı ise birimin ürettiği sonuçtur: hasta sayısı, kredi hacmi, mezun sayısı, üretim miktarı. Her değişkeni literatürde benzer çalışmaların kullandığı tanımlarla gerekçelendirin.
Ayrıca birim sayısı ile değişken sayısı arasında bir denge gözetilmelidir. Literatürde sık anılan pratik kural şudur: birim sayısı n ≥ max(m × s, 3(m + s)) olsun. Burada m girdi, s çıktı sayısıdır. Örneğin 2 girdi ve 1 çıktı için en az 9 birim gerekir. Değişken sayısı arttıkça birimler kolayca “etkin” çıkar; böylece ayırt edicilik kaybolur.
Bunun yanında şu kontrolleri yapın:
- İzotonluk: Girdi artınca çıktının azalmaması beklenir. Girdi ile çıktı arasındaki korelasyonun pozitif olup olmadığına bakın.
- Pozitif değerler: Klasik modeller sıfır ve negatif değerle sorun çıkarır. Kâr gibi negatif olabilen değişkenler için ayrı model veya dönüşüm gerekir.
- İstenmeyen çıktı: Hastane enfeksiyonu, kusurlu ürün veya emisyon gibi değişkenler ters yönlüdür. Bunları sıradan çıktı gibi eklemek yanlıştır.
- Ölçek farkı: Birimler çok farklı büyüklükteyse BCC modeli daha adil bir karşılaştırma sunar.
Sonuç olarak değişken listesi, tezin araştırma sorusuyla doğrudan bağlantılı olmalıdır. “Elimde bu veri vardı” gerekçesi jüri karşısında zayıf kalır.
CCR ve BCC modeli arasındaki fark nedir?
CCR modeli sabit ölçek getirisi (CRS) varsayar. Yani girdiyi iki katına çıkaran birimin çıktıyı da iki katına çıkarması beklenir. Buna karşın BCC modeli değişken ölçek getirisine (VRS) izin verir; böylece küçük ve büyük birimler kendi ölçeklerindeki benzerleriyle karşılaştırılır.
Teknik açıdan fark tek bir kısıttır. Girdi yönelimli CCR modelinde her birim için şu problemi çözeriz: θ değerini en küçük yap; öyle ki Σj λj xij ≤ θ xio (her girdi için), Σj λj yrj ≥ yro (her çıktı için) ve λj ≥ 0 olsun. BCC modeli buna Σ λj = 1 kısıtını ekler. Bu yapı bir doğrusal programlama problemidir; benzer modellerin kurulumu için GAMS ile optimizasyon rehberimize de göz atabilirsiniz.
CCR skoru teknik etkinliği (TE), BCC skoru saf teknik etkinliği (PTE) verir. Oranları ise ölçek etkinliğidir: SE = TE / PTE. Dolayısıyla bir birimin etkinsizliğinin yönetimden mi yoksa yanlış ölçekte çalışmaktan mı kaynaklandığını ayırabilirsiniz.
Yönelim seçimi de ayrı bir karardır. Girdi yönelimli model “aynı çıktıyı ne kadar az kaynakla üretebilirdim?” diye sorar. Çıktı yönelimli model ise “aynı kaynakla ne kadar fazla üretebilirdim?” sorusuna cevap verir. Örneğin hastane yöneticisi yatak sayısını kısa vadede değiştiremiyorsa çıktı yönelimi daha gerçekçidir. CCR altında iki yönelim aynı skoru verir; ancak BCC altında skorlar farklılaşabilir.
Veri zarflama analizi çözümlü örnek: 10 hastane
Örneğin bir sağlık yönetimi tezinde on hastaneyi karşılaştırdığınızı düşünelim. Girdiler uzman hekim ve yatak sayısı, çıktı ise yıllık taburcu hasta sayısıdır. Bu durumda 2 girdi ve 1 çıktı için 10 birim, yukarıdaki pratik kuralı (en az 9) karşılar.
| Birim | Girdi 1: Uzman hekim | Girdi 2: Yatak | Çıktı: Taburcu (yüz hasta/yıl) |
|---|---|---|---|
| H1 | 20 | 150 | 110 |
| H2 | 30 | 210 | 160 |
| H3 | 40 | 260 | 190 |
| H4 | 25 | 240 | 115 |
| H5 | 50 | 330 | 240 |
| H6 | 35 | 190 | 175 |
| H7 | 45 | 280 | 200 |
| H8 | 28 | 195 | 150 |
| H9 | 60 | 420 | 260 |
| H10 | 22 | 180 | 105 |
Not. Veriler öğretim amaçlı kurgusaldır; gerçek bir kuruma ait değildir.
