Data Envelopment Analysis (DEA) ni mbinu isiyo ya kiparameta inayounda mpaka wa ufanisi wa kulinganisha kwa kulinganisha matokeo yanayopatikana na vitengo vinavyofanana vya kufanya maamuzi kwa kutumia pembejeo mahususi. Utafiti uliofanywa na Maya Tsoklinova unachunguza, katika kipindi cha 2016–2023, ufanisi wa kulinganisha wa matumizi ya hifadhi ya jamii kuhusiana na matokeo ya umaskini na mgawanyo wa mapato katika nchi 11 wanachama wa Umoja wa Ulaya za Ulaya ya Kati na Mashariki (Central and Eastern Europe, CEE) kwa kutumia DEA; na mabadiliko ya tija ya jumla ya vipengele vya uzalishaji kwa muda kwa kutumia Malmquist Productivity Index (MPI).

Katika utafiti, uwiano wa matumizi ya hifadhi ya jamii kwa pato la taifa (GDP) unatumiwa kama pembejeo moja, na miundo mitatu ya input-oriented BCC DEA inakadiriwa. Model 1 inatathmini kwa pamoja ukosefu wa usawa wa mapato na hatari ya kawaida ya umaskini, Model 2 ukosefu wa usawa wa mapato na umaskini mkali zaidi, na Model 3 ukosefu wa usawa wa mapato na sehemu ya 40% ya watu wenye mapato ya chini zaidi katika jumla ya mapato. Muundo wa BCC unatokana na dhana ya marejesho yanayobadilika kulingana na ukubwa (Variable Returns to Scale, VRS).

Matokeo ya DEA kwa ujumla yanaonyesha ufanisi wa kiufundi wa kulinganisha ulio juu. Wastani wa kila mwaka wa ufanisi wa kiufundi wa VRS uko kati ya 0,91–0,94 katika Model 1, 0,92–0,95 katika Model 2 na 0,89–0,92 katika Model 3. Czechia na Slovakia ziko kwenye mpaka wa ufanisi katika kipindi chote cha 2016–2023 katika miundo miwili ya kwanza, huku Romania na Hungary pia zikipata alama sawa na 1 au karibu sana nayo katika miaka mingi. Croatia, Poland na Slovenia zinaonyesha ufanisi wa chini kwa kulinganisha katika vipindi vingi.

Hata hivyo, modeli ya tatu inaonyesha tofauti muhimu. Ingawa Czechia iko kwenye mpaka wa ufanisi katika miundo miwili ya kwanza inayotegemea viashiria vya umaskini, haiwezi kudumisha nafasi hiyo hiyo inapozingatiwa sehemu ya mapato ya 40% ya watu wenye mapato ya chini zaidi. Matokeo haya yanaonyesha kwamba hatari ndogo ya umaskini si kila mara inaonyesha jambo lilelile kama utendaji wa mfumo wa hifadhi ya jamii kwa sehemu za chini za mgawanyo wa mapato.

Uchambuzi wa Malmquist pia unaonyesha muundo tofauti kati ya vipindi. Katika Model 1 na Model 2 zinazolenga umaskini, kabla ya COVID-19 tofauti za tija zilitokana zaidi na mabadiliko ya ufanisi wa kiufundi; katika mshtuko wa 2019–2020, tija ilishuka katika nchi zote na mabadiliko ya kiteknolojia katika mpaka wa uzalishaji/ufanisi yakawa kigezo kikuu. Katika kipindi cha 2020–2023, tija iliongezeka tena katika nchi nyingi, na sehemu muhimu ya uboreshaji ilitokana na kipengele cha TECHCH. Katika Model 3 inayolenga mgawanyo wa mapato, tofauti za tija kati ya nchi katika kipindi chote zinahusishwa zaidi na mabadiliko ya ufanisi wa kiufundi.

Kwa nini ufanisi wa matumizi ya hifadhi ya jamii hauwezi kupimwa kwa kiwango cha matumizi pekee?

Mifumo ya hifadhi ya jamii inahusisha hatari nyingi za kijamii kama vile ugonjwa, ulemavu, uzee, haki baada ya kifo, msaada kwa familia na watoto, ukosefu wa ajira, makazi na kutengwa kijamii. Sera hizi zinahitaji rasilimali kubwa za kifedha. Hata hivyo, kiwango kikubwa cha matumizi pekee hakimaanishi umaskini mdogo au mgawanyo wa mapato ulio sawa zaidi.

