استفاده از شبكه عصبي جهت تعيين انقباض ورودي، انبساط خروجي و كارائي واحدهاي تصميم گيرنده در مدل راسل

Using Neural Network to Determine Input Excesses, Output Shortfalls and Efficiency of Dmus in Russell Mode

در تحليل پوششي داده­ها به منظور بدست آوردن كارائي با مشخصه­هاي متفاوت از دو روش اساسي استفاده مي­شود. اين دو روش عبارتند از مدل­هاي شعاعي و مدل­هاي غير شعاعي. در اين مقاله مدل غير شعاعي راسل كه يك مدل غير خطي است، مورد بررسي قرار مي­گيرد. تحليل پوششي داده­ها براي مجموعه­هاي بزرگ با تعداد ورودي­ها و خروجي­هاي زياد، نياز به منابع عظيم كامپيوتري از لحاظ زمان پردازش و استفاده از حافظه مي­باشد. شبكه­هاي عصبي يكي از روش­هاي رايج براي مدل­هاي غير خطي جهت بدست آوردن كارائي مجموعه­هاي بزرگ با ورودي و خروجي­هاي زياد است. در دهه گذشته نيز محققين بر ارزيابي كارائي با استفاده از تحليل پوششي داده­ها و شبكه عصبي تاكيد كرده­اند. در اين مقاله ميزان انقباض ورودي، انبساط خروجي و كارائي واحدهاي تصميم گيرنده در مدل راسل با استفاده از شبكه عصبي بدست مي­آيند. روش ارائه شده براي مجموعه­اي از بانك­هاي ايران بكار مي­رود و نتايج رضايت بخشي بدست مي­آيند

Data Envelopment Analysis (DEA) has two fundamental approaches for assessing the efficiency with different characteristics; radial and non-radial models. This paper is concerned the non-radial model of Russell which is a non linear model. Conventional DEA for a large dataset with many inputs/outputs would require huge computer resources in terms of memory and CPU time. Artificial Neural Network (ANN) is one of the most popular techniques for non linear models and for measuring the relative efficiency of a large dataset with many inputs/ outputs. Also in the last decade researches focused on efficiency evaluation via DEA as well as using ANN. In this paper we will estimate the input excesses and the output shortfalls in addition to efficiency of Decision Making Units (DMUs) in Russell model through ANN. The proposed integrated approach is applied to an actual Iranian bank set; the result indicates that it yields a satisfactory solution. works.