مطالعات مدیریت صنعتی

ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب

نوع مقاله : مقاله پژوهشی

نویسندگان

ابراهیم گلزار 1
سید اسماعیل نجفی 2
سید احمد عدالت پناه 3
امیر عزیزی 4

1 دانشجوی دکتری رشته مهندسی صنایع، دانشکده فنی و مهندسی،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران

2 دانشیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران

3 دانشیارگروه ریاضی کاربردی، موسسه آموزش عالی آیندگان، تنکابن، ایران

4 استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی تهران، ایران

https://doi.org/10.22054/jims.2024.79619.2918
چکیده
ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیلها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم‌گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک‌های تحلیل پوششی داده‌ها اسلک محور و الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌شود. مدل پیشنهادی به‌خصوص بر بهبود کارایی با توجه به ستانده‌های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبانی و XGBoost برای پیش‌بینی و بهبود نتایج مدل‌های SBM مورد استفاده قرار گرفته‌اند. این مطالعه شامل ارزیابی 37 واحد تصمیم‌گیری زیرمجموعه شرکت ملی پخش فرآورده‌های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده‌های پیش‌بینی‌شده در مقایسه با داده‌های واقعی است. این تحقیق نه تنها به ارائه دیدگاه‌های جدید در ارزیابی و بهبود کارایی کمک می‌کند، بلکه روش‌های ترکیبی نوآورانه‌ای را برای مقابله با چالش‌های موجود در مدیریت عملیاتی ارائه می‌دهد.

کلیدواژه‌ها

تحلیل پوششی داده‌ها
یادگیری ماشین
شبکه عصبی مصنوعی
ماشین بردار پشتیبان
ستانده‌های نامطلوب
موضوعات

عنوان مقاله English

Combining data envelopment analysis models and machine learning algorithms for evaluating the efficiency of decision-making units considering undesirable outputs

نویسندگان English

ebrahim golzar 1
seyyed esmaeil najafi 2
seyyed ahmad edalatpanah 3
Amir Azizi 4
1 PhD student of Industrial Engineering, Faculty of Technology and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Associate Professor of Industrial Engineering, Faculty of Technology and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
3 Associate Professor of Applied Mathematics, Ayandegan Institute of Higher Education, Tonokabon, Iran
4 Assistant Professor of Industrial Engineering, Faculty of Technology and Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده English

Undesirable outputs are an integral part of production in various decision-making units, and to bring analyses closer to the real world, it is necessary to consider, undesirable outputs in performance evaluation research. In this paper, a new hybrid model for evaluating the efficiency of decision-making units in the oil industry is presented, which uses slack-based data envelopment analysis techniques and advanced machine learning algorithms. The proposed model specifically focuses on improving efficiency considering undesirable outputs and conditions of uncertainty. Three machine learning algorithms including artificial neural networks, support vector machines, and XGBoost are used to predict and improve the results of slack-based models. This study involves the evaluation of 37 decision-making units within the National Petroleum Products Distribution Company, and the results show a significant improvement in efficiency using predicted data compared to actual data. This research not only contributes to new perspectives in efficiency evaluation and improvement but also offers innovative hybrid methods to address challenges in operational management.

