پروپوزال ارائه روشی تلفیقی جهت ارزیابی عملکرد و کارایی شرکت های گاز (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
پایان نامه
کارشناسی ارشد
رشته مهندسی سیستمهای اقتصادی-اجتماعی
موضوع: ارزیابی عملکرد شهرکهای صنعتی استان مازندران با استفاده از تحلیل پوششی دادهها وشبکههای عصبی مصنوعی
اساتید راهنما: دکتر جواد رضائیان، دکتر بابک شیرازی
دانشجو: مریم شریفی
(شهریور1392)
سپاسگذاری
اگرچه در چند جمله كوتاه نمی توان جبران زحمات بي‌دريغ اساتيدي را كرد كه تجربيات و دانش خود را بي هيچ چشم‌داشتي دراختيارم قرار دادند و با كمال دقت در اتمام این پژوهش همت گماردند، با این حال فرصت را غنيمت مي‌شمارم تا سپاسگزار الطاف و محبتهای استاد محترم و گران قدرم جناب آقای دکتر جواد رضائیان باشم . همچنین از جناب آقای دکتر بابک شیرازی که تجربیات خود را برای انجام این رساله در اختیارم نهادند، پرسنل شرکت شهرکهای صنعتی استان مازندران که با نهایت صبر و حوصله در تکمیل دادههای مورد نیاز همکاری نمودند، جناب آقای مهندس محسن رضایی که در تکمیل این رساله همراهیام نمودند و اما پدر مهربان و مادر فداکارم که در تمامی دوران تحصیل پشتیبانم بودهاند کمال تشکر را دارم.
چکیده
توسعه شهرکهای صنعتی یک سیاست مهم در بسیاری از کشورها می باشد زیرا پیشرفت این شهرکها منجر به تقویت صنعت و اقتصاد کشور میگردد. شناخت آماری و رتبه بندی شهرکها و نواحی صنعتی برای بهبود توسعه صنایع ضروری میباشد. لذا در این پژوهش کارایی 25 شهرک صنعتی واقع در استان مازندران با استفاده از مدل DEA، CCR خروجیمحور و همچنین رتبهی هر یک از واحدهای کارا با استفاده از مدل AP در سال 90 و 91 محاسبه گردیده است. سپس با استفاده از روش ترکیبی تحلیل پوششی دادهها و شبکههای عصبی مصنوعی(ANN)، یک شبکه عصبی مصنوعی به جهت توانایی آن در پیش بینی و تحلیل کارایی و رتبه بندی واحدها در سال 91 به کار گرفته شده است. در نهایت مقایسه ای میان دو روش در سال 91 انجام شده است.
TOC \o "1-3" \h \z \u فهرست مطالب
1- مقدمه و كليات2
1-1- مقدمه2
1-2- تشریح و بیان موضوع4
1-3- ضرورت انجان تحقیق5
1-4- فرضیات تحقیق7
1-5- اهداف اساسی از انجام تحقیق7
1-6-محدودیت های انجام تحقیق7
1-7- محتوای تحقیق8
2- ادبیات و پیشینه تحقیق
2-1- مقدمه10
2-2- ارزیابی عملکرد10
2-2-1- مقدمه10
2-2-2- پیشینه ارزیابی عملکرد و بررسی دیدگاههای مختلف11
2-2-3- معیارها و تکنیکهای ارزیابی و اندازهگیری عملکرد13
2-2-3-1- معیارهای ارزیابی عملکرد13
2-2-3-2- تکنیک های شناخته شده در ارزیابی عملکرد14
2-2-3-3- تکنیکهای اندازه گیری عملکرد20
HYPERLINK \l "_Toc269024905" 2-3- معرفی DEA ، ANNs و Neuro/DEA 24
2-3-1- معرفی اجمالی DEA26
2-3-1-1- مدل نسبت CCR27
2-3-1-2- روش اندرسون-پیترسون28
2-3-2- معرفی ANN28
2-3-2-1- آموزش شبکه29
2-3-2-1-1- الگوریتم های یادگیری شبکه30
2-3-2-2- تناسب انتخاب ساختار با موضوع مساله31
2-3-2-3- ساختار شبکه های عصبی33
2-3-2-3-1- شمای کلی38
2-3-2-4- چگونگی پردازش اطلاعات در واحد های پردازشگر39
2-3-2-5- شبکههای پرسپترون43
2-3-3- مدل ترکیبی شبکههای عصبی و تحلیل پوششی داده ها (Neuro/DEA) 43
2-3-3-1- خواستگاه استفاده از مدل ترکیبیNeuro-DEA43
HYPERLINK \l "_Toc269024908" 2-4- پیشینه تحقیق45
3- روش تحقیق
3-1- مقدمه51
3-2- جامعه آماری51
3-3- شیوه گردآوری اطلاعات51
3-4- مراحل انجام تحقیق51
HYPERLINK \l "_Toc269024916" 3-5-مدلهای تحلیل پوششی دادهها53
3-5-1- مدلهای ورودیمحور53
3-5-1-1-مدل مضربی CCR ورودی محور53
3-5-1-2-مدل پوششی CCR ورودیمحور54
3-5-2-مدلهای خروجیمحور55
3-5-2-1-مدل مضربی CCR خروجی محور56
3-5-2-2- مدل پوششی CCR خروجی محور56
3-6- ارزیابی و تحلیل کارایی شرکت شهرکهای صنعتی با رویکرد تحلیل پوششی دادهها(DEA) (مدل مضربی CCR خروجیمحور) 56
3-7- روش اندرسون-پیترسون برای رتبه بندی واحدهای کارا58
3-8- دلایل استفاده از مدل CCR در مقایسه با مدل BCC59
3-9- دلایل استفاده از مدل خروجی محور در مقایسه با مدل ورودی محور60
3-10- ساختار شبکه 60
3-11- الگوریتم تحلیل کارایی63
4- محاسبات و یافته های تحقیق
4-1- معرفی حوزه تحقیق66
4-1-1- سازمان صنایع کوچک و شهرکهای صنعتی ایران66
4-1-2- معرفی استان مازندران68
4-2- نتایج تحقیق70
5- نتيجه‌گيري و پیشنهادات
5-1- نتيجه گيري79
5-2- تحقيقات آتي79
فهرست اشکال
TOC \h \z \c "شكل" شكل (21) روش وصل نقاط حدی23
شكل (22) یک واحد تصمیم گیرنده به همراه ورودی و خروجیها27
شكل (23) مشخصات یک واحد تصمیم گیرنده27
شكل ( 24) نرون تک ورودی34
شكل (25) نرون با بردار ورودی35
شكل (26) شبکه تک لایه با S نرون36
شكل (27) فرم فشرده شده یا ماتریسی شبکه تک لایه با S نرون36
شكل (28) شبکه پیش خور دو لایه37
شكل (29) فرم ساده شده شبکه پیش خور دو لایه میانی38
شكل (210) پرسترون تک لایه42
شكل (31) ورودی و خروجیهای شهرک صنعتی jام56
شكل (32) فلوچارت الگوریتم تحلیل کارایی64
شکل(4-1) مقایسه کارایی محاسبه شده توسطDEA وNeuro-DEA74
شکل(4-1) مقایسه رتبه بندی انجام شده توسطDEA وNeuro-DEA74
فهرست جداول
TOC \h \z \c "جدول" جدول (21) تفاوت های دو نگرش نوین و سنتی ارزیابی عملکرد12
جدول (22) ماتریس ارزیابی عملکرد16
جدول (2-3) توابع محرک با علائم قراردادی34
جدول (2-4) نتایج تحقیقات موجود در مقاله ، تحلیل کارایی فنی پالایشگاههای نفت کشور45
جدول (31) شهرکهای صنعتی مورد بررسی و مطالعه پژوهش51
جدول (32) مشخصههای متغیرهای تصمیم56
جدول (33) پارامترهای مدل بر حسب مشخصههای تعریف شده57
