چکیده مقاله
ارزیابی کارایی واحدهای تصمیم گیرنده DMUs یکی از دغدغه های محوری در مدیریت عملیات، اقتصاد و علوم تصمیم گیری است روش های سنتی پارامتریک اغلب در تعیین مرزهای کارایی در حضور پیچیدگی ها و ابعاد متعدد ورودی/خروجی دچار چالش می شوند تحلیل پوششی داده ها DEA ، به عنوان یک رویکرد غیرپارامتریک مبتنی بر برنامه ریزی خطی، چارچوبی قدرتمند برای تخمین مرز کارایی و رتبه بندی DMUها ارائه داد با این حال، DEA کلاسیک با محدودیت هایی نظیر حساسیت به نویز، عدم توانایی در مدل سازی کامل روابط غیرخطی و فروض سختگیرانه در مورد ساختار تولید همراه است در سال های اخیر، ظهور فناوری های نوین یادگیری ماشین ML و به ویژه یادگیری عمیق DL فرصت های جدیدی را برای غلبه بر این محدودیت ها فراهم آورده است این پژوهش با رویکردی مروری تحلیلی، سیر تکاملی روش های ارزیابی کارایی را از DEA بنیادین تا مدل های پیشرفته تلفیقی DEA DL مورد بررسی قرار می دهد یافته های کلیدی نشان می دهند که ادغام DL، به ویژه شبکه های عصبی عمیق، با DEA می تواند قابلیت های مدل سازی پیچیدگی های ذاتی سیستم های واقعی را به شدت بهبود بخشد، امکان شناسایی الگوهای پنهان را فراهم آورد و در نهایت، ارزیابی کارایی را دقیق تر و هوشمندانه تر سازد نتیجه گیری می شود که مدل های DEA DL نمایانگر پارادایم نوینی در ارزیابی کارایی هستند که پتانسیل بالایی برای به کارگیری در محیط های داده محور و پیچیده دارند
کلیدواژهها
نویسندگان
شیوه ارجاع
یوسفی، سجاد و پورنجف، مریم و سلیمانی، نرگس و مومنی، زهرا،1404،تحلیل جامع مدل های ارزیابی کارایی: سیر تکاملی از DEA تا تلفیق با یادگیری عمیق (DEA-DL)،سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند،لارستان
ارائهشده در
مجموعه مقالات سومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند28 بهمن 1404 · لارستان