ارزیابی و پیش‌بینی کارایی شرکتهای صنعتی با استفاده از مدل ترکیبی تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی
محورهای موضوعی : مدیریت صنعتی
1 - گروه ریاضی و آمار، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران.
کلید واژه: : ارزیابی کارایی, پیش‌بینی عملکرد, تحلیل پوششی داده‌ها, شبکه عصبی مصنوعی, مدل ترکیبی.,
چکیده مقاله :
در این مقاله، یک مدل ترکیبی مبتنی بر تحلیل پوششی داده‌ها (DEA) و شبکه‌های عصبی مصنوعی (ANN) برای ارزیابی و پیش‌بینی کارایی 50 شرکت صنعتی فعال در بخش‌های مختلف ارائه شده است. در ابتدا، با استفاده از روش DEA، کارایی نسبی شرکتها محاسبه شده و واحدهای تصمیم‌گیرنده کارا و ناکارا شناسایی گردیدند. سپس، نتایج به‌دست‌آمده از DEA به‌عنوان داده‌های هدف برای آموزش شبکه عصبی مصنوعی (ANN) استفاده شد. این مدل ANN با کشف الگوهای پنهان در داده‌ها، قادر به پیش‌بینی عملکرد آینده شرکتها با دقت بالا بود. نتایج نشان می‌دهند که مدل ترکیبی DEA-ANN نه تنها امکان ارزیابی دقیق کارایی شرکتها را در زمان حال فراهم می‌کند، بلکه توانایی پیش‌بینی تغییرات کارایی را در صورت تغییر ورودی‌ها نیز داراست. علاوه بر این، با استفاده از شبکه عصبی، می‌توان کارایی شرکت‌هایی که به‌طور مستقیم مورد ارزیابی قرار نگرفته‌اند را پیش‌بینی کرد. این رویکرد با ترکیب توانمندی‌های DEA در تحلیل کارایی و قابلیت‌های ANN در مدلسازی روابط غیرخطی، ابزاری کارآمد برای مدیران و تصمیم‌گیرندگان جهت بهبود عملکرد و تخصیص بهینه منابع به شمار می‌آید.
This paper presents a hybrid model based on Data Envelopment Analysis (DEA) and Artificial Neural Networks (ANN) to evaluate and predict the efficiency of 50 industrial companies operating in various sectors. Initially, DEA was employed to calculate the relative efficiency and identify efficient and inefficient decision-making units. Subsequently, the results obtained from DEA were used as target data to train the Artificial Neural Network (ANN). The ANN model, by uncovering hidden patterns in the data, was able to predict the future performance of companies with high accuracy. The results demonstrate that the DEA-ANN hybrid model not only provides a precise assessment of companies' current efficiency but also predicts efficiency changes in the event of input variations. Additionally, by utilizing the trained neural network, it is possible to predict the efficiency of companies that have not been directly evaluated. This approach, combining the strengths of DEA in efficiency analysis and the capabilities of ANN in modeling nonlinear relationships, offers an effective tool for managers and decision-makers to improve performance and optimize resource allocation.
Bahrami, F., Abbasi, M., & Rahimi, S. (2022). Combining data envelopment analysis models and machine learning algorithms for evaluating the
efficiency of decision-making units considering undesirable outputs. Journal of Industrial Management and Systems, 14(4), 23–35. Fallah, H., Karimi, N., & Rezaei, A. (2023). A hybrid model of data envelopment analysis and artificial neural networks for evaluating the efficiency of pharmaceutical companies. Journal of Industrial Management Technology, 12(1), 45–59
. Sharifi, R., & Mohammadi, M. (2020). Applying a hybrid approach of data envelopment analysis and artificial neural networks in evaluating the performance of Iran Darou pharmaceutical company. Journal of Iranian Industrial Management Research, 10(2), 89–104
. Nadri, K., & Rostami, A. (2021). A model for improving comparative performance evaluation of companies using artificial neural networks and data envelopment analysis. In Proceedings of the National Conference on New Technologies in Management and Industrial Engineering, 15(3), 67–78
. Alavi, H. (2019). Efficiency prediction considering nonlinear impacts of time delays in data envelopment analysis. Journal of Iranian Industrial Management, 11(3), 45–58
. 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), 1078–1092
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision-making units. European Journal of Operational Research, 2(6), 429–444.
Emrouznejad, A., & Yang, G. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4–8
. Jin, Y., Li, Y., & Hu, J. (2016). Applying artificial neural networks to predict hospital efficiency in the context of health care reform. Health Care Management Science, 19(4), 302–314
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536. Sadeghi, J., Sadeghi, S., & Ahmadi, A. (2015). Evaluating the efficiency of automotive companies using a hybrid DEA-ANN model. Journal of Industrial Engineering International, 11(3), 389–402
. Wang, T., Zhu, Q., & Chu, J. (2011). Using data envelopment analysis and neural networks for efficiency evaluation and prediction. Mathematical and Computer Modelling, 54(11–12), 2760–2771
Zhang, J., & Lin, C. (2020). Performance evaluation of industrial firms using DEA and DECORATE ensemble method. Expert Systems with Applications, 143, 113048
. Feng, L., & Wei, C. (2021). Developing and training artificial neural networks using bootstrap data envelopment analysis for best performance modeling of sawmills in Ontario. Journal of Modelling in Management, 16(3), 765–785
. Kao, C., & Liu, S. (2004). Predicting performance improvement using DEA and ANN. Computers & Operations Research, 31(10), 1875–1886
.
