نشریه تخصصی مهندسی صنایع، دوره 45، شماره 1، فروردین ماه 1390، از صفحه 13 تا 29 ارزیابی عملکرد واحدهاي تصمیم گیري با استفاده از مدل ترکیبی
شبکه هاي عصبی پیش بینی کننده عملکرد و تحلیل پوششی داده ها
(مورد مطالعه: شرکت ملی گاز ایران)

مهدي اجلی*1 و حسین صفري2
عضو هیأت علمی مؤسسه آموزش عالی عبدالرحمن صوفی رازي- زنجان
استادیار گروه مدیریت صنعتی – دانشکده مدیریت- دانشگاه تهران
(تاریخ دریافت 10/5/88، تاریخ دریافت روایت اصلاح شده 8/8/89، تاریخ تصویب 23/1/90 )

چکیده
یکی از عمده ترین مشکلات استفاده از تحلیل پوششی داده ها، ضعف قدرت تفکیک پذیري براي واحدهاي تصمیم گیرنده است. این مسئله اغلب به دلیل کم بودن تعداد واحدها در مقایسه با تعداد ورودي ها و خروجی هاي مدل است [ 1]. این مشکل در ارزیابی عملکرد 23 شرکت گاز استانی با توجه به تعداد زیاد ورودي ها و خروجی هاي هر شرکت گاز به خوبی خود را نمایان می کند. بر این اساس، در این پژوهش براي ارزیابی عملکرد و کارایی شرکت هاي گاز استانی، ابتدا رویکرد یا مدل مضربی CCR ورودي محور و روش اندرسون – پیترسون (AP) براي رتبه بندي واحدهاي کارا در قالب مدل هاي تحلیل پوششی داده ها (DEA) مورد بررسی قرار گرفت و ضعف مدل ها از نظر محاسبه و تفکیک کارایی شرکت ها مشخص شد. در ادامه پژوهش، براي تحلیل و ارزیابی کارایی شرکت ها از رویکرد شبکه هاي عصبی پیش بینی کننده عملکرد در قالب مدل هاي ترکیبی تحلیل پوششی داده ها و شبکه هاي عصبی مصنوعی (Neuro/DEA) استفاده شد. نتایج تحلیلی کارآیی محاسبه شده واحدها با استفاده از این مدل ها نشان از قدرت بالاي شبکه در محاسبه و تفکیک پذیري شرکت ها از نظر کارآیی بود.

واژه هاي کلیدي: تحلیل پوششی داده ها، شبکه هاي عصبی مصنوعی (Neuro-DEA ،(ANNS، مدل CCR ورودي محور

اندازه گیري کارآیی بـه دلیـل اهمیـت آن در ارزیـابی عملکرد یک شرکت یا سازمان همواره مورد توجه محققـان قرار داشته است. در سال 1957 فارل با استفاده از روشـی مانند اندازه گیري کـارآیی در مباحـث مهندسـی اقـدام بـه اندازه گیري کارآیی براي یک واحد تولیدي کرد. موردي که فارل براي اندازه گیري کارآیی مد نظر قرار داده بود، شـامل یـک ورودي و یـک خروجـی بـود. مطالعـه فـارل شـامل اندازه گیري کارآیی هاي فنی، تخصیصی و مشتق تابع تولید کارا بود. فارل مدل خـود را بـراي تخمـین کـارآیی بخـش کشاورزي آمریکا نسبت به سایر کشورها مورد استفاده قرار داد. بـا ایـن وجـود، او در ارائـه روشـی کـه در برگیرنـده ورودي ها و خروجی هاي متعدد باشد، موفق نبود. [ 2].
“چـــارنز (Charnes)”، “کـــوپر (Cooper)” و “رودز
م قدمه Email: [email protected] ، 0241 -4242223 : نویسنده مسئول : تلفن : 4256353 – 0241 , فاکس *