Nchi mbili zinaweza kutenga sehemu inayofanana ya GDP kwa hifadhi ya jamii lakini zikapata matokeo tofauti ya kijamii kwa kiwango kilekile cha rasilimali. Sababu inaweza kuwa mambo mengi kama muundo wa misaada, ulengaji, uwezo wa taasisi, muundo wa idadi ya watu, hali ya soko la ajira na mazingira ya kiuchumi.

Kwa hiyo, swali kuu la utafiti huu si “ni nchi gani inatumia zaidi?”. Utafiti unatathmini ufanisi wa kulinganisha wa rasilimali za hifadhi ya jamii zinazotumiwa na nchi kwa kuzingatia matokeo ya kijamii yaliyoonekana.

Alama ya ufanisi ya DEA ina maana gani?

Alama ya ufanisi ya DEA inaonyesha nafasi ya kulinganisha ya vitengo vya kufanya maamuzi kulingana na mpaka wa ufanisi wa kimajaribio unaoundwa kwa kulinganisha matokeo yanayotolewa kwa pembejeo mahususi ndani ya sampuli ileile. Katika modeli ya BCC, alama ya 1 ina maana kwamba kitengo kiko kwenye mpaka wa ufanisi ndani ya sampuli iliyochunguzwa, wakati alama iliyo chini ya 1 inaonyesha kuwa kuna vitengo rejea vinavyoweza kutoa viwango vilevile vya matokeo kwa pembejeo ndogo zaidi.

Kwa hiyo, kauli ya “nchi yenye ufanisi” katika DEA haimaanishi kuwa mfumo wa hifadhi ya jamii ni mkamilifu kwa maana kamili. Matokeo ni ufanisi wa kulinganisha tu katika muktadha wa pembejeo na matokeo yaliyotumika, kipindi cha uchambuzi na nchi zilizolinganishwa.

Tofauti kati ya miundo ya BCC na CCR

Katika fasihi ya DEA, modeli ya CCR hutumia dhana ya marejesho ya kudumu kulingana na ukubwa (Constant Returns to Scale, CRS), wakati modeli ya BCC huruhusu marejesho yanayobadilika kulingana na ukubwa. Chaguo kuu katika utafiti ni modeli ya BCC-VRS.

Sababu ni kwamba mifumo ya hifadhi ya jamii haifanyi kazi kwa ukubwa au kiwango sawa cha kitaasisi. Kwa kuwa nchi hutofautiana kwa idadi ya watu, muundo wa uchumi, uwezo wa kifedha na muundo wa mifumo ya kijamii, mbinu ya VRS inayoruhusu tofauti za ukubwa hutumiwa badala ya kudhani kuwa vitengo vyote vya kufanya maamuzi vinafanya kazi kwa kiwango bora.

Kwa nini modeli ya input-oriented ilichaguliwa?

Input-oriented DEA hutathmini ni kwa kiwango gani pembejeo zinaweza kupunguzwa huku viwango vya sasa vya matokeo vikidumishwa. Kwa kuwa lengo la utafiti ni kutathmini ufanisi wa kulinganisha wa matumizi ya rasilimali za hifadhi ya jamii huku matokeo mahususi ya umaskini na mgawanyo wa mapato yakidumishwa, muundo wa input-oriented ulichaguliwa.

Modeli ya output-oriented ingejibu swali tofauti la utafiti: matokeo ya kijamii yanaweza kuboreshwa kwa kiasi gani ikiwa kiwango fulani cha matumizi kinabaki thabiti. Utafiti wa chanzo hauchunguzi swali hilo, bali ufanisi wa matumizi ya rasilimali.

Muundo wa kihisabati wa modeli ya BCC

Muundo msingi wa programu ya mstari wa modeli ya input-oriented BCC inayotumiwa katika chanzo ni kama ifuatavyo:

\[ \theta^*=\min \theta \]

chini ya masharti yafuatayo:

\[ \sum_{j=1}^{n}\lambda_j x_{ij}\leq\theta x_{i0}, \quad i=1,2,\ldots,m \]

\[ \sum_{j=1}^{n}\lambda_j y_{rj}\geq y_{r0}, \quad r=1,2,\ldots,s \]

\[ \sum_{j=1}^{n}\lambda_j=1 \]

\[ \lambda_j\geq0 \]

Hapa \(\theta^*\) ni alama ya ufanisi ya kitengo cha kufanya maamuzi kinachotathminiwa. \(\theta^*=1\) inaonyesha kuwa kiko kwenye mpaka wa ufanisi, na \(\theta^*<1\) inaonyesha pengo la ufanisi wa kulinganisha.