ارزیابی و پیش‌بینی کارایی شرکتهای صنعتی
با استفاده از مدل ترکیبی تحلیل پوششی داده‌ها
و شبکه عصبی مصنوعی
شهناز محمدی مجد
استادیار ریاضی، واحد سنندج، دانشگاه آزاد اسلامی، سنندج، ایران
Email: shahnaz.m.majd@iau.ir
تاریخ دریافت: 13/11/1403 * تاریخ پذیرش 31/01/1404
چکيده
در این مقاله، یک مدل ترکیبی مبتنی بر تحلیل پوششی داده‌ها (DEA) و شبکه‌های عصبی مصنوعی (ANN) برای ارزیابی و پیش‌بینی کارایی 50 شرکت صنعتی فعال در بخش‌های مختلف ارائه شده است. در ابتدا، با استفاده از روشDEA، کارایی نسبی شرکتها محاسبه شده و واحدهای تصمیم‌گیرنده کارا و ناکارا شناسایی گردیدند. سپس، نتایج به‌دست‌آمده از DEA به‌عنوان داده‌های هدف برای آموزش شبکه عصبی مصنوعی (ANN) استفاده شد. این مدل ANN با کشف الگوهای پنهان در داده‌ها، قادر به پیش‌بینی عملکرد آینده شرکتها با دقت بالا بود. نتایج نشان می‌دهند که مدل ترکیبی DEA-ANN نه تنها امکان ارزیابی دقیق کارایی شرکتها را در زمان حال فراهم می‌کند، بلکه توانایی پیش‌بینی تغییرات کارایی را در صورت تغییر ورودی‌ها نیز داراست. علاوه بر این، با استفاده از شبکه عصبی، می‌توان کارایی شرکت‌هایی که به‌طور مستقیم مورد ارزیابی قرار نگرفته‌اند را پیش‌بینی کرد. این رویکرد با ترکیب توانمندی‌های DEA در تحلیل کارایی و قابلیت‌های ANN در مدلسازی روابط غیرخطی، ابزاری کارآمد برای مدیران و تصمیم‌گیرندگان جهت بهبود عملکرد و تخصیص بهینه منابع به شمار می‌آید.
کلمات کلیدی: ارزیابی کارایی، پیش‌بینی عملکرد، تحلیل پوششی داده‌ها، شبکه عصبی مصنوعی، مدل ترکیبی.
1- مقدمه
امروزه، در صنایع مختلف، تصمیم‌گیری در مورد تخصیص منابع و ارتقای بهره‌وری به داده‌ها و اطلاعات دقیق در مورد عملکرد شرکتها وابسته است. از این رو ارزیابی1 عملکرد سازمان‌ها و شرکتها به‌ویژه در صنایع رقابتی، به یکی از مهم‌ترین دغدغه‌های مدیران و سیاست‌گذاران تبدیل شده است. اندازه‌گیری کارایی2، ابزاری قدرتمند برای شناسایی نقاط قوت و ضعف، بهینه‌سازی منابع، و ارتقای عملکرد است. در این راستا، تحلیل پوششی داده‌ها (DEA)3 به‌عنوان یکی از روش‌های محبوب و مؤثر در ارزیابی عملکرد سازمان‌ها شناخته شده است. این روش توانایی اندازه‌گیری کارایی نسبی واحدهای تصمیم‌گیرنده (DMUs) 4را بر اساس ورودی‌ها و خروجی‌های چندگانه دارد. با توجه به ماهیت پیچیده داده‌های ورودی و خروجی در این حوزه، استفاده از روش‌های تحلیلی که قابلیت ترکیب قدرت مدلسازی خطی و غیرخطی را داشته باشند، ضروری است. روش تحلیل پوششی داده‌ها با وجود کارایی بالا محدودیت‌هایی از قبیل، حساسیت به داده های غیرعادی و عدم توانایی در پیش‌بینی دقیق رفتار و عملکرد واحدهای تصمیم‌گیرنده دارد.
برای غلبه بر این چالشها، در سال‌های اخیر استفاده از شبکه‌های عصبی مصنوعی (ANN)5 به‌عنوان مکمل روش‌های سنتی DEA پیشنهاد شده است. روش‌های مبتنی بر یادگیری ماشین، به‌ویژه شبکه‌های عصبی به‌دلیل قابلیت یادگیری و تعمیم، علاوه بر اینکه می‌توانند این نقاط ضعف تحلیل پوششی داده ها را پوشش و تحلیل‌های دقیق‌تری ارائه دهند امکان پیش‌بینی عملکرد واحدها را با دقت بالا فراهم می‌کنند. ترکیب این دو روش، یعنی مدل ترکیبی6 DEA-ANN، نه‌تنها امکان ارزیابی دقیق‌تر کارایی واحدها را فراهم می‌کند، بلکه می‌تواند به شناسایی الگوها و عوامل مؤثر بر کارایی نیز کمک کند.
تحقیقات پیشین نشان می‌دهند که روش DEA به‌طور گسترده‌ای در ارزیابی عملکرد شرکتها و سازمان‌ها استفاده شده است. برای مثال، مطالعاتی در صنایع بانکی، تولیدی، بهداشت و درمان، نشان داده‌اند که این روش می‌تواند کارایی نسبی واحدها را با دقت مناسبی محاسبه کند. از سوی دیگر، روش‌های مبتنی بر شبکه‌های عصبی مصنوعی نیز به‌عنوان ابزاری برای پیش‌بینی و مدلسازی رفتارهای پیچیده معرفی شده‌اند. با این حال، تحقیقات کمتری به بررسی ترکیب این دو روش پرداخته‌اند. پژوهش حاضر با تکیه بر این خلأ تحقیقاتی، به توسعه یک مدل جهت ارزیابی و پیش‌بینی کارایی می‌پردازد.
این پژوهش با هدف طراحی و پیاده‌سازی یک مدل مبتنی برDEA وANN انجام شده است که توانایی ارزیابی عملکرد شرکتهای صنعتی یا تولیدی با استفاده از چند ورودی (مانند سرمایه‌گذاری، نیروی انسانی، هزینه‌ها) و چند خروجی (مانند سود خالص، فروش و بازده سرمایه) را دارد و تلاشی است برای ارتقای دقت، کارایی و قابلیت پیش‌بینی در ارزیابی عملکرد واحدهای صنعتی که می‌تواند الگویی برای سایر بخش‌ها و صنایع ارائه دهد.