(Rohdes)” دیدگاه فـارل را توسـعه داده و مـدلی ر ا ارائـه کردند که توانایی اندازه گیري کارآیی بـا چنـدین ورودي و چنـدین خروجـی را داشـت . ایـن مـدل، تحلیـل پوششـی داده ها نام گرفت و ابتدا در رساله دکتـر اي “ادوارد رودز” و به راهنمایی “کوپر” با عنوان “ارزیابی پیشـرفت تحصـیلی دانـش آمـوزان مـدارس ملـی آمریکـ ا” در سـال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقالـه اي بـا عنـوان “انـدازه گیـري کـارآیی واحـدهاي تصمیم گیرنده” ارائه شد. [ 2].
از آنجا که این مـدل توسـط چـارنز، کـوپر و رودز [ 1987 ,Charnes et al ] ارائه شـد، بـه مـدل CCR کـه از حروف اول نام این سه فرد تشکیل شده است معروف شـد . در این مدل هدف انـدازه گیـري و مقایسـه کـارآیی نسـبی واحدهاي سازمانی ماننـد مـدارس، بیمارسـتان هـا، شـعب بانک، شهرداري ها و … که چندین ورودي و خروجی شـبیه به هم دارند است. [3].
بدیهی است که ایجاد یک نظام کارآ و اسـتفاده بهینـه از منابع، باعث جلـوگیري از هـرز رفـت مبـالغ عظیمـی از منابع مادي و معنوي می شود، به طوري کـه مـی توانـد بـا درصد کمی افزایش در کارآیی، صرفه جویی زیادي حاصـل شود. بنابراین مطالعه سطح بهره وري در سطح شرکت هـاي گاز استانی خیلی ضروري است. براي رسیدن به این هـدفلازم است ابتـدا عملکـرد شـرکت هـاي گـاز اسـتانی مـوردارزیابی و تحلیل قرار گرفته و سپس استان هایی را که کارآنیستند مشـخص و علـل نبـود کـارآیی آن هـا را تعیـین و نسبت به رفع آن ها اقدام کرد.
روش هــاي بســیاري بــراي انــدازه گیــري کــارآیی در تحقیقات مربوط مطرح شده است. اما در مقایسه بین همه مدل هاي ذکرشده، DEA روش بهتري بـراي سـازماندهی و تحلیل داده ها است، زیرا اجازه می دهد که کارآیی در طول زمان تغییر کند و به هیچ گونه پیش فرضی در مـورد مـرز کارآیی نیاز ندارد. [4] بنابراین بیش از سایر دیـدگاه هـا در ارزیابی عملکرد مورد استفاده قرار گرفتـه اسـت و تکنیـک مناسبی براي مقایسه واحدها در سنجش کارآیی به شـمار می آید. با این وجود مرز کارآیی کـه از DEA حاصـل شـده است نسبت به اغتشاش هاي آماري و داده هاي پرت کـه در اثر خطاي اندازه گیري یا هـر عامـل خـارجی دیگـر ا یجـاد شود، حساس است و اگـر در داده هـا اغتشـاش آمـاري یـا داده اي پرت وجود داشته باشد، ممکن است سبب شـود تـا مرز کارآیی به دست آمده جابه جا شود و مسیر تحلیل هاي DEA را منحرف کند؛ [5,4] به همین دلیل باید در استفاده از DEA براي ارزیابی عملکرد سایر واحدهاي تصمیم گیرنده احتیاط کرد. این مسئله باعث شـده اسـت کـه بـه تـازگی شبکه هاي عصبی مصنوعی به عنوان جایگزین خوبی بـراي برآورد مرزهاي کارآ براي تصمیم گیري به کار گرفته شـود . زیرا ماهیت عملکرد شـبکه هـاي عصـبی بـه دلیـل قـدرت یادگیري و تعمیم پـذیري بـه گونـه اي اسـت کـه در برابـر داده هـاي پـرت و اغتشـاش هـاي حاصـل از انـدازه گیـري غیردقیق داده ها مقاوم تر عمل می کنند.