An Efficiency Measurement and Benchmarking Model Based on Tobit Regression, GANN-DEA and PSOGA
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 192
فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJFMA-3-12_007
تاریخ نمایه سازی: 13 آذر 1400
چکیده مقاله:
The purpose of this study is designing a model based on Tobit regression, DEA, Artificial Neural Network, Genetic Algorithm and Particle Swarm Optimization to evaluate the efficiency and also benchmarking the efficient and inefficient units. This model has three stages, and it uses the data envelopment analysis combined model with neural network, optimized by genetic algorithm, to evaluate the relative efficiency of ۱۶ regional electric companies of Tavanir. A two-staged approach of data envelopment analysis and Tobit regression has been used to measure the effects of environmental variables on the mean efficiency of companies. Finally we use a hybrid model of particle swarm algorithm and genetic algorithm to benchmark the efficient and inefficient units. The mean efficiency of regional electric companies have increased from ۰.۸۹۳۴ to ۰.۹۱۴۷, during ۲۰۱۲ to ۲۰۱۷, and regional electric companies of Azarbayjan, Isfahan, Tehran, Khorasan, Semnan, Kerman, Gilan and Yazd, had the highest mean efficiency of ۱, and west regional electric companies and Fars had the lowest efficiency of ۰.۷۰۴۷ and ۰.۶۰۲۵, respectively.
کلیدواژه ها:
نویسندگان
Mohammad Reza Mirzaei
Ph.D. Candidate, Department of industrial management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.
Mohammad Ali Afshar Kazemi
Associated professor, Department of industrial management, Central Tehran Branch, Islamic Azad University, Tehran, Iran (Corresponding author).
Abbas Toloie Eshlaghy
Professor, Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :