تحلیل پوششی دادهها مبتنی بر خوشهبندی فازی C-Means برای کاهش تأثیر ناهمگنی واحدها
در محیطهای کسبوکار امروزی، ارزیابی دقیق عملکرد واحدهای تصمیمگیرنده (DMUs) با وجود تفاوتهای ساختاری و عملکردی، چالشی اساسی است. مقاله حاضر با ترکیب تحلیل پوششی دادهها (DEA) و الگوریتم خوشهبندی فازی C-Means، روشی نوین برای افزایش دقت ارزیابی کارایی ارائه میدهد.
مقدمهای بر تحلیل پوششی دادهها (DEA)
DEA ابزاری قدرتمند برای سنجش کارایی نسبی واحدهای سازمانی است. با این حال، ناهمگنی زیاد میان واحدها میتواند منجر به نتایج نادرست و غیرقابل اتکا شود.
الگوریتم خوشهبندی فازی C-Means چیست؟
الگوریتم فازی C-Means روشی برای خوشهبندی دادههاست که هر واحد میتواند به صورت فازی به چند خوشه تعلق داشته باشد. این ویژگی باعث میشود تا شباهتها و تفاوتهای نسبی میان واحدها بهتر شناسایی گردد.
مدل ترکیبی DEA و فازی C-Means
گامهای اجرای مدل
- خوشهبندی اولیه واحدهای تصمیمگیرنده با استفاده از الگوریتم فازی C-Means
- اجرای تحلیل پوششی دادهها به صورت جداگانه بر هر خوشه
- مقایسه و تحلیل نتایج برای شناسایی واحدهای برتر در هر خوشه
مزایای رویکرد پیشنهادی
- کاهش تأثیر ناهمگنی و افزایش صحت ارزیابی
- امکان مقایسه عادلانه واحدهای مشابه
- کاربردپذیری در صنایع و سازمانهای مختلف با ساختارهای متنوع
کاربردهای عملی مدل ترکیبی
این مدل میتواند در ارزیابی بانکها، شعب بیمه، بیمارستانها و سایر سازمانهایی که با واحدهای ناهمگون سر و کار دارند، به کار گرفته شود.
جمعبندی
ترکیب DEA و خوشهبندی فازی C-Means ابزاری کارآمد برای مدیران فراهم میکند تا با دقت بیشتری عملکرد واحدهای تصمیمگیرنده را در محیطهای پیچیده و ناهمگون ارزیابی نمایند.
رفرنس
S.H. Razavi Hajiagha, S.S. Hashemi, H. Amoozad Mahdiraji. 2016. Fuzzy c-means based data envelopment analysis for mitigating the impact of units’ heterogeneity. Kybernetes, Vol. 45, No. 3, 536-551 (WOS: Q2, ABS1).
