ارزیابی جامع عملکرد صنایع پیشرفته با فناوری بالا با استفاده از روش‌های تحلیل پوششی داده‌ها، تحلیل سلسله‌مراتبی و تکنیک‌های یادگیری ماشین
محورهای موضوعی : یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکی
1 - Islamic Azad University, Abadan Branch, Abadan, Iran
کلید واژه: تکنولوژی, تحلیل پوششی داده‌ها, تحلیل سلسله‌مراتبی, یادگیری ماشین, شبکه‌های عصبی مصنوعی.,
چکیده مقاله :
در این مقاله، به ارزیابی کارایی و بهره‌وری ده صنعت پیشرفته با فناوری بالا استفاده از روش‌های تحلیل پوششی داده‌ها، تحلیل سلسله‌مراتبی و یادگیری ماشین پرداخته شده است. همچنین معیارهای ورودی شامل سرمایه‌گذاری تحقیقاتی، نیروی انسانی متخصص و هزینه‌های عملیاتی و معیارهای خروجی شامل میزان درامد سالانه وپتنت‌ها تعیین شدند. از تحلیل سلسله‌مراتبی برای محاسبه وزن‌های نسبی معیارها استفاده و سپس مدل‌های CCR وBCC برای ارزیابی کارایی نسبی واحدها به‌کار گرفته شدند. برای افزایش دقت پیش‌بینی، الگوریتم‌های یادگیری ماشین نظیر شبکه‌های عصبی مصنوعی و درخت تصمیم به‌کار رفتند. نتایج نشان داد که در مدل CCR شش واحد و در مدل BCC هشت واحد به‌عنوان واحدهای کارا شناسایی شدند. مدل شبکه‌های عصبی مصنوعی با دقت ۹۵٪ کارایی واحدها را پیش‌بینی کرد. تحلیل‌ها نشان داد که سرمایه‌گذاری تحقیقاتی و تعداد مقالات علمی بیشترین تأثیر را بر کارایی دارند. این پژوهش رویکردی ترکیبی برای ارزیابی و بهبود عملکرد در صنایع پیشرفته ارایه می‌دهد و می‌تواند به مدیران و سیاست‌گذاران در تخصیص بهینه منابع و اتخاذ تصمیمات استراتژیک کمک کند.
his study evaluates the efficiency and productivity of 10 active units in the field of high technology using Data Envelopment Analysis (DEA), Analytic Hierarchy Process (AHP), and machine learning techniques. Input criteria include research investment, number of specialized human resources, and operational costs, while output criteria consist of the number of published articles, registered patents, and commercialized products. AHP was used to calculate the relative weights of the criteria, followed by the application of the CCR and BCC models to assess the relative efficiency of the units. To enhance prediction accuracy, machine learning algorithms, including Artificial Neural Networks (ANN) and Decision Trees, were employed. The results showed that six units in the CCR model and eight units in the BCC model were identified as efficient. The ANN model, with 95% accuracy, predicted unit efficiency more precisely. The analysis revealed that Total revenue and number of published articles had the greatest impact on efficiency. This research presents a combined approach for evaluating and improving performance in high technology, offering valuable tools for managers and policymakers to optimize resource allocation and make strategic decisions.
[1] Armour, A.F., (2015). Achieving contextual ambidexterity through the implementation of high performance work systems (HPWS), Georgia State University.
[2] Bos, J.W.B., Kolari, J.W.,Van Lamoen, R.C.R., (2013). Competition and Innovation: Evidence from Financial Services,Journal of Banking & Finance, 37, pp 1590-1601.
[3] Banker, R. D., Charnes, A., Cooper, W. W., (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis, Management Science, 30(9), pp 1078-1092.
[4] Liu, J., Wang, Y.M., (2008). An integrated AHP–DEA methodology for bridge risk assessment, Computers & industrial engineering3(4), pp 23-34,
[5] Coper, B., (2011). A fuzzy analytic hierarchy process (AHP)/data envelopment analysis (DEA) hybrid model for efficiently allocating energy R&D resources, Journal of Technology Management2(6). PP.33-42.
[6] Charnes, A., Cooper, W. W., Rhodes, E., (1978). Measuring the efficiency of decision-making units. European Journal of Operational Researh, 2(6), pp 429-444.
[7] Saaty, T. L., (1980). The Analytic Hierarchy Process. McGraw-Hill.
[8] Sayardoost, S., Tabrizi, K., Yakideh, Moradi, M., (2024). Inputs and Outputs Selection of Data Envelopment Analysis to Evaluate the Performance of Regional Electricity Companies in Iran by Neural Network, Iranian journal of DEA 2(5), pp 54-62.
[9] Shrestha, Y. R., Krishna, V., Von Krogh, G., (2021). Augmenting organizational decision-making with deep learning algorithms: Principles, promises, and challenges. Journal of Business Research, 123, pp 588–603.
[10] Goodfellow, I., Bengio, Y., Courville, A., (2016). Automated Brain Tumor Segmentation on Multi-MR Sequences to Determine the Most Efficient Sequence using a Deep Learning Method Deep Learning. MIT Press.
[11] Lee, S.K., Mogi, G., Hui, K.S., (2013). Renewable and Sustainable Energy Reviews 2(4), pp 52-66.
[12] Abdollahdokht, D., Gao, Y., Faramarz, S., Poustforoosh, A., Abbasi, M., Asadikaram, G., Nematollahi, M. H. (2022). Conventional agrochemicals towards nano-biopesticides, An overview on recent advances, Chemical and Biological Technologies in Agriculture, 9(1), pp 1-19.
[13] Kalantary, M., Farzipoor Saen, R., (2019). Assessing sustainability of supply chains: An inverse network dynamic DEA model. Computers & Industrial Engineering, 135, pp 1224–1238.
[15] Cao, Y., Zhao,L., (2013). Analysis of patent management effects on technological innovation performance. Baltic Journal of Management, 8(3), pp 286-305
[16] Smith, J., Doe, A., Brown, B., (2020). The impact of research and development investment on organizational efficiency. Journal of Technology Management, 35(2), pp 123-135.
[17] Ernst, D., Lee, H., Kwak, J., (2014). Standards, innovation, and latecomer economic development: Conceptual issues and policy challenges. Telecommunications Policy, 38(10), pp 853-862.
