ترکیب مدل‌های تحلیل پوششی داده‌ها و الگوریتم‌های یادگیری ماشین برای ارزیابی کارایی واحدهای تصمیم‌گیری با در نظر گرفتن ستانده‌های نامطلوب

ستانده نامطلوب جز لاینفکی از تولید درواحدهای تصمیم گیری مختلف می باشد و در جهت نزدیکترکردن تحلیل ها به جهان واقعی نیاز به در نظر گرفتن ستانده نامطلوب در تحقیقات مرتبط با ارزیابی عملکرد می باشد ، در این مقاله، یک مدل ترکیبی جدید برای ارزیابی کارایی واحدهای تصمیم‌گیری در شرکت ملی پخش فرآورده های نفتی ایران ارائه شده است که در آن از تکنیک‌های تحلیل پوششی داده‌ها اسلک محور و الگوریتم‌های پیشرفته یادگیری ماشین استفاده می‌شود. مدل پیشنهادی به‌خصوص بر بهبود کارایی با توجه به ستانده‌های نامطلوب و در شرایط عدم قطعیت تمرکز دارد. سه الگوریتم یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، ماشین‌های بردار پشتیبانی و xgboost برای پیش‌بینی و بهبود نتایج مدل‌های sbm مورد استفاده قرار گرفته‌اند. این مطالعه شامل ارزیابی 37 واحد تصمیم‌گیری زیرمجموعه شرکت ملی پخش فرآورده‌های نفتی بوده که نتایج نشان دهنده بهبود معنادار کارایی با استفاده از داده‌های پیش‌بینی‌شده در مقایسه با داده‌های واقعی است. این تحقیق نه تنها به ارائه دیدگاه‌های جدید در ارزیابی و بهبود کارایی کمک می‌کند، بلکه روش‌های ترکیبی نوآورانه‌ای را برای مقابله با چالش‌های موجود در مدیریت عملیاتی ارائه می‌دهد.

combining data envelopment analysis models and machine learning algorithms for evaluating the efficiency of decision-making units considering undesirable outputs

undesirable outputs are an integral part of production in various decision-making units, and to bring analyses closer to the real world, it is necessary to consider, undesirable outputs in performance evaluation research. in this paper, a new hybrid model for evaluating the efficiency of decision-making units in the oil industry is presented, which uses slack-based data envelopment analysis techniques and advanced machine learning algorithms. the proposed model specifically focuses on improving efficiency considering undesirable outputs and conditions of uncertainty. three machine learning algorithms including artificial neural networks, support vector machines, and xgboost are used to predict and improve the results of slack-based models. this study involves the evaluation of 37 decision-making units within the national petroleum products distribution company, and the results show a significant improvement in efficiency using predicted data compared to actual data. this research not only contributes to new perspectives in efficiency evaluation and improvement but also offers innovative hybrid methods to address challenges in operational management.