2- روش شناسی پژوهش
در دهه‌های اخیر، ارزیابی و بهینه‌سازی عملکرد واحدهای تصمیم‌گیرنده (DMUs) در صنایع مختلف به یکی از چالش‌های اصلی مدیران تبدیل شده است. ابزارهای متنوعی برای اندازه‌گیری و ارزیابی کارایی در این حوزه به‌کار گرفته شده‌اند. دو رویکرد برجسته در این زمینه تحلیل پوششی داده‌ها (DEA) و شبکه‌های عصبی مصنوعی (ANN) هستند که به‌طور گسترده‌ای در تحقیقات و کاربردهای عملی برای ارزیابی کارایی و پیش‌بینی عملکرد استفاده می‌شوند. در این بخش، پیشینه‌های مربوط به این دو روش و ترکیب آن‌ها برای ارزیابی و پیش‌بینی کارایی بررسی خواهد شد.
الف) پیشینه تحلیل پوششی داده‌ها
تحلیل پوششی داده‌ها (DEA) نخستین‌بار توسط چارنز، کوپر و رودس معرفی شد( Charnes, Cooper & Rhodes, 1978). DEA یک روش غیرپارامتری برای ارزیابی کارایی واحدهای تصمیم‌گیرنده است که از ورودی‌ها و خروجی‌های متعدد برای اندازه‌گیری کارایی نسبی واحدها استفاده می‌کند. این روش، بدون نیاز به تعریف روابط خاص بین ورودی‌ها و خروجی‌ها، از برنامه‌ریزی خطی برای محاسبه مرز کارایی استفاده می‌کند همچنین قادر است واحدهای تصمیم‌گیرنده با ورودی‌ها و خروجی‌های مختلف را مقایسه کرده و عملکرد آن‌ها را در مقایسه با یک مرز کارا ارزیابی کند. در مدلهایDEA، واحدهای کارا به‌عنوان واحدهایی شناخته می‌شوند که نسبت به دیگر واحدها کارایی بالاتری دارند، و واحدهای ناکارا به‌طور مستقیم نسبت به واحدهای کارا ارزیابی می‌شوند. مهم‌ترین مدلهای DEA شامل مدلهای 7CCR و 8BCC هستند. مدل CCR فرض می‌کند که واحدها بازده به مقیاس ثابت دارند، در حالی که مدل BCC بازدهی به مقیاس متغیر را مفروض می‌داند. استفاده از DEA در صنایع مختلف مانند بانکداری، سلامت، آموزش و تولید مورد توجه بسیاری از پژوهشگران قرار گرفته است (Emrouznejad and Yang, 2018)
در مقاله‌ای جامع به بررسی پیشرفت‌های اخیر در کاربرد DEA در صنایع مختلف پرداختند و کاربردهای آن را در بانکداری، بهداشت، انرژی و آموزش بررسی کردند. این پژوهش نشان می دهد که DEA توانسته است ابزاری مفید برای ارزیابی کارایی در سازمان‌های مختلف باشد. با این حال، از آنجایی که DEA به‌طور عمده روشی ایستا است، قادر به تحلیل شرایط پویا و پیش‌بینی عملکرد در شرایط تغییرات ورودی و خروجی نیست.
ب) پیشینه شبکه‌های عصبی مصنوعی (ANN)
شبکه‌های عصبی مصنوعی (ANN) از دهه 1940 میلادی به‌عنوان روشی برای شبیه‌سازی فرآیندهای یادگیری و پردازش اطلاعات مغز انسان مطرح شدند. الگوریتم‌های ANN با یادگیری از داده‌های ورودی و خروجی، توانایی مدلسازی روابط پیچیده و غیرخطی بین این داده‌ها را دارند. این روش‌ها به‌ویژه در تحلیل داده‌های پیچیده و پیش‌بینی عملکرد در شرایط متغیر بسیار مفید هستند. یکی از مهم‌ترین الگوریتم‌هایANN، پس‌انتشار9 است که توسط( Rumelhart, Hinton & Williams, 1986) معرفی شد. این الگوریتم به شبکه عصبی این امکان را می‌دهد که با استفاده از داده‌های آموزشی و محاسبه خطای پیش‌بینی، وزن‌های اتصالات شبکه را به‌طور بهینه تنظیم کند. این ویژگی به ANN اجازه می‌دهد که روابط پیچیده میان ورودی‌ها و خروجی‌ها را به‌طور مؤثری شبیه‌سازی کند. شبکه‌های عصبی در زمینه‌های مختلفی مانند پیش‌بینی، طبقه‌بندی و شبیه‌سازی دینامیک سیستم‌ها به‌کار گرفته می‌شوند. برای مثال، (Jin, Li & Hu, 2016) از شبکه عصبی برای پیش‌بینی کارایی بیمارستان‌ها با استفاده از داده‌های مختلف مانند تعداد پزشکان، پرستاران و تجهیزات پزشکی بهره بردند و نشان دادند که این مدل می‌تواند عملکرد بیمارستان‌ها را با دقت بالاتری پیش‌بینی کند. با این حال، یکی از چالش‌های اصلی ANN، نیاز به داده‌های زیاد و دقیق برای آموزش مدل است. همچنین، مدلهای ANN، به‌ویژه در شبکه‌های عمیق 10، دارای ساختار پیچیده‌ای هستند که ممکن است تحلیل و تفسیر نتایج را برای پژوهشگران دشوار سازد.
