تحلیل بهره وری صنعت خودروسازی با رویکرد ترکیبی Dynamic DEA و یادگیری ماشین مطالعه مقیاس های شرکت های جهانی و منطقه ای

صنعت خودروسازی طی سال های اخیر تحت تاثیر توسعه فناوری، بحران زنجیره تامین، افزایش هزینه های تولید و رقابت های شدید جهانی با تغییرات گسترده ای مواجه شده است. در چنین شرایطی، ارزیابی بهره وری شرکت های خودروسازی تنها با شاخص های سنتی امکان پذیر نیست و نیاز به استفاده از مدل های ترکیبی و پویا بیش از پیش احساس می شود. هدف پژوهش حاضر تحلیل بهره وری تعدادی از شرکت خودروسازی جهانی و منطقه ای طی دوره ای پنج ساله (۲۰۱۹ تا ۲۰۲۴) با استفاده از مدل های SBM Dynamic DEA و الگوریتم های یادگیری ماشین است. در این پژوهش علاوه بر خروجی های مطلوب، خروجی های نامطلوب نیز در مدل سازی وارد شدند تا ارزیابی واقع بینانه تری از عملکرد شرکت ها ارائه شود. همچنین برای پیش بینی روند بهره وری از الگوریتم های Random، CatBoost، XGBoost، Forest و LSTM استفاده شد. نتایج مدل های DEA نشان داد شرکت های بزرگ جهانی عملکرد باثبات تری نسبت به شرکت های منطقه ای و آفریقایی داشتند. همچنین ورود خروجی های نامطلوب موجب تغییر رتبه بعضی شرکت ها شد و اختلاف میان نتایج DEA کلاسیک و SBM را افزایش داد. برخلاف انتظار اولیه همه شرکت های دارای هزینه فناوری و تحقیق و توسعه بالا عملکرد بهتری نداشتند. نتایج بخش یادگیری ماشین نیز نشان داد مدل LSTM بهترین عملکرد را ثبت کرد. یافته های پژوهش نشان می دهد ترکیب Dynamic DEA و مدل های یادگیری ماشین می تواند چارچوب مناسبی برای تحلیل بهره وری صنعت خودرو فراهم کند گرچه بعضی روابط مشاهده شده نیاز به بررسی بیشتری دارند.

کلیدواژه ها:

بهره وری ، Dynamic DEA ، صنعت خودرو ، یادگیری ماشین ، تحقیق در عملیات ، تحلیل عملکرد