رویکردهای ترکیبی تحلیل پوششی داده ها و یادگیری ماشین در تحلیل داده ها: مرور نظام مند ادبیات با استفاده از تحلیل کتاب سنجی

با توجه به محدودیت های تحلیل پوششی داده ها در مواجهه با داده های کلان، ناتوانی در مدلسازی روابط غیرخطی و فقدان قابلیت پیش بینی کارایی واحدهای تصمیم گیری جدید، ادغام آن با روش های یادگیری ماشین به عنوان یک رویکرد ترکیبی نوظهور و رو به رشد مورد توجه گسترده پژوهشگران قرار گرفته است. در این مقاله یک مرور نظام مند و جامع از پژوهش های مرتبط با رویکردهای ترکیبی تحلیل پوششی داده ها و یادگیری ماشین در بازه زمانی ۱۹۹۶ تا ۲۰۲۶ با استفاده از تحلیل کتاب سنجی انجام شده است تا ساختار دانشی، شبکه همکاری پژوهشگران، پراکندگی موضوعات، رویکردهای ترکیبی پرکاربرد، روند تحول مطالعات و شکاف های پژوهشی موجود در این حوزه بررسی شود. نتایج تحلیل کتاب سنجی نشان می دهد که ادغام تحلیل پوششی داده ها با روش های یادگیری ماشین طی سه دهه اخیر، به ویژه پس از سال ۲۰۱۰، با رشد چشمگیر مواجه شده و در سال های اخیر به یکی از جریان های فعال در زمینه تحلیل کارایی و تصمیم گیری مبتنی بر داده تبدیل شده است. همچنین، نتایج تحلیل هم زمانی واژگان کلیدی بیانگر تمرکز پژوهش ها بر کاربرد روش های یادگیری ماشین نظیر شبکه های عصبی مصنوعی، خوشه بندی و ماشین بردار پشتیبان در بهبود قابلیت پیش بینی و رفع محدودیت های DEA سنتی است. تحلیل شبکه هم نویسندگی نیز نشان دهنده عدم وجود شبکه های همکاری گسترده و گروه های پژوهشی منسجم و اثرگذار در این حوزه است. در مجموع، نتایج این پژوهش حاکی از آن است که رویکردهای ترکیبی DEA-ML نه تنها بسیاری از محدودیت های سنتی DEA را برطرف کرده اند، بلکه قابلیت پیش بینی، مقیاس پذیری و تفسیرپذیری مدل ها را نیز به طور قابل توجهی ارتقا داده اند. این ادغام، DEA را از یک ابزار صرفا ارزیابی کننده به یک چارچوب هوشمند و پیش بینی کننده برای تصمیم گیری در محیط های پیچیده و داده محور تبدیل کرده است.

کلیدواژه ها:

تحلیل پوششی داده ها ، یادگیری ماشین ، تحلیل کتاب سنجی ، کارایی ، تحلیل داده