خلاصة:
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودیها و خروجیهای شرکتهای برق منطقهای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودیها و خروجیهای شرکتهای برق منطقهای امری است که در ادبیات موضوع سابقه نداشته و مزیت اصلی روش پیشنهادی محسوب میشود. بهمنظور آموزش شبکه عصبی دو لایه MLP، از روش آموزش پس از انتشار خطای ارتجاعی استفاده گردید؛ پس از آموزش شبکه عصبی، عملکرد شبکه عصبی با استفاده از الگوهای تست، مورد بررسی قرار گرفت. مقدار RMSE مریوط به 15 الگوی تست برابر 0269/ 0 بهدست آمد که نشاندهنده دقت بالای شبکه آموزش داده شده است. تحلیل حساسیت پارامترهای مورد بررسی که همان ورودیها و خروجیهای تحلیل پوششی دادهها هستند، با افزایش ده درصدی پارامترها نسبت به حالت قبل از افزایش انجام شده و میانگین خطای نسبی خروجی برای پارامترهای شبکه عصبی محاسبه شده است. بر اساس میزان میانگین خطای نسبی خروجی، ورودیها و خروجیهای تحقیق مشخص گردید. مقایسه نمرات کارایی شرکتهای برق منطقهای قبل و بعد از کاهش تعداد متغیرها، تعداد شرکتهای کارا در طی شش دوره زمانی فوق از 4/ 62 درصد به 4/ 26 درصد کاهش یافته است.
ملخص الجهاز:
تحلیل حساسیت پارامترهای مورد بررسی که همان ورودیها و خروجیهای تحلیل پوششی دادهها هستند، با افزایش ده درصدی پارامترها نسبت به حالت قبل از افزایش انجام شده و میانگین خطای نسبی خروجی برای پارامترهای شبکه عصبی محاسبه شده است.
مقدمه تحلیل پوششی دادههData Envelopment AnalysiS (DEA) رویکردی ناپارامتریک است که با استفاده از ورودیها و خروجیهای چندگانه، نمرات کارایی واحدهای تصمیمگیرندهDecision Making Units (DMUS) را ارزیابی میکند.
با توجه به مطالعات صورت گرفته و عدم تمرکز مطالعات جدید بر روی استفاده از یک روش علمی در انتخاب متغیرهای ورودی و خروجی در تحلیل پوششی دادهها، در این پژوهش با استفاده از قدرت پیشبینی بالای شبکه عصبی، ابتدا متغیرهای اصلی تأثیرگذار بر تغییرات کارایی شرکتهای برق منطقهای ایران شناسایی شده و سپس نمرات کارایی شرکتها با استفاده از تحلیل پنجره محاسبه شده و تغییرات کارایی، قبل و بعد از کاهش متغیرها مشخص شده است.
در این مطالعه از تکنیک شبیهسازی شده تولید با دو ورودی و یک خروجی با هدف ارزیابی دو روش تحلیل پوششی دادهها و شبکه عصبی مصنوعی به کار گرفته شد.
کوستا به ارزیابی عملکرد خدمات حمل و نقل عمومی بر پایه مفهوم کارایی با استفاده از شبکه عصبی پرسپترون چند لایه Multi-Layer Perceptron Neural Networks (MLP) همراه با تحلیل پوششی دادهها و حداقل مربعات تصحیح شدهCorrected Least Squares (COLS) پرداخت.
در این مطالعه برای اولین بار شبکه عصبی مصنوعی و تحلیل پوششی دادههای پویا برای پیشبینی نمرات کارایی واحدهای تصمیمگیرنده در آینده به کار برده است.
, (2006), Efficiency in the Italian banking industry: Data envelopment analysis and neural networks, International Research Journal of Finance and Economics 1 (5), 155–165.