ارايه مدل جهت بهبود ارزيابي عملكرد تطبيقي شركت ها با استفاده از شبكه عصبي مصنوعي و تحليل پوششي داده ها

براي افزايش توان رقابتي، مديران سازمان ها نيازمند تصميم گيري بر مبناي اطلاعات درست هستند. يكي از ابزارهايي كه به قدرت تحليل مديران و در نهايت تصميم گيري بهتر كمك مي كند، تحليل پوششي داده ها است. اين روش مبتني بر برنامه ريزي خطي است و عملكرد واحدها را مورد سنجش قرار مي دهد اما كاستي هايي نيز دارد مانند حساسيت به داده هاي پرت و عدم قدرت تفكيك پذيري واحدها. براي جبران اين كاستي ها ايده ي ادغام آن با شبكه عصبي مصنوعي مطرح مي شود. شبكه هاي عصبي مي توانند ابزارهاي بهتري را براي غلبه بر كاستي هاي تحليل پوششي داده ها ارائه دهند و همچنين جنبه ي پيش بيني به آن بدهند. در اين مقاله، مدل تركيبي از تلفيق يكي از انواع مدل هاي جمعي تحليل پوششي داده ها، مدل RAM، كه وزن ها را بر اساس دامنه تغييرات ورودي و خروجي اختصاص مي دهد و از خروجي نامطلوب جلوگيري مي كند، با شبكه هاي عصبي مصنوعي ارائه شده است. بخش مورد مطالعه، صنعت بانك، بيمه و شركت هاي سرمايه گذاري فعال در بورس اوراق بهادار تهران است. داده ها براي ده دوره متوالي از سال 1391 الي 1400 از كدال جمع آوري شد و سپس با استفاده از مدل تركيبي مطرح شده كارايي واحدها در سال 1401 تخمين زده شد و بر اساس آن واحدها رتبه بندي شدند. نتايج نشان داد كه مدل تركيبي، حساسيت به داده هاي پرت را ندارد و رتبه بندي ارائه شده آن تحليل قابل اطمينان تري از عملكرد را نشان مي دهد.