کاربرد رویکرد ترکیبی تحلیل پوششی داده‌ها و شبکه عصبی مصنوعی در ارزیابی کارایی متوازن شرکت های داروسازی بورس اوراق بهادارتهران

ارزیابی عملکرد از مهم ترین روش های بررسی نحوه کارکرد سازمان ها در مقایسه با وضعیت گذشته و یا سایر رقبا می باشد که امکان انجام اقدامات لازم برای بهبود عملکرد را ممکن می سازد. در این پژوهش با به کارگیری یک رویکرد ترکیبی تحلیل پوششی داده ها و شبکه عصبی مصنوعی به ارزیابی عملکرد شرکت داروسازی ایران دارو پرداخته شده است. به این منظور، در ابتدا با بررسی مبانی نظری، معیارهای ارزیابی شرکت بر اساس منظرهای کارت امتیازی متوازن مورد بررسی قرار گرفتند و در ادامه معیارهای با درجه اهمیت بالاتر بر اساس نظر خبرگان شناسایی شدند. بر این اساس، با توجه به لزوم مطالعه و ارزیابی عملکرد شرکت داروسازی ایران دارو، عملکرد این شرکت طی دوره 4 ساله (سال 1393 الی 1396) با استفاده از تحلیل پوششی داده ها با فرض بازده به مقیاس ثابت و دیدگاه خروجی محور مورد ارزیابی قرار گرفت. سپس با استفاده از الگوریتم شبکه عصبی مصنوعی به پیش بینی عملکرد شرکت پرداخته شده است. نهایتاً، نتایج شبکه های عصبی مصنوعی با لایه های مختلف بررسی شده و نتایج حاصل از شبکه با مناسب ترین تعداد لایه ها بر اساس شاخص های دقت، صحت، فراخوانی و خطا با نتایج سایر الگوریتم های یادگیری ماشین مقایسه گردیده است. نتایج، نشان دهنده عملکرد بهتر مدل ارایه شده در مقایسه با الگوریتم های درخت تصمیم، بیز ساده، ماشین بردار پشتیبان و k نزدیک ترین همسایه می باشد.

Applying a Hybrid DEAANN Approach in Evaluation of Balanced Efficiency of the Tehran Stock Exchange Pharmaceutical Companies

Performance evaluation is one of the most important ways to deal with the performance of organizations compared to their previous situation or other competitors, which makes it possible to take actions for performance improvement. In this study, using a hybrid data envelopment analysis and artificial neural network approach, the performance of the Iran Daroo pharmaceutical company has been evaluated. For this purpose, first by reviewing the literature, the company’s evaluation criteria were studied based on the balanced scorecard perspectives and then more important criteria were identified according to the experts’ judgments. Accordingly, due to the necessity of studying and evaluating the performance of the Iran Daroo pharmaceutical company, its performance was evaluated over the 4year period (20142017) using DEA, under the assumptions of constant return to scale and outputoriented approach. Next, using an artificial neural network algorithm, the performance of the company was predicted. Finally, the results of different artificial neural networks under different layers were examined and the results of the network with the most appropriate number of layers were compared with the other machine learning algorithms based on the accuracy, correctness, invocation and error indexes. The results illustrate better performance of the proposed model compared to the decision tree, naive Bayes, support vector machine and K nearest neighbor algorithms.