Vigawo vya \(\lambda_j\) vinaonyesha mchango wa vitengo vingine vya kufanya maamuzi katika kuunda nukta dhahania ya rejea kwa nchi inayotathminiwa.

Ufanisi wa ukubwa

Utafiti unatathmini ufanisi wa ukubwa pamoja na ufanisi safi wa kiufundi. Ufanisi wa ukubwa ni uwiano wa ufanisi wa kiufundi unaokokotolewa chini ya CRS kwa ufanisi wa kiufundi wa VRS:

\[ SE=\frac{CRSTE}{VRSTE} \]

Kadiri thamani ya SE inavyokaribia 1, ndivyo inavyoonyesha kuwa kitengo cha kufanya maamuzi kinafanya kazi karibu na ukubwa bora. Katika miundo yote mitatu, wastani wa ufanisi wa ukubwa kwa ujumla ni mkubwa; wastani wa kila mwaka mara nyingi uko takribani kati ya 0,91–0,99.

Ufanisi wa hifadhi ya jamii unapimwa kwa viashiria gani katika utafiti?

Katika miundo yote mitatu, pembejeo pekee, inayopimwa kwa mujibu wa mbinu ya ESSPROS, ni uwiano wa jumla ya matumizi ya hifadhi ya jamii kwa GDP. ESSPROS haijumuishi tu matumizi ya serikali kuu bali pia mifumo ya hifadhi ya jamii inayofadhiliwa na sekta mbalimbali za kitaasisi ndani ya mfumo wa uhasibu uliowianishwa, na hivyo kuwezesha ulinganisho kati ya nchi.

Mgawo wa Gini na viwango vya umaskini ni matokeo yasiyotakiwa ya aina ya “chini ni bora”. Kwa kuwa katika modeli ya DEA thamani ya juu ya matokeo inapaswa kuwakilisha utendaji mzuri, utafiti hubadilisha viashiria hivi kwa:

\[ y_i^*=100-y_i \]

na kuvifanya matokeo yanayotakiwa.

Model 1 na Model 2 zinaainishwa kwa masharti kama miundo inayolenga umaskini, na Model 3 kama modeli inayolenga mgawanyo wa mapato.

Nchi zilizochunguzwa

Uchambuzi unahusisha nchi 11 wanachama wa EU za Ulaya ya Kati na Mashariki ambazo data zilizowianishwa za ESSPROS na EU-SILC zinapatikana kwa kipindi chote cha 2016–2023:

• Bulgaria
• Croatia
• Czechia
• Estonia
• Hungary
• Latvia
• Lithuania
• Poland
• Romania
• Slovakia
• Slovenia

Kwa kuwa kila modeli ya DEA hutumia pembejeo moja tu na matokeo mawili, vitengo 11 vya kufanya maamuzi vinatimiza kanuni ya jumla iliyotajwa katika chanzo inayopendekeza idadi ya DMU iwe angalau mara tatu ya jumla ya idadi ya pembejeo na matokeo.

Viashiria vya kijamii vilibadilikaje katika kipindi cha 2016–2023?

Katika wastani wa sampuli, matumizi ya hifadhi ya jamii yalianza katika kiwango cha 18,25% ya GDP mwaka 2016, yakapanda katika kipindi cha COVID-19 na kufikia 20,49% mwaka 2020. Baadaye uwiano wa matumizi ulipungua na kuwa 19,21% mwaka 2023.

Mabadiliko haya ni mielekeo ya maelezo katika kiwango cha sampuli. Uchambuzi wa DEA hauthibitishi kuwa uboreshaji wa viashiria hivi umesababishwa kisababishi na matumizi ya hifadhi ya jamii.

Malmquist Productivity Index inatofautianaje na DEA?

Wakati DEA hupima nafasi ya ufanisi wa kulinganisha ya nchi katika mwaka fulani, Malmquist Productivity Index hupima jinsi tija ya jumla ya vipengele vya uzalishaji inavyobadilika kati ya vipindi viwili. MPI hugawa mabadiliko ya tija katika mabadiliko ya “kufikia” katika ufanisi wa kiufundi na mabadiliko ya mpaka wenyewe wa ufanisi.

