2-3-2-1- آموزش شبکه. 29

 

2-3-2-1-1-  الگوریتم های یادگیری شبکه. 30

 

2-3-2-2- تناسب انتخاب ساختار با موضوع مساله. 31

 

2-3-2-3- ساختار شبکه های عصبی.. 33

 

2-3-2-3-1- شمای کلی.. 38

 

2-3-2-4- چگونگی پردازش اطلاعات در واحد های پردازشگر. 39

 

2-3-2-5- شبکه­های پرسپترون. 43

 

2-3-3- مدل ترکیبی شبکه­های عصبی و تحلیل پوششی داده ها (Neuro/DEA) 43

 

2-3-3-1- خواستگاه استفاده از مدل ترکیبیNeuro-DEA.. 43

 

2-4-  پیشینه تحقیق.. 45

 

3- روش تحقیق

 

3-1- مقدمه. 51

 

3-2- جامعه آماری. 51

 

3-3- شیوه گرد­آوری اطلاعات.. 51

 

3-4- مراحل انجام تحقیق. 51

 

3-5-مدل­های تحلیل پوششی داده­ها 53

 

3-5-1- مدل­های ورودی­محور. 53

 

3-5-1-1-مدل مضربی CCR ورودی محور. 53

 

3-5-1-2-مدل پوششی CCR ورودی­محور. 54

 

3-5-2-مدل­های خروجی­محور. 55

 

3-5-2-1-مدل مضربی CCR خروجی محور. 56

 

3-5-2-2- مدل پوششی CCR خروجی محور. 56

 

3-6- ارزیابی و تحلیل کارایی شرکت­ شهرک­های صنعتی با رویکرد تحلیل پوششی داده­ها(DEA) (مدل مضربی CCR خروجی­محور) 56

 

3-7- روش اندرسون-پیترسون برای رتبه بندی واحد­های کارا 58

 

3-8- دلایل استفاده از مدل CCR در مقایسه با مدل BCC.. 59

 

3-9- دلایل استفاده از مدل خروجی محور در مقایسه با مدل ورودی محور. 60

 

3-10- ساختار شبکه 60

 

3-11- الگوریتم تحلیل کارایی.. 63

 

4- محاسبات و یافته های تحقیق

 

4-1- معرفی حوزه تحقیق. 66

 

4-1-1- سازمان صنایع کوچک و شهرک­های صنعتی ایران. 66

 

4-1-2- معرفی استان مازندران. 68

 

4-2- نتایج تحقیق. 70

 

5- نتیجه‌گیری و پیشنهادات

 

5-1- نتیجه گیری. 79

 

5-2- تحقیقات آتی. 79

 

 

 

فهرست اشکال

 

شكل (‏2‑1) روش وصل نقاط حدی. 23

 

شكل (‏2‑2) یک واحد تصمیم گیرنده به همراه ورودی و خروجی­ها 27

 

شكل (‏2‑3) مشخصات یک واحد تصمیم گیرنده 27

 

شكل ( ‏2‑4) نرون تک ورودی. 34

 

شكل (‏2‑5) نرون با بردار ورودی. 35

 

شكل (‏2‑6) شبکه تک لایه با S نرون. 36

 

شكل (‏2‑7) فرم فشرده شده یا ماتریسی شبکه تک لایه با S نرون. 36

 

شكل (‏2‑8) شبکه پیش خور دو لایه. 37

 

شكل (‏2‑9) فرم ساده شده شبکه پیش خور دو لایه میانی. 38

 

شكل (2‑10) پرسترون تک لایه. 42

 

شكل (‏3‑1) ورودی و خروجی­های شهرک صنعتی jام 56

 

شكل (‏3‑2) فلوچارت الگوریتم تحلیل کارایی. 64

 

شکل(4-1) مقایسه کارایی محاسبه شده توسطDEA  وNeuro-DEA. 74

 

شکل(4-1) مقایسه رتبه بندی انجام شده توسطDEA  وNeuro-DEA. 74

 

 

 

 

فهرست جداول

 

جدول (‏2‑1) تفاوت های دو نگرش نوین و سنتی ارزیابی عملکرد 12

 

جدول (‏2‑2) ماتریس ارزیابی عملکرد 16

 

جدول (2-3) توابع محرک با علائم قراردادی. 34

 

