مبانی نظری ارزیابی عملکرد و رتبه بندی پالایشگاه های گاز کشور

هدف از این پژوهش ارزیابی عملکرد پالایشگاه های کشور با مدل ترکیبی تحلیل پوششی داده ها DEA و شبکه های عصبی مصنوعی ANN بصورت کامل و جامع و با منابع جدید می باشد

چکیده :
کارایی و رتبه بندی زیرمجموعه های یک صنعت کاری ضروری است ، و لازم است حداقل سالی یکبار عملکرد آنها را برپایه اصول علمی مورد ارزیابی قرار داد.صنعت نفت و گاز به عنوان یکی از اساسی ترین صنایع ایران از حساس ترین و مهمترین منابع درآمد دولت به شمار میرود .بدیهی است وجود کارایی در این صنعت عایدات دولت را چندین برابر مینماید و این مهم جز با ارزیابی دقیق و صحیح واحدها ی تحت پوشش میسر نمیشود .

از آنجایی که تحلیل پوششی داده ها کارایی متفاوتی در طول زمان ارائه میدهد و به هیچ پیش فرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روشهای ارزیابی عملکرد ، DEA در سازماندهی و تحلیل داده ها بهترین روش است .بنابراین با جمع آوری اطلاعات ورودی و خروجی 6 پالایشگاه کشور کارایی آن ها را محاسبه کرده و واحدهای کارا و ناکارا شناسایی شدند اما DEA قادر به تفکیک کارایی همه ی پالایشگاه ها ازیکدیگرنیست . دلیل این موضوع کمبود تعداد واحدهای تصمیم گیرنده (6 پالایشگاه ) نسبت به تعداد ورودی و خروجی ها( 4 ورودی و 4 خروجی ). لذا DEA قادر به رتبه بندی کامل واحدها نیست، بنابراین از تلفیق تحلیل پوششی داده ها و شبکه عصبی مصنوعی به منظور اندازه گیری عملکرد واحدها ی تصمیم گیرنده استفاده شده است به نحوی که مشکل مذکور برطرف گردد. و در آخر مقایسه ای بین نتایج حاصل از این دو روش صورت گرفته است .

کلمات کلیدی :
کارایی ، ارزیابی عملکرد ، تحلیل پوششی داده ها ، شبکه عصبی ، پالایشگاه

مقدمه
ایده ی ترکیب شبکه های عصبی و DEA را اولین بار در سال 1996 کانن و آتونوسوپولیس مطرح کرده اند . آن ها DEA را با ANNs مقایسه کرده اند و در شبیه سازی صورت گرفته این نتیجه حاصل شد که DEA در اندازه گیری اهداف بهتر از ANNs عمل می کند و ANNs در رتبه بندی واحدها براساس امتیاز کارایی به دست آمده همانند DEA است . در سال 1997 کارایی متروی لندن با داده های سری های زمانی تحلیل شد و این نتیجه به دست آمد که نتایج حاصل از ANNs با حداقل مربعات معمولی تصحیح شده و DEA بسیار به هم شبیه هستند .

در سال 2000 شبکه های عصبی برای تخمین توابع هزینه به کار گرفته شد و در سال 2004 نیز سانتین از یک شبکه عصبی برای شبیه سازی تابع تولید غیر خطی استفاده کرد و نتایج آن را با روش های متداول تری مثل مرزهای تصادفی و DEA با مشاهدات مختلف و اغتشاش مقایسه کرد و نشان داد شبکه های عصبی در مقایسه با روش های فوق از ثبات بیشتری برخوردار است . در این تحقیق سعی بر آن است که از شبکه های عصبی و DEA و تلفیق آن ها ( Neuro-DEA ) در اندازه گیری کارایی پالایشگاه کشور استفاده شود . پس از محاسبه کارایی ، نتایج حاصله با DEA معمولی مقایسه می شود ، زیرا با توجه به کم بودن تعداد پالایشگاه های گاز در مقایسه با تعداد ورودی ها و خروجی ها ، مدل پایه ای DEA قادر به رتبه بندی واحد ها نمی باشد . بنابر این از قدرت تفکیک پذیری و تخمین روایط غیر خطی شبکه های عصبی برای رفع این مسأله استفاده می شود .

