Tények, adatok és mutatószámok felhasználásának anomáliái (The anomalies of the usage of facts, data, and indexes)

Tudomány nem létezik a tények felmérése, adatok gyűjtése és felhasználása nélkül. A tényeket azonban el lehet hallgatni vagy ferdíteni, az adatokat sokféleképpen lehet összeválogatni, az azokból készült mutatószámokat pedig a bonyolult és változó valóság leegyszerűsítő, sőt meghamisító ábrázolására, illetve magyarázatára is fel lehet használni. _____ Economics cannot do without measuring. However, the required data are not always available or they are not reliable, as some cases of population census exemplify it. The indicators we use, particularly composite indexes, are often misleading because they oversimplify complex phenomena or processes, and neglect important non-measurable ones, as the examples of the per capita GDP indicator measuring the development level of countries, and the composite indexes measuring the “human development” of countries (HDI), or their “national competitiveness” (GCI) may show. To avoid the enchantment of numbers, the quantitative approach must always be combined and corrected by a critical, holistic and qualitative approach.

Fenntarthatósági szempontok beépítése a beszállító értékelésébe a DEA/CI összetett indikátorok módszere alkalmazásával (Integrating sustainability criteria in supplier evaluation with application of the method of of DEA/CI complex indicators)

A környezeti hatások rendszerint túlmutatnak egy vállalat határain, éppen ezért az ellátási lánc kontextusban a környezeti szempontok érvényesítése során fontos szerep jut a beszerzési döntéseknek is. Számos olyan példát lehetne említeni, amikor egy adott szempont szerint egy alternatíva környezetileg előnyös, de az ellátási lánc egészét nézve már környezetterhelő. A környezeti hatások ellátási lánc szinten való mérése azonban komoly kihívásokat jelent. Ezzel jelentős kutatásokat és fejlesztéseket inspirált a téma. Az egyik olyan terület, amelyben komoly kutatási eredmények születtek, az a környezeti szempontok beszállítói értékelésbe való beépítése. A kutatások ezen irányához csatlakozva a szerzők tanulmányunkban azt keresik, hogyan lehet meghatározni az egyik legáltalánosabban használt szállítóértékelési módszerben, a súlyozott pontrendszerben egy adott szemponthoz azt a súlyt, amely mellett az adott szempont már döntésbefolyásoló tényezővé válik. Ehhez a DEA (Data Envelopment Analysis) összetett indikátorok (Composite Indicators, CI) módszerét alkalmazzák. A szempontok közös súlyának fontossága megállapításához a lineáris programozás elméletét használják. _____ Management decisions often have an environmental effect not just within the company, but outside as well, this is why supply chain context is highlighted in literature. Measuring environmental issues of supply decisions raise a lot of problems from methodological and practical point of view. This inspires a rapidly growing literature as a lot of studies were published focusing on how to incorporate environmental issues into supplier evaluation. This paper contributes to this stream of research as it develops a method to help weight selection. In the authors’ paper the method of Data Envelope Analysis (DEA) is used to study the extension of traditional supplier selection methods with environmental factors. The selection of the weight system can control the result of the selection process.

Introduction to data analysis

With the latest development in computer science, multivariate data analysis methods became increasingly popular among economists. Pattern recognition in complex economic data and empirical model construction can be more straightforward with proper application of modern softwares. However, despite the appealing simplicity of some popular software packages, the interpretation of data analysis results requires strong theoretical knowledge. This book aims at combining the development of both theoretical and applicationrelated data analysis knowledge. The text is designed for advanced level studies and assumes acquaintance with elementary statistical terms. After a brief introduction to selected mathematical concepts, the highlighting of selected model features is followed by a practice-oriented introduction to the interpretation of SPSS1 outputs for the described data analysis methods. Learning of data analysis is usually time-consuming and requires efforts, but with tenacity the learning process can bring about a significant improvement of individual data analysis skills.