آمار
| تعداد نشریات | 201 |
| تعداد شماره‌ها | 5,060 |
| تعداد مقالات | 55,557 |
| تعداد مشاهده مقاله | 91,592,288 |
| تعداد دریافت فایل اصل مقاله | 74,152,774 |
پیش‌بینی کارایی به کمک تأثیرپذیری غیرخطی از تأخیرهای زمانی در تحلیل پوششی داده‌ها با شبکههای عصبی مصنوعی | ||
| مدیریت صنعتی | ||
| مقاله 2، دوره 10، شماره 1، 1397، صفحه 17-34 اصل مقاله (617.76 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2018.129192.1006898 | ||
| نویسندگان | ||
مصطفی کاظمی  1؛ محمدعلی فائضی راد2
| ||
| 1استاد گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2دانشجوی دکتری مدیریت تحقیق در عملیات، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| چکیده | ||
| هدف: یکی از شیوه‌های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه‌های متناظر آن است. با این حال، در برخی پژوهش‌ها به سنجش کارایی یک واحد در مقایسه با خود در مرور زمان پرداخته شده و روند عملکرد یک واحد نسبت به گذشته خود ارزیابی شده است. هدف پژوهش جاری، پیش‌بینی کارایی یک واحد با استفاده از سری‌های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده از روش تحلیل پوششی داده‌ها به مقایسه و سنجش کارایی یک واحد در گام‌های زمانی مختلف پرداخته و خروجی آن را به عنوان عناصر آموزش یک شبکه عصبی مصنوعی در نظر گرفته است تا کارایی گام‌های زمانی بعدی پیش‌بینی شود. یافتهها: مورد مطالعه این پژوهش، یک واحد صنعتی بزرگ در صنعت فولاد کشور است که پس از سنجش کارایی، روند نزولی عملکرد آن طی ده سال ارائه شده است. با پیاده‌سازی ساختارهای مختلف از شبکههای عصبی مصنوعی، در نهایت یک شبکه عصبی بازگشتی با 10 نرون در لایه پنهان با الگوریتم آموزش پس‌انتشار بیزی توانست بهترین عملکرد را در پیش‌بینی کارایی آتی این واحد صنعتی کسب کند. نتیجهگیری: مزیت اساسی این پژوهش، ارائه پیش‌بینی کارایی برای آینده سازمان بر اساس داده‌های موجود و با در نظر گرفتن تأثیر عوامل دوره‌های زمانی قبلی در کارایی دوره کنونی با رویکردی غیرخطی است. این موضوع موجب خواهد شد که تصویر روشن‌تری از عملکرد آتی سازمان فراهم آید، همان طور که در مورد مطالعه پژوهش حاضر، این موضوع رخ داده است. | ||
| کلیدواژه‌ها | ||
| تحلیل پوششی داده‌ها (DEA)؛ شبکه عصبی مصنوعی؛ ارزیابی عملکرد؛ پیش‌بینی سری زمانی؛ مدل SBM | ||
| عنوان مقاله [English] | ||
| Efficiency Estimation using Nonlinear Influences of Time Lags in DEA Using Artificial Neural Networks | ||
| نویسندگان [English] | ||
| Mostafa Kazemi1؛ Mohammadali Faezirad2 | ||
| 1Prof. of Management, Faculty of Economic and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| 2Ph.D. Candidate in Management-Operational Research, Faculty of Economic and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| چکیده [English] | ||
| Objective: One of the common methods for the assessment of an organization's efficiency is comparison with other competitors. However, some researchers have studied the efficiency of a unit within itself during different periods of time and it is used to investigate the performance trend of the unit during previous times. The purpose of this research is to forecast the performance of a unit using the previous time series of its performance. Methods: This research conducts comparison and efficiency analysis of a unit during different time periods using SBM and DEA models. And then, the outcome is considered as the training elements of an ANN, so efficiency of future time steps can be estimated for that unit. Results: An industrial unit in Steel industry was studied in this research and its decreasing performance trend during ten years has been presented after efficiency measurements. Implementing different structures of ANNs, finally, we found out that a recurrent neural network with 10 neurons in a hidden layer and Bayesian Regularization algorithm had the best performance for future forecasting of efficiency. Conclusion: The most important achievement of this study is efficiency forecasting for organizations' future using the existing data with regards to the influences of previous time steps on current efficiency by a nonlinear approach. It would lead to providing a clear image of the organization's future as represented for the case of this paper. | ||
