دانلود تحقیق با موضوع ارزيابي عملکرد و کارآيي شرکت با مدل ترکيبي شبکه هاي عصبي و تحليل پوششي داده ها (Neuro-DEA)،
در قالب word و در 53 صفحه، قابل ویرایش، شامل:
فصل دوم پایان نامه: مرور ادبيات و بررسي پيشينه تحقيق، با فهرست مطالب زیر:
2- ادبیات و پیشینه تحقیق
2-1- مقدمه
2-2- ارزیابی عملکرد
2-2-1- مقدمه
2-2-2- پیشینه ارزیابی عملکرد و بررسی دیدگاه های مختلف
2-2-3- معیارها و تکنیک های ارزیابی و اندازه گیری عملکرد
2-2-3-1- معیارهای ارزیابی عملکرد
2-2-3-2- تکنیک ها و مدل های شناخته شده در ارزیابی عملکرد
2-2-3-3- تکنیک های اندازه گیری عملکرد
2-3- معرفی تفصیلی DEA، ANNs و NEURO/DEA
2-3-1- معرفی تفصیلی DEA
2-3-1-1- مدل نسبت CCR
2-3-1-2- مدل های ورودی محور
2-3-1-2-1- مدل مضربی CCR ورودی محور
2-3-1-2-2- مدل پوششی CCR ورودی محور
2-3-1-3- مدل های خروجی محور
2-3-1-3-1- مدل مضربی CCR خروجی محور
2-3-1-4- روش اندرسون- پیترسون
2-3-2- شبکه های عصبی مصنوعی (ANNs)
2-3-2-1- معرفی تفصیلی
2-3-2-2- معنای شبکه های عصبی
2-3-2-3- قابلیت یادگیری
2-3-2-4- پراکندگی اطلاعات ‘پردازش اطلاعات به صورت متن’
2-3-2-5- قابلیت تعمیم
2-3-2-6- پردازش موازی
2-3-2-7- مقاوم بودن
2-3-2-8- مدل نرون
2-3-2-9- ساختار شبکه های عصبی
2-3-2-10- شبکه های پرسپترون
2-3-2-10-1- شبکه پرسپترون تک لایه
2-3-2-10-2- شبکه پرسپترون چند لایه
2-3-2-10-3- الگوریتم پس انتشار BP
2-3-2-11- تعیین ساختار و توپولوژی شبکه عصبی
2-3-2-12- الگوریتم های یادگیری شبکه
2-3-2-13- مدل خودسازمان ده SOM
2-3-3- مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (NEUEO/DEA)
2-3-3-1- مقدمه
2-3-3-2- الگوریتم تحلیل کارایی
2-3-3-3- نرمال سازی داده ها
2-4- پیشینه تحقیق
2-4-1- بررسی مقالات
2-4-2- بررسی پایان نامه ها
منابع کامل در انتهای فصل آورده شده اند.
2-1- مقدمه
2-2- ارزیابی عملکرد
2-2-1- مقدمه
2-2-2- پیشینه ارزیابی عملکرد و بررسی دیدگاه های مختلف
2-2-3- معیارها و تکنیک های ارزیابی و اندازه گیری عملکرد
2-2-3-1- معیارهای ارزیابی عملکرد
2-2-3-2- تکنیک ها و مدل های شناخته شده در ارزیابی عملکرد
2-2-3-3- تکنیک های اندازه گیری عملکرد
2-3- معرفی تفصیلی DEA، ANNs و NEURO/DEA
2-3-1- معرفی تفصیلی DEA
2-3-1-1- مدل نسبت CCR
2-3-1-2- مدل های ورودی محور
2-3-1-2-1- مدل مضربی CCR ورودی محور
2-3-1-2-2- مدل پوششی CCR ورودی محور
2-3-1-3- مدل های خروجی محور
2-3-1-3-1- مدل مضربی CCR خروجی محور
2-3-1-4- روش اندرسون- پیترسون
2-3-2- شبکه های عصبی مصنوعی (ANNs)
2-3-2-1- معرفی تفصیلی
2-3-2-2- معنای شبکه های عصبی
2-3-2-3- قابلیت یادگیری
2-3-2-4- پراکندگی اطلاعات ‘پردازش اطلاعات به صورت متن’
2-3-2-5- قابلیت تعمیم
2-3-2-6- پردازش موازی
2-3-2-7- مقاوم بودن
2-3-2-8- مدل نرون
2-3-2-9- ساختار شبکه های عصبی
2-3-2-10- شبکه های پرسپترون
2-3-2-10-1- شبکه پرسپترون تک لایه
2-3-2-10-2- شبکه پرسپترون چند لایه
2-3-2-10-3- الگوریتم پس انتشار BP
2-3-2-11- تعیین ساختار و توپولوژی شبکه عصبی
2-3-2-12- الگوریتم های یادگیری شبکه
2-3-2-13- مدل خودسازمان ده SOM
2-3-3- مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (NEUEO/DEA)
2-3-3-1- مقدمه
2-3-3-2- الگوریتم تحلیل کارایی
2-3-3-3- نرمال سازی داده ها
2-4- پیشینه تحقیق
2-4-1- بررسی مقالات
2-4-2- بررسی پایان نامه ها
منابع کامل در انتهای فصل آورده شده اند.