جدول (34) متغیرهای تصمیم57
جدول (35) ساختار شبکه مورد استفاده در الگوریتمNeuro-DEA60
جدول (3-6) درصد تغییرات ورودیها و خروجیهای هر شهرک صنعتی61
جدول (41) کارایی محاسبه شده توسط DEA در سال 90 و 91 و کارایی پیشبینی شده توسط Neuro-DEA در سال9071
جدول (42) رتبه بندی واحدها توسط DEA در سال 90 و 91 و رتبه بندی پیشبینی شده توسط Neuro-DEA در سال 9172
جدول (43) میانگین کارایی واحدها در ده اجرای شبکه عصبی74
جدول (44) معیارهای ورودی و خروجی مربوط به هر شهرک صنعتی در سال 9175
جدول (45) معیارهای ورودی و خروجی مربوط به هر شهرک صنعتی در سال 9176
فصل اول :
مقدمه وکلیات تحقیق
مقدمه و کلیات
مقدمه
در سالهای اخیر در اغلب کشورهای جهان برای ارزیابی عملکرد نهادها و دیگر فعالیتهای رایج در زمینههای مختلف، کاربردهای مختلفی از تحلیل پوششی دادهها (DEA) دیده شده است. علت مقبولیت گستردهتر روش DEA نسبت به سایر روشها، امکان بررسی روابط پیچیده و اغلب نامعلوم بین چندین ورودی و چندین خروجی است که در این فعالیتها وجود دارد. [1] در سال 1957 فارل با استفاده از روشی مانند اندازهگیری کارایی در مباحث مهندسی اقدام به اندازهگیری کارایی برای یک واحد تولیدی نمود. موردی که فارل برای اندازه گیری کارایی مد نظر قرار داده بود شامل یک ورودی و یک خروجی بود. مطالعه فارل شامل اندازهگیری "کاراییهای فنی" و "تخصصی" و "مشتق تابع تولید کارا" بود. فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا نسبت به سایر کشورها مورد استفاده قرار داد. بااین وجود، او در ارائه روشی که دربرگیرنده ورودی و خروجی های متعدد باشد، موفق نبود.
چارنز، کوپر و رودز دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه گیری کارایی با چندین ورودی و چندین خروجی را داشت. این مدل تحت عنوان "تحلیل پوششی دادهها" نام گرفت و ابتدا در رسالهی دکتری ادوارد رودز و به راهنمایی کوپر تحت عنوان "ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا" در سال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقاله ای تحت عنوان "اندازهگیری کارایی واحدهای تصمیم گیرنده" ارائه شد.
از آنجا که این مدل توسط چارنز ، کوپر و رودز [et al,1987 Charnes] ارائه گردید، به مدل CCR که از حروف اول نام افراد فوق تشکیل شده است معروف گردید. هدف در این مدل اندازه گیری و مقایسه کارایی نسبی واحدهای سازمانی مانند مدارس، بیمارستان ها، شعب بانک، شهرداریها و ... که دارای چندین ورودی و خروجی شبیه به هم باشند است. [2]
مارشال اولین کسی بود که اهمیت محلی کردن صنایع را به توسعه ناحیه ای صنعت مدرن مرتبط ساخت. او نتیجه گیری کرد که بنگاهها یا کارخانهها قادرند تا تعدادی از مولفههای تولید مانند زمین، نیروی انسانی، سرمایه، انرژی، و حمل و نقل را از طریق تراکم به اشتراک گذارند. یافتههای ماشال به مفهوم اقتصاد خارجی منجر شد.[27]و[37] کارخانههای تولیدی مجاور هزینههای تولید و هزینههای معاملات را از طریق مشارکت در زیر بنا ، نیروی کار ماهر ، منابع تولیدی در ناحیه کاهش می دهند. بنابراین اقتصاد خارجی و کاهش هزینه معاملات، فاکتور اصلی در تشکیل خوشه های صنعتی می باشد.
وقتی خوشه های صنعتی تخصصی سازی تولید و نزدیکی جغرافیایی بخش های مربوط را به دست می دهد، آنها تکنولوژی خارجی را تولید می کنند که به تولید کنندگان در منطقه کمک میکند . در حالی که عملیات سیستم تولید محلی تخصصی سازی تولید کننده را تقویت می کند و رابطه ی بین تولید کنندگان محلی و موسسه های محلی نزدیکتر می گردد.[20] یکی از منابع رقابتی بودن ناحیه ای عملیات سیستم تولید محلی می باشد.[19] چنین ویژگی های حیاتی اقتصاد محلی، گاهی نمی تواند در ناحیه های دیگر ایجاد یا تکرار شود . به عبارت دیگر فعالیت اقتصادی تولید کننده ها به وسیله محدودیت های ناحیه ای تحت تاثیر قرار می گیرد[21],و چنین رشد بزرگی در یک موقعیت مکانی به شدت محلی شده، می تواند مرتبط با محیط خاصی که مولفه های تولید را نگه می دارد به نام جاذبه ی فضایی باشد .[22]
بنابراین فضای فعالیت صنایع قطعاً شامل موهبت های طبیعی می باشد مانند نیروی انسانی و منافع فرصت که منجر به تولید کنندگان مستقر در همان ناحیه صنعتی می شود. به دلیل علم سرازیر شده ، پویایی نیروی انسانی، فواید اعتماد دو جانبه و ارزش های مشترک در گروه، این شرکت ها عملکرد اقتصادی بهتری را نسبت به تولید کنندگان خارج از ناحیه صنعتی تجربه می کنند.[23] به علاوه مرتبط کردن مهارت ها، اشتراک اطلاعات ، قوانین گروه ، سیستم و نیروی انسانی در یک ناحیه صنعتی برای توسعه صنعت در محل و افزایش رقابتی بودن محل ، بسیار مهم است.
بر اساس مفاهیم مارشال در ناحیهی صنعتی و تئوری که تولیدکنندگان واقعاً از تراکم در مناطق صنعتی یکسان سود می برند ، سیاست های صنعتی دولتی اغلب صنایع خاص را تشویق به جمع شدن در یک ناحیه ی خاص می کند ، در واقع سیاستهای دولت می تواند به طور فعالی صنایع خاص را تشویق کند، توسعه ناحیه ای روستایی و شهری را تنظیم کند ، و شبکه همکاری تشکیل دهد، و مهمتر از همه توسعه صنعتی در ناحیه داده شده را هدایت کند.[24] توسعهی شهرکهای علمی و صنعتی مثالی از چنین سیاستهایی است. همانطور که در بحث ناحیه ی صنعتی اشاره شد، شبکهی ایجاد شده از طریق شهرک صنعتی، موهبتهای ناحیه را به طور مثبتی تحت تاثیر قرار می دهد. بنابراین همکاری در تقویت اقتصاد ناحیه بسیار مورد توجه است.[17]
نگاهی کوتاه به ساختار نظام اقتصادی کشور های مختلف، ما را با اهمیت و جایگاه شرکت ها و بنگاه های کوچک و متوسط و شهرکها و نواحی در برگیرندهی آنها بیشتر آشنا خواهد کرد.
