مشخصات مقاله | |
عنوان مقاله | A learning ladder toward efficiency: Proposing network-based stepwise benchmark selection |
ترجمه عنوان مقاله | یک نردبان یادگیری به سوی کارآیی: پیشنهاد انتخاب معیار گام به گام در شبکه |
فرمت مقاله | |
نوع مقاله | ISI |
نوع نگارش مقاله | مقاله پژوهشی (Research article) |
مقاله بیس | این مقاله بیس میباشد |
سال انتشار | |
تعداد صفحات مقاله | 11 صفحه |
رشته های مرتبط | مدیریت |
گرایش های مرتبط | مدیریت کسب و کار MBA، مدیریت دانش |
مجله | |
دانشگاه | گروه کسب و کار، دانشگاه بارسلونا در اسپانیا |
کلمات کلیدی | بهبود کارایی گام به گام، ظرفیت جذب دانش، کوتاهترین مسیر، تحلیل شبکه اجتماعی، تحلیل پوششی داده ها |
کد محصول | E4446 |
تعداد کلمات |
6867 کلمه |
نشریه | نشریه الزویر |
لینک مقاله در سایت مرجع | لینک این مقاله در سایت الزویر (ساینس دایرکت) Sciencedirect – Elsevier |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
بخشی از متن مقاله: |
1. Introduction
Efficiency improvement involves technological and organizational changes, and such substantial changes require a carefully oriented inter-organizational knowledge absorbing process [1]. Taking into account that slow learning is a major reason for inef- ficiency [2], adopting a stepwise benchmarking path not only facilitates the knowledge absorption process but also reduces the risk of failure implied by setting an out-of-reach efficiency target [3,4]. Assuming the Data Envelopment Analysis (DEA) method as a network of units that aim to learn by benchmarking, we propose an application of Social Network Analysis (SNA) in the DEA context to transform the benchmarking information of DEA efficiency measurement into a network of possible efficiency improvements, and calculate the optimal stepwise benchmarking paths. This paper is grounded on the knowledge-based view of effi- ciency, which understands efficiency improvement as a learning process [5]. According to the theory of absorptive capacity [6], one firm’s ability to learn from another depends on the similarity of the two firms’ knowledge base, organizational structures and consumption policies [7]. In a DEA problem, this knowledge overlap and structural relevance can be measured through the similarities in the inputs as well as in the outputs [1,5,8]. |