پیش‌بینی کارایی به کمک تأثیرپذیری غیرخطی از تأخیرهای زمانی در تحلیل پوششی داده‌ها با شبکههای عصبی مصنوعی

Abstract

هدف: یکی از شیوه‌های مرسوم ارزیابی کارایی هر سازمان یا بنگاه، مقایسه آن با سایر رقبا یا نمونه‌های متناظر آن است. با این حال، در برخی پژوهش‌ها 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، پیش‌بینی کارایی یک واحد با استفاده از سری‌های زمانی عملکرد گذشته آن است.<br /> روش: این پژوهش به کمک مدل SBM و با استفاده از روش تحلیل پوششی داده‌ها به مقایسه و سنجش کارایی یک واحد در گام‌های زمانی مختلف پرداخته و خروجی آن را به عنوان عناصر آموزش یک شبکه عصبی مصنوعی در نظر گرفته است تا کارایی گام‌های زمانی بعدی پیش‌بینی شود. <br /> 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 پیاده‌سازی ساختارهای مختلف از شبکه‌های عصبی مصنوعی، در نهایت یک شبکه عصبی بازگشتی با 10 نرون در لایه پنهان با الگوریتم آموزش پس‌انتشار بیزی توانست بهترین عملکرد را در پیش‌بینی کارایی آتی این واحد صنعتی کسب کند.<br /> نتیجه‎گیری: مزیت اساسی این پژوهش، ارائه پیش‌بینی کارایی برای آینده سازمان بر اساس داده‌های موجود و با در نظر گرفتن تأثیر عوامل دوره‌های زمانی قبلی در کارایی دوره کنونی با رویکردی غیرخطی است. این موضوع موجب خواهد شد که تصویر روشن‌تری از عملکرد آتی سازمان فراهم آید، همان طور که در مورد مطالعه پژوهش حاضر، این موضوع رخ داده است.