هر سازمان به منظور آگاهی از میزان مطلوبیت و مرغوبیت فعالیت های خود به خصوص درمحیطهای پیچیده و پویا نیاز مبرم به نظام ارزیابی دارد. از سوی دیگر فقدان وجود نظام ارزیابی و کنترل در یک سیستم به معنای عدم برقراری ارتباط با محیط درون و برون سازمان تلقی می گردد که پیامد های آن کهولت و در نهایت مرگ سازمان است. ممکن است بروز پدیده مرگ سازمانی به علت عدم وقوع یکباره آن از سوی مدیران عالی سازمان ها احساس نشود. اما مطالعات نشان می دهد فقدان نظام کسب بازخورد امکان انجام اصلاحات لازم برای رشد، توسعه و بهبود فعالیتهای سازمان را غیر ممکن می نماید، سرانجام این پدیده مرگ سازمانی است.[3]
لذا با شناخت آماری شهرکها و رتبه بندی آنها و مقایسه نتایج حاصله با اهداف و چشم اندازهای شرکت شهرکهای، امکان بررسی عملکردی میسر میگردد که آن هم به نوبهی خود در جهت تدوین راهکارهای موثر برای حرکت در مسیر توسعه بخش صنعت به کار میآید.
1-2- تشریح و بیان موضوع
از آنجایی که تحلیل پوششی دادهها کارایی متفاوتی در طول زمان ارائه میدهد و به هیچ پیشفرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روشهای ارزیابی عملکرد، DEA در سازماندهی و تحلیل دادهها بهترین روش است. اما DEA قادر به تفکیک کارایی همهی شرکتها از یکدیگر نیست دلیل این موضوع کم بودن تعداد واحدهای تصمیم گیرنده نسبت به تعداد ورودی و خروجیها است. هرچه این نسبت بیشتر باشد، مدل قدرت تفکیکپذیری بالاتری خواهد داشت. در صورتی که این رابطهی تجربی بین تعداد واحدهای تصمیم گیرنده (DMUs ) و ورودیها و خروجیها برقرار باشد، قدرت تفکیک پذیری مدل مناسب است:
m : تعدادورودیهای هر DMU
s : تعداد خروجیهای هر DMU
n : تعداد DMU ها
n>3(s+m)
لذا از آنجایی که روش تحلیل پوششی داده ها در صورت کم بودن تعداد واحد های تصمیم گیرنده (DMU ) با توجه به تعداد ورودی و خروجی ها قادر به تفکیک واحد های تصمیم گیری نمی باشد و در واقع مدل های پایه ای DEA قادر به رتبه بندی کامل واحد ها نیستند، سعی میشود تا از تلفیق تحلیل پوششی داده ها و شبکه های عصبی مصنوعی به منظور اندازه گیری عملکرد واحدهای تصمیم گیرنده استفاده شود به نحوی که مشکل مذکور برطرف گردد.
در این پژوهش سعی شده است معیارهای ارزیابی عملکرد شهرکهای صنعتی استان مازندران تعیین گردد و با استفاده از مدل ترکیبی Neuro-DEA با اندازه گیری کارایی شهرکهای صنعتی این استان و تعیین شهرکهای کارا و ناکارا و همچنین رتبه بندی شهرکها به بهینه سازی شرکت شهرکهای صنعتی استان مازندران از طریق ارزیابی عملکرد کمک گردد.
1-3- ضرورت انجام تحقیق
با توجه به اهمیت کارایی در پیشبرد اهداف یک سازمان ، بررسی همه جانبه آن به ویژه تحلیل ابعاد ریاضی آن به عنوان معیاری برای سنجش عملکرد ، ضرورتی اجتناب ناپذیر می باشد . لذا محاسبه ی کارایی، ارزیابی و رتبه بندی تمام شعب و ادارات زیر مجموعه یک خدمت یا صنعت امری ضروری است ، و لازم است حداقل سالی یکبار عملکرد آنها را بر اساس اصول علمی مورد ارزیابی قرار داد.
آشنایی با مزایای صنایع کوچک، ما را با اهمیت و جایگاه شهرکها و نواحی صنعتی آشنا خواهد کرد.
شرکت های کوچک از انعطاف پذیری بیشتری برخوردار بوده و کار آفرینی، خلاقیت و نوآوری بیشتری در آنها صورت میپذیرد. این شرکت ها راحتتر میتوانند خود را با تغییرات پرشتاب محیطی تطابق داده و نسبت به مولفه های محیطی همچون عوامل اقتصادی، اجتماعی، تکنولوژیکی، سیاسی و قانونی سریعتر واکنش نشان دهند.
علاوه براین صنایع کوچک عامل جذب و اشتغال بخش عظیمی از جمعیت کشورها و آموزش و تربیت نیروی کار ماهر هستند. تامین نیروی انسانی متخصص برای شرکت های بزرگ ، غالبا ً توسط صنایع کوچک صورت می گیرد . این مسئله به صورت یکی از مشکلات کنونی این گونه بنگاه ها درآمده است، زیرا غالب افراد متخصص پس از کسب تجربه در شرکت های کوچک ، جذب صنایع بزرگتر و جذابتر می شوند.
از آنجا که صنایع کوچک در مقایسه با صنایع بزرگ، باسرمایه کمتری می توانند ایجاد اشتغال کنند، تعداد مشاغلی که این دسته از شرکت ها ایجاد می کنند بیشتر از شرکت های بزرگ است.
جذب و پذیرش کارکنان با شرایط خاص در این بنگاهها با سهولت بیشتتری صورت می گیرد. این شرکت ها توانسته اند امکان اشتغال برای افراد جوان، سالمندان، زنان، کارکنان پاره وقت و حتی افراد معلول نیز فراهم کنند.
در این گونه بنگاه ها به راحتی می توان بدون نیاز به برنامه ریزی و تغییرات گسترده در ساختار، گروه های میان وظیفه ای یا گروه های کاری با ترکیبی از متخصصان مختلف را گردهم آورد.
هزینهی بیرون آمدن از صنعت برای این گونه شرکتها در مقایسه با شرکتهای بزرگ کمتر است از این رو بسیاری از کشورهای جهان توجه خاصی به این گروه از بنگاه ها دارند و با مطالعه و بررسی در مورد مسائل و مشکلات آنها سعی در استفاده از مزیتهای گوناگونی دارند که این شرکتها ایجاد میکنند. در این راستا فراهم کردن محیط یا بستر توسعهی صنعتی، نخستین الزام در گذار به توسعهی این نوع صنایع میباشد. حرکت در این مسیر در گروی اجرای فرآیند (شناخت، برنامهریزی، اقدام و اصلاح ) به صورت مستمر و دورهای میباشد.
لذا شهرک های صنعتی نقشی اساسی در پیشبرد مقاصد شرکت شهرک های صنعتی استان ها و به دنبال آن سازمان صنایع کوچک و شهرک های صنعتی کشور ایفا می کند. لذا با شناخت آماری شهرکها و رتبه بندی آنها و مقایسه نتایج حاصله با اهداف و چشم اندازهای شرکت، امکان بررسی عملکردی، میسر میگردد که آن هم به نوبهی خود در جهت تدوین راهکارهای موثر برای حرکت در مسیر توسعه بخش صنعت به کار میآید. بدیهی است که وجود کارایی مناسب در شرکت شهرکهای صنعتی هر استان ، موجب بهبود وضعیت سازمان خواهد شد و این مهم جز با ارزیابی دقیق و صحیح واحد های تحت پوشش میسر نخواهد شد.
1-4- فرضیات تحقیق
از آنجایی که هدف ارزیابی عملکرد و کارایی شرکت های گاز استانی با مدل ترکیبی Neuro-DEA یا برخی تکنیک های آماری می باشد لذا این تحقیق فاقد فرضیه می باشد.
