مدلسازی و شبیه سازی
فرشته کوشکی
چکیده
در نظر گرفتن تأثیر عملکرد هر جزء از یک سیستم چند مرحلهای بر کارایی کل آن برای مدیران اجتنابناپذیر است. شعب بانکها ساختار دو مرحله ای دارند که در آن نیروی انسانی، تجهیزات و سرمایه مالی ورودیهای مرحله اول برای افزایش موجودی میباشند. موجودی به عنوان خروجی مرحله اول است که به عنوان ورودی مرحله دوم برای انجام خدمات بانک از جمله ...
بیشتر
در نظر گرفتن تأثیر عملکرد هر جزء از یک سیستم چند مرحلهای بر کارایی کل آن برای مدیران اجتنابناپذیر است. شعب بانکها ساختار دو مرحله ای دارند که در آن نیروی انسانی، تجهیزات و سرمایه مالی ورودیهای مرحله اول برای افزایش موجودی میباشند. موجودی به عنوان خروجی مرحله اول است که به عنوان ورودی مرحله دوم برای انجام خدمات بانک از جمله تسهیلات بانکی که خروجی مرحله دوم هستند به کار میرود. پس برای ارزیابی عملکرد بانک ارتباط بین مراحل سازنده آن باید در نظر گرفته شود در غیر این صورت کارایی به درستی محاسبه نمی شود. روشهای سنتی سیستمهای چندمرحله ای را به صورت یک جعبه سیاه ارزیابی میکند و ارتباطی که ممکن است بین مراحل موجود باشد را نادیده میگیرد. ما به درون سیستم مینگریم و مدلهایی برای بهبود کارایی کل و کارایی مراحل پیشنهاد میکنیم. بهعلاوه، پیوستگی و ارتباط موجود بین مراحل متغیرها و محدودیتهای زیادی را به برنامهریزی خطی در ارزیابی سیستم تحمیل میکند. روش متمرکز نمره کارایی واحدها را بهطور همزمان با حل فقط یک برنامهریزی خطی محاسبه میکند و باعث کاهش قابل توجه محاسبات میشود. این روش برای تخصیص منابع بهویژه در سازمانهای بزرگ که در آن زیر واحدها تحت نظارت یک مدیریت اصلی قرار دارند عموماً توسط مدیر مرکزی استفاده میشود. در این مقاله یک روش متمرکز برای ارزیابی واحدهای با ساختار جند مرحله ای معرفی میشود. مدلهای پیشنهادی برای ارزیابی کارایی شعب بانک و شرکتهای بیمه بهکار میرود. برتری روش شبکه بهبود یافته و روش متمرکز نشان داده میشود.
اکبر مرادی مجد؛ علیرضا امیرتیموری؛ سهراب کردرستمی؛ محسن واعظ قاسمی
چکیده
تحلیل پوششی داده ها (DEA) یک تخمینگر است. این تخمینگر سعی می کند که یک ارتباط بین ورودی های متعدد و خروجی های متعدد و همچنین تکنولوژی تولید را تخمین بزند. DEA واحدهای تصمیم گیرنده (DMU) را به دو بخش واحدهای کارا و واحدهای ناکارا تقسیم بندی میکند. در این صورت واحدهای کارا مرجعی برای واحدهای ناکارا خواهد بود. در مدلهای سنتیDEA بهبود کارایی ...
بیشتر
تحلیل پوششی داده ها (DEA) یک تخمینگر است. این تخمینگر سعی می کند که یک ارتباط بین ورودی های متعدد و خروجی های متعدد و همچنین تکنولوژی تولید را تخمین بزند. DEA واحدهای تصمیم گیرنده (DMU) را به دو بخش واحدهای کارا و واحدهای ناکارا تقسیم بندی میکند. در این صورت واحدهای کارا مرجعی برای واحدهای ناکارا خواهد بود. در مدلهای سنتیDEA بهبود کارایی تنها برای واحدهای ناکارا صورت می گیرد و واحدهای کارا بدون تغییر باقی می مانند. اما از آنجا که تکنولوژی تخمینزده شده همواره از تکنولوژی واقعی کوچکتر است یا به عبارت دیگر این تکنولوژی تخمینزده شده همواره زیر مجموعهای از تکنولوژی واقعی میباشد بنابراین میتوان آن را به میزان بسیار کمی گسترش داد. در نتیجه می توان راهکاری برای بهبود واحدهای کارا نیز ارایه کرد. در این مقاله الگوریتمی جهت گسترش مجموعه امکان تولید (PPS) با توجه به خواص هندسی آن و همچنین بهبود واحدهای کارا ارایه می شود. این کار به وسیلهی ساختن واحدهای مجازی خارج از مجموعه امکان تولید انجام می شود. همچنین به منظور تشریح روش مطرح شده مثالهای عددی و کاربردی ارایه میشود.
داود قراخانی؛ عباس طلوعی اشلقی؛ کیامرث فتحی هفشجانی؛ فرهاد حسین زاده لطفی؛ رضا کیانی ماوی
چکیده
تحلیل پوششی دادهها یک تکنیک تحلیلی قدرتمند برای اندازهگیری کارایی نسبی مجموعه ای از واحدهای تصمیم گیری براساس ورودیها و خروجیهایشان است. در مدلهای مرسوم تحلیل پوششی دادهها ضعفهایی وجود دارد که مهمترین آنها تغییر وزن ورودیها و خروجیها است که باعث میشود کارایی واحدهای تصمیمگیرنده با وزنهای مختلف سنجیده ...