Mgawanyo msingi katika chanzo ni:

\[ MPI^{t,t+1}=EFFCH^{t,t+1}\times TECHCH^{t,t+1} \]

kama ifuatavyo.

• MPI > 1: ongezeko la tija ya jumla ya vipengele vya uzalishaji.
• MPI = 1: hakuna mabadiliko ya tija.
• MPI < 1: kupungua kwa tija ya jumla ya vipengele vya uzalishaji.
• EFFCH: kitengo cha kufanya maamuzi kukaribia mpaka uliopo wa ufanisi au kuondoka kutoka kwenye mpaka huo.
• TECHCH: kuhama kwa mpaka wa kimajaribio wa uzalishaji/ufanisi kati ya vipindi.

Utafiti unakokotoa MPI chini ya teknolojia ya VRS na kugawa kipindi katika sehemu tatu: 2016–2019 kipindi cha kabla ya janga, 2019–2020 mshtuko wa kwanza wa COVID-19 na 2020–2023 kipindi cha kupona baada ya janga. Katika vipindi vya miaka mingi, wastani wa kijiometri wa thamani za MPI, EFFCH na TECHCH hutumiwa.

Chanzo kinasisitiza hasa kwamba mabadiliko ya EFFCH au TECHCH hayathibitishi moja kwa moja mageuzi fulani ya usimamizi au uamuzi wa sera. Vipengele hivi hupima mabadiliko kulingana na mpaka wa kimajaribio wa ufanisi; vyenyewe havibainishi sababu ya msingi.

Mbinu na Matokeo ya Utafiti

Model 1: Ukosefu wa usawa wa mapato na hatari ya jumla ya umaskini

Model 1 inachunguza ufanisi wa kulinganisha wa matumizi ya hifadhi ya jamii kuhusiana na mgawo wa Gini na uwiano wa watu walio chini ya 60% ya mapato ya kati yanayoweza kutumika yaliyosawazishwa.

Wastani wa kila mwaka wa alama za ufanisi wa kiufundi wa BCC ulitofautiana kati ya 0,91 na 0,94 katika kipindi cha 2016–2023. Matokeo haya yanaonyesha kuwa ufanisi safi wa kiufundi katika sampuli kwa ujumla ni wa juu sana na ni thabiti kwa kiasi katika muda.

Czechia na Slovakia hupata alama ya VRSTE ya 1,00 katika miaka yote. Romania pia iko kwenye mpaka wa ufanisi katika miaka mingi, huku Hungary ikifikia thamani ya 1,00 kuanzia 2019.

Poland, Croatia na Slovenia, kwa upande mwingine, hurekodi alama za chini zaidi za ufanisi wa kiufundi ndani ya sampuli katika sehemu kubwa ya kipindi. Bulgaria iko katika kundi la kati.

Model 2: Ukosefu wa usawa wa mapato na umaskini mkali

Katika Model 2, badala ya kizingiti cha umaskini cha 60%, hutumiwa idadi ya watu walio chini ya 40% ya mapato ya kati yanayoweza kutumika yaliyosawazishwa. Hivyo, kipimo kikali zaidi cha umaskini kwa makundi ya mapato ya chini zaidi kinatathminiwa.

Wastani wa kila mwaka wa VRSTE uko kati ya 0,92–0,95. Kufanana kwa kiasi kikubwa kwa viwango vya nchi katika Model 1 na Model 2 kunaonyesha kwamba tofauti za msingi za ufanisi haziathiriwi sana na vizingiti viwili vya umaskini vilivyochaguliwa.

Slovakia na Czechia zinaendelea kubaki kwenye mpaka wa ufanisi katika kipindi chote. Romania, Estonia na Hungary pia zina thamani za juu.

Model 3: Ukosefu wa usawa wa mapato na sehemu ya 40% ya wenye mapato ya chini zaidi

Katika Model 3, badala ya kiwango cha umaskini hutumiwa sehemu ya 40% ya watu wenye mapato ya chini zaidi katika jumla ya mapato. Modeli hii inatathmini ufanisi wa kulinganisha wa matumizi ya hifadhi ya jamii si tu kuhusiana na watu walio chini ya kizingiti cha umaskini, bali pia kuhusiana na sehemu ya tabaka la chini la mgawanyo wa mapato katika jumla ya rasilimali za kiuchumi.