1-5- اهداف اساسی از انجام تحقیق
هدف اولیه این تحقیق طراحی و تبیین مدل ارزیابی عملکرد و کارایی شهرکهای صنعتی استان مازندران می باشد.از دیگر اهداف تحقیق می توان به موارد زیر اشاره کرد:
تعیین معیار های ارزیابی عملکرد شهرک های صنعتی.
اندازه گیری کارایی شهرک های صنعتی و تعیین واحد های کارا ناکارا.
کمک به بهینه سازی شرکت شهرک های صنعتی استان مازندران از طریق نظام ارزیابی عملکرد و رتبه بندی شهرک های صنعتی استان.
1-6- محدودیتهای انجام تحقیق
در این پژوهش، هدف ارزیابی عملکرد شهرک های صنعتی استان مازندران به عنوان مهمترین زیرمجموعه شرکت شهرک های صنعتی این استان است که از محدودیت های بزرگ بر سر راه این تحقیق مشکلات عدیده در متقاعد کردن مدیران و مسئولین ستادی جهت در اختیار گذاشتن اطلاعات مربوط به برخی از معیارها می باشد که بالاجبار این معیارها حذف شدهاند . از دیگر محدودیت های این تحقیق تعداد اندک واحدهای مورد بررسی (25 شهرک) در مقایسه با تعداد ورودیها و خروجیها می باشد و این امر باعث می شود مدل تحلیل پوششی داده ها در تفکیک پذیری شرکت ها از نظر کارایی ضعیف عمل کند که با بکارگیری مدلها و تکنیکهای ترکیبی شبکههای عصبی مصنوعی و تحلیل پوششی دادهها در نهایت جواب های قابلقبولی حاصل می گردد. همچنین عدم ثبت دقیق اطلاعات مربوط به امکانات زیر بنایی در برخی از شهرک ها تنها بخشی از محدودیتهای تحقیق به شمار می رود.
1-7- محتوای تحقیق
در فصل بعدی پیشینه ای از ارزیابی عملکرد و تحلیل پوششی داده ها و شبکه های عصبی آورده شده است و کلیات این روشها مطرح گردیده است همچنین مروری بر پژوهشهای انجام شده با رویکرد Neuro-DEA آورده شده است فصل سوم شامل روش تحقیق انجام گرفته می باشد و به تفصیل درباره الگوریتم استفاده شده و مدلهای DEA و شبکه عصبی استفاده شده در این الگوریتم بحث میکند. فصل چهارم به حوزهی تحقیق میپردازد و نتایج و یافته های تحقیق نیز در این فصل آورده شده است. در نهایت فصل پنجم به نتیجه گیری و پیشنهاداتی برای تحقیقات آتی اختصاص یافته است.
فصل سوم:
روش تحقیق
3-1-مقدمه
زمانی که به علت وجود منابع، فعالیتها و عوامل محیطی متفاوت، دادهها و ستادههای متعددی وجود داشته باشد، دیگر مقیاس معمولی کارایی، یعنی خروجی تقسیم بر ورودی منسب نیست. به طور کلی الگوهای متفاوت فعالیت در واحدهای گوناگون در مقادیر متفاوت داده، مقایسهی کارایی واحدهای تصمیمگیری (DMU) را با فرمول معمولی کارآیی غیرممکن یا مشکل میکند.[4]
لذا با توجه به ماهیت عمل، نوع، تعداد ورودیها و خروجیها و وجود واحدهای تصمیمگیری مستقل همگن با ورودیها و خروجیهای متعدد با واحدهای اندازهگیری متفاوت، استفاده از انواع مدلها و تکنیکهای تحلیل پوششی دادهها جهت ارزیابی عملکرد و اندازهگیری کارایی نسبی شهرکهای صنعتی ضروری است.
تحقیق حاضر از نظر هدف، تحقیقی کاربردی است. به دلیل اینکه مدل Neuro-DEA به صورت اجرایی در یک سازمان مورد استفاده قرار میگیرد.
3-2- جامعه آماری
جامعه آماری این پژوهش، کلیه شهرک های صنعتی استان مازندران میباشد.
3-3- شیوه گردآوری اطلاعات
کلیه دادههای مورد نیاز مدلها از واحد آمار و اطلاعات شرکت شهرکهای صنعتی استان مازندران جمعآوری گردید. تمامی اطلاعات به تفکیک هر شهرک صنعتی برای دو سال متوالی 90 و 91 در نظر گرفته شده است.
3-4- مراحل انجام تحقیق
بررسی و مطالعه موردی این تحقیق شهرکهای صنعتی استان مازندران میباشد که تمامی 25 شهرک صنعتی واقع در این استان مورد ارزیابی عملکرد قرار گرفته است. در خصوص تعیین شاخصها و نوع متغیرهای ورودی خروجی از نظر کارشناسان، مهندسین و متخصصین اطلاع حاصل شد. قابل ذکر است که در رابطه با تعیین شاخصهای ورودی خروجی ابتدا به پژوهشهای مرتبط با ارزیابی کارایی شهرک های صنعتی مراجعه شد که مشخص شد تنها یک پژوهش در این حوزه اجرا شده است و شاخصهای ورودی خروجی در نظر گرفته شدهی آن ملاحظه گردید.
جدول 3-1- شهرکهای صنعتی مورد بررسی و مطالعه پژوهش
ردیفشهرک صنعتی1 آمل2 سواد کوه(بشل)3 ساری4شهدای محمود آباد (تشبندان)5شهرک صنعتی بابل (بندپی)6شهرک صنعتی سلمانشهر7شهرک صنعتی منصور کنده8شهرک صنعتی جویبار9شهرک صنعتی نکا10شهرک صنعتی نور(چمستان)11شهرک صنعتی بهشهر12شهرک صنعتی پل سفید (شورمست)13شهرک صنعتی بابلکنار14شهرک صنعتی بابکان15شهرک صنعتی رستمکلا16شهرک صنعتی کیاسر17شهرک صنعتی ساری 218چالوس (مرزن آباد)19جمشیدآباد20شهرک صنعتی لاریجان21نوشهر22شهرک صنعتی دودانگه23شهرک صنعتی کجور24بلده25بابلسر
در خصوص مدل و تکنیکهای ارزیابی و اندازهگیری کارآیی با استفاده از رویکرد منتخب، متغیرهای مدل تعریف و مدل پارامتری طراحی گردید. تعداد شرکتهای صنعتی مورد بررسی و مطالعه پژوهش عبارتند از: 25 تا 1j= که در جدول (3-1) نشان داده شده است.
