پیش بینی کارایی به کمک تاثیرپذیری غیرخطی از تاخیرهای زمانی در تحلیل پوششی داده ها با شبکههای عصبی مصنوعی
Publish place: Industrial Management Journal، Vol: 10، Issue: 1
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 285
This Paper With 19 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:
شناسه ملی سند علمی:
JR_IMJT-10-1_002
تاریخ نمایه سازی: 25 بهمن 1400
Abstract:
هدف: یکی از شیوه های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه های متناظر آن است. با این حال، در برخی پژوهش ها 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، پیش بینی کارایی یک واحد با استفاده از سری های زمانی عملکرد گذشته آن است. روش: این پژوهش به کمک مدل SBM و با استفاده از روش تحلیل پوششی داده ها به مقایسه و سنجش کارایی یک واحد در گام های زمانی مختلف پرداخته و خروجی آن را به عنوان عناصر آموزش یک شبکه عصبی مصنوعی در نظر گرفته است تا کارایی گام های زمانی بعدی پیش بینی 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 پیاده سازی ساختارهای مختلف از شبکه های عصبی مصنوعی، در نهایت یک شبکه عصبی بازگشتی با ۱۰ نرون در لایه پنهان با الگوریتم آموزش پس انتشار بیزی توانست بهترین عملکرد را در پیش بینی کارایی آتی این واحد صنعتی کسب کند. نتیجهگیری: مزیت اساسی این پژوهش، ارائه پیش بینی کارایی برای آینده سازمان بر اساس داده های موجود و با در نظر گرفتن تاثیر عوامل دوره های زمانی قبلی در کارایی دوره کنونی با رویکردی غیرخطی است. این موضوع موجب خواهد شد که تصویر روشن تری از عملکرد آتی سازمان فراهم آید، همان طور که در مورد مطالعه پژوهش حاضر، این موضوع رخ داده است.
Keywords:
Authors
مصطفی کاظمی
استاد گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران
محمدعلی فائضی راد
دانشجوی دکتری مدیریت تحقیق در عملیات، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد، مشهد، 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 :