ج) پیشینه ترکیب DEA و ANN
ترکیب DEA و ANN به‌عنوان یک رویکرد نوین در ارزیابی و پیش‌بینی کارایی واحدهای تصمیم‌گیرنده در تحقیقات اخیر مورد توجه قرار گرفته است. هدف این ترکیب، استفاده از مزایای هر دو روش و رفع محدودیت‌های آن‌ها است. در مدل ترکیبی، DEA به‌عنوان گام نخست برای ارزیابی کارایی واحدها و شناسایی واحدهای ناکارا به‌کار می‌رود، سپس نتایج حاصل از DEA به‌عنوان داده‌های آموزشی به شبکه عصبی مصنوعی داده می‌شود. شبکه عصبی با یادگیری از این داده‌ها، می‌تواند روابط پیچیده و غیرخطی میان ورودی‌ها و خروجی‌ها را مدلسازی کرده و پیش‌بینی‌های دقیق‌تری ارائه دهد.
در مطالعه‌ای مدل ترکیبی DEA-ANN را برای ارزیابی عملکرد سازمان‌ها پیشنهاد کردند. این تحقیق نشان داد که استفاده از مدل ترکیبی باعث افزایش دقت پیش‌بینی‌ها نسبت به مدلهای منفرد DEA و ANN می‌شود. در این مدل، ابتدا از DEA برای اندازه‌گیری کارایی استفاده شده و سپس نتایج آن به‌عنوان ورودی به شبکه عصبی وارد می‌شود تا پیش‌بینی‌های دقیق‌تری انجام شود(Wang, Zhu, & Chu, 2011).
نیز از مدل ترکیبی DEA-ANN برای ارزیابی کارایی شرکتهای تولیدی در صنعت خودرو استفاده کردند. در این پژوهش، نتایج حاصل از DEA برای شبیه‌سازی عملکرد آینده شرکتها و پیش‌بینی اثرات تغییرات در ورودی‌ها و خروجی‌ها با استفاده از ANN به‌کار گرفته شد. این مدل توانست دقت پیش‌بینی را نسبت به روش‌های سنتی DEA و ANN به‌طور مستقل افزایش دهد. استفاده از این ترکیب در تحلیل کارایی می‌تواند برای مدیریت منابع، تخصیص بهینه و تصمیم‌گیری استراتژیک مفید باشد، چراکه مدل ترکیبی به‌طور همزمان از قدرت تحلیل کارایی DEA و پیش‌بینی ANN بهره می‌برد (Sadeghi, Sadeghi & Ahmadi, 2015).
د) مبانی نظری
تحلیل پوششی داده‌ها بر مبنای مفهوم کارایی نسبی واحدهای تصمیم‌گیرنده استوار است. این روش با استفاده از مدلهای ریاضی و برنامه‌ریزی خطی، کارایی واحدهای مختلف را نسبت به یک مرز کارایی اندازه‌گیری می‌کند. این مرز، بیانگر بهترین عملکردهای ممکن است که دیگر واحدها نمی‌توانند از آن فراتر روند. مهم‌ترین مدلهای DEA شامل مدلهای CCR و BCC هستند که به‌ترتیب به‌صورت ایستا و پویا عملکرد واحدهای تصمیم‌گیرنده را ارزیابی می‌کنند. در مدلDEA، کارایی به‌طور نسبی محاسبه می‌شود، به این معنا که هر واحد باید نسبت به واحدهای کارا ارزیابی شود. علاوه بر این، مدل DEA در ارزیابی سیستم‌های پیچیده‌ای که چندین ورودی و خروجی دارند، بسیار مؤثر است و می‌تواند کارایی نسبی واحدها را در شرایط مختلف شبیه‌سازی کند. مدل ریاضی شامل حل یک مسئله برنامه‌ریزی خطی برای تعیین امتیاز کارایی هر DMU است. مدل CCR، مدل (1)، یکی از مدلهای معروف DEA است که کارایی یک 
به‌صورت زیر محاسبه می‌کند.
| ||||||
|
| ||||||
|
شرکت | مصرف انرژی | هزینه مواد اولیه | ساعات کاری کارکنان | درآمد کل | امتیاز کیفیت محصول | میزان تولید |
1 | 2498 | 19544 | 1126 | 46331 | 89 | 3650 |
2 | 4803 | 16627 | 3546 | 19582 | 73 | 4466 |
3 | 3928 | 19092 | 2257 | 15796 | 75 | 8660 |
4 | 3395 | 18422 | 3034 | 29578 | 97 | 3852 |
5 | 1624 | 13968 | 4630 | 49426 | 88 | 2525 |
6 | 1624 | 18828 | 1997 | 19682 | 70 | 6011 |
7 | 1232 | 6327 | 2642 | 36885 | 73 | 9425 |
8 | 4465 | 7940 | 4022 | 40465 | 90 | 7264 |
9 | 3404 | 5678 | 1915 | 19506 | 70 | 6131 |
10 | 3832 | 9880 | 1308 | 39129 | 75 | 1875 |
11 | 1082 | 10830 | 2159 | 24711 | 86 | 6535 |
