کارایی ارزیابی مجموعه داده‌های مقیاس بزرگ با داده‌های منفی: یک رویکرد شبکه عصبی مصنوعی

تحلیل پوششی داده‌ها (DEA)، رایج‌ترین روش‌های مورد استفاده برای اندازه‌گیری کارایی و بهره‌وری واحدهای تصمیم‌گیری است (DMUها). نیاز به منابع کامپیوتری عظیم از نظر حافظه و زمان CPU در DEA برای مجموعه داده‌های مقیاس بزرگ، به ویژه با معیارهای منفی اجتناب‌ناپذیر است. در سال‌های اخیر، گستره وسیعی از مطالعات در حوزه شبکه عصبی مصنوعی و روش‌های ترکیبی DEA انجام شده‌است. در این مطالعه، یک شبکه عصبی پیش‌خور نظارت شده برای ارزیابی کارایی و بهره‌وری مجموعه‌های داده مقیاس بزرگ با مقادیر منفی در مقایسه با روش DEA مربوطه پیشنهاد شده‌است. نتایج نشان می‌دهد که شبکه پیشنهادی دارای مزایای محاسباتی بر روی مدل‌های متناظر با DEA می‌باشد. بنابراین می توان آن را به عنوان یک ابزار مفید برای اندازه‌گیری کارایی DMUها با داده‌های منفی (مقیاس بزرگ)در نظر گرفت.

Data envelopment analysis (DEA) is the most widely used methods for measuring the efficiency and productivity of decision-making units (DMUs). The need for huge computer resources in terms of memory and CPU time in DEA is inevitable for a large-scale data set, especially with negative measures. In recent years, wide ranges of studies have been conducted in the area of artificial neural network and DEA combined methods. In this study, a supervised feed-forward neural network is proposed to evaluate the efficiency and productivity of large-scale data sets with negative values in contrast to the corresponding DEA method. Results indicate that the proposed network has some computational advantages over the corresponding DEA models; therefore, it can be considered as a useful tool for measuring the efficiency of DMUs with (large-scale) negative data.