Her hastane için girdi yönelimli CCR ve BCC modelini ayrı ayrı çözdük. Sonuçlar aşağıdaki tabloda yer alıyor:
| Birim | CCR (TE) | BCC (PTE) | Ölçek etkinliği (SE) | Σλ (CCR) | Referans birimler (CCR) |
|---|---|---|---|---|---|
| H1 | 1.0000 | 1.0000 | 1.0000 | 1.000 | H1 |
| H2 | 0.9915 | 1.0000 | 0.9915 | 1.333 | H1, H6 |
| H3 | 0.9033 | 0.9444 | 0.9564 | 1.433 | H1, H6 |
| H4 | 0.8364 | 0.8400 | 0.9957 | 1.045 | H1 |
| H5 | 0.9086 | 1.0000 | 0.9086 | 1.849 | H1, H6 |
| H6 | 1.0000 | 1.0000 | 1.0000 | 1.000 | H6 |
| H7 | 0.8561 | 0.9006 | 0.9506 | 1.417 | H1, H6 |
| H8 | 0.9975 | 1.0000 | 0.9975 | 1.242 | H1, H6 |
| H9 | 0.8056 | 1.0000 | 0.8056 | 2.167 | H1, H6 |
| H10 | 0.8678 | 0.9091 | 0.9545 | 0.955 | H1 |
Not. SE = CCR / BCC. Skorlar doğrusal programlama ile hesaplanmış ve dört ondalığa yuvarlanmıştır.
Tabloyu üç adımda okuyoruz. İlk olarak CCR sütununda yalnızca H1 ve H6 tam etkindir (1.0000). Bu iki hastane etkinlik sınırını oluşturur; diğerleri onlara göre değerlendirilir. Örneğin H9’un CCR skoru 0.8056’dır. Yani aynı çıktıyı girdilerinin yaklaşık yüzde 80,6’sıyla üretebilirdi; başka bir deyişle hekim ve yatakta yaklaşık yüzde 19,4 oranında orantılı azaltma potansiyeli görünür.
İkinci adımda BCC sütununa bakıyoruz. H2, H5, H8 ve H9 bu modelde etkindir. Nitekim H9’un BCC skoru 1 ama CCR skoru düşüktür. Bu fark, sorunun yönetimden çok ölçekten kaynaklandığını gösterir: ölçek etkinliği 0.8056 ile setin en düşüğüdür. Ayrıca H9 en yüksek çıktıya sahip olduğu için BCC sınırının uç noktasında yer alır; bu nedenle onu “kusursuz yönetiliyor” diye yorumlamak doğru olmaz.
Üçüncü adımda Σλ sütunu ölçek getirisinin yönünü ipucu olarak verir. CCR’de Σλ > 1 olan H3, H5, H7 ve H9 azalan ölçek getirisi bölgesinde görünür; yani bu hastaneler optimal ölçeğe göre büyüktür. H10’da ise Σλ = 0.955 < 1 olduğundan artan ölçek getirisi söz konusudur. Ancak çoklu optimum çözüm olabileceği için bu yorumu yazılımın raporladığı RTS sütunuyla doğrulayın.
Son olarak gevşek (slack) değişkenleri kontrol ediyoruz. H4’ün CCR skoru 0.8364’tür; tek referansı ise H1’dir (λ = 1.045). Orantılı küçültme sonrası H4’ün hedefi yaklaşık 20,9 hekim ve 200,7 yatak olur. Oysa 1.045 × H1 yalnızca 156,8 yatak kullanır. Dolayısıyla yatakta yaklaşık 44 birimlik ek gevşek kalır. Bu da H4’ün asıl sorununun yatak fazlası olduğunu gösterir; yalnızca θ skorunu raporlamak bu bilgiyi gizler.
Excel ve R ile veri zarflama analizi nasıl yapılır?