Wastani wa kila mwaka wa VRSTE uko kati ya 0,89–0,92 na ni wa chini kidogo kuliko katika miundo miwili ya kwanza.

Matokeo muhimu zaidi ya Model 3 ni mabadiliko ya Czechia. Ingawa Czechia iko kwenye mpaka wa ufanisi katika kipindi chote katika miundo miwili ya kwanza, wastani wake wa kipindi hushuka hadi takribani 0,93 katika Model 3.

Chanzo kinafasiri matokeo haya kuwa utendaji mzuri katika hatari ya jumla ya umaskini huenda usimaanishe matokeo mazuri kwa kiwango kilekile kwa sehemu ya mapato ya 40% ya chini kabisa ya mgawanyo wa mapato.

Slovakia, kwa upande mwingine, inadumisha utendaji wake wa juu katika miundo yote mitatu na pia iko kwenye mpaka wa ufanisi katika kipindi chote katika Model 3.

COVID-19 iliathirije tija ya hifadhi ya jamii?

Matokeo ya Malmquist yanaonyesha kwamba athari ya COVID-19 inaonekana tofauti kulingana na ufafanuzi wa matokeo unaotumiwa. Katika Model 1 na Model 2 zinazolenga umaskini, katika kipindi cha 2019–2020 MPI ilishuka chini ya 1 katika nchi zote 11 na chanzo kikuu cha kushuka kwa tija kilikuwa TECHCH. Kinyume chake, katika Model 3 inayolenga mgawanyo wa mapato, katika kipindi hicho hicho MPI iliongezeka sana katika baadhi ya nchi na mabadiliko yalitokana zaidi na kipengele cha EFFCH.

Matokeo ya MPI ya Model 1

Katika kipindi cha kabla ya janga cha 2016–2019, thamani za MPI za Model 1 ziko karibu na 1 kwa nchi nyingi. Ongezeko kubwa zaidi linaonekana Hungary:

Hungary MPI = 1,0449.

Latvia kwa 0,9810, Lithuania kwa 0,9857 na Romania kwa 0,9965 zinaonyesha kupungua kidogo. Sehemu muhimu ya tofauti kati ya nchi hutokana na mabadiliko ya EFFCH, huku TECHCH ikiwa na ulinganifu zaidi.

Katika kipindi cha 2019–2020, MPI iko chini ya 1 katika nchi zote 11. Thamani za mfano:

Kuwa kwa thamani za TECHCH chini ya 1 katika nchi zote kunaonyesha kwamba mpaka wa kimajaribio wa ufanisi ulihamia upande hasi wakati wa mshtuko wa janga. Chanzo kinasema kuwa ni jambo la msingi kuhusisha hali hii na mazingira magumu zaidi ya kijamii na kiuchumi, lakini kinasisitiza kwamba MPI yenyewe haitambui sababu yake.

Katika kipindi cha 2020–2023 kuna kupona katika nchi nyingi. Ongezeko kubwa zaidi la wastani wa MPI linaonekana Croatia, Lithuania, Slovenia na Romania. Slovakia kwa 0,9887 ndiyo nchi pekee ambayo MPI yake katika Model 1 inabaki chini ya 1 katika kipindi hiki.

Matokeo ya MPI ya Model 2

Wasifu wa muda wa Model 2 unaotegemea kiashiria cha umaskini mkali unafanana sana na Model 1.

Kabla ya janga, MPI iko karibu na 1 katika nchi nyingi, na Hungary kwa 1,0437 inaonyesha mojawapo ya ongezeko kubwa zaidi. Katika kipindi cha 2019–2020, thamani za MPI za nchi zote zinashuka tena chini ya 1.

Katika 2020–2023, thamani ya MPI ya nchi tisa iko juu ya 1. Ni Bulgaria pekee kwa 0,9958 na Slovakia kwa 0,9896 ndizo zinazobaki chini ya 1.

Katika Model 2, baada ya janga TECHCH iko juu ya 1 katika nchi zote. Hata hivyo, kupungua kwa EFFCH nchini Bulgaria na Slovakia hakuwezi kufidia kikamilifu mchango chanya wa mabadiliko ya teknolojia/mpaka.

Kwa nini matokeo ya MPI ya Model 3 ni tofauti?

