مقایسه مدل‌های تحلیل پوششی داده‌های معکوس با مدل‌های ترکیبی مبتنی‌بر هوش‌مصنوعی در پیش‌بینی منابع مالی

نویسندگان

  • اکرم محسنی‌کیا * گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
  • قاسم توحیدی گروه ریاضی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.
  • مسعود صانعی گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران. https://orcid.org/0000-0002-2097-9354
  • بهروز دانشیان گروه ریاضی، واحد تهران مرکز، دانشگاه آزاد اسلامی، تهران، ایران.
  • شبنم رضویان گروه ریاضی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

https://doi.org/10.22105/msda.v3i2.79

چکیده

هدف: این مقاله با هدف مقایسه مدل‌های تحلیل پوششی داده‌های معکوس و مدل‌های ترکیبی مبتنی بر هوش مصنوعی در پیش‌بینی و تخصیص منابع مالی طراحی شده است. تمرکز اصلی بر افزایش دقت و کارایی پیش‌بینی منابع موردنیاز در شعب بانکی است.

روش‌شناسی پژوهش: در این پژوهش ابتدا از مدل‌های کلاسیک Inverse DEA برای پیش‌بینی منابع استفاده شده و سپس این مدل‌ها با الگوریتم‌های AI نظیر PSO، رگرسیون چندمتغیره و شبکه عصبی مصنوعی ترکیب شده‌اند. عملکرد این مدل‌ها در یک مطالعه موردی با استفاده از داده‌های واقعی پنج شعبه بانکی ارزیابی شده است.

یافته‎ها: نتایج نشون می‌ده مدل‌های ترکیبی به‌ویژه Inverse DEA + ANN عملکرد بهتری در بهینه‌سازی ورودی‌ها و کاهش هزینه‌ها دارن. مدل ANN  به‌دلیل توانایی در شناسایی الگوهای غیرخطی، بهترین نتایج را در تخصیص منابع ارائه داده است. مدل PSO نیز دقت بالایی داشته و هزینه‌ها را به‌صورت مؤثری کاهش داده است.

اصالت/ارزش افزوده علمی: نوآوری این تحقیق در ترکیب روش‌های کلاسیک DEA با الگوریتم‌های هوش مصنوعی برای دستیابی به تخصیص منابع دقیق‌تر و کاراتر است. این ترکیب نه‌تنها قابلیت پیش‌بینی دقیق را افزایش می‌دهد، بلکه ابزار مفیدی برای تصمیم‌گیری در سیستم‌های مالی و بانکی فراهم می‌کند.

کلمات کلیدی:

Inverse DEA، هوش مصنوعی، پیش‌بینی منابع مالی، شبکه عصبی مصنوعی، PSO، رگرسیون چندمتغیره

مراجع

  1. [1] Banker, R. D., Charnes, A., & Cooper, W. W. (1984). Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management science, 30(9), 1078–1092. https://doi.org/10.1287/mnsc.30.9.1078
  2. [2] Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429–444. https://doi.org/10.1016/0377-2217(78)90138-8
  3. [3] Emrouznejad, A., & Yang, G. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-economic planning sciences, 61, 4–8. https://doi.org/10.1016/j.seps.2017.01.008
  4. [4] Tone, K., & Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European journal of operational research, 197(1), 243–252. https://doi.org/10.1016/j.ejor.2008.05.027
  5. [5] Poli, R., Kennedy, J., & Blackwell, T. (2007). Particle swarm optimization: An overview. Swarm intelligence, 1, 33–57. https://doi.org/10.1007/s11721-007-0002-0
  6. [6] Paradi, J. C., Rouatt, S., & Zhu, H. (2011). Two-stage evaluation of bank branch efficiency using data envelopment analysis. Omega, 39(1), 99–109. https://doi.org/10.1016/j.omega.2010.04.002
  7. [7] Zhang, X. S., & Cui, J. C. (1999). A project evaluation system in the state economic information system of china an operations research practice in public sectors. International transactions in operational research, 6(5), 441–452. https://doi.org/10.1111/j.1475-3995.1999.tb00166.x
  8. [8] Wei, Q., Zhang, J., & Zhang, X. (2000). An inverse DEA model for inputs/outputs estimate. European journal of operational research, 121(1), 151–163. https://doi.org/10.1016/S0377-2217(99)00007-7
  9. [9] Wu, J., Zhu, Q., An, Q., Chu, J., & Ji, X. (2016). Resource allocation based on context-dependent data envelopment analysis and a multi-objective linear programming approach. Computers & industrial engineering, 101, 81–90. https://doi.org/10.1016/j.cie.2016.08.025
  10. [10] Li, F., Zhu, Q., & Liang, L. (2019). A new data envelopment analysis based approach for fixed cost allocation. Annals of operations research, 274, 347–372. https://doi.org/10.1007/s10479-018-2819-x
  11. [11] Eberhart, R., & Kennedy, J. (1995). Particle swarm optimization. Proceedings of the ieee international conference on neural networks (Vol. 4, pp. 1942–1948). Citeseer. https://doi.org/10.1109/ICNN.1995.488968
  12. [12] Meng, M. (2014). A hybrid particle swarm optimization algorithm for satisficing data envelopment analysis under fuzzy chance constraints. Expert systems with applications, 41(4), 2074–2082. https://doi.org/10.1016/j.eswa.2013.09.007
  13. [13] Haykin, S. (1994). Neural networks: A comprehensive foundation. Prentice Hall PTR. https://dl.acm.org/doi/abs/10.5555/541500

دانلود

چاپ شده

2025-03-06

شماره

دوره 3 شماره 1 (1404): علوم مدیریت و تحلیل تصمیم

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

محسنی‌کیا ا., توحیدی ق., صانعی م., دانشیان ب., & رضویان ش. (2025). مقایسه مدل‌های تحلیل پوششی داده‌های معکوس با مدل‌های ترکیبی مبتنی‌بر هوش‌مصنوعی در پیش‌بینی منابع مالی. علوم مدیریت و تحلیل تصمیم , 3(1), 43-50. https://doi.org/10.22105/msda.v3i2.79
Crossref
Scopus
Google Scholar
Europe PMC