AI Summary & Key Takeaways
AI InsightThis approach enables a more realistic and detailed assessment of university performance by ensuring homogeneous conditions within the DEA framework.
📌 3 Key Takeaways
Abstract
In recent years, universities have increasingly emphasized performance evaluation in order to remain competitive and to sustain their operations effectively. Considering the wide range of activities carried out by universities, obtaining more reliable results requires classifying variables into meaningful groups rather than evaluating all data as a single whole. Since Data Envelopment Analysis (DEA) relies on the assumption of homogeneity, clustering universities prior to evaluation—rather than analyzing them as a single group—constitutes a more appropriate approach. In this study, universities were grouped using a biclustering method, and the variables employed in performance evaluation were classified into subcategories. Unlike traditional clustering techniques, the biclustering approach simultaneously clusters both decision-making units and variables. A total of 123 universities and 30 variables were analyzed, resulting in three university clusters and four variable subgroups for each cluster. Each university cluster was then evaluated using DEA models, and the most efficient units were identified among the four variable subgroups. This approach enables a more realistic and detailed assessment of university performance by ensuring homogeneous conditions within the DEA framework.
Özet
Son yıllarda üniversiteler, rekabetçi kalabilmek ve işleyişlerini etkili bir şekilde sürdürebilmek için performans değerlendirmesine giderek daha fazla önem vermektedir. Üniversitelerin yürüttüğü çeşitli faaliyetler göz önüne alındığında, değerlendirme sürecinde tüm verileri tek bir bütün olarak ele almak yerine, değişkenleri anlamlı gruplar halinde sınıflandırmak daha sağlıklı sonuçlar elde edilmesini sağlamaktadır. Veri Zarflama Analizi (VZA) yönteminde homojenlik varsayımı bulunduğundan, üniversiteleri tek bir grup olarak analiz etmek yerine, değerlendirme öncesinde kümelere ayırmak daha uygun bir yaklaşımdır. Bu çalışmada, üniversiteler ikili kümeleme yöntemi kullanılarak gruplandırılmış ve performans değerlendirmesinde kullanılan değişkenler alt kategorilere ayrılmıştır. Geleneksel kümeleme yöntemlerinden farklı olarak, ikili kümeleme yaklaşımında, birimler ve değişkenler eşzamanlı olarak kümelenir. Çalışmada toplam 123 üniversite ve 30 değişken analiz edilerek, 3 üniversite kümesi ve her küme için 4 değişken alt grubu belirlenmiştir. Her üniversite kümesi, VZA modelleri kullanılarak değerlendirilmiş ve 4 değişken alt grubu arasından en etkin birimler tespit edilmiştir. Bu yaklaşım, VZA yöntemi altında homojen koşullar sağlanarak üniversitelerin daha gerçekçi ve ayrıntılı bir şekilde performanslarının değerlendirilmesine olanak tanımaktadır.