این فایل با تخفیف ویژه به مبلغ 50,000 تومان می‌باشد که بلافاصه بعد از پرداخت میتوانید آن را دانلود کنید. تعداد صفحات مبانی نظری و پیشینه تحقیق ارزیابی عملکرد با ترکیب DEA و ANN 110 صفحه است. همچنین این فایل با فرمت docx قابل اجرا می‌باشد. برای خرید و دانلود روی دکمه زیر کلیک کنید.

تخفیف ویژه به مدت محدود فقط تا فردا دوشنبه 10 اردیبهشت

66 هزار تومان 50 هزار تومان

پشتیبانی: 09374433704

دانلود مبانی نظری و پیشینه تحقیق ارزیابی عملکرد با ترکیب DEA و ANN بصورت جامع و کامل برگرفته شده از پایان نامه کارشناسی ارشد با منابع بروز و جدید

مبانی نظری و پیشینه تحقیقات داخلی و خارجی ارزیابی عملکرد با ترکیب DEA و ANN نمونه فصل دوم پایان نامه کارشناسی ارشد رشته مدیریت می باشد که در آن به چارچوب نظری و پیشینه پژوهش می پردازیم.

مقدمه 
 باید در استفاده از DEA  برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد . وجود این مسأله باعث شده است که اخیراٌ شبکه های عصبی مصنوعی  به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود .زیرا ماهیت عملکرد شبکه های عصبی به دلیل قدرت یادگیری و تعمیم پذیری به گونه ای است که در برابر داده های پرت و اغتشاشات حاصل از اندازه گیری غیر دقیق داده ها مقاوم تر عمل می کنند .در زیر مختصری راجع به تحلیل پوششی داده ها و شبکه های عصبی مصنوعی  می پردازیم . ]2[

2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA ) 
2-17-1- مقدمه 
ایده ی ترکیب شبکه های عصبی و DEA را اولین بار در سال 1996 کانن و آتونوسوپولیس  مطرح کرده اند . آن ها DEA را با ANNs مقایسه کرده اند و در شبیه سازی صورت گرفته این نتیجه حاصل شد که DEA در اندازه گیری اهداف بهتر از ANNs عمل می کند  و ANNs در رتبه بندی واحدها براساس امتیاز کارایی به دست آمده همانند DEA است . در سال 1997 کارایی متروی لندن با داده های سری های زمانی تحلیل شد و این نتیجه به دست آمد که نتایج حاصل از ANNs با حداقل مربعات معمولی تصحیح شده  و DEA بسیار به هم شبیه هستند .  

در سال 2000 شبکه های عصبی برای تخمین توابع هزینه به کار گرفته شد    و در سال 2004 نیز سانتین از یک شبکه عصبی برای شبیه سازی تابع تولید غیر خطی استفاده کرد و نتایج آن را با روش های متداول تری مثل مرزهای تصادفی و DEA با مشاهدات مختلف و اغتشاش مقایسه کرد و نشان داد شبکه های عصبی در مقایسه با روش های فوق از ثبات بیشتری برخوردار است . در این تحقیق سعی بر آن است که از شبکه های عصبی و DEA و تلفیق آن ها ( Neuro-DEA ) در اندازه گیری کارایی  پالایشگاه کشور استفاده شود . پس از محاسبه کارایی ، نتایج حاصله با DEA معمولی مقایسه می شود ، زیرا با توجه به کم بودن تعداد پالایشگاه های گاز در مقایسه با تعداد ورودی ها و خروجی ها ، مدل پایه ای DEA قادر به رتبه بندی واحد ها نمی باشد . بنابر این از قدرت تفکیک پذیری و تخمین روایط غیر خطی شبکه های عصبی برای رفع این مسأله استفاده می شود .تحلیل مرز کارایی یک رویکرد با اهمیت جهت ارزیابی عملکرد شرکت ها  در بخش عمومی و خصوصی است . بهره وری و کارایی در منابع تبدیلی ( ورودی ها ) به کالا و خدمات ( خروجی ها ) از مقوله های ( موضوعات ) کلیدی ( اصلی ) در بخش های خصوصی و عمومی می باشد  .

دو نمونه ی رقابتی در تحلیل کارایی وجود دارد .نمونه اول تکنیک های برنامه ریزی ریاضی یا رویکرد تحلیل پوششی داده ها (DEA ) را به کار می گیرد که عمومأ در زمینه پژوهش عملیاتی (OR ) می باشد . نمونه های دیگر رویکرد رگرسیون یا روش تابع مرز قطعی (SFF ) می باشد که به طور گسترده ای ( وسیعی ) در زمینه های اقتصادی کاربرد دارد . هر یک از این دو متدولوژی ویژگی هایی دارد و به صورت زیر بحث شده است . در مطالعه اصلی DEA توسط چارنز و همکارانش ( CCR ) ، روش DEA را به عنوان یک مدل برنامه ریزی ریاضی که روش برآورد تجربی ( غیر عملی – آزمایشی ) از رویه های ( سطح های ) امکان پذیر محصول ( تولید 9 کارا فراهم می کند ، مطرح شده است . به جای سعی کردن مبنی بر متناسب کردن یک سطح رگرسیون از طریق مرکز داده مشاهده ای ، DEA به سطح خطی هدایت می شود که پوشش یالایی از مجموعه داده مشاهده ای می باشد . کارایی نسبی با نقطه داده دیگری ارائه می شود که از طریق برنامه ریزی ریاضی تحلیل می شود . در مقایسه با رویکرد SFF ( تابع مرز قطعی ) ، DEA به هیچ گونه فرضی در شکل های کاربردی ( تابعی ) نسبت به تقعر ( فرورفتگی ) توابع مرزی ، نیاز ندارد . چالش اصلی مواجه شده در DEA این واقعیت است که اگر به داده ها اغتشاش آماری سرایت کند ، مرزهای محاسبه شده به وسیله DEA ممکن است منحرف شود  .