12 | 4880 | 9070 | 1645 | 35292 | 91 | 9910 |
13 | 4330 | 17431 | 4719 | 35341 | 90 | 2261 |
14 | 1849 | 10351 | 4232 | 31431 | 77 | 5665 |
15 | 1727 | 9214 | 3534 | 13612 | 91 | 8896 |
16 | 1734 | 13140 | 4486 | 43412 | 77 | 7667 |
17 | 2217 | 7114 | 4215 | 22831 | 80 | 7273 |
18 | 3099 | 17033 | 1746 | 17461 | 92 | 7322 |
19 | 2728 | 6118 | 4570 | 11631 | 89 | 4235 |
20 | 2165 | 19803 | 3157 | 33636 | 95 | 3642 |
21 | 3447 | 16584 | 4230 | 37103 | 90 | 8284 |
22 | 1558 | 7981 | 4584 | 10664 | 87 | 8291 |
23 | 2169 | 5083 | 2272 | 30484 | 73 | 8804 |
24 | 2465 | 17232 | 1440 | 19060 | 81 | 9219 |
25 | 2824 | 15603 | 1912 | 35807 | 78 | 5602 |
26 | 4141 | 15935 | 2708 | 16975 | 77 | 5514 |
27 | 1799 | 16569 | 4272 | 37638 | 99 | 8185 |
28 | 3057 | 6111 | 4443 | 25469 | 82 | 6850 |
29 | 3370 | 10377 | 1028 | 47469 | 97 | 7318 |
30 | 1186 | 6738 | 3043 | 15501 | 89 | 8162 |
31 | 3430 | 17947 | 2670 | 23643 | 94 | 9010 |
32 | 1682 | 14349 | 1888 | 14539 | 85 | 4042 |
33 | 1260 | 9963 | 1479 | 46988 | 87 | 4380 |
34 | 4796 | 5953 | 2350 | 45094 | 85 | 1846 |
35 | 4863 | 9665 | 4772 | 20318 | 76 | 6205 |
36 | 4234 | 9878 | 2293 | 36399 | 92 | 1323 |
37 | 2218 | 15944 | 3075 | 42689 | 78 | 5190 |
38 | 1391 | 14563 | 3812 | 32208 | 71 | 5884 |
39 | 3737 | 18308 | 2455 | 31186 | 89 | 3579 |
40 | 2761 | 12083 | 4887 | 19674 | 75 | 6317 |
41 | 1488 | 6794 | 4850 | 13724 | 98 | 1275 |
42 | 2981 | 15699 | 2007 | 45889 | 99 | 1336 |
43 | 1138 | 16412 | 2989 | 46017 | 97 | 8403 |
44 | 4637 | 13419 | 2204 | 35324 | 81 | 4242 |
45 | 2035 | 16565 | 2139 | 23561 | 70 | 2144 |
46 | 3650 | 12407 | 1148 | 23968 | 98 | 5700 |
47 | 2247 | 12841 | 3438 | 39038 | 83 | 7930 |
48 | 3080 | 11413 | 3011 | 45884 | 99 | 2942 |
49 | 3187 | 5381 | 1206 | 45483 | 99 | 6606 |
50 | 1739 | 6618 | 2115 | 41195 | 96 | 1768 |
این نوع داده‌ها در برنامه‌ریزی استراتژیک سیستم‌های صنعتی اهمیت زیادی دارند. تحلیل و ارزیابی صحیح این داده‌ها می‌تواند به مدیران کمک کند تا عملکرد واحدها را به‌درستی ارزیابی کرده و اولویت‌های بهبود را شناسایی کنند. برای مثال، مدیران می‌توانند از این اطلاعات برای شناسایی واحدهایی که به بهینه‌سازی مصرف انرژی نیاز دارند، یا واحدهایی که می‌توانند کارایی تولید را افزایش دهند، استفاده کنند.
برای ارزیابی کارایی 50 شرکت صنعتی، ابتدا از مدلهای CCR و BCC استفاده شد. مدل CCR برای محاسبه کارایی با فرض ثابت بودن بازده به مقیاس (CRS) و مدل BCC برای محاسبه کارایی با فرض متغیر بودن بازده به مقیاس (VRS) به‌کار گرفته شدند. با استفاده از نرم افزار GAMS کارایی این شرکتها محاسبه شد. این نتایج در جدول (2) آمده است. ارزیابی شرکتها توسط مدلهای DEA نشان داد که برخی از شرکتها کارا (با کارایی 100 درصد) هستند، در حالی که برخی دیگر نیاز به بهبود عملکرد دارند.
شرکت‌هایی که دارای کارایی کمتر از 1 بودند، به‌عنوان واحدهای ناکارا شناسایی شدند. مدل DEA نشان داد که 20 درصد از DMUها کارا بوده و بقیه DMUها در بازه‌های مختلف کارآیی (بین 6/0 تا 92/0) قرار دارند. این اطلاعات به مدیران استراتژیک کمک می‌کند تا تصمیمات بهتری برای تخصیص منابع به واحدهای کارا و کاهش منابع به واحدهای ناکارا اتخاذ کنند.
