یک رویکرد تحلیل پوششی داده ها و داده کاوی برای ارزیابی عملکرد

Subject Areas : Data Envelopment Analysis

علیرضا علینژاد ¹ ( Associate professor, Faculty of Industrial and Mechanical Engineering, Qazvin branch, Islamic Azad University, Qazvin, Iran. )

Received: 2016-09-21 Accepted : 2016-11-03 Published : 2016-12-01

Keywords:

Abstract :

در این مقاله یک مدل تحلیل پوششی داده ها (DEA) به همراه Bootstrapping برای ارزیابی عملکرد یکی از الگوریتم های داده کاوی ارائه شده است. ما از یک فرایند دو مرحله ای برای تحلیل بهره وری عملکرد شعبه های بیمه در یک مطالعه موردی استفاده نمودیم. ابتدا، با استفاده از یک مدل DEA، در این مطالعه بهره وری هجده واحد تصمیم گیری (DMUها) مورد تجزیه و تحلیل قرار گرفته است. با استفاده از یک شاخص مالم کوئیست، DEA نمرات بهره وری را مشخص می سازد، اما نمی تواند جزئیات عوامل مؤثر بر پسرفت و  پیشرفت بهره وری را ارائه کند. مدل پیشنهادی یک فناوری ورودی محور شعاعی با متغیر پنهان جدید را پیشنهاد کرده و همزمان ورودی ها و خروجی های غیرمطلوب را در یک برنامه نویسی خطی چند هدفه کاهش می دهد. از سوی دیگر، درخت طبقه بندی و رگرسیون به DMU اجازه می دهد تا قوانین را برای کشف و کاوش اطلاعات معنادار و پنهان از پایگاه های داده وسیع استخراج کند. نتایج یک سری قوانین را ارائه می کنند که سیاست گذاران می توانند برای کشف دلایل پیشرفت و پسرفت بهره وری های DMUها استفاده نمایند.

References:

Barr, R., SeifordL, M., & Siems, T.F., Forecasting bank failure: a non-parametric approach. Recherches Economies de Louvain, 60,411-429.

Breiman, L., Friedman, J., Olshen, R., & Stone, C. Classification and Regression Trees, Pacific Grove, CA: Wadsworth-Monterey.

Bretholt, A., & Pan, J. (2013). Evolving the Latant Variable model as an environmental DEA technology. Omega ,

Caves, DW., Christensen, L.R., & Diewert WE. (1982). Multilateral comparisons of output input and productivity using index numbers. Economic Journal

Charnes, A., Cooper, W.W., & Rhodes, E. .Measuring the efficiency of decision-making units. European Journal of Operational Research,

Chen, Y. L., Hsu, C. L., & Chou, S. C.  Constructing a multivalued and multi-labeled decision tree. Expert Systems with Applications 25(2),199-209.

Clark, L., & Pregibon, D. (1992). Tree based models, in J.M. Chambers and T.J. Hastie (eds), Statistical Models in S, Pacific Grove, CA: Wadsworth & Brooks/Cole Advanced Books & Software, 377-419.

Emrouznejad, A., & Anouze, A. (2010). Data envelopment analysis with classification and regression tree- a case of banking efficiency. Expert System the Journal of Knowledge Engineering,

Emrouznejad, A., Parker, B., & Tavares, G. (2008) Evaluation of research in efficacy and productivity: a survey and analysis of the first  years of scholarly literature in DEA. Socio-Economic Planning Sciences, .

Fare, R., & Grosskopf, S. (2008). A Comment on Weak Disposability in Nonparametric Productivity Analysis with Undesirable Outputs. American Journal of Agricultural Economics.

Fare, R., Grosskopf S., Lovell CAK. Production frontiers. Cambridge: Cambridge University Press.

Han, J., & Kamber M. Data Mining Concepts and Techniques, San Francisco, CA: Morgan Kaufmann.

Hand, D.J., Mannila, H., & Smyth, P. Principles of Data, Cambridge, MA: MIT Press.

Koopmans, T. (1951). Activity analysis of production and allocation. New York: John Wiley & Sons;

Lee, J. H., & Park, S. C. (2005). Intelligent profitable customer’s segmentation system based on business intelligence tools. Expert Systems with Applications,29(1),145-152.

Malmquist, S. (1953). Index numbers and indifference surfaces. Trabajos de Estatis- tica;

Pareto, V. (1909). Manuel d’ Economie Politique. Paris: Giars & Briere;

Pille, P., & Paradi, J. (1997). Facets at the frontier and efficiency measurement in DEA,Paper presented at the Fifth European Workshop on Efficiency andProductivity Analysis, Copenhagen, October.

Samoilenko, S., Osei-Bryson, K.M., Using Data Envelopment Analysis (DEA) for monitoring efficiency-based performance of productivity-driven organizations: Design and implementation of a decision support system, Omega ,

Seol, H., Choi J., Park G., & Park, Y. (2007). A framework for benchmarking service process using data envelopment analysis and decision tree. Expert System with Application,

Sohn, S.Y., & Moon, T.H. (200). Decision tree based on data envelopment analysis for effective technology commercialization, Expert Systems with Applications,24,279-284.

Zhu, J. (2004). Quantitative models for performance evaluation and benchmarking. Boston: Kluwer Academic Publishers.