تحلیل مرز کارایی یک رویکرد با اهمیت جهت ارزیابی عملکرد شرکت ها در بخش عمومی و خصوصی است . بهره وری و کارایی در منابع تبدیلی ( ورودی ها ) به کالا و خدمات ( خروجی ها ) از مقوله های ( موضوعات ) کلیدی ( اصلی ) در بخش های خصوصی و عمومی می باشد .دو نمونه ی رقابتی در تحلیل کارایی وجود دارد .نمونه اول تکنیک های برنامه ریزی ریاضی یا رویکرد تحلیل پوششی داده ها (DEA ) را به کار می گیرد که عمومأ در زمینه پژوهش عملیاتی (OR ) می باشد . نمونه های دیگر رویکرد رگرسیون یا روش تابع مرز قطعی (SFF ) می باشد که به طور گسترده ای ( وسیعی ) در زمینه های اقتصادی کاربرد دارد .

هر یک از این دو متدولوژی ویژگی هایی دارد و به صورت زیر بحث شده است . در مطالعه اصلی DEA توسط چارنز و همکارانش ( CCR ) ، روش DEA را به عنوان یک مدل برنامه ریزی ریاضی که روش برآورد تجربی ( غیر عملی – آزمایشی ) از رویه های ( سطح های ) امکان پذیر محصول ( تولید 9 کارا فراهم می کند ، مطرح شده است . به جای سعی کردن مبنی بر متناسب کردن یک سطح رگرسیون از طریق مرکز داده مشاهده ای ، DEA به سطح خطی هدایت می شود که پوشش یالایی از مجموعه داده مشاهده ای می باشد . کارایی نسبی با نقطه داده دیگری ارائه می شود که از طریق برنامه ریزی ریاضی تحلیل می شود . در مقایسه با رویکرد SFF ( تابع مرز قطعی ) ، DEA به هیچ گونه فرضی در شکل های کاربردی ( تابعی ) نسبت به تقعر ( فرورفتگی ) توابع مرزی ، نیاز ندارد . چالش اصلی مواجه شده در DEA این واقعیت است که اگر به داده ها اغتشاش آماری سرایت کند ، مرزهای محاسبه شده به وسیله DEA ممکن است منحرف شود .

به عنوان مثال در مسائل پیش بینی معین خیلی طبیعی و عادی است که فرض کنیم تابع پیش بینی خصوصیات یکنواختی خواهد داشت . برای مثال در مدل های پیش بینی مالی ، تقاضای شخصی با درآمد افزایش یافته است . در صنایع لیزر و حمل و نقل ، قیمت کالاهای فاسد شدنی نظیر اتاق های هتل ها و جایگاه هواپیماه به طور یکنواختی با تقاضای مصرف کننده افزایش می یابد . ANN یک روش پیش بینی غیر خطی عمومی است . ANN برای پیش بینی بارهای الکتریکی با جزء کوتاه ، نظیر فروش روزانه ، تلاش های نرم افزاری و پیش بینی هزینه عرضه های عمومی اولیه به کار می رود . از آنجایی که شکل تابع ANN بستگی به آموزش داده ها دارد برای آموزش تابع پیش بینی یکنواخت با استفاده از ANN ، آموزش داده ممکن است خصوصیات یکنواختی داشته باشد .

شبکه های عصبی براساس رویکرد غیر پارامتریک مزایای مشخصی دارد . و آن این است که هیچ گونه فرضیه ای در مورد توزیع احتمالی یا ساختارهای تابع محصول نیاز ندارد . فرضیه های استفاده شده برای این روش ، قضیه جهانی پذیرفته شده مرزهای کارایی می باشند . یعنی مرز کارایی تقعر می یابد ، انحراف خارجی در داده ها یک توزیع یک طرفه دارد و انحراف داخلی در داده ها یک توزیع دو طرفه دارد . در واقع آن روش می تواند اطلاعات زیادی در مورد حالت نامعین و انحراف داخلی و خارجی برای تصمیم گیری آشکار کند . با توجه به اینکه مدل DEA یک مدل خطی است و از طرفی شبکه های عصبی توانایی بالایی در تقریب توابع غیرخطی دارند ، ANNs ابزار خوبی برای استفاده در چنین مسائلی است . لذا امکان به کارگیری ANNs در اندازه گیری کارایی شرکت ها مناسب می باشد . هم چنین مطالعات نشان می دهد که شباهت های زیادی بین DEA و ANNs در ارزیابی عملکرد وجود دارد که دو مورد زیر نمونه ای از این موارد است :