Katika Model 3, mienendo ya tija ni mseto zaidi na mabadiliko yanahusishwa zaidi na EFFCH. TECHCH mara nyingi iko karibu na 1 au hubadilika kwa kiwango kidogo zaidi.

Katika kipindi cha 2016–2019, Romania kwa 1,0979, Slovakia kwa 1,0823 na Poland kwa 1,0718 zinaonyesha ongezeko kubwa kwa kulinganisha la tija. Estonia kwa 0,9257 na Croatia kwa 0,9490 zinarekodi kupungua kuliko dhahiri zaidi.

Katika kipindi cha 2019–2020, tofauti na Model 1 na Model 2, kuna ongezeko kubwa la MPI katika baadhi ya nchi:

Chanzo kinasema kuwa ongezeko nchini Croatia, Hungary, Estonia na Latvia lilitokana hasa na mabadiliko ya ufanisi wa kiufundi. Kinyume chake, kushuka nchini Slovakia, Slovenia, Romania na Czechia pia kunahusishwa kwa kiasi kikubwa na kupungua kwa EFFCH.

Katika kipindi cha 2020–2023, Slovakia kwa 1,0666, Slovenia kwa 1,0655 na Czechia kwa 1,0642 zinaonyesha ongezeko kubwa zaidi la tija katika Model 3, wakati Latvia kwa 0,9253 na Lithuania kwa 0,9284 ni miongoni mwa upungufu mkubwa zaidi.

Miundo mitatu kwa pamoja inasema nini?

Tofauti hii inaonyesha kwamba vipimo vya umaskini na kiashiria kinachohusu sehemu ya chini ya mgawanyo wa mapato vinanasa vipengele tofauti vya utendaji wa mifumo ya hifadhi ya jamii.

Ufanisi wa ukubwa na marejesho ya 2023

Katika miundo yote mitatu ufanisi wa ukubwa ni wa juu na nchi nyingi zinaonekana kufanya kazi karibu na ukubwa bora. Mwaka 2023, uainishaji wa returns-to-scale katika miundo yote mitatu unakuwa sawa kabisa.

• Marejesho yanayoongezeka kulingana na ukubwa (IRS): Bulgaria, Croatia, Estonia, Latvia, Lithuania na Romania.
• Marejesho yanayopungua kulingana na ukubwa (DRS): Czechia, Poland, Slovakia na Slovenia.
• Marejesho ya kudumu kulingana na ukubwa (CRS): Hungary.

Kwa sababu ya ufanisi wa juu wa ukubwa, chanzo kinasema kuwa ni vigumu kueleza tofauti za utendaji kati ya nchi kwa kubadilisha tu ukubwa wa mifumo ya hifadhi ya jamii.

Kikomo cha tafsiri ya kisayansi ya utafiti

Alama ya juu ya DEA katika utafiti huu haimaanishi kwamba mfumo wa hifadhi ya jamii wa nchi ni bora kabisa kijamii au kwamba matumizi ya chini yanawezekana kwa lazima. DEA inalinganisha tu michanganyiko ya sasa ya pembejeo na matokeo ndani ya sampuli.

Vivyo hivyo, utafiti haukadirii mgawo wa kisababishi wa aina ya “ongezeko la matumizi ya hifadhi ya jamii hupunguza umaskini kwa kiasi fulani”. Pembejeo na matokeo ni za vipindi vilevile vya uchunguzi, na DEA ni zana tuli ya benchmarking.

Mgawanyo wa MPI pia hauthibitishi kwamba mabadiliko ya EFFCH yanatokana moja kwa moja na usimamizi bora au kwamba mabadiliko ya TECHCH yanatokana moja kwa moja na mageuzi fulani. Haya ni mabadiliko yanayopimwa kulingana na mpaka wa kimajaribio wa ufanisi. Mambo mengine kama hali za uchumi mkuu, demografia, makosa ya data, migogoro ya nje, muundo wa taasisi na muundo wa sera pia yanaweza kuathiri matokeo.

Hitimisho la jumla la utafiti

Utafiti unaonyesha kwamba licha ya historia ya pamoja ya ujamaa, uanachama wa EU na michakato inayofanana ya muunganiko, hakuna utendaji wa aina moja katika mifumo ya hifadhi ya jamii ya nchi za Ulaya ya Kati na Mashariki.