شیوه نرمال سازی
روش بی مقیاس سازی نرم اعداد در این پژوهش مورد استفاده قرار گرفته است که به صورت زیر میباشد.
nij=riji=1mrij2 (3-1)
که در آن:
=nijمقدار نرمالایز شده مربوط به معیار j و واحدi
=rijمقدار اولیه مربوط به معیار j و واحدi
3-5-مدلهای تحلیل پوششی دادهها
در فصل قبل پیشینهی DEA مورد بحث قرار گرفت . همانگونه که در معرفی اجمالی این روش اشاره شد، تحلیل پوششی داده ها دارای انواع مدلها می باشد که در ذیل به شرح آن میپردازیم.[16]
3-5-1- مدلهای ورودیمحور
3-5-1-1- مدل مضربی CCR ورودی محور
تبدیل مدل نسبت خروجیها موزون مجموعورودیها موزون مجموع =کارایی، که در فصل قبل به تفصیل معرفی گردید به یک مدل برنامه ریزی خطی به روش چارنز کوپر، به مدل زیر میانجامد:
maxz=r=1suryro (3-2)
subject to
r=1suryrj-vixij≤0
i=1mvixij=1
ur,vi≥ε≥0
m:تعداد ورودیهای هر DMU
s :تعداد خروجیهای هر DMU
n :تعداد DMU ها
yrj: rامین خروجی DMU jام
xij :i امین ورودی DMU jام
ur:وزن خروجی rام
vi: وزن خروجی rام
مدل های ورودی محور مدلهایی هستند که با ثابت نگه داشتن خروجیها، ورودیها را کاهش میدهند
3-5-1-2- مدل پوششی CCR ورودیمحور
چارنز و کوپر در ساخت مدل تحلیل پوششی داده ها به یک رابطهی تجربی در ارتباط با واحدهای مورد ارزیابی و تعداد ورودی و خروجی ها به صورت زیر رسیدهاند:
(تعداد خروجیها + تعداد ورودیها)3≥تعداد واحد های مورد ارزیابی
عدم به کارگیری رابطه فوق در عمل موجب میشود که تعداد زیادی از واحدها بر روی مرز کارا قرار گرفته و به عبارت دیگر دارای امتیاز کارایی یک گردند. لذا قدرت تفکیک مدل به این ترتیب کاهش مییابد.
از آنجایی که برای هر واحد باید محدودیت نوشته شود به این ترتیب مدل برنامه ریزی خطی به دست میآید که تعداد محدودیتهای آن از تعداد متغیرهایش بیشتر است و از آنجا که حجم عملیات در حل سیمپلکس بیشتر وابسته به تعداد محدودیتها است تا متغیرها لذا حل مسئله پوششی که مسأله ثانویه مدل مضربی نیازمند حجم عملیات کمتری است.
minθ -εi=1msi-+r=1ssr+ (3-3)
subject to
j=1nxijλj+ si-=θxio i=1,2, . . . , m;
j=1nyrjλj+ sr+=yro r=1,2, . . . , s;
λj≥0 j=1,2, . . . , n
دقت کنید که در مدل اولیه m ورودی وs خروجی و n واحد وجود داشت که بر این اساس مساله ثانویه دارای (n+1) متغیر است که تعداد محدودیت آن کمتر از مساله اولیه بوده و حل آن مستلزم حجم عملیات کمتری است .
3-5-2-مدلهای خروجیمحور
همانطور که قبلاً اشاره شد کارایی را می توان از دو دیدگاه تمرکز بر ورودیها (نهادهها) و خروجیها(ستادهها) مورد بررسی قرار داد.
چارنز، کوپر و رودز(1981) کارایی را با توجه به دو دیدگاه به صورت زیر تعریف کردند:
در یک مدل ورودی محور، یک واحد در صورتی ناکارا است که امکان کاهش هر یک از ورودیها بدون افزایش ورودیهای دیگر یا کاهش هر یک از خروجیها وجود داشته باشد.
در یک مدل خروجی محور، یک واحد در صورتی ناکاراست که امکان افزایش هر یک از خروجیها بدون افزایش یک ورودی یا کاهش یک خروجی دیگر وجود داشته باشد.
یک واحد وقتی کارا خواهد بود، اگر و فقط اگر هیچ کدام از دو مورد فوق امکان تحقق نیابد. کارایی کمتر از یک برای یک واحد بدین معنی است که ترکیب خطی واحدهای دیگر میتواند همان مقدار خروجی را با به کارگیری ورودیهای کمتر ایجاد کنند.
3-5-2-1-مدل مضربی CCR خروجی محور
همانطور که در بخش قبل اشاره شد، هدف مدل کسب بیشترین مقدار خروجی است.
minq=i=1mvixio (3-3)
subject to
i=1mvixij-r=1suryrj≥0
r=1sμryro=1
μr,vi≥ε≥0
3-5-2-2- مدل پوششی CCR خروجی محور
maxφ+εi=1msi-+r=1ssr+ (3-4)
subject to
j=1nxijλj+ si-=xio i=1,2, . . . , m;
j=1nyrjλj- sr+=φyro r=1,2, . . . , s;
λj≥0 j=1,2, . . . , n.
3-6- ارزیابی و تحلیل کارایی شرکت شهرکهای صنعتی با رویکرد تحلیل پوششی دادهها(DEA) (مدل مضربی CCR خروجیمحور)
رویکرد دوازده ورودی و چهار خروجی با دیدگاه بازده به مقیاس ثابت
در این رویکرد جهت اندازهگیری کارایی شرکت ها از یک مدل مضربی CCR خروجی محور استفاده میکنیم. در این مدل مساحت شهرک، وضعیت آب تامین شده، وضعیت برق تامین شده، گاز، مخابرات و اینترنت ، ظرفیت تصفیه خانه فاضلاب، فاصله تا بندر، فاصله تا ایستگاه راهآهن، فاصله تا فرودگاه، فاصله تا مرکز شهرستان، فاصله تا مرکز استان، فاصله تا مرکز کشور به عنوان ورودیهای هر شهرک در نظر گرفته میشوند. همچنین تعداد قراردادهای منعقده، تعداد واحدهای بهره بردار شهرک، اشتغال و سرمایه به عنوان خروجیهای هر شهرک تلقی میشوند.
شکل 3-1- ورودی و خروجیهای شهرک صنعتی jام
118110014605مساحت شهرک، وضعیت آب تامین شده، وضعیت برق تامین شده، گاز، مخابرات و اینترنت ، ظرفیت تصفیه خانه فاضلاب، فاصله تا بندر، فاصله تا ایستگاه راهآهن، فاصله تا فرودگاه، فاصله تا مرکز شهرستان، فاصله تا مرکز استان، فاصله تا مرکز کشور00مساحت شهرک، وضعیت آب تامین شده، وضعیت برق تامین شده، گاز، مخابرات و اینترنت ، ظرفیت تصفیه خانه فاضلاب، فاصله تا بندر، فاصله تا ایستگاه راهآهن، فاصله تا فرودگاه، فاصله تا مرکز شهرستان، فاصله تا مرکز استان، فاصله تا مرکز کشور2506345589915268287515240شهرک صنعتیjام00شهرک صنعتیjام3249295590550342582516815تعداد قراردادهای منعقده، تعداد واحدهای بهره بردار شهرک، اشتغال و سرمایه00تعداد قراردادهای منعقده، تعداد واحدهای بهره بردار شهرک، اشتغال و سرمایه
مدلسازی ریاضی
جدول 3-2- مشخصههای متغیرهای تصمیم
اندیسشرح دامنهJشماره شهرک صنعتی مورد بررسی1و2و...و25Iشماره ورودی هر شهرک صنعتی1و 2و...و12Rشماره خروجی هر شهرک صنعتی1و2و3و4
در جدول3-3- پارامترهای مدل بر حسب مشخصههای تعریف شده
نام پارامترشرحXijمقدار ورودی iام از شهرک صنعتی jامYrjمقدار خروجی rام از شهرک صنعتی jام
در جدول 3-4- متغیرهای تصمیم
نام پارامترشرحUrوزن(اهمیت) داده شده به خروجی rامViوزن(اهمیت) داده شده به ورودی iام
آنچنان که گفته شد در این رویکرد هر مدل دارای دوازده متغیر ورودی، سه متغیر خروجی و بیست و شش محدودیت میباشد که برای رسیدن به جواب باید به ازای هر شهرک صنعتی یک مدل حل شود.
3-7- روش اندرسون-پیترسون برای رتبه بندی واحدهای کارا
همانطور که در ادبیات مربوط به فصل دوم بحث شد جهت رتبه بندی واحدهای کارا میتوان از تکنیک اندرسون-پیترسون استفاده کرد. که به صورت زیر انجام میگیرد:
قدم اول: مدل مضربی یا پوششی CCR را برای واحد های تحت بررسی حل کنید تا واحدهای کارا و غیرکارا مشخص شوند.