| کلیدواژه‌ها [English] | ||
| Data Envelopment Analysis (DEA), Artificial Neural Networks (ANN), Performance analysis, Time series forecasting, SBM | ||
| مراجع | ||
|
اجلی، مهدی؛ صفری، حسین (۱۳۹۰). ارزیابی عملکرد واحدهای تصمیم‌گیری با استفاده از مدل ترکیبی شبکههای عصبی پیش‌بینی‌کننده عملکرد و تحلیل پوششی داده‌ها (مورد مطالعه: شرکت ملی گاز ایران). نشریه مهندسی صنایع، ۴۵(۱)، 13-29. حجازی، رضوان؛ انواری رستمی، علی اصغر؛ مقدسی، مینا (۱۳۸۷). تحلیل بهره‌وری کل بانک توسعه صادرات ایران و رشد بهره‌وری شعب آن با استفاده از تحلیل پوششی داده‌ها (DEA). فصلنامه مدیریت صنعتی، ۱(۱)، 39-50. علی نژاد، علیرضا (۱۳۹۷). ارائه یک روش ترکیبی از مدل سروکوال و تحلیل پوششی داده در رتبهبندی کیفیت خدمات. فصلنامه مطالعات مدیریت صنعتی، ۱۶(۴۸)، 153- ۱۸۱. علیرضائی، محمدرضا؛ افشاریان، محسن؛ تسلیمی، وحید (۱۳۸۶). ارائه راهکارهای منطقی بهبود عملکرد شعب بانکها به کمک مدلهای تعمیمیافته تحلیل پوششی داده‌ها. پژوهشنامه اقتصادی، ۷(۴)، 263- ۲۸۳. کاظمی، مصطفی؛ منظم ابراهیمپور، شیلا؛ ایل بیگی، علیرضا (۱۳۹۲). بررسی کارایی نواحی مختلف شهرداری مشهد با رویکرد تحلیل پوششی داده‌ها. فصلنامه برنامه‌ریزی شهری، ۴(۱۵)، 113- ۱۳۲. هیلیر، فردریک؛ لیبرمن، جرالد (۱۳۹۱). پیش‌بینی و مدیریت موجودی‌ها (ترجمه محمدعلی فائضی راد و عطیه حقیقت). تهران: نشر ترمه. References Adhikari, R. (2015). A neural network based linear ensemble framework for time series forecasting. Neurocomputing, 157, 231-242. Ajalli, M. & Safari, H. (2011). Analysis of the Technical Efficiency of the Decision Making Units Making Use of the Synthetic Model of Performance Predictor Neural Networks, and Data Envelopment Analysis (Case Study: Gas National Co. of Iran). Journal of Industrial Engineering, 45(1), 13-29. (in Persian) Alinezhad, A. (2018). A combined method of data envelopment analysis and SERVQUAL model in ranking of service quality. Industrial Management Studies, 16(48), 153-181. (in Persian) Alirezaee, M. R., Afsharian, M. & Taslimi, V. (2008). Provide Rational Solutions for Improving Bank's Branch Performance by Generalized Models of DEA. Economics Research, 7(4), 263-283. (in Persian) Ashrafi, A., Seow, H., Lee, L.S., & and Lee, C.G. (2013). The efficiency of the hotel industry in Singapore Tourism Management, 37, 31-4. Athanassopoulos, A. D. & Curram, S. (1996). A comparison of data envelopment analysis and artificial neural networks as tools for assessing the efficiency of decision making units. Journal of Operational Research Society, 47(8), 1000-1017. Cecchini, L., Venanzi, S., Pierri, A. & Chiorri, M. (2018). Environmental efficiency analysis and estimation of CO2 abatement costs in dairy cattle farms in Umbria (Italy): A SBM-DEA model with undesirable output. Journal of Cleaner Production, 197(1), 895-907. Cooper, W. W., Deng, H., Gu, B., Li, S. & Thrall., R. M. (2001). Using DEA to improve the management of congestion in Chinese industries (1981–1997). Socio-Economic Planning Sciences, 35(4), 227-242. Cooper, W. W., Seiford, L. M. & Zhu, J. (2011). Data Envelopment Analysis: History, Models and Interpretations. Handbook on Data Envelopment Analysis, US: Springer. Costa, A., & Markellos, R. N., (1997). Evaluating public transport efficiency with neural network models. Transportatior research, 5(5), 301-312. Enke, D., & Suraphan, T. (2005). The use of data mining and neural networks for forecasting stock market returns. Expert Systems with Applications, 29(4), 927-940. Hagan, M. T., Demuth, H. B. & Beal, M. (2002). Neural