Katika miundo miwili ya kwanza inayolenga umaskini, Czechia na Slovakia zinaonekana kuwa na nguvu hasa, lakini inapozingatiwa sehemu ya 40% ya chini ya mgawanyo wa mapato, nafasi ya kulinganisha ya Czechia inashuka. Matokeo haya yanaonyesha kwamba kupunguza umaskini na utendaji wa mgawanyo wa mapato si kipengele kilekile cha sera ya kijamii.

Kipindi cha COVID-19 pia kina tabia tofauti kulingana na modeli. Katika miundo inayolenga umaskini wa jumla na umaskini mkali, mshtuko wa 2019–2020 unasababisha kupungua kwa tija katika nchi zote, huku modeli inayolenga mgawanyo wa mapato ikionyesha muundo changamano zaidi na mahususi kwa nchi.

Chanzo kinapendekeza kwamba katika siku zijazo uchambuzi upanuliwe kwa kundi kubwa zaidi la nchi za Ulaya na mambo kama muundo wa hifadhi ya jamii, demografia, soko la ajira, mazingira ya uchumi mkuu, ubora wa taasisi na utekelezaji wa sera, ambayo yanaweza kueleza sababu za tofauti za ufanisi/tija kati ya nchi, yachunguzwe pia.

Maelezo ya Chanzo na Mbinu

Kichwa asili cha utafiti: Assessing the Efficiency and Total Factor Productivity of Social Protection Expenditure: A Study of CEE Countries

Mwandishi: Maya Tsoklinova

Taasisi: Department of Economics, University of National and World Economy, Sofia, Bulgaria.

Jarida: Economies

Mchapishaji: MDPI, Basel, Switzerland

Rekodi ya kibibliografia: Economies 2026, 14, 326

DOI: 10.3390/economies14080326

Tarehe ya kuwasilishwa: 28 Juni 2026

Tarehe ya marekebisho: 31 Julai 2026

Tarehe ya kukubaliwa: 3 Agosti 2026

Tarehe ya kuchapishwa: 6 Agosti 2026

Aina ya chanzo: Uchambuzi wa kulinganisha, usio wa kiparameta wa ufanisi na tija ya jumla ya vipengele vya uzalishaji uliofanywa kwa kutumia data za sekondari za Ulaya zilizowianishwa.

Vyanzo vya data: Eurostat; European System of Integrated Social Protection Statistics (ESSPROS); EU Statistics on Income and Living Conditions (EU-SILC).

Kipindi kilichochunguzwa: 2016–2023.

Vitengo vya kufanya maamuzi: Nchi 11 wanachama wa EU za Ulaya ya Kati na Mashariki.

Mbinu kuu: Input-oriented BCC Data Envelopment Analysis, Variable Returns to Scale.

Mbinu ya tija: Malmquist Productivity Index chini ya VRS; mabadiliko ya tija ya jumla ya vipengele vya uzalishaji yamegawanywa katika vipengele vya EFFCH na TECHCH.

Ufadhili: Utafiti ulifadhiliwa na UNWE Research Programme, Research Grant No. 13/2025. Ada ya uchakataji wa makala pia ililipwa na programu hiyo hiyo ya utafiti.

Kamati ya maadili: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Utafiti unatumia data za ESSPROS na EU-SILC zinazopatikana kwa umma katika Eurostat.

Shukrani: Mwandishi anataja msaada wa kifedha wa Research Grant No. 13/2025 uliotolewa na UNWE Research Programme.

Mgongano wa maslahi: Mwandishi anaripoti kuwa hakuna mgongano wa maslahi.

Leseni: Creative Commons Attribution (CC BY).

Vikwazo vikuu vya kimbinu: Matokeo ya DEA ni ya kulinganisha na yanategemea sampuli. Pembejeo na matokeo yamechukuliwa kutoka vipindi vilevile; utafiti si modeli yenye nguvu ya kisababishi. Mabadiliko ya EFFCH na TECHCH hayatambui athari za kisababishi za mifumo mahususi ya usimamizi, taasisi au sera. Uchambuzi umewekewa mipaka kwa nchi 11 wanachama wa EU za CEE na vigeu vinavyopatikana vya ESSPROS/EU-SILC. Sababu za tofauti kati ya nchi, kama muundo wa mfumo wa hifadhi ya jamii, muundo wa demografia, soko la ajira, mazingira ya uchumi mkuu na ubora wa taasisi, hazijawekwa moja kwa moja katika modeli katika utafiti huu.