به عنوان مثال در مسائل پیش بینی معین خیلی طبیعی و عادی است که فرض کنیم تابع پیش بینی خصوصیات یکنواختی خواهد داشت . برای مثال در مدل های پیش بینی مالی ، تقاضای شخصی با درآمد افزایش یافته است . در صنایع لیزر و حمل و نقل ، قیمت کالاهای فاسد شدنی نظیر اتاق های هتل ها و جایگاه هواپیماه به طور یکنواختی با تقاضای مصرف کننده افزایش می یابد  . ANN یک روش پیش بینی غیر خطی عمومی است . ANN برای پیش بینی بارهای الکتریکی با جزء کوتاه ، نظیر فروش روزانه ، تلاش های نرم افزاری و پیش بینی هزینه عرضه های عمومی اولیه به کار می رود . از آنجایی که شکل تابع ANN بستگی به آموزش داده ها دارد برای آموزش تابع پیش بینی یکنواخت با استفاده از ANN ، آموزش داده ممکن است خصوصیات یکنواختی داشته باشد  . شبکه های عصبی براساس رویکرد غیر پارامتریک مزایای مشخصی دارد . و آن این است که هیچ گونه فرضیه ای در مورد توزیع احتمالی یا ساختارهای تابع محصول نیاز ندارد . فرضیه های استفاده شده برای این روش ، قضیه جهانی پذیرفته شده مرزهای کارایی می باشند . یعنی مرز کارایی تقعر می یابد ، انحراف خارجی در داده ها یک توزیع یک طرفه دارد و انحراف داخلی در داده ها یک توزیع دو طرفه دارد . در واقع آن روش می تواند اطلاعات زیادی در مورد حالت نامعین و انحراف داخلی و خارجی برای تصمیم گیری آشکار کند  .

با توجه به اینکه مدل DEA یک مدل خطی است و از طرفی شبکه های عصبی توانایی بالایی در تقریب توابع غیرخطی دارند ، ANNs ابزار خوبی برای استفاده در چنین مسائلی است . لذا امکان به کارگیری ANNs در اندازه گیری کارایی شرکت ها مناسب می باشد . هم چنین مطالعات نشان می دهد که شباهت های زیادی بین DEA و ANNs در ارزیابی عملکرد وجود دارد   که دو مورد زیر نمونه ای از این موارد است : 
1-    هیچ کدام از مدل های DEA و ANNs هیچ پیش فرض اولیه ای در مورد نوع ارتباط بین ورودی ها و خروجی ها ندارد . 
2-    در DEA ، به دنبال مجموعه ای از وزن ها هستیم ، به طوری که کارایی فنی حداکثر شود . در حالی که ANNs به دنبال یافتن مجموعه ای از آن ها به طوری است که اختلاف بین خروجی واقعی و خروجی مطلوب را حداقل کند و این کار را نیز با حداقل داده های یادگیری انجام می دهد . ]2[

فهرست مطالب

فصل دوم    1
مرور ادبیات و بررسی پیشینه ی تحقیق    1
2-1- مقدمه    8
2-2- تعاریف کارایی    8
2-3- روش هاي اندازه گیري کارایی فنی    9
2-3-1- روش هاي پارامتري    9
2-3-2- روش هاي نا پارامتري    10
2-4- مقایسۀ رگرسیون وتحلیل پوششی داده ها    10
2-5- مفاهیم کارایی    11
2-6- استفاده ازنسبت دراندازه گیري کارایی    12
2-7- انواع مدل هاي پایه اي (کلاسیک) تحلیل پوششی داده ها :    13
2-7-1- مدل CCR :    13
2-7-2- مدل BCC    20
2-7-3- مدل جمعی ( SBM= Slack Based Model )    24
2-8- رتبه بندي واحد هاي کارا    26
2-9- روش اندرسون – پیترسون     26
2-10- شبکه های عصبی مصنوعی ( ANNs )     28
2-10-1- مقدمه    28
2-10-2- شبکه عصبی    30
2-10-3- معرفی شبکه عصبی مصنوعی    31
2-10-4- تاریخچه شبکه‌های عصبی مصنوعی    32
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟    34
2-10-7- ساختار شبکه‌های عصبی    37
2-10-8- تقسیم بندی شبکه‌های عصبی    38
2-10-9- کاربرد شبکه‌های عصبی    39
2-10-10- معایب شبکه‌های عصبی    40
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی    41
2-11- یادگیری یک پرسپترون    42
2-11-1- آموزش پرسپترون    44
2-11-2- الگوریتم یادگیری پرسپترون    45
2-12- مقایسه آموزش یکجا و افزایشی    45
2-13- شبکه های چند لایه    46
2-14- الگوریتم   Back propagation    47
2-15- شبکه های عصبی چند لایه پیش خور    52
2-16- انواع شبکه های عصبی :    55
2-16-1-  شبکه عصبی پرسپترون    56
2-16-2- شبکه همينگ    58
2-16-3- شبکه هاپفيلد    60
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن    61
2-16-5- شبکه عصبی تأ خير زمانی    62
2-17- مدل ترکیبی شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (NEURO/DEA )    64
2-17-1- مقدمه    64
2-17-2- الگوریتم تحلیل کارایی    68
2-17-3- نرمال سازی داده ها    69
2-18- مفاهیم کارایی ، بهره وری و اثربخشی    73

2-19- مروری بر مطالعات انجام شده    76
منابع و مراجع    90

منابع فارسی    91
منابع انگلیسی    93