[ 6] در ســال 1997 کــاراي متــروي لنــدن بــا داده هــاي سري هاي زمانی تحلیل شد و این نتیجه به دست آمد کـه نتایج حاصل از ANNs با حداقل مربع هاي معمولی تصـحیح شده و DEA بسـیار بـه هـم شـبیبه هسـتند . [7] در سـال 2000 شبکه هاي عصبی براي تخمین توابع هزینه بـه کـار گرفته شد [8] و در سال 2004 نیز سانتین از یـک شـبکه عصبی براي شبیه سازي تابع تولید غیرخطی اسـتفاده کـرد و نتـایج آن را بـا روش هـاي متـداول تـري مثـل مرزهـاي تصادفی و DEA با مشـاهدات مختلـف و اغتشـاش مقایسـه کرد و نشان داد شبکه هاي عصبی در مقایسه با روش هـاي ذکرشده ثبات بیشتري دارد. [9]
در سـال 2007 سـلیبی و بیرکتـر مقالـه اي بـا عنـوانترکیب تحلیل پوششی داده و شـب ه عصـبی بـراي ارزیـابی تأمین کننـ دگان تحـت اطلاعـات نـاقص را مطـرح کردنـد .
انتخاب و ارزیابی تأمین کننده، فرآینـدهاي تصـمیم گیـري مهمی هستند که نیاز بـه ملاحظـه نگـرش هـاي متنـوعی دارنـد. مطالعـات چنـدي بـراي انتخـاب و ارزیـابی مـؤثر تـأمین کننـدگان بـا تکنیـک هـاي متعـدد کـار بردي نظیـر روش هاي موزون خطی، مـدل هـاي بر نامـه ریـزي ریاضـی، روش هاي آماري و AI (هوش مصنوعی)1 انجام گرفته است. یکی از روش هاي ارزیابی موفق پیشـنهاد شـده بـراي ایـن هدف، تحلیل پوششی داده ها (DEA) است که تکنیـک هـاي برنامه ریزي ریاضی را براي ارزیابی عملکرد مجموعـه اي از واحدهاي تصمیم گیري مشابه (یکسان) با چندین ورودي و خروجی به کار می برد. هدف این مطالعه کشف یک ترکیب جدیـد از شـبکه عصـبی و تحلیـل پوششـی داده هـا بـراي ارزیابی تأمین کنندگان تحت اطلاعات نـاقص از معیارهـاي ارزیابی است. [ 10و11 ]
در این پژوهش سعی بـر آن اسـت کـه از شـبکه هـاي عصبی و DEA و تلفیق آن هـا (Neuro-DEA) در انـدازه گیـري کارآیی فنی شرکت هاي گاز استانی استفاده شـود . پـس از محاسبه کارآیی، نتـایج حاصـله بـا DEA معمـولی مقایسـه می شود، زیرا با توجه بـه کـم بـودن تعـداد شـرکت هـا، در مقایسه با تعداد ورودي ها و خروجی ها، مـدل هـاي پایـه اي DEA قادر به رتبه بندي واحدها نیستند. ادامه مقاله به ایـن ترتیب است که بخش دوم، نگاهی اجمالی بـر مبـانی DEA خواهد داشت و در بخش سوم شبکه هاي عصـبی بـه طـور خلاصه معرفی می شود. بخش چهارم به تشریح روش مورد استفاده و ساختار Neuro-DEA اختصـ اي یافتـه و در بخـش پنجم، داده ها تحلیل می شود و بخش ششم به نتیجه گیري و پیشنهاد براي تحقیقات بعدي اختصاص یافته است.

تحلیل پوششی داده ها
DEA یـک تکینیـک ریاضـی بـراي ارزیـابی عملکـرد واحدهاي تصمیم گیرنده است. اولـین بـار چـارنز، کـوپر و رودز بحث DEA را مطرح کردند. به طـور کلـی مـدل هـاي تحلیــل پوششــی داده هــا بــه دو گــروه ور ودي محــور و خروجی محور تقسیم می شـوند . مـدل هـاي ورودي محـور، مـدل هـایی هسـتند کـه بـدون تغییـر در خروجـی هـا از ورودي هاي کمتري بـراي بـه دسـت آوردن همـان مقـدار
1097281559310

ل
ک
ش
2
:

ي
د
و
ر
و

ک
ت

ن
و
ر
ن

ل
د
م
]
14
[

ل

ک

ش

2

:

ي

د



قیمت: تومان


دیدگاهتان را بنویسید