استفاده از شبکه عصبی جهت تعیین انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل

الموضوعات :

دلال مدحج ¹ , مسعود صانعی ² , نقی شجاع ³

1 - گروه ریاضی، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران
2 - گروه ریاضی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
3 - گروه ریاضی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران

تاريخ الإرسال : 28 الثلاثاء , محرم, 1437 تاريخ التأكيد : 01 الأربعاء , جمادى الأولى, 1437 تاريخ الإصدار : 22 الإثنين , ربيع الثاني, 1437

الکلمات المفتاحية: Artificial Neural Network, Data Envelopment Analysis, Russell model, Efficiency, Input excesses, Output shortfalls,

ملخص المقالة :

در تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پوششی داده­ها برای مجموعه­های بزرگ با تعداد ورودی­ها و خروجی­های زیاد، نیاز به منابع عظیم کامپیوتری از لحاظ زمان پردازش و استفاده از حافظه می­باشد. شبکه­های عصبی یکی از روش­های رایج برای مدل­های غیر خطی جهت بدست آوردن کارائی مجموعه­های بزرگ با ورودی و خروجی­های زیاد است. در دهه گذشته نیز محققین بر ارزیابی کارائی با استفاده از تحلیل پوششی داده­ها و شبکه عصبی تاکید کرده­اند. در این مقاله میزان انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل با استفاده از شبکه عصبی بدست می­آیند. روش ارائه شده برای مجموعه­ای از بانک­های ایران بکار می­رود و نتایج رضایت بخشی بدست می­آیند

المصادر:

[1] Azadeh, A., Saberi, M., Tavakkoli Moghaddam, R., Javanmardi, L., 2011. An integrated Data Envelopment Analysis– Artificial Neural Network–Rough Set Algorithm for assessment of personnel efficiency. Expert Systems with Applications, 38 (3), 1364-1373.

[2] Banker,R.D., Charnes,A., Cooper, W.W.,1984.Models for the estimation of technical and scale inefficiencies in data envelopment analysis. Management Science,30,1078-1092.

[3] Celebi, d., Bayraktar, d., 2008 .An integrated neural network and data envelopment analysis for supplier evaluation under incomplete information. Expert Systems with Applications, 35 (4), 1698- 1710

[4] Charnes, A., Cooper, W.W., Rhodes, E., 1978. Measuring the efficiency oh decision making units. European Journal of operational Research, 2(6), 429-444.

[5] Charnes, A., Cooper, W.W., Golany, B., Seiford, L.M., Stutz, J., 1985. Foundations of data envelopment analysis and Pareto– Koopmans empirical production functions. Journal of Econometrics 30, 91– 107.

[6] Emrouznejad, A., Shale, E.A., 2009. A combined neural network and DEA for measuring efficiency of large scale data sets. Computer and industrial Engineering , 56, 249-254.