قدم دوم: فقط واحدهای کارایی که امتیاز آنها در قدم اول معادل یک شده را در نظر بگیرید و از مجموعه محدودیت قدم اول، محدودیت مربوط به آن واحد را حذف و دوباره مدل را حل کنید. از آنجا که در قدم دوم محدودیت مربوط به واحد تحت بررسی که حد بالای آن عدد یک میباشد حذف میشود مقدار کارایی میتواند بیش از یک گردد. به این ترتیب، واحدهای کارا با امتیازاتی بالاتر از یک رتبه بندی میگردند.
لذا با توجه به مراحل گفته شده در این روش مدل AP مربوط به واحد چهار در سال 84 که از واحدهای کارا است به صورت زیر میباشد:[2]
min=+73*v1+v2+v3+v4+v5+0*v6+80*v7+69*v8+80*v9+5*v10+95*v11+200*v12; (3-5)
170*u1+56*u2+1754*u3+1208*u4=1;
-94*v1-v2-v3-v4-v5-v6-95*v7-40*v8-89*v9-5*v10-80*v11-111*v12+239*u1+223*u2+8230*u3+2509*u4<=0;
-133*v1-v2-v3-v4-v5-0*v6-81*v7-10*v8-58*v9-11*v10-45*v11-236*v12+208*u1+114*u2+3413*u3+1921*u4<=0;
-82*v1-v2-v3-v4-v5-v6-40*v7-20*v8-12*v9-27*v10-27*v11-265*v12+207*u1+122*u+2487*u3+1173*u4<=0;
-99*v1-v2-v3-v4-v5-v6-120*v7-45*v8-100*v9-18*v10-65*v11-250*v12+154*u1+87*u2+2308*u3+916*u4<=0;
-55*v1-v2-v3-v4-v5-v6-30*v7-170*v8-30*v9-6*v10-186*v11-225*v12+108*u1+67*u2+1957*u3+1159*u4<=0;
-26*v1-v2-v3-v4-v5-0*v6-85*v7-30*v8-55*v9-3*v10-48*v11-235*v12+107*u1+67*u2+1261*u3+490*u4<=0;
-64*v1-v2-v3-v4-v5-0*v6-52*v7-30*v8-35*v9-3*v10-30*v11-275*v12+106*u1+59*u2+1315*u3+421*u4<=0;
-69*v1-v2-v3-0*v4-v5-0*v6-20*v7-30*v8-20*v9-5*v10-32*v11-280*v12+86*u1+36*u2+1115*u3+807*u4<=0;
-26*v1-v2-v3-v4-v5-v6-70*v7-110*v8-70*v9-30*v10-120*v11-240*v12+78*u1+58*u2+1308*u3+431*u4<=0;
-116*v1-v2-v3-v4-v5-v6-35*v7-75*v8-35*v9-5*v10-55*v11-330*v12+75*u1+42*u2+1543*u3+616*u4<=0;
-23*v1-v2-v3-0*v4-v5-v6-120*v7-0*v8-100*v9-50*v10-90*v11-175*v12+55*u1+34*u2+1065*u3+648*u4<=0;
-15*v1-v2-v3-v4-v5-v6-110*v7-45*v8-80*v9-20*v10-74*v11-235*v12+51*u1+38*u2+785*u3+223*u4<=0;
-18*v1-v2-v3-v4-v5-v6-110*v7-45*v8-80*v9-5*v10-87*v11-210*v12+51*u1+38*u2+882*u3+474*u4<=0;
-27*v1-v2-v3-0*v4-v5-0*v6-65*v7-12*v8-35*v9-8*v10-33*v11-260*v12+49*u1+8*u2+83*u3+31*u4<=0;
-31*v1-v2-v3-0*v4-v5-0*v6-124*v7-60*v8-94*v9-60*v10-65*v11-320*v12+49*u1+21*u2+459*u3+163*u4<=0;
-32*v1-v2-v3-v4-v5-0*v6-40*v7-25*v8-100*v9-23*v10-23*v11-270*v12+46*u1+32*u2+984*u3+1138*u4<=0;
-22*v1-v2-v3-0*v4-v5-0*v6-25*v7-145*v8-25*v9-25*v10-190*v11-185*v12+41*u1+22*u2+307*u3+199*u4<=0;
-14*v1-v2-v3-v4-v5-0*v6-85*v7-55*v8-90*v9-3*v10-80*v11-190*v12+38*u1+26*u2+926*u3+206*u4<=0;
-21*v1-v2-v3-0*v4-v5-0*v6-180*v7-130*v8-123*v9-85*v10-175*v11-90*v12+28*u1+11*u2+286*u3+74*u4<=0;
-11*v1-v2-v3-v4-v5-0*v6-7*v7-165*v8-10*v9-5*v10-150*v11-210*v12+10*u1+6*u2+81*u3+26*u4<=0;
-18*v1-v2-v3-0*v4-v5-0*v6-115*v7-60*v8-85*v9-0*v10-70*v11-200*v12+6*u1+4*u2+52*u3+39*u4<=0;
-26*v1-v2-v3-0*v4-v5-0*v6-50*v7-215*v8-50*v9-50*v10-210*v11-260*v12+5*u1+3*u2+43*u3+2*u4<=0;
-4*v1-v2-v3-v4-v5-0*v6-115*v7-145*v8-115*v9-65*v10-170*v11-200*v12+3*u1+0*u2+0*u3+0*u4<=0;
-44*v1-0*v2-v3-0*v4-v5-0*v6-0*v7-145*v8-115*v9-0*v10-62*v11-165*v12+42*u1+1*u2+10*u3+3*u4<=0;
در هر سال باید به تعداد شهرکهای کارا مدل ایجاد کرد یعنی 16 مدل در سال 90 و 17 در سال 91 ، که با توجه به تعداد واحدهای تصمیم گیرنده و اینکه در هر مدل محدودیت مربوط به همان واحد تصمیمگیرنده حذف میشود در هر مدل 25 محدودیت داریم.
3-8- دلایل استفاده از مدل CCR در مقایسه با مدل BCC
بازده نسبت به مقیاس بیانگر ارتباط بین تغییرات ورودیها و خروجیهای یک سیستم تولیدی، خدماتی یا یک بنگاه است.[5]
اگر بازگشت نسبت به مقیاس ثابت (CRS)باشد ، یعنی با افزایش یک واحد ورودی، یک واحد
خروجی افزایش مییابد و کارایی با تغییر حجم تولید تغییر نمی کند. اگر یک تکنولوژی تولید دارای (بازگشت نسبت به مقیاس متغیر باشد، بر امکان تأثیر حجم تولید بر کارایی دلالت میکند و میتوان نتیجه گرفت که برخی ناکاراییهای موجود، ناشی از بهینه نبودن حجم تولید است.[4] در حالت بازگشت به مقیاس ثابت از مدل CCR و در بازگشت به مقیاس متغیر از مدل BCC استفاده میکنیم.