جدول (2-4) نتایج تحقیقات موجود در مقاله ، تحلیل کارایی فنی پالایشگاه­های نفت کشور. 45

 

جدول (‏3‑1) شهرک­های صنعتی مورد بررسی و مطالعه پژوهش… 51

 

جدول (‏3‑2) مشخصه­های متغیر­های تصمیم. 56

 

جدول (‏3‑3) پارامتر­های مدل بر حسب مشخصه­های تعریف شده 57

 

جدول (‏3‑4) متغیر­های تصمیم. 57

 

جدول (‏3‑5) ساختار شبکه مورد استفاده در الگوریتمNeuro-DEA.. 60

 

جدول (‏3-6) درصد تغییرات ورودی­ها و خروجی­های هر شهرک صنعتی. 61

 

جدول (‏4‑1) کارایی محاسبه شده توسط­ DEA در سال 90 و 91 و کارایی پیش­بینی شده توسط Neuro-DEA در سال90. 71

 

جدول (‏4‑2) رتبه بندی واحدها توسط­ DEA در سال 90 و 91 و رتبه بندی پیش­بینی شده توسط Neuro-DEA در سال 91. 72

 

جدول (‏4‑3) میانگین کارایی واحد­ها در ده اجرای شبکه عصبی. 74

 

جدول (‏4‑4) معیارهای ورودی و خروجی مربوط به هر شهرک صنعتی در سال 91. 75

 

جدول (‏4‑5) معیارهای ورودی و خروجی مربوط به هر شهرک صنعتی در سال 91. 76

 

چکیده

 

توسعه شهرک­های صنعتی یک سیاست مهم در بسیاری از کشورها می باشد زیرا پیشرفت این شهرک­ها منجر به تقویت صنعت و اقتصاد کشور می­گردد. شناخت آماری و رتبه بندی شهرک­ها و نواحی صنعتی برای بهبود توسعه صنایع ضروری می­باشد. لذا در این پژوهش کارایی 25 شهرک صنعتی واقع در استان مازندران با استفاده از مدل DEA[1]، [2]CCR خروجی­محور و همچنین رتبه­ی هر یک از واحدهای کارا با استفاده از مدل [3]AP در سال 90 و 91 محاسبه گردیده است. سپس  با استفاده از روش ترکیبی تحلیل پوششی داده­ها و شبکه­های عصبی مصنوعی(ANN)[4]، یک شبکه عصبی مصنوعی به جهت توانایی آن در پیش بینی و تحلیل کارایی و رتبه بندی واحد­ها در سال 91 به کار گرفته شده است. در نهایت مقایسه ای میان دو روش در سال 91 انجام شده است.

 

 

 

1-1-  مقدمه

 

در سالهای اخیر در اغلب کشورهای جهان برای ارزیابی عملکرد نهادها و دیگر فعالیت­های رایج در زمینه­های مختلف، کاربرد­های مختلفی از تحلیل پوششی داده­ها (DEA) دیده شده است. علت مقبولیت گسترده­تر روش DEA نسبت به سایر روش­ها، امکان بررسی روابط پیچیده و اغلب نامعلوم بین چندین ورودی و چندین خروجی است که در این فعالیت­ها وجود دارد. [1] در سال 1957 فارل[1] با استفاده از روشی مانند اندازه­گیری کارایی در مباحث مهندسی اقدام به اندازه­گیری کارایی برای یک واحد تولیدی نمود. موردی که فارل برای اندازه گیری کارایی مد نظر قرار داده بود شامل یک ورودی و یک خروجی بود. مطالعه فارل شامل اندازه­گیری “کارایی­های فنی” و “تخصصی” و “مشتق تابع تولید کارا” بود. فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا نسبت به سایر کشور­ها مورد استفاده قرار داد. بااین وجود، او در ارائه روشی که دربرگیرنده ورودی و خروجی های متعدد باشد، موفق نبود.

 

چارنز، کوپر و رودز دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه گیری کارایی با چندین ورودی و چندین خروجی را داشت. این مدل تحت عنوان “تحلیل پوششی داده­ها” نام گرفت و ابتدا در رساله­ی دکتری ادوارد رودز[2] و به راهنمایی کوپر[3] تحت عنوان “ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا” در سال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقاله ای تحت عنوان “اندازه­گیری کارایی واحد­های تصمیم گیرنده” ارائه شد.