تحلیل و پیش بینی کارایی با رویکرد تحلیل پوششی داده ها و داده کاوی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری گروه مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 استادیار گروه مهندسی صنایع دانشکده مهندسی صنایع دانشگاه آزاد اسلامی واحد تهران جنوب

3 استادیار گروه مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

10.22034/qjimdo.2021.300153.1439

چکیده

زمینه و هدف: تحلیل و پیش‌بینی کارایی در سازمان‌ها برای ارزیابی عملکرد واحدها و برنامه‌ریزی برای بهبود عملکرد واحدها از اهمیت زیادی برخوردار است. هدف این پژوهش تحلیل و پیش‌بینی کارایی نسبی شعب تأمین اجتماعی کشور است. بر این اساس، در این مطالعه چارچوبی برای برآورد ارزش آینده کارایی واحدها با استفاده از شبکه‌های عصبی مصنوعی ایجاد شده است.
روش‌شناسی: در این پژوهش با استفاده از روش نا پارامتریک تحلیل پوششی داده‌ها و تئوری بازی‌ها، شکاف‌های تحقیق در زمینه اندازه‌گیری کارایی هزینه و تکنیکی در یک زنجیره تأمین دو سطحی در شرایط ثبات قیمت و عدم ثبات قیمت پوشش داده شده است.
یافته‌ها: ابتدا کارایی شعب با استفاده از روش تحلیل پوششی داده‌ها محاسبه شده و سپس دسته‌بندی کارایی‌ها انجام شده است. در این پژوهش بر اساس کارایی‌های گذشته واحدها و محاسبه کارایی هزینه آن‌ها در سال‌های متوالی کارایی آتی واحدها با استفاده از تابع سری زمانی پیش‌بینی شد.
نتیجه‌گیری: مدیران باید نوعی سیستم جمع‌آوری و پردازش داده‌ها پیاده‌سازی کنند و به طور مرتب خوشه‌بندی و پیش‌بینی کارایی برای ماه‌ها و سال‌های آینده انجام دهند و بر اساس آن بر بهبود و بهینه‌سازی ورودی‌ها و خروجی‌ها بپردازند.

کلیدواژه‌ها


مارتین تی هاگان، هاواردبی دیمورث، مارک بیل (1388). طراحی شبکه‌های عصبی. ترجمه مصطفی کیا. تهران: انتشارات دانشگاهی کیان.
Farrell, M.J,( 1957). The measurement of productive efficiency. Journal of the Royal Statistical Society: Series A (General), 120(3), pp.253-281.
Charnes, A, W.W. Cooper and E. Rhodes (1978). Measuring the Efficiency of Decision Making Units. European Journal of Operations Research2, 429-444.
3.Charnes, A, et al(1986). Two Phase Data Envelopment Analysis Approaches to policy Evaluation and Management of Army Recruiting Activities: Tradeoffs Between Joint Services and Army Advertising. Research report CCS.
Färe, R. and S. Grosskopf(1997). Intertemporal Production Frontiers: with Dynamic DEA. Journal of the Operational Research Society, 48(6): p. 656-656.
Färe, R, S. Grosskopf, and G. Whittaker2007). Modeling data Irregularities and Structural Complexities in data Envelopment Analysis. Econopaper. 209-240.
Färe R, Whittaker G.(1995). An Intermediate Input Model of Dairy Production Using Complex Survey data. Journal of Agricultural Economics.46(2):201-13.
Prieto, A.M. and J.L. Zofío(2007). Network DEA Efficiency in Input–Output Models: With an Application to OECD countries. European Journal of Operational Research, 178(1). 292-304.
Nemoto, J. and M. Goto(1999), Dynamic Data Envelopment Analysis: Modeling IntertemporalBehavior of a Firm in the Presence of  Productive Inefficiencies. Economics Letters, 64(1), 51-56.
Nemoto, J. and M. Goto(2003).Measurement of Dynamic Efficiency in Production: an Application of data Envelopment Analysis to Japanese Electric Utilities. Journal ofProductivity Analysis, 19(2-3), 191-210.
Jaenicke, E.C(2000). Testing for Intermediate Outputs in Dynamic DEA Models: Accounting for Soil Capital in Rotational Crop Production and Productivity Measures. Journal of Productivity Analysis, 14(3), 247-266.
Färe, R, R. Grabowski, S. Grosskopf, and S. Kraft(1997). Efficiency of a Fixed but Allocatable Input: A Non-Parametric Approach. Economics Letters, 56(2),187-193.
Chen, C-M(2009). A Network-DEA Model with New Efficiency Measures to Incorporate the Dynamic Effect in Production Networks. European Journal of Operational Research,194(3), 687-699.
Chen, Y. and J. Zhu(2004). Measuring Information Technology's Indirect Impact on Firm Performance. Information Technology and Management, 5(1-2), 9-22.
Chen, Y, L. Liang, F. Yang, and J. Zhu(2006). Evaluation of Information Technology Investment: a data Envelopment Analysis Approach. Computers & Operations, Research, 33(5), 1368-1379.
Kao, C. (2009). Efficiency Decomposition in Network data Envelopment Analysis: A Relational Model. European Journal of Operational Research, 192(3), 949-962.
Kao, C(2014). Network data Envelopment Analysis: A Review. European Journal of Operational Research, 239(1), 1-16.
Shephard, R.W, D. Gale, and H.W. Kuhn(1970). Theory of Cost and Production Functions. Princeton University Press Princeton.
Shephard, R.W. and R. Fare(1975). A Dynamic Theory of Production Correspondences. DTIC Document.
Han, j, Kamber, M. (2006). Data Mining: Concepts and Techniques. (2th Ed), Elsevier Inc.
Hosseini, S. M. S, Maleki, A, and Gholarmian, M. R. (2010). Cluster Analysis Using Data Mining Approach to Develop CRM Methodology to Asses the Customer loyalty, Expert Systems with Applications, 37(7), 5259-5264.
Bertolini, M. and Braglia, M. (2006). Application of the AHP Methodology in Making a Proposal for a Public Work Contract. International Journal of Project Management, 24, 422-430.
Chang, H. H. & Tsay, S. F. (2004). Integrating of SOM and K-meanin Data Mining Clustering: An Empirical Study of CRM and Profitability Evaluation. Journal of Information Management, 11(4), 161-203.
Yu. Lean, Wang. Shouyang, Lai. Kin Keung, (2008). A Neural-Network-Based Nonlinear Metamodeling Approach to Financial Time Series Forecasting, Applied Soft Computing, 9(2), 563-574.