در این پژوهش با مطالعه بر روی میزان ورودیها و خروجیهای شهرکها این نتیجه حاصل شد که نسبت تغییر خروجیها به ورودیها تقریباً از مقدار ثابتی پیروی میکند بنابراین از مدل BCC استفاده نشده است. برای استدلال تبعیت نسبت تغییرات خروجیها به ورودیها از روش زیر استفاده شده است:[2]
90 به 91سال در j صنعتی شهرک ی ورودیها تغییرات درصد - = 91 سال در ورودی های شاخص به مربوط نرمال دادههای مجموع90 سال در ورودی های شاخص به مربوط نرمال دادههای مجموع
(3-6)
91 سال در خروجی های شاخص به مربوط نرمال دادههای مجموع90 سال در خروجی های شاخص به مربوط نرمال دادههای مجموع - = 90 به 91سال در j صنعتی شهرک ی خروجیها تغییرات درصد
(3-7)
با توجه به به نسبت ها بالا درصد تغییرات ورودیها و خروجیهای هر شهرک صنعتی در جدول (3-6) آورده شده است. همانطور که دیده میشود درصد تغییر ورودی و درصد تغییر خروجی برای هر شهرک از مقدار ثابتی پیروی میکند. در نتیجه بازده نسبت به مقیاس ثابت میباشد و در مورد تکنولوژی بازده نسبت به مقیاس پابت از مدل CCR استفاده میگردد.
3-9- دلایل استفاده از مدل خروجی محور در مقایسه با مدل ورودی محور
همانطور که در معرفی تفصیلی DEA در فصل سوم اشاره شد مدلهای ورودی محور مدلهایی هستند که هدفشان مینیمم سازی ورودیها به شرط تولید حداقل خروجی مورد انتظار است و مدلهای خروجی محور مدلهایی هستند که سعی در ماکزیمم سازی خروجی دارند در حالی که از هیچ ورودی، بیش از مقدار مشاهده شده استفاده نمیکند.[1] با توجه به اینکه در شهرکهای صنعتی اکثر ورودیها از قبل وارد سیستم شده و مقدار مشخص و ثابتی دارد لذا هدف افزایش تعداد قراردادهای منعقده و سرمایه گذاری و اشتغال و واحدهای بهره بردار در هر شهرک یا به عبارتی ماکزیمم سازی خروجی میباشد.
3-10- ساختار شبکه
جهت ساخت مدل Neuro-DEA از یک شبکه عصبی پیشخور بسیار معروف و متداول استفاده مینماییم. شبکه عصبی مدل Neuro-DEA یک پرسپترون 4 لایه با الگوریتم پس انتشار خطاست که دارای یک لایهی خروجی و سه لایه پنهان میباشد. تابع تبدیل لایه خروجی یک تابع خطی میباشد و تابع تبدیل بقیهی لایهها تابع تانژانت سیگموئیدی میباشد. در این شبکه، ورودیهای شبکه شامل مجموع ورودیها و خروجیهای هر DMU میباشد و خروجی مورد انتظار شبکه، کارایی هر DMU یا رتبهی آن خواهد بود.
الگوریتم لونبرگ- مارکوارد
ما در این پژوهش سریع ترین الگوریتم کارایی یعنی الگوریتم LM را به کار بردهایم. این الگوریتم نیازی به محاسبه ماتریس هشین ندارد و به وسیله ماتریس ژاکوبین آن را تقریب میزند[Hangan & Menhaj, 1994 ] لازم به ذکر است که هنگامی که ماتریس ژاکوبین دارای ابعاد بزرگی باشد مشکلاتی از نظر محاسباتی رخ میدهد، البته روشهایی وجود دارد که بر اساس آن نیازی یه محاسبه تنامی عناصر ژاکوبین نیست.[2]
در مطلب تابع trainlm یکی از پر کاربردترین توابع یادگیری است که بر اساس یادگیری LM توسعه یافته است.[13]
جدول3-5-ساختار شبکه مورد استفاده در الگوریتمNeuro-DEA
پارامترها ساختار شبکه1 12 12 12 توابع فعالسازی:پنهان/خروجیتانژانت هیپربولیک/خطیالگوریتم یادگیریلونبرگ- مارکواردتکرارها(ماکزیمم) 7میانگین مربعات خطا0.003
جدول3-6- درصد تغییرات ورودیها و خروجیهای هر شهرک صنعتی
3-11- الگوریتم تحلیل کارایی
گام اول : جمعآوری اطلاعات مربوط به ورودیها و خروجیهای هر DMU
در تحلیل کارایی شرکت ها تعیین ورودیها و خروجیها اهمیت ویژهای دارد، زیرا هر شرکت دارای ورودی و خروجیهای بسیار متعددی است که در نظر گرفتن تمامی یا تعداد زیادی از آن مشکلاتی را ایجاد میکند.
گام دوم: محاسبه کارایی تمامی DMUها از طریق مدل CCR
در این مرحله دادههای لازم برای آموزش شبکه فراهم میشود.
گام سوم : آموزش شبکه
در این مرحله شبکهی عصبی با استفاده از دادههای واحدهایی که در گام قبل انتخاب شدند آموزش داده میشوند.
گام چهارم: اگر با ارائه دادههای آموزشی نتیجه مورد نظر حاصل شد (معیار خطا به میزان مورد نظر کاهش یافت) به گام بعد می رویم و در غیر این صورت به گام سوم برمیگردیم تا الگوی آموزش شبکه کامل شود.
گام پنجم: محاسبهی کارایی تمامی DMUها با استفاده از شبکهی عصبی آموزش یافته.
گام ششم: مقایسه بین نتایج حاصل از مدل DEA و Neuro-DEA
شکل3-2- فلوچارت الگوریتم تحلیل کارایی
27209751057152372360-345770شروعشروع
215066930251جمعآوری دادههای هر DMU00جمعآوری دادههای هر DMU
2724785841501908607404292محاسبه کارایی واحدها با استفاده از مدلهای DEA00محاسبه کارایی واحدها با استفاده از مدلهای DEA
272034013622002231136393168آموزش شبکه0آموزش شبکه
272694430698400
1841500300685آیا نتیجه مورد نظر حاصل شدهاست00آیا نتیجه مورد نظر حاصل شدهاست
27279102489960
190860797104محاسبه کارایی تمامی واحدها 00محاسبه کارایی تمامی واحدها
272059412075200
1908607173025تحلیل نتایج حاصل از شبکه و DEA00تحلیل نتایج حاصل از شبکه و DEA
272758032103100
2252040257810پایانپایان
منابع فارسی
[1] کوپر،ویلیام، سیفورد، لورنس، کوراتن، "تحلیل پوششی دادهها مدلها و کاربردها"، ترجمه سید علی میرحسنی، انتشارات دانشگاه صنعتی امیرکبیر(پلی تکنیک تهران)، چاپ سوم، بهار91
[2] اجلی قشلاجوقی، مهدی، "ارزیابی عملکرد و کارایی شرکتهای گاز استانی با مدل ترکیبی شبکههای عصبی مصنوعی و تحلیل پوششی دادهها ( (Neuro-DEA" پایان نامه کارشناسی ارشد مدیریت صنعتی، دانشکده مدیریت دانشگاه تهران ، 1387
[3] احمدوند،علی محمد کشوری، عبدالرحمن، نیکوکار،غلامحسین، حاتمی،حمیدرضا، صادقی مال امیری، منصور،"طراحی الگوی ارزیابی عملکرد برنامههای راهبردی تحقیقات دفاعی سپاه( بارویکرد تحقیقات دفاعی نرم)" مجله سیاست دفاعی، سال نوزدهم، شماره 74، بهار1390.
[4] مؤمنی، منصور(1385)، مباحث نوین تحقیق در عملیات، چاپ اول، تهران، انتشارات دانشکده مدیریت دانشگاه تهران.
[5] مهرگان،محمدرضا(1383) مدلهای کمی در ارزیابی عملکرد سازمانها(DEA) انتشارات دانشکدهی مدیریت دانشگاه تهران، چاپ اول.
