ارایه مدل ترکیبی تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی جهت رتبه‌بندی کارایی شرکت‌های دارویی

یکی از انواع مدل‌هایی که برای سنجش کارایی و پشتیبانی تصمیم استفاده می‌شود، تحلیل پوششی داده‌ها است. اما با توجه به تمام محاسن، کاستی‌هایی از جمله ضعف تفکیک‌پذیری واحدها، رتبه‌بندی متفاوت رویکرد‌های مختلف و حساسیت نسبت به داده‌های پرت نیز دارد که سبب ایده‌ی تلفیق آن با شبکه‌های عصبی مصنوعی شده است. شبکه عصبی به صورت فزاینده‌ای در رویکرد‌های مبتنی بر مدل و داده برای غنی‌سازی قابلیت‌های تحلیلی و پیش‌بینی و در نتیجه بهبود تصمیم‌گیری استفاده‌ می‌شود. پژوهش حاضر یک مدل برای ارزیابی کارایی واحدها با تلفیق شبکه‌های عصبی ارائه می‌دهد. بخش مورد مطالعه، شرکت-های دارویی فعال در بورس اوراق بهادار تهران است. ابتدا داده‌های هزینه، درآمد و سود شرکت‌های دارویی برای سال 1396 الی 1400 از سایت کدال جمع‌آوری و نرمال سازی شد. سپس برای ایجاد مدل، کارایی 4 مدل بازده به مقیاس متغیر شامل مدل bcc ورودی‌محور و خروجی‌محور، مدل sbm و مدلram تحلیل پوششی داده‌ها در طی سال‌های 1396 الی 1400 در گمز محاسبه شد و مقادیر کارایی این 4 مدل به عنوان بردار آموزش و داده‌های هزینه، درآمد و سود سال 1396 الی 1400 به عنوان ورودی شبکه عصبی وارد متلب شد. برای تعمیم آموزش، از داده‌های سال 1401 استفاده شد. نتایج نشان داد که مرز کارایی آموزش داده شده شبکه حاصل 4 مدل تحلیل پوششی داده‌ها، تقریب جامع‌تر و دقیق تری از کارایی را برای رتبه‌بندی شرکتهای دارویی نشان می دهد. نتایج این پژوهش به شرکت‌های دارویی در زمینه های سرمایه‌گذاری، تخصیص منابع، پیش‌بینی نتایج سیاست‌ها و برنامه‌ریزی به صورت شفاف و دقیق‌تر کمک می‌کند.