کلیدواژه‌ها English

Data envelopment analysis
Machine learning
Artificial neural network
Support vector machine
Undesirable outputs
  1. Alsarraf, J., Moayedi, H., Rashid, A. S. A., Muazu, M. A., & Shahsavar, A. (2020). Application of PSO–ANN modelling for predicting the exergetic performance of a building integrated photovoltaic/thermal system. Engineering with Computers, 36, 633-646.
  2. Amirteimoori, A., Charles, V., & Mehdizadeh, S. (2023). Stochastic data envelopment analysis in the presence of undesirable outputJournal of the Operational Research Society, 74(12), 2619-2632. d 0.1080/01605682.2023.2172366.
  3. Chen, Z., Kourtzidis, S., Tzeremes, P., & Tzeremes, N. (2022). A robust network DEA model for assessment: An application to Chinese Provinces. Operational Research, 22(1), 235-262. sustainability https://doi.org/10.1007/s12351-020-00553-x
  4. Ebrahimnejad, A., & Amani, N. (2021). Fuzzy data envelopment analysis in the presence of undesirable outputs with ideal points. Complex & intelligent systems, 7(1), 379-400. https://doi.org/10.1007/s40747-020-00211-x
  5. Kao, C., & Hwang, S. N. (2021). Measuring the effects of undesirable outputs on the efficiency of production units. European Journal of Operational Research, 292(3),996–1003. https://doi.org/10.1016/j.ejor.2020.11.026
  6. Li, F., Wang, Y., Emrouznejad, A., Zhu, Q., & Kou, G. (2022). Allocating a fixed cost across decision-making units with undesirable outputs: A bargaining game approach. Journal of the Operational Research Society, 73(10), 2309–2325. https://doi.org/10.1080/01605682. 1981781
  7. Liu J, Chen L, Xu W, Feng M, Han Y, Xia T, Geng Z (2023) Novel production prediction model of gasoline production processes for energy saving and economic increasing based on AM-GRU integrating the UMAP algorithm. Energy 26:125536. https://doi. org/10.1016/j.energy.2022.125536
  8. Omrani, H., A. Emrouznejad, M. Shamsi and P. Fahimi (2022) Evaluation of Insurance Companies Considering Uncertainty: A Multi-Objective Network Data Envelopment Analysis Model with Negative Data and Undesirable Outputs, Socio-Economic Planning Sciences, Accepted. https://doi.org/10.1016/ seps.2022.101306
  9. Omrani, H., Shamsi, M., & Emrouznejad, A. (2023). Evaluating sustainable efficiency of decision-making units considering undesirable outputs: an application to airline using integrated multi-objective DEA-TOPSIS. Environment, Development and Sustainability, 25(7), 5899-5930.https://doi.org/10.1007/s10668-022-02285-8.
  10. Omrani, H., Shamsi, M., Emrouznejad, A., & Teplova, T. (2023). A robust DEA model under discrete scenarios for assessing bank branches.Expert systems with applications, 219, 119694
  11. Saeedi Aval Noughabia, F., Malekmohammadi, N., Hosseinzadeh Lotfi, F., & Razavyan, S. (2023). Efficiency decomposition in three-stage network with fuzzy desirable and undesirable output and fuzzy input in data envelopmentInternational Journal of Intelligent Computing and ybernetics, 16(4), 665-696.
  12. Sanchooli, F., Najafi, S. E., Lotfi, F. H., & Sobhani, F. M. (2024). TWO NOVEL ROBUST NETWORK DATA ENVELOPMENT ANALYSIS MODELS TO OBTAIN THE PERFORMANCE SCORE INTERVAL OF MULTI-STAGE SERIES SYSTEMS.International Journal of Industrial Engineering: Theory, Applications and Practice, 31(1).
  13. Tavana, M., Toloo, M., Aghayi, N., & Arabmaldar, A. (2021). A robust cross-efficiency data envelopment analysis model with undesirable outputs. Expert systems with applications, 167, 114117.
  14. Tavassoli, M., & Saen, R. F. (2023). Sustainability measurement of combined cycle power plants: a novel fuzzy network data envelopment analysis model. Annals of Operations Research, 1-41. https://doi.org/10.1007/s10479-023-05170-3
  15. Wang, G., Huang, S. H. (2015). “Product-driven supply chain selection using integrated multi-criteria decision-making methodology," International journal of production economics, vol. 91, no. 1, pp. 1-15,
  16. Zadmirzaei, M., Hasanzadeh, F., Susaeta, A., & Gutiérrez, E. (2024). A novel integrated fuzzy DEA–artificial intelligence approach for assessing environmental efficiency and predicting CO2 emissions. Soft Computing, 28(1), 565-591. https://doi.org/10.1007/s00500-023-08300-y
  17. Zou W, Yang Y, Yang M, Zhang X, Lai S and Chen H (2023) Analyzing efficiency measurement and influencing factors of China’s marine green economy: Based on a two-stage network DEA model.Front. Mar. Sci. 10:1020373. doi: 10.3389/fmars.2023.1020373‌

مطالعات مدیریت صنعتی
دوره 22، شماره 74
پاییز 1403
صفحه 139-174

ٌصفحه اصلی

اعضای هیات تحریریه

ارسال مقاله

تماس با ما