دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات61
تعداد شماره‌ها2,227
تعداد مقالات18,270
تعداد مشاهده مقاله56,108,857
تعداد دریافت فایل اصل مقاله29,068,295
گلزار, ابراهیم, نجفی, سید اسماعیل, عدالت پناه, سید احمد, عزیزی, امیر. (1403). ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب. سامانه مدیریت نشریات علمی, 22(74), 139-174. doi: 10.22054/jims.2024.79619.2918
ابراهیم گلزار; سید اسماعیل نجفی; سید احمد عدالت پناه; امیر عزیزی. "ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب". سامانه مدیریت نشریات علمی, 22, 74, 1403, 139-174. doi: 10.22054/jims.2024.79619.2918
گلزار, ابراهیم, نجفی, سید اسماعیل, عدالت پناه, سید احمد, عزیزی, امیر. (1403). 'ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب', سامانه مدیریت نشریات علمی, 22(74), pp. 139-174. doi: 10.22054/jims.2024.79619.2918
گلزار, ابراهیم, نجفی, سید اسماعیل, عدالت پناه, سید احمد, عزیزی, امیر. ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب. سامانه مدیریت نشریات علمی, 1403; 22(74): 139-174. doi: 10.22054/jims.2024.79619.2918

ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب

مطالعات مدیریت صنعتی
مقاله 4، دوره 22، شماره 74، مهر 1403، صفحه 139-174    اصل مقاله (1.75 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2024.79619.2918
نویسندگان
ابراهیم گلزار1؛ سید اسماعیل نجفی* 2؛ سید احمد عدالت پناه3؛ امیر عزیزی4
1دانشجوی دکتری رشته مهندسی صنایع، دانشکده فنی و مهندسی،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
2دانشیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
3دانشیارگروه ریاضی کاربردی، موسسه آموزش عالی آیندگان، تنکابن، ایران
4استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران
چکیده
ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم‌گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک‌های تحلیل پوششی داده‌ها اسلک محور و الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌شود. مدل پیشنهادی به‌خصوص بر بهبود کارایی با توجه به ستانده‌های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبانی و XGBoost برای پیش‌بینی و بهبود نتایج مدل‌های SBM مورد استفاده قرار گرفته‌اند. این مطالعه شامل ارزیابی 37 واحد تصمیم‌گیری زیرمجموعه شرکت ملی پخش فرآورده‌های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده‌های پیش‌بینی‌شده در مقایسه با داده‌های واقعی است. این تحقیق نه تنها به ارائه دیدگاه‌های جدید در ارزیابی و بهبود کارایی کمک می‌کند، بلکه روش‌های ترکیبی نوآورانه‌ای را برای مقابله با چالش‌های موجود در مدیریت عملیاتی ارائه می‌دهد.
کلیدواژه‌ها
تحلیل پوششی داده‌ها؛ یادگیری ماشین؛ شبکه عصبی مصنوعی؛ ماشین بردار پشتیبان؛ ستانده‌های نامطلوب
مراجع
  1. Alsarraf, J., Moayedi, H., Rashid, A. S. A., Muazu, M. A., & Shahsavar, A. (2020). Application of PSO–ANN modelling for predicting the exergetic performance of a building integrated photovoltaic/thermal system. Engineering with Computers, 36, 633-646.
  2. Amirteimoori, A., Charles, V., & Mehdizadeh, S. (2023). Stochastic data envelopment analysis in the presence of undesirable outputJournal of the Operational Research Society, 74(12), 2619-2632. d 0.1080/01605682.2023.2172366.
  3. Chen, Z., Kourtzidis, S., Tzeremes, P., & Tzeremes, N. (2022). A robust network DEA model for assessment: An application to Chinese Provinces. Operational Research, 22(1), 235-262. sustainability https://doi.org/10.1007/s12351-020-00553-x
  4. Ebrahimnejad, A., & Amani, N. (2021). Fuzzy data envelopment analysis in the presence of undesirable outputs with ideal points. Complex & intelligent systems, 7(1), 379-400. https://doi.org/10.1007/s40747-020-00211-x