Ne var ki SPSS’te hazır bir VZA menüsü yoktur. Bu yüzden çoğu tez Excel Çözücü, R veya özel VZA yazılımlarını kullanır. Aşağıdaki tablo seçenekleri özetliyor:
| Araç | Güçlü yanı | Dikkat edilecek nokta |
|---|---|---|
| Excel Çözücü (Solver) | Her adım görünür; küçük örneklerde jüriye anlatması kolaydır | Her birim için modeli ayrı çözmek gerekir; makro olmadan zahmetlidir |
| R, Benchmarking paketi | CCR, BCC, süper etkinlik ve bootstrap tek pakette | Kod yazmayı ve sürüm bilgisini raporlamayı gerektirir |
| DEAP 2.1 | Malmquist endeksi için literatürde yaygın, ücretsiz | Metin dosyası ile çalışır; çıktı biçimi eskidir |
| MaxDEA, DEA-Solver, EMS | Menü tabanlı, çok model seçeneği | Lisans ve sürüm koşullarını kontrol etmek gerekir |
| Python (scipy linprog) | Esnek; özel kısıtlar eklenebilir | Hazır VZA fonksiyonu yoktur, modeli siz kurarsınız |
Excel Çözücü ile: Önce eklentiyi açın: Dosya > Seçenekler > Eklentiler > Yönet: Excel Eklentileri > Git > Çözücü Eklentisi. Ardından Veri sekmesinde Çözücü düğmesi görünür. Bir hücreye θ, on hücreye λ1–λ10 yazın. Kısıtlar için SUMPRODUCT (TOPLA.ÇARPIM) formülleriyle Σλx ve Σλy değerlerini hesaplayın. Hedef hücre θ olsun ve “En Küçük” seçin. Çözüm yöntemi olarak “Simplex LP” işaretleyin ve “Kısıtlanmamış Değişkenleri Negatif Olmayan Yap” kutusunu açık bırakın. BCC için λ toplamının 1’e eşit olduğu kısıtı ekleyin. Her birim için aynı modeli, o birimin değerlerini değiştirerek yeniden çözersiniz.
R ile: Benchmarking paketi işi tek satıra indirir. Örneğin e <- dea(X, Y, RTS = "crs", ORIENTATION = "in") CCR skorlarını, RTS = "vrs" ise BCC skorlarını verir. Ardından eff(e) skorları, peers(e) referans birimleri ve lambda(e) ağırlıkları listeler. Gevşekler için dea(..., SLACK = TRUE) kullanabilirsiniz. Ayrıca süper etkinlik için sdea(), bootstrap için dea.boot() fonksiyonları vardır.
Hangi aracı seçerseniz seçin, kullandığınız sürümü yöntem bölümünde belirtin. Böylece okur hesabı yeniden üretebilir. Yukarıdaki örnek tabloyu ise biz doğrusal programlama ile doğrudan çözdük; R çıktısı aynı veriyle aynı skorları vermelidir.
Girdi-çıktı setinizi birlikte kontrol edelim
Karar birimlerinizi, girdi ve çıktı değişkenlerinizi ve araştırma sorunuzu paylaşırsanız model yönelimini, ölçek varsayımını ve örneklem yeterliliğini birlikte inceleriz. Ardından etkinlik tablolarınızı ve bulgular metninizi tez düzenine göre gözden geçiririz. Bunun için WhatsApp üzerinden yazabilir ya da iletişim ve teklif sayfamızı kullanabilirsiniz. Kapsam netleştikten sonra çalışma planı ve ücret bütçenize göre birlikte belirlenir.
Veri zarflama analizi sonuçları tezde nasıl raporlanır?
Hesabı bitirmek yetmez; jüri önce kararlarınızı sorar. Bu nedenle yöntem bölümünde dört bilgiyi açıkça yazın: karar birimleri ve dönem, girdi-çıktı değişkenleri ve kaynakları, yönelim ve ölçek varsayımı, kullanılan yazılım ve sürümü. Örneğin “Girdi yönelimli CCR ve BCC modellerini R Benchmarking paketiyle çözdük” cümlesi açık bir başlangıçtır.
Bulgular bölümünde ise önce tanımlayıcı istatistikleri, ardından etkinlik tablosunu verin. Tablo 2’deki gibi TE, PTE ve SE sütunlarını yan yana koymak okuru yorumdan önce sonuca götürür. Tablo başlığı, not satırı ve APA düzeni için tez bulgular bölümü rehberimizdeki örnekleri izleyebilirsiniz. Etkinsiz birimler için referans birimleri ve iyileştirme hedeflerini de ekleyin.
Tartışmada ise skorları kurumsal dille açıklayın. “H9 etkinsizdir” demek yerine “H9’un etkinsizliği büyük ölçüde ölçekten kaynaklanmaktadır” demek daha bilgilendiricidir. Ayrıca çok sayıda birim tam etkin çıkıyorsa süper etkinlik (Andersen–Petersen) ile sıralama yapabilirsiniz.
İkinci aşama analiz de sık istenir. Etkinlik skorlarını yaş, mülkiyet türü veya bölge gibi çevresel değişkenlerle açıklamak için Tobit regresyon yaygın biçimde kullanılır. Ancak Simar ve Wilson (2007), bu yaklaşımın tutarsız çıkarım verebileceğini göstermiş ve kesik regresyonla bootstrap önermiştir. Hangi yolu seçtiğinizi gerekçelendirin. Panel veride birden çok yıl varsa Malmquist toplam faktör verimliliği endeksi ise zaman içindeki değişimi ayrıştırır.
