ارايه يك روش تركيبي تحليل پوششي داده ها1 و درخت تصميم جهت سنجش كارايي واحدها ( مطالعه موردي: ناوگان اتوبوسراني شهر تهران)

A Hybrid Model of Data Envelopment Analysis and Decision Tree for Efficiency Evaluation of Units (Case Study: Tehran Bus Transit)

سنجش عملكرد و كارايي ناوگان اتوبوسراني از جمله مسايلي است كه به جهت نياز به ارتقا هر چه بيشتر سطح خدمت رساني به شهروندان همواره مورد توجه سياست گذاران و متوليان مديريت شهري بوده است. از طرفي دستيابي به اين دانش كه چه شرايطي در افزايش كارايي خطوط اتوبوسراني موثرند، از اهميت بالايي برخوردار مي باشد. داده هاي تاريخي مربوط به عملكرد خطوط اتوبوسراني همه روزه توسط شبكه ارتباطي بيسيم در سطح شهر جمع آوري مي شوند. در اين پژوهش داده-هاي مذكور به كمك يك روش تركيبي جديد مورد بررسي و پردازش قرار گرفته اند. كارايي خطوط توسط روش DEA سنجيده شده و در ادامه بر اساس كارايي يا عدم كارايي خطوط، به وسيله روش درخت تصميم قواعد مستتر در داده ها كه نشان دهنده ي وضعيت كارايي خطوط مي باشند، استخراج شده است. در نهايت توانايي پيش بيني كارايي يا تاكارايي خطوط توسط الگوريتم هاي كارت2 ، C5.0 و مدل گروهي3 مورد ارزيابي قرار گرفته است. اين روش تركيبي تاكنون در حوزه حمل و نقل استفاده نشده است و در عين حال در اين روش از قابليت الگوريتم هاي گروهي جهت افزايش صحت4 مدل در پيش بيني كارايي خطوط استفاده شده است. به اين ترتيب به وسيله ي تركيب روش DEA و درخت تصميم به عنوان دو روش ناپارامتريك، نقشه ي راهي جهت ارتقا كارايي ناوگان حمل و نقل در اين حوزه، در اختيار مسيولان امر قرار مي گيرد.

Bus fleet performance measurement is under scrutiny of the urban policy makers because of the critical need to enhance the service level for the citizens. However, the situations that are involved in bus line efficiency are very important. Historical data of bus line performance are gathered daily by a wireless network in the city. In this study, bus lines’ data are investigated and processed by a hybrid method. Lines’ efficiency is measured by DEA technique, and then hidden rules in the data set are extracted in regard to the efficiency or inefficiency of the bus lines. At the end, the prediction ability of being efficient or inefficient has been evaluated by CART, C5.0 and ensemble algorithms. The hybrid method has not been used in transportation field before; also the ensemble model that leads to higher accuracy has been used for the first time in this hybrid method. In this way, the combination of DEA and decision tree as two nonparametric tools will result in a road map to help policy makers for efficiency enhancement in urban transportation.