تدوين مدل و پيش‌بيني كارايي ادارات پست استان گيلان با روش تحليل پوششي داده‌ها و رويكرد تكاملي شبكه‌هاي عصبي GMDH

assessment and forecasting post offices’ efficiency of guilan province with data envelopment analysis method and evolutionary GMDH-type neural network

ارتباطات نقش مهمي در رشد و تعالي بين جوامع و افراد دارد. شبكه پستي به‌عنوان بزرگ‌ترين ارتباط فيزيكي و شبكه تبادل بين جوامع در جهان به شمار مي‌رود كه به دليل ارتباط مداوم با مشتريان در اين نوع واحدهاي خدماتي، مديريت عملكرد اهميت خاصي مي‌يابد در مقابل، پيش بيني، كنترل و تجزيه و تحليل به يك ضرورت اجتناب ناپذير در سازمان‌ها تبديل شده است و به عنوان يك ابزار مديريت عالي به تصميم گيري كمك مي‌كند. در اين مقاله، ابتدا مدل‌هاي پايه‌اي تحليل پوششي داده‌ها براي اندازه گيري و ارزيابي كارايي ادارات پستي استان گيلان در سال هاي 1392 و 1393، مورد بررسي قرار گرفته و براي اين هدف، CCR ورودي محور بهتر از مدل BCC تعيين شده است. سپس به دليل آنكه مدل­ هاي اوليه تحليل پوششي داده­ ها توانايي معرفي الگوي بهينه ­سازي و كارآمدترين واحد را ندارد، از روش اندرسون و پيترسون استفاده مي­ كنيم كه واحدهاي رودسر و انزلي در 92 و 93 به طور متوالي به بهترين نحو شناخته شده­ اند. در نهايت از روش تلفيقي شبكه عصبي رويكرد دستيابي داده ­ها براي پيش بيني كارايي واحدهاي پست استفاده مي‌كنيم. نتايج نشان مي­ دهد كه اين مدل جديد توانايي بالقوه خوبي در رابطه با پيش­ بيني دارد و به دليل دقت بالا مي­ تواند جايگزين روش­ هاي سنتي شود.

Communication plays an important role in the growth of societies and people. The Postal network is considered to be the largest physical link and network of exchanges among communities in the world, which is of particular importance for continuous communication with customers in these types of service units. In contrast, prediction, control and analysis have become an inevitable necessity in organizations and a great management tool for decision making. In this paper, baseline data envelopment analysis models for measuring and evaluating post offices’ efficiency in Guilan province in years 1392 & 1393 have been investigated. For this purpose, CCR input-axis is better than the BCC model. Because the traditional data envelopment analysis models are not capable of introducing the optimization model and the most efficient unit, we use Anderson-Peterson’s model, in which Rudsar & Anzali units are best at 92 and 93 consecutives. Finally, we use the neural network to integrate the data access approach for predicting the efficiency of postal units. The results show that this new model has good potential for prediction, and because of its high precision, it can replace traditional methods.