جدول شماره (2): ارزیابی شرکت ها با استفاده از مدل BCC, CCR
شرکت | کارایی CCR (CRS) | کارایی BCC (VRS) | وضعیت کارایی CCR | وضعیت کارایی BCC |
1 | 1/00 | 1/00 | کارا | کارا |
2 | 0/35 | 0/44 | ناکارا | ناکارا |
3 | 0/67 | 0/67 | ناکارا | ناکارا |
4 | 0/52 | 0/63 | ناکارا | ناکارا |
5 | 0/81 | 1/00 | ناکارا | کارا |
6 | 0/78 | 0/86 | ناکارا | ناکارا |
7 | 1/00 | 1/00 | کارا | کارا |
8 | 0/66 | 0/67 | ناکارا | ناکارا |
9 | 0/74 | 0/92 | ناکارا | ناکارا |
10 | 0/71 | 0/85 | ناکارا | ناکارا |
11 | 1/00 | 1/00 | کارا | کارا |
12 | 1/00 | 1/00 | کارا | کارا |
13 | 0/39 | 0/41 | ناکارا | ناکارا |
14 | 0/65 | 0/65 | ناکارا | ناکارا |
15 | 0/82 | 1/00 | ناکارا | کارا |
16 | 0/73 | 0/82 | کارا | کارا |
17 | 0/78 | 0/81 | ناکارا | ناکارا |
18 | 0/79 | 0/82 | ناکارا | ناکارا |
19 | 0/86 | 0/91 | ناکارا | ناکارا |
20 | 0/60 | 0/71 | ناکارا | ناکارا |
21 | 0/52 | 0/56 | ناکارا | ناکارا |
22 | 0/82 | 0/83 | ناکارا | ناکارا |
23 | 1/00 | 1/00 | کارا | کارا |
24 | 1.00 | 1/00 | کارا | کارا |
25 | 0/65 | 0/70 | ناکارا | ناکارا |
26 | 0/46 | 0/51 | ناکارا | ناکارا |
27 | 0/72 | 1/00 | ناکارا | نکارا |
28 | 0/81 | 0/85 | ناکارا | ناکارا |
29 | 1/00 | 1/00 | کارا | کارا |
30 | 1/00 | 1/00 | کارا | کارا |
31 | 0/70 | 0/85 | ناکارا | ناکارا |
32 | 0/76 | 0/78 | ناکارا | ناکارا |
33 | 1/00 | 1/00 | کارا | کارا |
34 | 0/90 | 0/90 | ناکارا | ناکارا |
35 | 0/47 | 0/53 | ناکارا | ناکارا |
36 | 0/59 | 0/63 | ناکارا | ناکارا |
37 | 0/55 | 0/57 | ناکارا | ناکارا |
38 | 0/67 | 0/80 | ناکارا | ناکارا |
39 | 0/53 | 0/54 | ناکارا | ناکارا |
40 | 0/46 | 0/51 | ناکارا | ناکارا |
41 | 1/00 | 1/00 | کارا | کارا |
42 | 0/72 | 1/00 | ناکارا | کارا |
43 | 1/00 | 1/00 | کارا | کارا |
44 | 0/49 | 0/57 | ناکارا | ناکارا |
45 | 0/54 | 0/68 | ناکارا | ناکارا |
46 | 0/92 | 0/97 | ناکارا | ناکارا |
47 | 0/65 | 0/66 | ناکارا | ناکارا |
48 | 0/66 | 1/00 | ناکارا | کارا |
49 | 1/00 | 1/00 | کارا | کارا |
50 | 1/00 | 1/00 | کارا | کارا |
پس از ارزیابی کارایی با مدلDEA، نتایج به‌دست‌آمده به‌عنوان ورودی برای آموزش شبکه عصبی مصنوعی (ANN) مورد استفاده قرار گرفت. هدف از این مرحله پیش‌بینی کارایی آینده شرکتها و شبیه‌سازی شرایط مختلف اقتصادی و صنعتی بود.
· ساختار شبکه عصبی: شبکه عصبی استفاده شده از معماری پرسپترون چندلایه (MLP) 20با سه لایه تشکیل شده است. لایه ورودی شامل داده‌های ورودی و خروجی از مدل DEA است. لایه‌های مخفی به‌طور خودکار روابط پیچیده میان ورودی‌ها و خروجی‌ها را یاد می‌گیرند، و لایه خروجی پیش‌بینی کارایی یا عملکرد آینده شرکتها را انجام می‌دهد.
· آموزش شبکه عصبی: برای آموزش شبکه عصبی، از داده‌های حاصل از مدل DEA و ویژگی‌های مختلف شرکتها استفاده شد. الگوریتم پس‌انتشار برای به‌روزرسانی وزن‌ها و کاهش خطای پیش‌بینی‌ها به‌کار گرفته شد. هدف از این مرحله پیش‌بینی عملکرد آینده شرکتها بر اساس ورودی‌ها و خروجی‌ها و شبیه‌سازی روابط پیچیده میان آن‌ها بود. در این فرآیند، ورودی‌ها و خروجی‌های حاصل از مدل DEA به‌عنوان داده‌های ورودی به شبکه عصبی و کارایی محاسبه‌شده به‌عنوان خروجی‌ها مورد استفاده قرار گرفتند. نتایج این پیش بینی و خطای محاسبه شده در جدول (3) آمده است.
جدول شماره (3): نتایج کارایی پیش بینی شده با استفاده از ANN
شرکت | کارایی پیش‌بینی شده (با استفاده از ANN) | خطای پیش‌بینی (MSE) | وضعیت پیش‌بینی |
1 | 1/00 | 0/00 | صحیح |
2 | 0/39 | 0/05 | پیش‌بینی دقیق |
3 | 0/67 | 0/00 | صحیح |
4 | 0/58 | 0/05 | پیش‌بینی دقیق |
5 | 0/90 | 0/10 | پیش‌بینی دقیق |
6 | 0/82 | 0/04 | پیش‌بینی دقیق |
7 | 1/00 | 0/00 | صحیح |
8 | 0/66 | 0/00 | صحیح |
9 | 0/83 | 0/09 | پیش‌بینی دقیق |
10 | 0/78 | 0/07 | پیش‌بینی دقیق |
11 | 1/00 | 0/00 | صحیح |
12 | 1/00 | 0/00 | صحیح |
13 | 0/40 | 0/01 | پیش‌بینی دقیق |
14 | 0/65 | 0/00 | صحیح |
15 | 0/91 | 0/09 | پیش‌بینی دقیق |
16 | 0/78 | 0/05 | پیش‌بینی دقیق |
