ارائه یک روش ترکیبی از تحلیل پوششی داده ها و داده کاوی جهت ارزیابی واحدهای تصمیم گیرنده

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

مقاله 4، دوره 12، شماره 41، آذر 1396، صفحه 47-56   

نوع مقاله: مقاله پژوهشی

نویسندگان

علی‌نژاد علیرضا^{* 1}؛ جواد خلیلی²

¹دانشیار گروه مهندسی صنایع، دانشکده مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

²دانشجوی کارشناسی ارشد گروه مهندسی صنایع، دانشکده مهندسی صنایع و مکانیک، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

چکیده

کارایی از موضوع‌های مهمی است که علاوه بر مدیران شرکت‌ها و سازمان‌های مختلف، مشتریان استفاده‌کننده از خدمات این شرکت‌ها و سازمان‌ها نیز به آن علاقه‌مند هستند. هدف این پژوهش، بررسی کارایی شرکت‌های داروسازی پذیرفته‌شده در سازمان بورس اوراق بهادار با استفاده از تحلیل پوششی داده‌ها و سپس ارائه قواعدی با استفاده از داده کاوی است. شاخص مالم کوئیست با امکان‌پذیر ساختن ترکیب مشاهدات سری زمانی و مقطعی، تا حدودی مشکل ناکافی بودن مشاهدات را برطرف می‌کند و برای‌ یافتن روندهای عملکرد‌ یک واحد در طول زمان مفید است. در این پژوهش، ارزیابی کارایی 22 شرکت داروسازی پذیرفته‌شده در سازمان بورس اوراق بهادار با توجه به ورودی‌ها و خروجی‌ها و با استفاده از شاخص مالم کوئیست ورودی محور در طول سال‌های 1395-1391 صورت گرفته است و سپس نتایج حاصل از آن به عنوان برچسب دسته واحدهای تصمیم‌گیرنده که در واقع ورودی روش درخت تصمیم است، مورد استفاده قرار می‌گیرند. درنهایت، با استفاده از درخت تصمیم، قواعد مستتر در داده‌ها استخراج می‌شود.

کلیدواژه‌ها

شاخص مالم کوئیست؛ تحلیل پوششی داده‌ها؛ داده‌کاوی؛ درخت تصمیم؛ شرکت‌های دارویی؛ کارایی

سایر فایل های مرتبط با مقاله

ارائه یک روش ترکیبی از تحلیل پوششی داده ها و داده کاوی.pdf

مراجع

1. Ajali, M. & Safari, H. (2009). Evaluation of the decision-making units using the combined model of neural networks predicting performance and data envelopment analysis (Case study: National Gas Company of Iran). Industrial Engineering Journal, 45(1), 29-13.
2. Caves, D.W., Christensen L.R. & Diewert, W. E. (1982). The economic theory of index numbers and the measurement of input, output and productivity. Econometrica, 50, 1393–1414.
3. Charnes, A., Clark, C. T., Cooper, W. W. & Golany, B. (1985). A Developmental Study of Data Envelopment Analysis in Measuring the Efficiency of Maintenance Units in the US Air Forces. Annals of Operations Research, 2, 95-112.
4. Chiang, T. C., Cheng, P. Y., & Leu, F. Y. (2017). Prediction of technical efficiency and financial crisis of Taiwan’s information and communication technology industry with decision tree and DEA. Soft Computing, 21(18), 5341-5353.
5. Gholami, P., Najafi, M. & Najafi, M. (2012). Provide a new method using data envelopment analysis model and entropy to select the attribute in data mining. 9th International Industrial Engineering Conference, Iran.
6. Han, J. & Kamber, M. (2001). Data Mining: Concepts and Techniques. San Diego Academic Press.
7. Jahanateghi, M.A., Holy, V., Vaez Ghasemi, M. (2011). Multistage Malmquist Productivity Index. Research Journal in Operations and Applications, 8(4), 70-59.
8. Jenhani, I.; Amor, N. B. & Elouedi, Z. (2008). Decision Trees as Possibilistic Classifiers. International Journal of Approximate Reasoning, 48(3), 784-807.
9. Lee, S. (2010). Using Data Envelopment Analysis and Decision Trees for Efficiency Analysis and Recommendation of B2C Controls. Journal of Decision Support Systems, 49, 486-497.
10. Malmquist, S. (1953). Index numbers and indifference surfaces. Trabajos de Estatistica, 4, 209–242.
11. Mohan, T. T., & Ray, S. C. (2004). Productivity growth and efficiency in Indian banking: a comparison of public, private, and foreign banks. Economics working papers, 1-25.
12. Rahimi, I. & Behmanesh, R. (2012). Improve Poultry Farm Efficiency in Iran: Using Combination Neural Networks, Decision Trees, and Data Envelopment Analysis (DEA). International Journal of Applied Operational Research, 2(3), 69-84.
13. Samoilenko, S. & Osei-Bryson, K. M. (2013). Using Data Envelopment Analysis (DEA) for Monitoring Efficiency-based Performance of Productivity-drive Organizations: Design and Implementation of a Decision Support Systems. Omega, 41, 131-142.
14. Seol, H.; Choi, J.; Park, G. & Park, Y. (2007). A Framework for Benchmarking Service Process Using Data Envelopment Analysis and Decision Tree. Journal of Expert Systems With Applications, 32, 432-440.
15. Shahi Beyk, A. (2015). Human Resource Performance Evaluation Using Data Envelopment Data Enhancement Results: A Case Study in a Holding Company. International Conference on Advanced Research in Industrial Management and Engineering, Iran.
16. Siadati, S, Tarokh, M, & Soleimani, M. (2013). Applying data mining methods to enhance the safety of animal food product. Iranian Journal of Nutrition Sciences & Food Technology. 7 (5), 643-650.
17. Sohn, S. & Moon, T. (2004). Decision Tree Based on Data Envelopment Analysis for Effective Technology Commercialization. Expert Systems With Applications, 26, 279-284.
18. Toloo, M.; Sohrabi, B. & Nalchigar, S. (2009). A New Method for Ranking Discovered Rules from Data Mining by DEA. Journal of Expert Systems With Applications, 36(4), 8503-8508.
19. Tsai, Ch. & Tsai, J. (2010). Performance Evaluation of the Judicial System in Taiwan Using Data Envelopment Analysis and Decision Trees. In Computer Engineering and Applications (ICCEA), 2010 Second International Conference on, 2, 290-294.