چکیده:
يعتبر تحليل غلاف البيانات أحد أنواع النماذج المستخدمة لقياس الكفاءة ودعم اتخاذ القرار. ولكن بالنظر إلى جميع مزاياه، فإنه يعاني من بعض النواقص مثل ضعف القدرة على التمييز بين الوحدات، واختلاف ترتيب النهج المختلفة، والحساسية تجاه البيانات الشاذة، مما أدى إلى فكرة دمجه مع الشبكات العصبية الاصطناعية. تُستخدم الشبكة العصبية بشكل متزايد في النهج القائمة على النماذج والبيانات لإثراء القدرات التحليلية والتنبؤية، وبالتالي تحسين عملية اتخاذ القرار. يقدم البحث الحالي نموذجاً لتقييم كفاءة الوحدات من خلال دمج الشبكات العصبية. القسم المدروس هو شركات الأدوية النشطة في بورصة طهران للأوراق المالية. في البداية، تم جمع وتطبيع بيانات التكلفة والإيرادات والأرباح لشركات الأدوية للأعوام 1396 إلى 1400 من موقع Codal. ثم لإنشاء النموذج، تم حساب كفاءة 4 نماذج لعائد الحجم المتغير تشمل نموذج BCC المعتمد على المدخلات والمخرجات، ونموذج SBM، ونموذج RAM لتحليل غلاف البيانات خلال الأعوام 1396 إلى 1400 باستخدام برنامج GAMS، وتم إدخال قيم كفاءة هذه النماذج الأربعة كمتجهات تدريب، بالإضافة إلى بيانات التكلفة والإيرادات والأرباح للأعوام 1396 إلى 1400 كمدخلات للشبكة العصبية في برنامج Matlab. ولتعميم التدريب، تم استخدام بيانات عام 1401. أظهرت النتائج أن حدود الكفاءة التي تم تدريب الشبكة عليها من خلال النماذج الأربعة لتحليل غلاف البيانات توفر تقريباً أكثر شمولاً ودقة للكفاءة لترتيب شركات الأدوية. تساعد نتائج هذا البحث شركات الأدوية في مجالات الاستثمار، وتخصيص الموارد، والتنبؤ بنتائج السياسات، والتخطيط بشكل أكثر شفافاً ودقة.
خلاصه ماشینی:
ثم لإنشاء النموذج، تم حساب كفاءة ٤ نماذج ذات عائد متغير الحجم تشمل نموذج BCC (محور المدخلات ومحور المخرجات)، ونموذج SBM، ونموذج RAM لتحليل غلاف البيانات خلال الأعوام ١٣٩٦ إلى ١٤٠٠ باستخدام برنامج (GAMS)، وأُدخلت قيم كفاءة هذه النماذج الأربعة كمتجه تدريب، وبيانات التكلفة والإيرادات والأرباح للأعوام ١٣٩٦ إلى ١٤٠٠ كمدخلات للشبكة العصبية في برنامج (MATLAB).
وفي هذا البحث، تمت محاولة تقديم نموذج هجين يمكنه، فقط من خلال تدريب الشبكة باستخدام عدة ناقلات كفاءة من تحليل غلاف البيانات في العائد متغيرة الحجم، الحصول في النهاية على حد كفاءة فريد من مخرجات النموذج الهجين.
وذلك من خلال تقديم بيانات الكفاءة لأربعة نماذج من تحليل غلاف البيانات، بما في ذلك نموذج BCC الموجه للمدخلات، والموجه للمخرجات، ونموذج SBM، ونموذج RAM، كمتجهات تدريب للشبكة العصبية للحصول على حد كفاءة مستمر في ظل عوائد الحجم المتغيرة.
في هذا البحث، تم في البداية إنشاء نظام مؤشرات تقييم يعتمد على نظريات كفاءة الاقتصاد الأخضر والنمو الاقتصادي لكفاءة البيئة الخضراء الاقتصادية، ثم باستخدام تحليل غلاف البيانات، تم فحص الكفاءة البيئية الكلية للصين من عام ٢٠٠٢ إلى ٢٠٢١.
وأظهرت نتائج هذا البحث أنه من عام ٢٠٢٢ إلى ٢٠٢١، زادت الكفاءة البيئية الخضراء بنسبة ١١/٧٨ بالمائة، وفي النهاية تم تأكيد فعالية ودقة الشبكة العصبية الانتشارية الخلفية من خلال المقارنة مع DEA [٢٠].
في هذا البحث، تم الحصول على كفاءة الوحدات في ٢٠١١-٢٠١٢ باستخدام نموذج CCR الموجه للمخرجات، وبعد تدريب الشبكة، تم تصنيف المناطق الصناعية بناءً على بيانات ٢٠١٢-٢٠١٣ وبالنظر إلى قدرة الشبكة على التنبؤ [٢٢].
ومن خلال دمج نماذج تحليل مغلف البيانات المختلفة مع الشبكة العصبية الاصطناعية، يمكن الحصول على قيمة كفاءة أكثر موثوقية.
(
, 
, 
)
