ترکیب مدل های تحلیل پوششی داده ها و الگوریتم های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم گیری با در نظر گرفتن ستانده های نامطلوب

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 تصمیم گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک های تحلیل پوششی داده ها اسلک محور و الگوریتم های پیشرفته یادگیری ماشین استفاده می شود. مدل پیشنهادی به خصوص بر بهبود کارایی با توجه به ستانده های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه های عصبی مصنوعی، ماشین های بردار پشتیبانی و XGBoost برای پیش بینی و بهبود نتایج مدل های SBM مورد استفاده قرار گرفته اند. این مطالعه شامل ارزیابی ۳۷ واحد تصمیم گیری زیرمجموعه شرکت ملی پخش فرآورده های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده های پیش بینی شده در مقایسه با داده های واقعی است. این تحقیق نه تنها به ارائه دیدگاه های جدید در ارزیابی و بهبود کارایی کمک می کند، بلکه روش های ترکیبی نوآورانه ای را برای مقابله با چالش های موجود در مدیریت عملیاتی ارائه می دهد.

کلیدواژه ها:

تحلیل پوششی داده ها ، یادگیری ماشین ، شبکه عصبی مصنوعی ، ماشین بردار پشتیبان ، ستانده های نامطلوب