[6]منهاج، محمدباقر(1384)، مبانی شبکههای عصبی، جلد اول، انتشارات دانشگاه صنعتی امیرکبیر،چاپ سوم،تهران
[7]مهرگان، محمدرضا؛ فراست، علیرضا و امین کامیاب مقدس (1385)، "تحلیل کارایی فنی پالایشگاههای نفت کشور با استفاده از مدل ترکیبی شبکههای عصبی و تحلیل پوششی دادهها(Neuro-DEA )" پژوهشنامه علوم انسانی و اجتماعی، سال ششم، شماره بیست و سوم.
[8] صفری، سعید(1381) مدلسازی تعالی سازمانی با رویکرد تحلیل پوششی دادهها، رساله دکتری، دانشگاه تربیت مدرس.
[9] امیر تیموری، حمزه (1383)، اندازه گیری کارایی شرکتهای گاز با استفاده از تحلیل پوششی دادهها(DEA)
[10]علیرضایی،محمدرضا و نصرالله علمدار(1377) ارزیابی عملکرد نیروگاههای بخاری، گازی و آبی و تعیین کارایی تکنیکی آنها به کمک تحلیل پوششی دادهها، سیزدهمین کنفرانس بین المللی برق.
[11] اکبر مکی ،پیش بینی قیمت طلا با استفاده از رویکرد شبکه عصبی ، پایان نامه کارشناسی ارشد رشته مهندسی سیستمهای اقتصادی-اجتماعی، دانشکده صنایع دانشگاه علوم و فنون مازندران.1387
[12] پیمان بهرام پور، پیش بینی روزانه نرخ جفت ارز دلار پوند در بازار فاکس با استفاده از شبکه عصبی، پایان نامه کارشناسی ارشد، رشته مهندسی سیستمهای اقتصادی-اجتماعی، دانشکده صنایع دانشگاه علوم و فنون مازندران، زمستان 90
[13] فراست، علیرضا(1386) طراحی و کنترل هوشمند فرایندهای تولیدی: به کار گیری هوش مصنوعی در مهندسی کیفیت، پایاننامه کارشناسی ارشد مدیریت صنعتی دانشکده مدیریت دانشگاه تهران.
[14] http://isipo.ir/?part=menu&inc=menu&id=43
[15] شرکت شهرکهای صنعتی استان مازندران، "معرفی شهرکها و نواحی صنعتی استان مازندران"،1391
منابع انگلیسی
[16] William W. Cooper l Lawrence M. Seiford Joe Zhu, "Handbook on Data Envelopment Analysis", international series in operations research & Management Science, Second Edition,2011.
[17] Tai-Ming Ben, Kuan-Fei Wang," Interaction Analysis among Industrial Parks, Innovation Input,and Urban Production Efficiency" Asian Social Science Vol. 7, No. 5; May 2011
[18] Desheng(Dash) Wu , Zijiang Yang ,Liang Liang," Using DEA-neural network approach to evaluate branch efficiency of a large Canadian bank", Expert Systems with Applications 31 (2006) 108–115
[19] Porter, M. (2000). Location competition and economic development: local clusters in a global economy. Economic Development Quarterly, 14(1), 15-24.
[20] Storper, M. (1995). The resurgence of regional economies, ten years later: the region as a nexus of untraded interdependencies. European Urban and Regional Studies, (3), 191-221.
[21] Storper, M. (1997). The regional world: territorial development in a global economy. New York: Guilford Press,(Chapter 7).
[22]Markusen, A. (1996). Sticky places in slippery space. Economic Geography, 72(3), 293-313.
[23] Cainelli, G. (2008). Spatial agglomeration, technological innovations, and firm productivity: evidence from Italian industry districts. Growth and Change, 39(3), 414-435.
[24] Higashi, H. (1995). The technologies in Japan: its past and its future. Industry and Higher Education, 357-364.
[25] Wang S.(2003) Adaptive non-parametric efficiency frontier analysis : A neural network – based model, computers and operation research,30,p279-295.
[26]Pendharkan P.C, Rodger J.A(2003) Technical efficiency-based selection of learning cases to improve forcasting accuracy of neural networks under monotonicity assumption, decision support systems, 36(1),p117-136
[27] Evangelista, R., Iammarino, S., Mastrostefano, V., & Silvani, A. (2002). Looking for regional systems ofinnovation: evidence from the Italian innovation survey. Regional Studies, 36(2), 173-186.
[28] Principles of Artificial Neural Networks (2nd Edition) by D Graupe 2007
[29] Casta, A. and Harkellas, R.N (1997). “Evaluating public transport efficiency with Neural Network models.”. Transportatior research, c 5, PP. 301-312.
[30] Fleissing A. Kaston R., Terrel (2000). “Evaluating the semi-nonparametric fourier, aim, and neural networks cost function.” Economics Letter, 68(3), PP. 235-244.
[31] Athanassopoulos & Curram,1996, A comparison of data envelopment analysis and artificial neural network as tool for assessing the efficiency of decision making units, Journal of the operation research societly, 47, p1000
[32] Santin, D. and Delgado, F.J. (2004). “The measurement of rechnical efficiency: a neural network approach.”Applied Economic, 36, PP. 627, 635.
[33] Celebi, D. and Bayraktar, D. (2007). “An integrated neural network and data envelopment analysis for supplier evaluation under incomplete information.” Expert Systems With Applications, PP. 1-13.
[34] Neto, Luiz.E. and Lins Marcos, P.E (2004). “Neural data envelopment analysis: A simulation.” InternationalJournal of Industrial Engineering, Vol. 11, No. 1, PP. 14-24. of management of Tehran University, 1stEdition
[35] Shalkef, G.r. (2003). Artificial Neural Networks, Publishied by Chamran Ahvaz University, 1st Edition.
[36] Vellido, A., Liboa, Pand Vaughan, J,"Neural networks in business: a survey of applications", Expert Systems with Application, 17, PP. 51-70, 1999. Operations researcher.” Computers & Operations Research, 27 , PP. 1023-1044.
[37]Gordon, I., & McCann, P. (2000). Industrial clusters: complexes, agglomeration and/or social Networks. Urban Studies, 37(3), 513-532.
[38] White,G(1996), A survey and taxonomy of strategy-related performance production management, vol.16 No.3, PP42-61.
[38] Neely.A.D., Richard,A.H., Mills,J.F., Platt,K.W., Bourne, M.C.S., Gregory,M. and kennerley,M.(2000), Performance measurement system design: developing and testing a process-based approach, international Journal of operations & production management, Vol.20No. 10, PP19-45
[39] Cattoufi S., Oral Muhittin, (2005) Data envelopment Analysis Literature: A bibliography update, Saio-Economic planning sciences 38, p159-229.
ABSTRACT
Industrial park development is an important policy tool in many countries because the technology growth supported by parks can strengthens the industry and the economy of the country and, statistic recognizing and ranking of industrial parks and zones is essential for improving Industrial park development.in this paper we evaluated efficiency of 25 industrial parks in one of the province of Iran using DEA, CCR output oriented and also the rate of DMUs using AP model for efficient DMUs in 2011-2012 and 2012-2013. Then we applied an artificial neural network and used its ability in prediction and analyzed efficiency and rating of DMUs in 2012-2013 using integrated data envelopment analysis (DEA) and artificial neural networks (NNs). Finally, the comparison between these two approaches in 2012-2013 is presented.
Keywords: Data Envelopment Analysis (DEA), Artificial Neural Network (ANN),
Decision-Making Units (DMUs), efficiency, Levenberg-Marquardt (LM) training algorithm, Anderson & Peterson (AP) model
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
قیمت: 49٬000 تومان
