ارزیابی عملکرد و کارایی شرکت‌های گاز استانی با مدل ترکیبی شبکه‌های عصبی و تحلیل پوششی داده‌ها (Neuro/DEA)

یکی از عمده ترین مشکلات استفاده از ((تحلیلی پوششی داده ها)) ضعف قدرت تفکیک پذیری برای ((واحدهای تصمیم گیرنده)) است. این مشکل عمدتاً به علت کم بودن تعداد واحدها در مقایسه با تعداد ورودی ها و خروجی های مدل می باشد. ] مهرگان و همکاران، 1385[. این مشکل در ارزیابی عملکرد 23 شرکت گاز استانی با توجه به تعداد زیاد ورودی ها و خروجی های هر شرکت گاز به خوبی خود را نمایان می کند. بر این اساس، و برای رفع این اشکال مدلی تلفیقی از شبکه های عصبی مصنوعی و تحلیل پوششی داده ها در این تحقیق مورد استفاده قرار گرفته است که موجب افزایش قدرت تفکیک پذیری مناسب شرکت ها شد. در این پژوهش جهت ارزیابی عملکرد و کارایی شرکت های گاز استانی ابتدا رویکرد یا مدل مضربی CCR ورودی محور و روش اندرسون- پیترسون (AP) برای رتبه بندی واحدهای کارا در قالب مدل های تحلیل پوششی داده ها (DEA) مورد بررسی قرار گرفت و ضعف مدل ها از نظر محاسبه و تفکیک کارایی شرکت ها مشخص شد. در ادامه پژوهش جهت تحلیل و ارزیابی کارایی شرکت ها از سه رویکرد 1- شبکه های عصبی پیش بینی کننده عملکرد 2- شبکه های عصبی محاسبه کننده عملکرد و 3- شبکه های خوسازمان ده با رویکرد خوشه بندی کننده واحدها در قالب مدل های ترکیبی تحلیل پوششی داده ها و شبکه های عصبی مصنوعی (Neuro/DEA) استفاده شد. نتایج تحلیلی محاسبه کارایی این مدل ها نشان از قدرت بالای محاسبه و تفکیک پذیری شرکت ها از نظر کارایی بود. در رویکرد اول از مدل های ترکیبی (1Neuro/DEA) یک شبکه عصبی پیش خور چند لایه با دو الگوریتم یادگیری بردار گرادیان مزدوج (SCG) و لونبرگ مارکواد (LM) به کار گرفته شد به طوری که در الگوریتم SCG شبکه شامل 7 نرون در لایه ورودی، 18 نرون در لایه میانی و 1 نرون در لایه خروجی بوده ور در الگوریتم LM لایه ورودی شبکه از 7 نرون، لایه میانی 12 نرون و لایه خروجی از یک نرون تشکیل شده بود و در رویکرد دوم (2Neuro/DEA) از یک شبکه عصبی پیش خور چند لایه با الگوریتم (LM) استفاده گردید، در حالی که در رویکرد سوم (3Neuro/DEA) به شکلی متفاوت عمل شد به نحوی که در این رویکرد از یک شبکه خودسازمان ده استفاده شد که اطلاعات واحدهای تصمیم گیرنده (اعم از ورودی و خروجی) را دریافت کرده و بر اساس نوع رفتار آن ها، این واحدها را در طبفات جداگانه جای داد. در واقع این شبکه یک خوشه بندی بندی بر اساس داده های ورودی و خروجی واحدها انجام داد که از آن به عنوان شبکه خوشه بندی کننده واحدها نام بردیم. خروجی (کارایی) محاسبه شده شبکه های عصبی پیش بینی کننده عملکرد با الگوریتم LM نشان از قدرت بالای محاسبه، پیش بینی و تفکیک پذیری کارایی و عملکرد شرکت های گاز استانی می باشد. لذا به عنوان مدل برتر پژوهش انتخاب شده و در نهایت ارزیابی عملکرد و رتبه بندی کارایی شرکت های گاز استانی با مدل برتر انجام شد.