1- هیچ کدام از مدل های DEA و ANNs هیچ پیش فرض اولیه ای در مورد نوع ارتباط بین ورودی ها و خروجی ها ندارد .
2- در DEA ، به دنبال مجموعه ای از وزن ها هستیم ، به طوری که کارایی فنی حداکثر شود . در حالی که ANNs به دنبال یافتن مجموعه ای از آن ها به طوری است که اختلاف بین خروجی واقعی و خروجی مطلوب را حداقل کند و این کار را نیز با حداقل داده های یادگیری انجام می دهد . ]2[

روش تحقیق مورد استفاده در تحلیل کارایی با مدل های ترکیبی Neuro/DEA:

در این تحقیق از ترکیب شبکه های عصبی و تحلیل پوششی داده ها برای ارزیابی عملکرد پالایشگاه های گاز استفاده می شود . توان بالقوه شبکه های عصبی در شناسایی الگو ، تخمین تابع ، پیش بینی و خوشه بندی این امکان را می دهد تا با ترکیب DEA برای ارزیابی کارایی واحد ها از آن استفاده نمود . مدل های ترکیبی شبکه های عصبی و DEA مورد استفاده در این تحقیق شامل دو رویکرد می باشد که در ادامه هر یک از رویکرد ها به تفضیل بحث خواهد شد .همانطور که بیان شد هر یک از پالایشگاه های گاز در هر سال به عنوان یک واحد تصمیم گیرنده مد نظر قرار می گیرد . با توجه به موجود بودن اطلاعات مربوط به اردیبهشت ماه سال های 92 و 93 ، واحد های تصمیم گیرنده را به صورت زیر تعریف می کنیم :

DMU ij = واحد تصمیم گیرنده i ام در سال j ام
i= 1,2,..,6 j= 92 , 93

شبکه های مورد استفاده در این پژوهش ، شبکه های پیش خور چند لایه و شبکه های خود سازمان ده هستند که در ادبیات موضوع مربوطه در فصل دوم به تفضیل راجع به آن ها بحث شده است .

در رویکرد اول از مدل های ترکیبی 1Neuro/DEA از یک شبکه پرسپترون چند لایه برای پیش بینی عملکرد واحدهای تصمیم گیرنده استفاده شده و به عنوان یک شبیه ساز می تواند عملکرد واحد ها را در سال های آتی شبیه سازی کند و با کمک آن به تحلیل حساسیت واحد ها پرداخت . در این مرحله اطلاعات واحد های تصمیم گیرنده در اردیبهشت ماه سال 92 به همراه کارایی محاسبه شده با DEA ( مدل مضربی CCR ورودی محور ) به شبکه آموزش داده می شود . شبکه الگوی کارایی واحد ها را براساس توپولوژی شبکه و الگوریتم های یادگیری SCG و LM یاد گرفته و یک نگاشت غیر خطی بین ورودی ها و خروجی ها برقرار می کند . خروجی محاسبه شده در واقع همان کارایی داده ها در سال جدید یعنی اردیبهشت ماه سال 93 است . بنابراین شبکه اول را شبکه پیش بینی کننده عملکرد می نامیم .

در رویکرد دوم از مدل های ترکیبی 2Neuro/DEA نیز از یک شبکه پرسپترون چند لایه استفاده می شود . در این مرحله شبکه عصبی مذکور به عنوان محاسبه کننده کارایی واحدها عمل می کند . بدین ترتیب که داده های موجود واحدها در سال 92 و 93 به دو بخش داده های یادگیری و داده های تست تقسیم می شود . به طوری که داده های تست از میان داده های واحد ها به طور تصادفی انتخاب شده و به همراه کارایی آن ها که به وسیله DEA ( مدل CCR ورودی محور ) محاسبه شده به شبکه داده می شود . شبکه الگوی کارایی بین ورودی ها و خروجی ها را فرا میگیرد و سپس کارایی داده های جدید را به عنوان داده های آزمایش نگه داشته شده اند محاسبه می کند . این شبکه را شبکه محاسبه کننده کارایی می نامیم .

در این تحقیق برای نشان دادن نحوه ی محاسبه کارایی با ANNs از یک مطالعه ی موردی استفاده شده است . در این پژوهش برای ارزیابی عملکرد پالایشگاه های گاز استانی (DMUs ) ورودی ها و خروجی هایی را مشخص کرده و کارایی را با استفاده از DEA ( مدل CCR ورودی محور ) اندازه می گیریم . برای اندازه گیری کارایی از داده های مربوط به ورودی ها و خروجی های پالایشگاه های گاز کشور در اردیبهشت ماه سال های 92 و 93 استفاده شده است .