Tezin yöntem ve tartışma bölümlerinde daha geniş yazım desteği arıyorsanız tez yazım destek sayfamızda süreç ayrıca anlatılıyor.
VZA, SFA ve TOPSIS arasındaki fark nedir?
Özellikle iktisat tezlerinde VZA ile stokastik sınır analizi (SFA) sıkça karşılaştırılır. SFA parametrik bir yöntemdir; üretim fonksiyonu için bir biçim varsayar ve rastgele hatayı etkinsizlikten ayırır. Buna karşın VZA fonksiyon biçimi varsaymaz; ancak ölçüm hatasını da etkinsizlik gibi okur. Bu nedenle uç değerlere karşı hassastır.
Bunun yanı sıra TOPSIS ve AHP gibi çok kriterli karar yöntemleriyle de karıştırılır. Bu yöntemler alternatifleri karar vericinin ağırlıklarına göre sıralar; nitekim ağırlıkları uzman görüşüyle AHP analizi üretir. VZA ise her birime kendi lehine en uygun ağırlıkları seçme hakkı tanır. Dolayısıyla soru “hangisi en iyi seçenek?” değil, “hangi birim kaynağını verimli kullanıyor?” sorusudur.
Yöntem seçimini daha geniş bir çerçevede düşünmek isterseniz karşılaştırmalı analizler rehberimiz farklı tasarımları yan yana koyuyor. Önemli olan, seçiminizi araştırma sorusuna bağlamaktır.
Sık yapılan hatalar ve kontrol listesi
Nitekim aşağıdaki hatalar tez taslaklarında tekrar tekrar karşımıza çıkıyor. Bu durumda tabloyu danışmana göndermeden önce listeyi gözden geçirin.
- Birim sayısını değişken sayısına göre az tutmak: Birimlerin çoğu 1 skoru alır ve analiz ayırt edici olmaz.
- Yalnızca CCR raporlamak: Ölçek farkı büyükse BCC ve ölçek etkinliği olmadan yorum eksik kalır.
- Gevşekleri yok saymak: Skoru 1 olan bir birim gevşek taşıyorsa yalnızca zayıf etkindir.
- Skoru yüzde başarı gibi okumak: 0.85 “yüzde 85 başarı” değil, göreli bir kaynak kullanım ölçüsüdür.
- Farklı teknolojideki birimleri birleştirmek: Karşılaştırma ancak benzer işi yapan birimler arasında anlamlıdır.
- Uç değerleri kontrol etmemek: Tek bir hatalı kayıt sınırı kaydırır ve bütün skorları değiştirir.
Kısacası veri zarflama analizi doğru kurulduğunda yöneticiye somut hedefler sunar. Yanlış değişken seti veya gizli varsayım ise düzgün görünen ama savunulamayan bir tablo üretir. Bu yüzden kararlarınızı bir sayfada toplayıp yöntem bölümüne taşıyın.
Sık sorulan sorular
Veri zarflama analizi için kaç karar birimi gerekir?
Pratik kural olarak n ≥ max(m × s, 3(m + s)) önerilir. Örneğin 3 girdi ve 2 çıktı için en az 15 birim gerekir. Birim azsa değişken sayısını azaltmak daha sağlıklıdır.
Girdi yönelimli mi çıktı yönelimli mi seçmeliyim?
Yöneticinin kontrol edebildiği tarafa göre seçin. Kaynağı azaltmak gerçekçiyse girdi, çıktıyı artırmak gerçekçiyse çıktı yönelimi uygundur. CCR altında iki yönelim aynı skoru verir.
SPSS ile veri zarflama analizi yapılabilir mi?
Hazır bir menü yoktur. Hesabı Excel Çözücü, R veya özel bir VZA yazılımıyla yapıp skorları ikinci aşama analiz için SPSS’e aktarabilirsiniz.
Birden fazla birim 1 skoru alırsa nasıl sıralarım?
Süper etkinlik modeli, değerlendirilen birimi sınırdan çıkararak 1’in üzerinde skor üretir. Böylece etkin birimleri kendi aralarında sıralayabilirsiniz.
Analizi kendim yapıp yalnızca kontrol ettirebilir miyim?
Evet. Veri setinizi, model seçiminizi ve çıktılarınızı paylaşırsanız birlikte gözden geçirebiliriz. Kapsam ve ücret ihtiyacınıza ve bütçenize göre birlikte belirlenir.
İlgili rehberler ve hizmetler