یک مدل جامع ترکیبی NDEA-BSC و شبکه عصبی جدید برای پیش بینی شاخصهای عملکردی سازمانی

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 344

This Paper With 18 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_DMOR-6-2_007

تاریخ نمایه سازی: 31 شهریور 1400

Abstract:

هدف: استراتژی اصلی ترین منبع رشد بلندمدت سازمان ها می باشد و در صورت عدم اجرای موفق استراتژی، حتی اگر استراتژی های مناسبی اتخاذشده باشد این فرآیند بیهوده است. هدف این مقاله پیشنهاد یک مدل جامع ترکیبی را برای پیش بینی شاخصهای عملکردی سازمانی است.روش شناسی پژوهش: به منظور رسیدن به هدف پژوهش، ابتدا از کارت امتیازی متوازن به عنوان ابزاری برای طراحی شاخص های ارزیابی عملکرد و از تحلیل پوششی داده های شبکه ای به عنوان ابزاری برای ارزیابی عملکرد استفاده شده است. سپس با استفاده از تطبیق شاخص بهره وری مالمکوئیست با مدل ترکیبی مذکور، به ارائه مدل پیشرفت و پسرفت سازمان ها طی دو دوره متوالی پرداخته می شود. سرانجام با ترکیب مدلهای پیشنهادی و شبکههای عصبی مصنوعی راهکاری را برای ارزیابی عملکرد ۵۰۰ شعبه بانک و نیز تشخیص پیشرفت و پسرفت آن ها ارائه میگردد.یافته ها: نتایج به دست آمده نشان دهنده دقت مناسب و زمان محاسباتی کمتر مدلهای ترکیبی پیشنهادی است.اصالت/دانش افزایی علمی: پژوهش حاضر با ارائه یک مدل ترکیبی با استفاده از تحلیل پوششی داده های شبکه ای و کارت امتیازی متوازن می تواند به دانش موجود در خصوص ارزیابی عملکرد بنگاه های اقتصادی بیافزاید و روش های پیشنهادی می توانند ابزارهای نوید بخشی برای ارزیابی عملکرد سازمان ها، به خصوص دادههای بزرگ باشند.

Keywords:

تحلیل پوششی داده های شبکه ای , کارت امتیازی متوازن , اهداف استراتژی , شاخص بهره وری مالمکوئیست , شبکه عصبی مصنوعی , پرسپترون چندلایه

Authors

سید اسماعیل نجفی

گروه مهندسی صنایع، واحد علوم و تحقیقات دانشگاه آزاداسلامی، تهران، ایران.

محمد جابری

گروه مهندسی صنایع، واحد علوم و تحقیقات دانشگاه آزاداسلامی، تهران، ایران.

فرهاد حسین زاده لطفی

گروه مهندسی صنایع، واحد علوم و تحقیقات دانشگاه آزاداسلامی، تهران، ایران.

محمد حاجی مولانا

گروه مهندسی صنایع، واحد علوم و تحقیقات دانشگاه آزاداسلامی، تهران، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Agarwal, S. (۲۰۱۶). DEA-neural networks approach to assess the performance ...
  • Chen, T. Y., & Chen, L. H. (۲۰۰۷). DEA performance ...
  • Dolasinski, M. J., Roberts, C., & Zheng, T. (۲۰۱۹). Measuring ...
  • Farell, P. (۱۹۵۷). DEA in production center: An input-output mode. Journal ...
  • Hagan, M. T., Demuth, H. B., & Beale, M. (۱۹۹۷). ...
  • Hu, S. C., Chung, Y. K., & Chen, Y. S. ...
  • Kwon, H. B. (۲۰۱۴). Performance modeling of mobile phone providers: ...
  • Kwon, H. B. (۲۰۱۷). Exploring the predictive potential of artificial ...
  • Kwon, H. B., & Lee, J. (۲۰۱۵). Two-stage production modeling ...
  • Kwon, H. B., & Lee, J. (۲۰۱۵). Two-stage production modeling ...
  • Kwon, H. B., Lee, J., & Roh, J. J. (۲۰۱۶). ...
  • Kwon, H. B., Marvel, J. H., & Roh, J. J. ...
  • Minhaj, M. B. (۲۰۰۵). Fundamentals of neural networks. Amirkabir University ...
  • Samoilenko, S., & Osei-Bryson, K. M. (۲۰۱۰). Determining sources of ...
  • Shabanpour, H., Yousefi, S., & Saen, R. F. (۲۰۱۷). Forecasting ...
  • Singh, N., & Pant, M. (۲۰۱۷, December). Evaluating the efficiency ...
  • Wu, D. D., Yang, Z., & Liang, L. (۲۰۰۶). Using ...
  • نمایش کامل مراجع