بیشتر
تحلیل پوششی دادهها یک تکنیک تحلیلی قدرتمند برای اندازهگیری کارایی نسبی مجموعه ای از واحدهای تصمیم گیری براساس ورودیها و خروجیهایشان است. در مدلهای مرسوم تحلیل پوششی دادهها ضعفهایی وجود دارد که مهمترین آنها تغییر وزن ورودیها و خروجیها است که باعث میشود کارایی واحدهای تصمیمگیرنده با وزنهای مختلف سنجیده شود. همچنین مدلهای مرسوم تحلیل پوششی دادهها به شبکهای بودن واحدهای ارزیابی توجهی نکردهاند. در این مقاله ما برای برطرف کردن این ضعفها مجموعه وزنهای مشترک در تحلیل پوششی دادههای شبکهای با رویکرد برنامهریزی آرمانی را پیشنهاد میکنیم. برای آزمون کارایی و حل مدل پیشنهادی ارائه شده از دادههای واقعی شرکتهای بیمه فعال در استان قزوین استفاده شده است. مدل ارائه شده در این مقاله واحدهای تصمیمگیرنده را روی یک مقیاس یکسان با مجموعهای از وزنهای مشترک به صورت بیطرف ارزیابی میکند. مدل پیشنهادی، کمک میکند تا سیاستگذاران درک بهتری از نقاط قوت و ضعف DMUها داشته باشند و برای ترقی نقاط قوت و رفع ضعفها تلاش کنند و از این طریق کارایی DMUها را بهبود دهند.
محسن شفیعی نیک آبادی؛ کامبیز شاهرودی؛ اکرم اویسی عمران؛ محمدرضا خسروی
چکیده
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودیها و خروجیهای شرکتهای برق منطقهای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودیها و خروجیهای شرکتهای برق منطقهای امری است که در ادبیات موضوع سابقه نداشته ...
بیشتر
انتخاب متغیرهای ورودی و خروجی در تعیین نمرات کارایی تحلیل پوششی دادهها از اهمیت فراوانی برخوردار است. در این پژوهش با استفاده از شبکه عصبی مصنوعی به تعیین ورودیها و خروجیهای شرکتهای برق منطقهای پرداخته شده است. کاربرد شبکه عصبی در انتخاب ورودیها و خروجیهای شرکتهای برق منطقهای امری است که در ادبیات موضوع سابقه نداشته و مزیت اصلی روش پیشنهادی محسوب میشود. بهمنظور آموزش شبکه عصبی دو لایه MLP، از روش آموزش پس از انتشار خطای ارتجاعی استفاده گردید؛ پس از آموزش شبکه عصبی، عملکرد شبکه عصبی با استفاده از الگوهای تست، مورد بررسی قرار گرفت. مقدار RMSE مریوط به 15 الگوی تست برابر 0269/0 بهدست آمد که نشاندهنده دقت بالای شبکه آموزش داده شده است. تحلیل حساسیت پارامترهای مورد بررسی که همان ورودیها و خروجیهای تحلیل پوششی دادهها هستند، با افزایش ده درصدی پارامترها نسبت به حالت قبل از افزایش انجام شده و میانگین خطای نسبی خروجی برای پارامترهای شبکه عصبی محاسبه شده است. بر اساس میزان میانگین خطای نسبی خروجی، ورودیها و خروجیهای تحقیق مشخص گردید. مقایسه نمرات کارایی شرکتهای برق منطقهای قبل و بعد از کاهش تعداد متغیرها، تعداد شرکتهای کارا در طی شش دوره زمانی فوق از 4/62 درصد به 4/26 درصد کاهش یافته است.
رمضانیان محمدرحیم؛ کیخسرو یاکیده؛ اکرم اویسی عمران
دوره 12، شماره 32 ، فروردین 1393، ، صفحه 141-157
چکیده
انتخاب متغیرهای ورودی و خروجی در تحلیل پوششی دادهها از اهمیّت بهسزایی برخوردار است و نمرات کارایی واحدها به شدّت از مجموعه متغیرهای انتخابی تأثیر میپذیرند. در این پژوهش، روشی برای انتخاب متغیرهای ورودی و خروجی، براساس آنالیز تشخیصی ارائه شدهاست. در این روش اهمیّت نسبی متغیرها در تعیین عضویت واحدها در دو گروه متغیر وابسته ...
بیشتر
انتخاب متغیرهای ورودی و خروجی در تحلیل پوششی دادهها از اهمیّت بهسزایی برخوردار است و نمرات کارایی واحدها به شدّت از مجموعه متغیرهای انتخابی تأثیر میپذیرند. در این پژوهش، روشی برای انتخاب متغیرهای ورودی و خروجی، براساس آنالیز تشخیصی ارائه شدهاست. در این روش اهمیّت نسبی متغیرها در تعیین عضویت واحدها در دو گروه متغیر وابسته (کارا و ناکارا) یا همان ضرایب تشخیصی استاندارد بهعنوان معیار انتخاب متغیرهای اصلی مدل معرفی میشوند.