Network Design. Singapore: Thamson Asia Pte Ltd. Hejazi, R., Anvari Rostami, A. A. & Moghadasy, M. (2008). Total Productivity Analysis of Export Development Bank of Iran and Productivity Growth in Branches- A Data Envelopment Analysis Application. Journal of Industrial Management, 1(1), 39-50. (in Persian) Hillier, F. S. & Lieberman, G. J. (2013). Inventories Management and Forecasting (translated by Faezirad, M. A. & Haghighat, A. Trans.). Tehran, Termeh Pub. (in Persian) Jahanshahloo, G. R. & Khodabakhshi, M. (2004). Suitable combination of inputs for improving outputs in DEA with determining input congestion: Considering textile industry of China. Applied Mathematics and Computation, 151(1), 263-73. Kazemi, M., Monazam Ebrahimpour, S. & Ilbeigi, A. R. (2014). Evaluating the efficiency of Mashhad Municipalities by Data Envelopment Analysis. Journal of Urban Planning, 4(15), 113-132. (in Persian) Kheirkhah, A., Azadeh, A., Saberi, M., Azaron, A. & Shakouri, H. (2013). Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis. Computers & Industrial Engineering, (64)1, 425-441. Kocadağlı, O. & Aşıkgil, B. (2014). Nonlinear time series forecasting with Bayesian neural networks. Expert Systems with Applications, 41(15), 6596-6610. Kwon, H. B. & Lee, J. (2015). Two-stage production modeling of large U.S. banks: A DEA-neural network approach. Expert Systems with Applications, 42(19), 6758-6766. Kwon, H.B. (2017) Exploring the predictive potential of artificial neural networks in conjunction with DEA in railroad performance modeling. International Journal of Production Economics, 183(A), 159-170. Liang, F. (2005). Bayesian neural networks for nonlinear time series forecasting. Statistics and Computing, 15(1), 13-29. MA, J. (2015). A two-stage DEA model considering shared inputs and free intermediate measures. Expert Systems with Applications, 42(9), 4339-4347. Neely, A.D., Gregory, M. & Platts, K. (1995). Performance measurement system design: a literature review and research agenda. International Journal of Operations & Production Management, 15(4), 80-116. Poldrugovac, K., Tekavcic, M. & Jankovic, S. (2016). Efficiency in the hotel industry: an empirical examination of the most influential factors. Economic Research-Ekonomska Istraživanja, 29(1), 583-597. Samoilenko, S. & Osei-Bryson, K. M. (2010) Determining sources of relative inefficiency in heterogeneous samples: Methodology using Cluster Analysis, DEA and Neural Networks. European Journal of Operational Research, 206(2), 479-487. Seifert, L. M. & Zhu, J. (1998). Identifying excesses and deficits in Chinese industrial productivity (1953–1990): a weighted data envelopment analysis approach. Omega, 26(2), 279-96. Shabanpour, H., Yousefi, S. & Farzipoor Saen, R. (2017). Forecasting efficiency of green suppliers by dynamic data envelopment analysis and artificial neural networks. Journal of Cleaner Production, 142(2), 1098-1107. Silva, D. A., Alves, G. A, de Mattos Neto, P. S. G. & Ferreira, T. A. E. (2014). Measurement of Fitness Function efficiency using Data Envelopment Analysis. Expert Systems with Applications, 41(16), 7147-7160. Tone, K. (2001). A slack-based measure of efficiency in date envelopment analysis. European Journal of Operational Research, 130(3), 498-509. Tsai, C.F. & Lu, Y.H. (2009). Customer churn prediction by hybrid neural networks. Expert Systems with Applications, 36(10), 12547-12553. Zeng, Y., Zeng, Y., Choi, B., & Wang, L. (2017). Multifactor-influenced energy consumption forecasting using enhanced back-propagation neural network. Energy, 127, 381-396. | ||
|
آمار تعداد مشاهده مقاله: 396 تعداد دریافت فایل اصل مقاله: 258 |
||