17 | 0/79 | 0/02 | پیش‌بینی دقیق |
18 | 0/81 | 0/01 | پیش‌بینی دقیق |
19 | 0/89 | 0/02 | پیش‌بینی دقیق |
20 | 0/66 | 0/05 | پیش‌بینی دقیق |
21 | 0/54 | 0/02 | پیش‌بینی دقیق |
22 | 0/83 | 0/00 | صحیح |
23 | 1/00 | 0/00 | صحیح |
24 | 1/00 | 0/00 | صحیح |
25 | 0/67 | 0/03 | پیش‌بینی دقیق |
26 | 0/49 | 0/02 | پیش‌بینی دقیق |
27 | 0/86 | 0/14 | پیش‌بینی دقیق |
28 | 0/83 | 0/02 | پیش‌بینی دقیق |
29 | 1/00 | 0/00 | صحیح |
30 | 1/00 | 0/00 | صحیح |
31 | 0/78 | 0/07 | پیش‌بینی دقیق |
32 | 0/77 | 0/01 | پیش‌بینی دقیق |
33 | 1/00 | 0/00 | صحیح |
34 | 0/90 | 0/00 | صحیح |
35 | 0/50 | 0/03 | پیش‌بینی دقیق |
36 | 0/61 | 0/02 | پیش‌بینی دقیق |
37 | 0/56 | 0/01 | پیش‌بینی دقیق |
38 | 0/74 | 0/07 | پیش‌بینی دقیق |
39 | 0/53 | 0/01 | پیش‌بینی دقیق |
40 | 0/49 | 0/03 | پیش‌بینی دقیق |
41 | 1/00 | 0/00 | صحیح |
42 | 0/86 | 0/14 | پیش‌بینی دقیق |
43 | 1/00 | 0/00 | صحیح |
44 | 0/53 | 0/04 | پیش‌بینی دقیق |
45 | 0/61 | 0/07 | پیش‌بینی دقیق |
46 | 0/95 | 0/03 | پیش‌بینی دقیق |
47 | 0/65 | 0/01 | پیش‌بینی دقیق |
48 | 0/83 | 0/17 | پیش‌بینی دقیق |
49 | 1/00 | 0/00 | صحیح |
50 | 1/00 | 0/00 | صحیح |
3 - نتایج و بحث
نتایج به‌دست‌آمده از مدلهای DEA و ANN به شرح زیر قابل تحلیل است:
1. دقت پیش‌بینی مدل ANN: بر اساس خطای پیش‌بینی که با استفاده از معیار میانگین مربع خطا (MSE) اندازه‌گیری شد، مدل ANN توانست پیش‌بینی‌هایی با دقت بالاتر نسبت به نتایج مدل DEA ارائه دهد. میانگین خطای پیش‌بینی در این مطالعه برابر با 01/0 بود که نشان‌دهنده دقت بالای مدل ANN در پیش‌بینی کارایی شرکتها می‌باشد.
2. کارایی شرکتها: نتایج مدل DEA نشان می‌دهد که تقریبا 30 درصد از شرکتها در وضعیت کارا قرار دارند و مابقی شرکتها نیاز به بهبود عملکرد دارند. در مقابل، مدل ANN نشان می‌دهد که بیشتر شرکتها می‌توانند در آینده به وضعیت بهتری دست یابند، به‌ویژه در صورتی که بهبودهایی در ورودی‌ها مانند سرمایه‌گذاری و هزینه‌ها اعمال شود.
3. تأثیر ورودی‌ها بر خروجی‌ها: مدل ANN قادر به شبیه‌سازی روابط پیچیده و غیرخطی میان ورودی‌ها و خروجی‌ها است. این توانایی به مدیران کمک می‌کند تا درک بهتری از تأثیرات تغییرات در ورودی‌ها بر خروجی‌ها داشته باشند و تصمیمات استراتژیک خود را بر اساس این تحلیل‌ها بهبود بخشند.
4. مزیت ترکیب DEA و ANN : ترکیب مدلهای DEA و ANN باعث افزایش چشمگیر دقت پیش‌بینی‌ها شد. در حالی که DEA به‌طور دقیق وضعیت کارایی فعلی شرکتها را ارزیابی می‌کند، مدل ANN توانسته است پیش‌بینی‌های دقیق‌تری برای آینده ارائه دهد و شبیه‌سازی‌هایی از تغییرات کارایی در شرایط مختلف ورودی ایجاد کند. نتایج پیش‌بینی‌ها پس از آموزش شبکه عصبی نشان داد که این مدل در پیش‌بینی کارایی آینده شرکتها به‌ویژه در مواجهه با تغییرات ورودی‌ها دقت بالاتری دارد.
5. ارزیابی عملکرد مدل ANN : مدل ANN با استفاده از معیارهای میانگین مربع خطا (MSE) و ریشه میانگین مربع خطا (RMSE) ارزیابی شد. نتایج نشان داد که این مدل توانست پیش‌بینی‌هایی با دقت بالاتر نسبت به مدل DEA به‌طور مجزا ارائه دهد. این پیش‌بینی‌ها به تحلیلگران و مدیران کمک می‌کند تا تصمیمات استراتژیک بهتری اتخاذ کنند و روندهای اقتصادی و صنعتی را به‌طور دقیق‌تری درک کنند. در نهایت، مدل ترکیبی DEA و ANN راهکاری مؤثر برای ارزیابی و پیش‌بینی کارایی شرکتها در صنایع پیچیده و پویا فراهم می‌آورد. این مدل نه تنها شبیه‌سازی دقیق‌تری از عملکرد شرکتها ارائه می‌دهد، بلکه قادر به تحلیل روندهای آینده و تغییرات احتمالی نیز هست، که این امر به مدیران در تصمیم‌گیری‌های استراتژیک کمک می‌کند.
6. رفع چالش‌های داده‌های ناقص و نویزی با ANN : استفاده از ANN در ارزیابی کارآیی می‌تواند به مدیران کمک کند تا چالش‌های ناشی از داده‌های نویزی یا ناقص را برطرف کرده و ارزیابی‌های دقیق‌تری از عملکرد واحدها انجام دهند. این موضوع به‌ویژه در صنایع تولیدی که داده‌ها به‌طور مداوم به‌روز می‌شوند و تحت تأثیر عوامل مختلف قرار دارند، اهمیت زیادی دارد. نتایج مدل ANN می‌تواند به تخصیص بهینه‌تر منابع، بهبود فرآیندها و ارتقای کیفیت تصمیم‌گیری‌های استراتژیک کمک کند.