  5. Kao, C., & Hwang, S. N. (2021). Measuring the effects of undesirable outputs on the efficiency of production units. European Journal of Operational Research, 292(3),996–1003. https://doi.org/10.1016/j.ejor.2020.11.026
  6. Li, F., Wang, Y., Emrouznejad, A., Zhu, Q., & Kou, G. (2022). Allocating a fixed cost across decision-making units with undesirable outputs: A bargaining game approach. Journal of the Operational Research Society, 73(10), 2309–2325. https://doi.org/10.1080/01605682. 1981781
  7. Liu J, Chen L, Xu W, Feng M, Han Y, Xia T, Geng Z (2023) Novel production prediction model of gasoline production processes for energy saving and economic increasing based on AM-GRU integrating the UMAP algorithm. Energy 26:125536. https://doi. org/10.1016/j.energy.2022.125536
  8. Omrani, H., A. Emrouznejad, M. Shamsi and P. Fahimi (2022) Evaluation of Insurance Companies Considering Uncertainty: A Multi-Objective Network Data Envelopment Analysis Model with Negative Data and Undesirable Outputs, Socio-Economic Planning Sciences, Accepted. https://doi.org/10.1016/ seps.2022.101306
  9. Omrani, H., Shamsi, M., & Emrouznejad, A. (2023). Evaluating sustainable efficiency of decision-making units considering undesirable outputs: an application to airline using integrated multi-objective DEA-TOPSIS. Environment, Development and Sustainability, 25(7), 5899-5930.https://doi.org/10.1007/s10668-022-02285-8.
  10. Omrani, H., Shamsi, M., Emrouznejad, A., & Teplova, T. (2023). A robust DEA model under discrete scenarios for assessing bank branches.Expert systems with applications, 219, 119694
  11. Saeedi Aval Noughabia, F., Malekmohammadi, N., Hosseinzadeh Lotfi, F., & Razavyan, S. (2023). Efficiency decomposition in three-stage network with fuzzy desirable and undesirable output and fuzzy input in data envelopmentInternational Journal of Intelligent Computing and ybernetics, 16(4), 665-696.
  12. Sanchooli, F., Najafi, S. E., Lotfi, F. H., & Sobhani, F. M. (2024). TWO NOVEL ROBUST NETWORK DATA ENVELOPMENT ANALYSIS MODELS TO OBTAIN THE PERFORMANCE SCORE INTERVAL OF MULTI-STAGE SERIES SYSTEMS.International Journal of Industrial Engineering: Theory, Applications and Practice, 31(1).
  13. Tavana, M., Toloo, M., Aghayi, N., & Arabmaldar, A. (2021). A robust cross-efficiency data envelopment analysis model with undesirable outputs. Expert systems with applications, 167, 114117.
  14. Tavassoli, M., & Saen, R. F. (2023). Sustainability measurement of combined cycle power plants: a novel fuzzy network data envelopment analysis model. Annals of Operations Research, 1-41. https://doi.org/10.1007/s10479-023-05170-3
  15. Wang, G., Huang, S. H. (2015). “Product-driven supply chain selection using integrated multi-criteria decision-making methodology," International journal of production economics, vol. 91, no. 1, pp. 1-15,
  16. Zadmirzaei, M., Hasanzadeh, F., Susaeta, A., & Gutiérrez, E. (2024). A novel integrated fuzzy DEA–artificial intelligence approach for assessing environmental efficiency and predicting CO2 emissions. Soft Computing, 28(1), 565-591. https://doi.org/10.1007/s00500-023-08300-y
  17. Zou W, Yang Y, Yang M, Zhang X, Lai S and Chen H (2023) Analyzing efficiency measurement and influencing factors of China’s marine green economy: Based on a two-stage network DEA model.Front. Mar. Sci. 10:1020373. doi: 10.3389/fmars.2023.1020373‌
آمار
تعداد مشاهده مقاله: 1,209
تعداد دریافت فایل اصل مقاله: 886


login