مقدمه تحقیق:
ارزيابي عملکرد شرکت ها همواره از مسأله هاي چالش برانگيز در حوزه هاي مديريت بوده است. اندازه گيري کارايي خصوصاً در دو دهه ي اخير، به علت اهميت آن در ارزيابي عملکرد، مورد توجه زيادي قرار گرفته است. از سال 1957 که فارل روشي را براي اندازه گيري کارايي مطرح کرد تاکنون بازنگري هاي جامع و اساسي در موضوع اندازه گيري کارايي صورت گرفته است. هم چنين ديدگاه هاي پارامتري و غير پارامتري به طور گسترده اي در ارزيابي کارايي مورد استفاده قرار مي گيرند. ضمن اين که ديدگاه هاي اوليه عمدتاً شامل مرزهاي قطعي و مرزهاي تصادفي بوده و بعدها ديدگاه هايي مثل DEA و FDH نيز مطرح شده است.[2005،Delgado]
روش هاي بسياري براي اندازه گيري کارايي در تحقيقات مربوط مطرح شده است؛ اما در مقايسه بين تمامي مدل هاي فوق، DEA روش بهتري براي سازماندهي وتحليل داده هاست؛ زيرا اجازه مي دهد که کارايي در طول زمان تغيير کند و به هيچ گونه پيش فرضي در مورد مرز کارايي نياز ندارد. [Wu et al, 2005] بنابراين بيش از ساير ديدگاه ها در ارزيابي عملکرد مورد استفاده قرار گرفته است و تکنيک مناسبي براي مقايسه ي واحدها در سنجش کارايي به شمار مي آيد. با اين وجود مرز کارايي که از DEA حاصل شده نسبت به اغتشاش هاي آماري و داده هاي پرت که در اثر خطاي اندازه گيري يا هر عامل خارجي ديگر ايجاد مي شود، حساس است و اگر در داده ها اغتشاش آماري يا داده اي پرت وجود داشته باشد ممکن است موجب شود تا مرزکارايي به دست آمده جابه جا شود و مسير تحليل هاي DEA را منحرف سازد.[ Wu et al, 2005 & Bauer,1990 ] به همين علت بايد در استفاده از DEA براي ارزيابي عملکرد ساير واحدهاي تصميم گيرنده احتياط کرد. وجود اين مسأله باعث شده است که اخيراً شبکه هاي عصبي مصنوعي به عنوان جايگزين خوبي براي برآورد مرزهاي کارا جهت تصميم گيري به کار گرفته شود؛ [Wang,2003] زيرا ماهيت عملکرد شبکه هاي عصبي به دليل قدرت يادگيري و تعميم پذيري به گونه اي است که در برابر داده هاي پرت و اغتشاشات حاصل از اندازه گيري غير دقيق داده ها مقاوم تر عمل مي کنند. [مهرگان و همکاران، 1385]
ارزيابي عملکرد شرکت ها همواره از مسأله هاي چالش برانگيز در حوزه هاي مديريت بوده است. اندازه گيري کارايي خصوصاً در دو دهه ي اخير، به علت اهميت آن در ارزيابي عملکرد، مورد توجه زيادي قرار گرفته است. از سال 1957 که فارل روشي را براي اندازه گيري کارايي مطرح کرد تاکنون بازنگري هاي جامع و اساسي در موضوع اندازه گيري کارايي صورت گرفته است. هم چنين ديدگاه هاي پارامتري و غير پارامتري به طور گسترده اي در ارزيابي کارايي مورد استفاده قرار مي گيرند. ضمن اين که ديدگاه هاي اوليه عمدتاً شامل مرزهاي قطعي و مرزهاي تصادفي بوده و بعدها ديدگاه هايي مثل DEA و FDH نيز مطرح شده است.[2005،Delgado]
روش هاي بسياري براي اندازه گيري کارايي در تحقيقات مربوط مطرح شده است؛ اما در مقايسه بين تمامي مدل هاي فوق، DEA روش بهتري براي سازماندهي وتحليل داده هاست؛ زيرا اجازه مي دهد که کارايي در طول زمان تغيير کند و به هيچ گونه پيش فرضي در مورد مرز کارايي نياز ندارد. [Wu et al, 2005] بنابراين بيش از ساير ديدگاه ها در ارزيابي عملکرد مورد استفاده قرار گرفته است و تکنيک مناسبي براي مقايسه ي واحدها در سنجش کارايي به شمار مي آيد. با اين وجود مرز کارايي که از DEA حاصل شده نسبت به اغتشاش هاي آماري و داده هاي پرت که در اثر خطاي اندازه گيري يا هر عامل خارجي ديگر ايجاد مي شود، حساس است و اگر در داده ها اغتشاش آماري يا داده اي پرت وجود داشته باشد ممکن است موجب شود تا مرزکارايي به دست آمده جابه جا شود و مسير تحليل هاي DEA را منحرف سازد.[ Wu et al, 2005 & Bauer,1990 ] به همين علت بايد در استفاده از DEA براي ارزيابي عملکرد ساير واحدهاي تصميم گيرنده احتياط کرد. وجود اين مسأله باعث شده است که اخيراً شبکه هاي عصبي مصنوعي به عنوان جايگزين خوبي براي برآورد مرزهاي کارا جهت تصميم گيري به کار گرفته شود؛ [Wang,2003] زيرا ماهيت عملکرد شبکه هاي عصبي به دليل قدرت يادگيري و تعميم پذيري به گونه اي است که در برابر داده هاي پرت و اغتشاشات حاصل از اندازه گيري غير دقيق داده ها مقاوم تر عمل مي کنند. [مهرگان و همکاران، 1385]