7. چالش‌های محاسباتی و مزایای استفاده از مدلANN :در سیستم‌های صنعتی که با داده‌های حجیم و پیچیده روبه‌رو هستند، پیچیدگی‌های محاسباتی یکی از چالش‌های اصلی به شمار می‌آید. بنابراین، مدلهای ANN ممکن است نیازمند منابع سخت‌افزاری و زمان زیادی برای آموزش باشند. با این حال، مزایای استفاده از این مدل‌ها در بهبود دقت ارزیابی‌ها و پیش‌بینی‌های کارایی، می‌تواند این چالشها را توجیه‌پذیر کند. در مدیریت راهبردی، بهره‌برداری از مدلهای ANN می‌تواند به مدیران کمک کند تا تصمیمات بهتری در خصوص بهبود بهره‌وری و تخصیص منابع اتخاذ کنند، حتی اگر هزینه‌های محاسباتی بالاتر باشد.
4-منابع
Alavi, H. (2019). Efficiency prediction considering nonlinear impacts of time delays in data envelopment analysis. Journal of Iranian Industrial Management, 11(3), 45–58.
Bahrami, F., Abbasi, M., & Rahimi, S. (2022). Combining data envelopment analysis models and machine learning algorithms for evaluating the efficiency of decision-making units considering undesirable outputs. Journal of Industrial Management and Systems, 14(4), 23-35.
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), 1078–1092.
Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision-making units. European Journal of Operational Research, 2(6), 429–444.
Emrouznejad, A., & Yang, G. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4–8.
Fallah, H., Karimi, N., & Rezaei, A. (2023). A hybrid model of data envelopment analysis and artificial neural networks for evaluating the efficiency of pharmaceutical companies. Journal of Industrial Management Technology, 12(1), 45–59.
Feng, L., & Wei, C. (2021). Developing and training artificial neural networks using bootstrap data envelopment analysis for best performance modeling of sawmills in Ontario. Journal of Modelling in Management, 16(3), 765–785.
Jin, Y., Li, Y., & Hu, J. (2016). Applying artificial neural networks to predict hospital efficiency in the context of health care reform. Health Care Management Science, 19(4), 302–314.
Kao, C., & Liu, S. (2004). Predicting performance improvement using DEA and ANN. Computers & Operations Research, 31(10), 1875–1886.
Nadri, K., & Rostami, A. (2021). A model for improving comparative performance evaluation of companies using artificial neural networks and data envelopment analysis. In Proceedings of the National Conference on New Technologies in Management and Industrial Engineering, 15(3), 67–78.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.
Sadeghi, J., Sadeghi, S., & Ahmadi, A. (2015). Evaluating the efficiency of automotive companies using a hybrid DEA-ANN model. Journal of Industrial Engineering International, 11(3), 389–402.
Sharifi, R., & Mohammadi, M. (2020). Applying a hybrid approach of data envelopment analysis and artificial neural networks in evaluating the performance of Iran Darou pharmaceutical company. Journal of Iranian Industrial Management Research, 10(2), 89–104.
Wang, T., Zhu, Q., & Chu, J. (2011). Using data envelopment analysis and neural networks for efficiency evaluation and prediction. Mathematical and Computer Modelling, 54(11–12), 2760-2771.
Zhang, J., & Lin, C. (2020). Performance evaluation of industrial firms using DEA and DECORATE ensemble method. Expert Systems with Applications, 143, 113048.
Evaluation and Prediction of the Efficiency of Industrial Companies Using a Hybrid Model of Data Envelopment Analysis and Artificial Neural Networks
Shahnaz Mohammadi Majd
Assistant Professor of Mathematics, Sanandaj Branch, Islamic Azad University, Sanandaj, Iran
Email: shahnaz.m.majd@iau.ir
Abstract
This paper presents a hybrid model based on Data Envelopment Analysis (DEA) and Artificial Neural Networks (ANN) to evaluate and predict the efficiency of 50 industrial companies operating in various sectors. Initially, DEA was employed to calculate the relative efficiency and identify efficient and inefficient decision-making units. Subsequently, the results obtained from DEA were used as target data to train the Artificial Neural Network (ANN). The ANN model, by uncovering hidden patterns in the data, was able to predict the future performance of companies with high accuracy. The results demonstrate that the DEA-ANN hybrid model not only provides a precise assessment of companies' current efficiency but also predicts efficiency changes in the event of input variations. Additionally, by utilizing the trained neural network, it is possible to predict the efficiency of companies that have not been directly evaluated. This approach, combining the strengths of DEA in efficiency analysis and the capabilities of ANN in modeling nonlinear relationships, offers an effective tool for managers and decision-makers to improve performance and optimize resource allocation.
Keywords: Artificial Neural Network, Data Envelopment Analysis, Efficiency Evaluation, Hybrid Model, Performance Prediction.
[1] . Evaluation
[2] . Efficiency
[3] . Data Envelopment Analysis
[4] . Decision Making Units
[5] . Artificial Neural Networks
[6] . Hybrid Model
[7] . Charnes, Cooper, and Rhodes
[8] . Banker, Charnes, and Cooper
[9] . Backpropagation
[10] . Deep Networks
[11] . Input Layer
[12] . Hidden Layer
[13] . Output Layer
[14] . Feedforward Neural Network
[15] . Activation Functions
[16] . Mean Square Error
[17] . Constant returns to scale
[18] . Variable returns to scale
[19] . Inefficient
[20] . Multilayer Perceptron
مقالات مرتبط
-
طراحی الگوی کیفیت مشارکت در برون سپاری خدمات ( مورد مطالعه : شرکت گاز استان اصفهان)
تاریخ چاپ : 1399/10/01 -
کاربرد مدلسازی مفهومی در شبیه‌سازی عاملبنیان تخصیص افراد به پستهای سازمانی
تاریخ چاپ : 1399/09/02 -
حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400