چکیده
ویژگی های پرسنل دارای بیشترین اثر بر روی راندمان کل می باشند. آنها می توانند به ما در طراحی محیط کار و بهبود راندمان کل کمک کنند. تعیین ویژگی های مهم پرسنل یک روش مفید برای غلبه بر پیچیدگی مرتبط با ورودی ها وخروجی های متعدد می باشد. الگوریتم پیشنهادی اثرِ ویژگی های کارایی پرسنل بر روی کل راندمان را از طریق تجزیه و تحلیل پوششی اطلاعات (DEA)، شبکه عصبی مصنوعی (ANN) و نظریه¬ی مجموعه¬ های راف (RST) ارزیابی می کند. DEA دارای دو نقش در الگوریتم یکپارچه¬ی پیشنهادی در این بررسی می باشد. DEA داده های ANN را ارائه کرده و درنهایت بهترین کاهش را از طریق نتیجه¬ی ANN انتخاب می کند. این کاهش به عنوان مینیمم زیرمجموعه¬ی ویژگی ها توصیف می شود، و به طور کامل تمامی اشیای موجود در یک مجموعه¬ی داده ها را متمایز می کند. انتخاب کاهش (تخفیف) توسط RST حاصل می¬شود. ANN دارای دو نقش در این الگوریتم یکپارچه می باشد. نتایج ANN بر مبنای انتخاب بهترین تخفیف بوده و همچنین برای یش بینی راندمان کل استفاده می شود. دیدگاه یکپارچه¬ی پیشنهادی بر روی سیستم بانکداری واقعی اعمال شده و برتری ها و مزایای آن موردبحث قرار گرفتند.
0. اهمیت این بررسی
این بررسی، اولین مطالعه ای است که یک الگوریتم یکپارچه را برای ارزیابی اثر مشخصه های راندمان پرسنل بر روی کل راندمان از طریق تجزیه و تحلیل پوششی اطلاعات (DEA)، شبکه عصبی مصنوعی (ANN)، و نظریه¬ی مجموعه های راف (RST) پیشنهاد می دهد. نتیجه این بررسی به مدیران کمک می کند تا سیستم مفیدی را برای پیش بینی کارایی ها توسط ویژگی های انتخاب¬شده ایجاد کنند. الگوریتم یکپارچه به طور موفقیت آمیز برای 102 شعبه از یک بانک خصوصی بزرگ استفاده شد، و اثر ویژگی های پرسنل را بر روی کارایی شعب بانک بررسی و ارزیابی کرد. نتایج این بررسی نشان می دهند که چهار زیرمجموعه از ویژگی های نامعلوم (شرطی) با تعداد کل 9 ویژگی از 28 ویژگی دارای اثر مهم بر روی دقت حل بهینه هستند. این کاهشِ تعداد ویژگی ها، زمان تصمیم گیری و در نتیجه هزینه¬ی ارزیابی کارایی را کاهش می دهد.
abstract
Personnel specifications have greatest impact on total efficiency. They can help us to design work environment and enhance total efficiency. Determination of critical personnel attributes is a useful procedure to overcome complication associated with multiple inputs and outputs. The proposed algorithm assesses the impact of personnel efficiency attributes on total efficiency through Data Envelopment Analysis (DEA), Artificial Neural Network (ANN) and Rough Set Theory (RST). DEA has two roles in the proposed integrated algorithm of this study. It provides data ANN and finally it selects the best reduct through ANN result. Reduct is described as a minimum subset of attributes, completely discriminating all objects in a data set. The reduct selection is achieved by RST. ANN has two roles in the integrated algorithm. ANN results are basis for selecting the best reduct and it is also used for forecasting total efficiency. The proposed integrated approach is applied to an actual banking system and its superiorities and advantages are discussed.
0. Significance
This is the first study which proposes an integrated algorithm for assessment of the impact of personnel efficiency attributes on total efficiency through Data Envelopment Analysis (DEA), Artificial Neural Network (ANN) and Rough Set Theory (RST). The outcome helps managers to construct helpful system to forecast efficiencies by selected attributes. The integrated algorithm is successfully applied to 102 branches of a large private bank, evaluating personnel attributes impact on bank branches efficiencies. The results of this study show that four subsets of conditional attributes with total number of nine attributes from 28 attributes have a critical impact on the accuracy of the optimal solution. This reduction in attributes number decrease the time of decision-making and consequently reduces the cost of efficiency evaluation.
چکیده
0. اهمیت این بررسی
1. مقدمه
1.1. ANN و راندمان
1.2. نظریه مجموعه راف
1.3. تجزیه و تحلیل پوششی اطلاعات
1.4. شبکه های عصبی مصنوعی
2. الگوریتم یکپارچه
2.1. گام 1: محاسبه راندمان DMUها با DEA
2.2. مرحله 2: تعریف سیستم تصمیم گیری
2.3. مرحله 3: تعیین کاهش ها از طریق نظریه مجموعه راف
2.4. مرحله 4: انتخاب ANN ارجح برای هر کاهش با CVTT
2.5. مرحله 5: انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA
2.6. مرحله 6: پیش بینی راندمان های DM توسط ویژگی های انتخاب شده از طریق ANN
3. مطالعه موردی
3.1 محاسبه راندمان DMU با DEA
3.2. تعریف سیستم تصمیم گیری
3.3. تعیین کاهش ها از طریق RST
3.4. محاسبه عملکرد ANN برای هر کاهش با CVTT
3.5. انتخاب بهترین کاهش ها توسط نتایج ANN از طریق DEA
3.6. پیش بینی راندمان های DMU توسط ویژگی های انتخاب شده از طریق ANN
4. نتیجه گیری و کارهای آینده
Abstract
0. Significance
1. Introduction
1.1. ANN and efficiency
1.2. Rough Set Theory
1.3. Data Envelopment Analysis
1.4. Artificial Neural Networks
2. The integrated algorithm
2.1. Step 1: DMUs efficiency calculation with DEA
2.2. Step 2: Decision system definition
2.3. Step 3: Determine the reducts through Rough Set Theory
2.4. Step 4: Select preferred ANN for each reduct with CVTT
2.5. Step 5: Select the best reducts by ANN results through DEA
2.6. Step 6: Forecasting DMUs efficiencies by selected attributes through ANN
3. The case study
3.1. DMU’s efficiency calculation with DEA
3.2. Decision system definition
3.3. Determination of the reducts through RST
3.4. Calculate ANN performance for each reduct with CVTT
3.5. Select the best reducts by ANN results through DEA
3.6. Forecasting DMU’s efficiencies by selected attributes through ANN
4. Conclusion and future work