در اندازه گیری کارایی فنی هر پالایشگاه گاز ، از چهار ورودی شامل تعداد نیروی انسانی ، آموزش نیروی انسانی ، سوخت مصرفی ، ساعت کارکرد و از چهار خروجی شامل درصد رضایتمندی مشتری ، آمار تولید محصولات جانبی ، برداشت واقعی گاز و تعداد سیستم های مدیریتی اخذ شده می باشد . در عین حال متغیرهای متعددی هستند که در ارزیابی کارایی فنی هر پالایشگاه گاز مورد ملاحظه قرار می گیرند و می توان اظهار داشت که کارایی هر پالایشگاه گاز تابعی از متغیرهای فوق است که تغییرات هر کدام بر عملکرد شرکت تأثیر می گذارد . در این حالت می توان فرض خطی بودن رابطه بین متغیرها را نادیده گرفت و هم چنین براساس قانون بازده نزولی و با در نظر گرفتن اثرات متقابل بین متغیرها ، تابع کارایی واحد i ام یعنی fi=(x1,x2,x3,x4,y1,y2,y3,y4) می تواند یک تابع غیر خطی باشد .

هدف مدل Neuro/DEA ، حداقل کردن ورودی ها نسبت به دستیابی به سطح خروجی مطلوب است . برای اندازه گیری کارایی شرکت ها با Neuro/DEA ابتدا یک مدل شبکه ی عصبی مناسب را شبیه سازی می کنیم ، سپس با استفاده از داده هایی برای پردازش اولیه ، داده های پیش پردازشی ، شبکه را با استفاده از خروجی مطلوب ، که با DEA محاسبه شده است ، آموزش می دهیم تا جایی که شبکه بتواند الگوی مرجع را یاد بگیرد و بر مبنای آن کارایی واحد ها را محاسبه کند . سپس نتایج مشاهده شده با مدل DEA/CCR و Neuro/DEA را مورد بررسی قرار می دهیم . ]3[

فهرست مطالب

فصل دوم مرور ادبیات و بررسی پیشینه ی تحقیق 7
2-1- مقدمه 8
2-2- تعاریف کارایی 8
2-3- روش هاي اندازه گیري کارایی فنی 9
2-3-1- روش هاي پارامتري 9
2-3-2- روش هاي نا پارامتري 10
2-4- مقایسۀ رگرسیون وتحلیل پوششی داده ها 10
2-5- مفاهیم کارایی 11
2-6- استفاده ازنسبت دراندازه گیري کارایی 12
2-7- انواع مدل هاي پایه اي (کلاسیک) تحلیل پوششی داده ها : 13
2-7-1- مدل CCR : 14
2-7-2- مدل BCC 21
2-7-3- مدل جمعی ( SBM= Slack Based Model ) 25
2-8- رتبه بندي واحد هاي کارا 26
2-9- روش اندرسون – پیترسون 27
2-10- شبکه های عصبی مصنوعی ( ANNs ) 29
2-10-1- مقدمه 29
2-10-2- شبکه عصبی 30
2-10-3- معرفی شبکه عصبی مصنوعی 31
2-10-4- تاریخچه شبکه‌های عصبی مصنوعی 32
2-10-5- چرا از شبکه‌های عصبی استفاده می‌کنیم؟ 33
2-10-7- ساختار شبکه‌های عصبی 36
2-10-8- تقسیم بندی شبکه‌های عصبی 37
2-10-9- کاربرد شبکه‌های عصبی 38
2-10-10- معایب شبکه‌های عصبی 39
2-10-11- مسائل مناسب برای یادگیری شبکه های عصبی 39
2-11- یادگیری یک پرسپترون 40
2-11-1- آموزش پرسپترون 43
2-11-2- الگوریتم یادگیری پرسپترون 43
2-12- مقایسه آموزش یکجا و افزایشی 44
2-13- شبکه های چند لایه 45
2-14- الگوریتم Back propagation 46
2-15- شبکه های عصبی چند لایه پیش خور 50
2-16- انواع شبکه های عصبی : 53
2-16-1- شبکه عصبی پرسپترون 53
2-16-2- شبکه همينگ 55
2-16-3- شبکه هاپفيلد 57
2-16-4- شبکه عصبی خود سازمانده مدل کوهنن 58
2-16-5- شبکه عصبی تأ خير زمانی 59

2-17-1- مقدمه 61
2-17-2- الگوریتم تحلیل کارایی 64
2-17-3- نرمال سازی داده ها 64
2-18- مفاهیم کارایی ، بهره وری و اثربخشی 68
2-19- مروری بر مطالعات انجام شده 70

منابع