يك مدل جامع تركيبي NDEA-BSC و شبكه عصبي جديد براي پيش بيني شاخصهاي عملكردي سازماني

A comprehensive hybrid Ndea- Bsc model and a new neural network for predicting organizational performance indicators

هدف: استراتژي اصلي‌ترين منبع رشد بلندمدت سازمان‌ها مي‌باشد و در صورت عدم اجراي موفق استراتژي، حتي اگر استراتژي‌هاي مناسبي اتخاذشده باشد اين فرآيند بيهوده است. هدف اين مقاله پيشنهاد يك مدل جامع تركيبي را براي پيش‌بيني شاخصهاي عملكردي سازماني است. روش‌شناسي پژوهش: به منظور رسيدن به هدف پژوهش، ابتدا از كارت امتيازي متوازن به‌عنوان ابزاري براي طراحي شاخص‌هاي ارزيابي عملكرد و از تحليل پوششي داده‌هاي شبكه‌اي به‌عنوان ابزاري براي ارزيابي عملكرد استفاده شده است. سپس با استفاده از تطبيق شاخص بهره‌وري مالمكوئيست با مدل تركيبي مذكور، به ارائه مدل پيشرفت و پسرفت سازمان‌ها طي دو دوره متوالي پرداخته مي‌شود. سرانجام با تركيب مدلهاي پيشنهادي و شبكههاي عصبي مصنوعي راهكاري را براي ارزيابي عملكرد 500 شعبه بانك و نيز تشخيص پيشرفت و پسرفت آن‌ها ارائه ميگردد. يافته‌ها: نتايج به‌دست‌آمده نشان‌دهنده دقت مناسب و زمان محاسباتي كمتر مدلهاي تركيبي پيشنهادي است. اصالت/دانش‌افزايي علمي: پژوهش حاضر با ارائه يك مدل تركيبي با استفاده از تحليل پوششي داده‌هاي شبكه‌اي و كارت امتيازي متوازن مي‌تواند به دانش موجود در خصوص ارزيابي عملكرد بنگاه‌هاي اقتصادي بيافزايد و روش‌هاي پيشنهادي مي‌توانند ابزارهاي نويد‌بخشي براي ارزيابي عملكرد سازمان‌ها، به‌خصوص دادههاي بزرگ باشند.

Strategy is the main source of long-term growth of organizations and if the strategy is not successfully implemented, even if the appropriate strategies are adopted, this process is useless. The purpose of this paper is to propose a comprehensive hybrid model for predicting organizational performance indicators. Methodology: In order to achieve the research goal, first, a balanced scorecard as a tool for designing performance evaluation indicators and network data envelopment analysis as a tool for performance evaluation has been used. Then, by matching the Malmquist productivity index with the mentioned hybrid model, the model of progress and regression of organizations in two consecutive periods is presented. Finally, by combining the proposed models and artificial neural networks, a solution is presented to evaluate the performance of 500 bank branches and also to identify their progress and regression.Finding: The obtained results show good accuracy and less computational time of the proposed hybrid models.