عنوان پایان‌نامه
محاسبه کارایی عملکرد شرکت های سرمایه گذاری فعال در بورس اوراق بهادار تهران با استفاده از مدل ترکیبی شبکه های عصبی و تحلیل پوشش داداه ها(NEURO- DEA)
- رشته تحصیلی
- مدیریت مالی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55520
- تاریخ دفاع
- ۰۳ مهر ۱۳۹۱
- دانشجو
- علیرضا کریمی صدر
- چکیده
- اندازه گیری کارآیی به دلیل اهمیت آن در ارزیابی عملکرد یک سازمان همواره مورد توجه محققان قرار داشته است. یکی از ابزارهای کارآمد که این مهم را محقق ساخته «تحلیل پوششی داده ها (DEA)» است که چارچوب نظام ارزیابی عملکرد مستحکمی را فراهم می کند و تکنیک مناسبی برای مقایسه واحدها از نظر کارآیی و رتبه بندی آنها به شمار می آید. اما یکی از عمده ترین مشکلات استفاده از تحلیل پوششی داده ها، ضعف قدرت تفکیک پذیری واحدهای تصمیم گیرنده از یکدیگر است. این مسئله اغلب به دلیل کم بودن تعداد واحدهای مورد ارزیابی در مقایسه با تعداد ورودی ها و خروجی های مدل به وجود می آید. به همین دلیل باید در استفاده از DEA برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد. بر این اساس، و برای رفع این اشکال مدلی تلفیقی از شبکه های عصبی مصنوعی و تحلیل پوششی داده ها (DEA) در این تحقیق مورد استفاده قرار گرفته است که موجب افزایش قدرت تفکیک پذیری مناسب شرکت ها شد. در این پژوهش جهت محاسبه کارایی و رتبه بندی شرکت های سرمایه گذاری ابتدا از مدلهای پایه ای DEA (BCC و CCRورودی محور) استفاده شد و پس از مشاهده ضعف این مدل ها از نظر محاسبه کارایی و تفکیک کارایی شرکت ها از شبکه های عصبی پیش بینی کننده کمک گرفته شد و در قالب مدل ترکیبی NEURO-DEA کارایی محاسبه گردید. نتایج مدل های ترکیبی تحلیل پوششی داده ها و شبکه های عصبی مصنوعی نشان از قدرت بالای این مدل در محاسبه کارایی و تفکیک پذیری شرکت ها از نظر کارایی بود. هر چند با در اختیار داشتن تعداد داده های بیشتر برای آموزش شبکه می توانستیم به نتایج دقیق تر و کامل تری برسیم.
- Abstract
- Measuring the efficiency has been regarded by researchers due to its importance in the performance evaluation of organizations. Data envelopment analysis (DEA) is one of the effective tools for such evaluation. When using the DEA, one of the main problems is weakness in the differentiation ability of decision-making units (DMU) from each other. This is often due to low number of DMUs compared to the number of inputs and outputs of the model. To solve the problem, a hybrid model of artificial neural networks and data envelopment analysis (DEA) was used within the current study. This resulted in an increase in the differentiation ability of model. To calculate both efficiency and ranking of investment companies, the basic models of DEA (BCC and CCR, input oriented) were employed. Afterwards, the neural network was used and efficiency was calculated. The results from DEA and artificial neural networks hybrid models (NEURO-DEA) demonstrated the power of these models to calculate both efficiency and the ability of differentiation of companies. Although, having a number of additional data for neural network training could have resulted in more accurate and more complete.
