ارزيابي كارايي شركت هاي برق منطقه اي ايران با استفاده از تحليل پوششي داده ها و شبكه عصبي

Inputs and Outputs Selection of Data Envelopment Analysis to Evaluate the Performance of Regional Electricity Companies in Iran by Neural Network

انتخاب متغيرهاي ورودي و خروجي در تعيين نمرات كارايي تحليل پوششي داده‌ها از اهميت فراواني برخوردار است. در اين پژوهش با استفاده از شبكه عصبي مصنوعي به تعيين ورودي‌ها و خروجي‌هاي‌ شركت‌هاي برق منطقه‌اي پرداخته شده است. كاربرد شبكه عصبي در انتخاب ورودي‌ها و خروجي‌هاي شركت‌هاي برق منطقه‌اي امري است كه در ادبيات موضوع سابقه نداشته و مزيت اصلي روش پيشنهادي محسوب مي‌شود. به‌‌منظور آموزش شبكه عصبي دو لايه MLP، از روش آموزش پس از انتشار خطاي ارتجاعي استفاده گرديد؛ پس از آموزش شبكه عصبي، عملكرد شبكه عصبي با استفاده از الگوهاي تست، مورد بررسي قرار گرفت. مقدار RMSE مريوط به 15 الگوي تست برابر 0/0269 به‌دست آمد كه نشان‌دهنده دقت بالاي شبكه آموزش داده شده است. تحليل حساسيت پارامترهاي مورد بررسي كه همان ورودي‌ها و خروجي‌هاي تحليل پوششي داده‌ها هستند، با افزايش ده درصدي پارامترها نسبت به حالت قبل از افزايش انجام شده و ميانگين خطاي نسبي خروجي براي پارامترهاي شبكه عصبي محاسبه شده است. بر اساس ميزان ميانگين خطاي نسبي خروجي، ورودي‌ها و خروجي‌هاي تحقيق مشخص گرديد. مقايسه نمرات كارايي شركت‌هاي برق منطقه‌اي قبل و بعد از كاهش تعداد متغيرها، تعداد شركت‌هاي كارا در طي شش دوره زماني فوق از 62/4 درصد به 26/4 درصد كاهش يافته است.

Input and output selection in Data Envelopment Analysis (DEA) has many important. In this research, inputs and outputs of reginal power companies are selected with artifitial neural network. The application of neural network in the selection of inputs and outputs of reginal power companies is not a precedent in the literature and it is considered the main advantage of the proposed method. In order to train two layers MLP neural network, after presenting of error resilience, learning method was used. After neural network training, neural network performance is examined by using the test set. RMSE value for 15 test set equals 0/0269 which reflects the high accuracy of training network. The Sensitivity Analysis of the studied parameters which are the same inputs and outputs of Data Envelopment Analysis, with ten percent increase of parameter, compared to the prior one was carried out and output relative error average for neural network parameters was calculated. Based on the output relative error average, inputs and outputs were determined. By comparing the efficiency scores of regional electricity companies before and after reducing the number of variables, it is noticed that the number of efficient companies during the above four periods decreased from 50 percent to 11 percent. Finally, the neural network application in inputs and outputs selection of the regional electricity companies was unprecedented in the literature and this is the main advantage of this method.