مقایسه مدل های تحلیل پوششی داده های معکوس با مدل های ترکیبی مبتنی بر هوش مصنوعی در پیش بینی منابع مالی

مدل های تحلیل پوششی داده های معکوس (Inverse DEA) به طور گسترده ای برای تخصیص منابع ورودی به گونه ای که خروجی های مطلوب حاصل شوند، در بسیاری از صنایع استفاده می شوند. این مدل ها معمولا در شرایطی کاربرد دارند که هدف، بهینه سازی تخصیص منابع ورودی است، ولی ممکن است با پیچیدگی های زیادی در پیش بینی منابع مالی و تخصیص دقیق مواجه شوند. در این راستا، ترکیب Inverse DEA با روش های هوش مصنوعی (Artificial intelligence) می تواند به بهبود دقت پیش بینی و تخصیص بهینه منابع کمک کند. در این مقاله، مدل های متداول Inverse DEA با مدل های ترکیبی مبتنی بر AI نظیر الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization) و یادگیری ماشین (Machine Learning) مقایسه می شوند. هدف این تحقیق، بررسی دقت و کارایی این روش ها در پیش بینی منابع مالی موردنیاز برای دستیابی به سطح مطلوب کارایی در بانک ها است. نتایج نشان می دهند که روش های ترکیبی مبتنی بر هوش مصنوعی به دلیل انعطاف پذیری بیشتر و قابلیت تطبیق با داده های غیرخطی، عملکرد بهتری نسبت به مدل های Inverse DEA متداول دارند.

کلیدواژه ها:

مدل های Inverse DEA ، هوش مصنوعی ، پیش بینی منابع مالی ، کارایی ، شعب بانک