Using Neural Network to Determine Input Excesses, Output Shortfalls and Efficiency of Dmus in Russell Mode

Document Type: research paper


1 Departments of Applied Mathematics, Islamic Azad University, Central Tehran Branch, Tehran, Iran

2 Departments of Applied Mathematics, Islamic Azad University, Central Tehran Branch, Tehran, Iran Corresponding author

3 Department of Mathematics, Firoozkooh branch, Islamic Azad University, Firoozkooh, Iran


Data Envelopment Analysis (DEA) has two fundamental approaches for assessing the
efficiency with different characteristics; radial and non-radial models. This paper is
concerned the non-radial model of Russell which is a non linear model. Conventional DEA
for a large dataset with many inputs/outputs would require huge computer resources in terms
of memory and CPU time. Artificial Neural Network (ANN) is one of the most popular
techniques for non linear models and for measuring the relative efficiency of a large dataset
with many inputs/ outputs. Also in the last decade researches focused on efficiency
evaluation via DEA as well as using ANN. In this paper we will estimate the input excesses
and the output shortfalls in addition to efficiency of Decision Making Units (DMUs) in
Russell model through ANN. The proposed integrated approach is applied to an actual
Iranian bank set; the result indicates that it yields a satisfactory solution.


Article Title [Persian]

استفاده از شبکه عصبی جهت تعیین انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل

Authors [Persian]

  • دلال مدحج 1
  • مسعود صانعی 2
  • نقی شجاع 3
1 گروه ریاضی، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران
2 گروه ریاضی، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
3 گروه ریاضی، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، ایران
Abstract [Persian]

در تحلیل پوششی داده­ها به منظور بدست آوردن کارائی با مشخصه­های متفاوت از دو روش اساسی استفاده می­شود. این دو روش عبارتند از مدل­های شعاعی و مدل­های غیر شعاعی. در این مقاله مدل غیر شعاعی راسل که یک مدل غیر خطی است، مورد بررسی قرار می­گیرد. تحلیل پوششی داده­ها برای مجموعه­های بزرگ با تعداد ورودی­ها و خروجی­های زیاد، نیاز به منابع عظیم کامپیوتری از لحاظ زمان پردازش و استفاده از حافظه می­باشد. شبکه­های عصبی یکی از روش­های رایج برای مدل­های غیر خطی جهت بدست آوردن کارائی مجموعه­های بزرگ با ورودی و خروجی­های زیاد است. در دهه گذشته نیز محققین بر ارزیابی کارائی با استفاده از تحلیل پوششی داده­ها و شبکه عصبی تاکید کرده­اند. در این مقاله میزان انقباض ورودی، انبساط خروجی و کارائی واحدهای تصمیم گیرنده در مدل راسل با استفاده از شبکه عصبی بدست می­آیند. روش ارائه شده برای مجموعه­ای از بانک­های ایران بکار می­رود و نتایج رضایت بخشی بدست می­آیند

Keywords [Persian]

  • شبکه عصبی مصنوعی
  • تحلیل پوششی داده ها
  • مدل راسل
  • کارائی
  • انقباض ورودی
  • انبساط خروجی

[1] Azadeh, A., Saberi, M., Tavakkoli Moghaddam, R., Javanmardi, L., 2011. An integrated Data Envelopment Analysis– Artificial Neural Network–Rough Set Algorithm for assessment of personnel efficiency. Expert Systems with Applications, 38 (3), 1364-1373.

[2] Banker,R.D., Charnes,A., Cooper, W.W.,1984.Models for the estimation of technical and scale inefficiencies in data envelopment analysis. Management Science,30,1078-1092.

[3] Celebi, d., Bayraktar, d., 2008 .An integrated neural network and data envelopment analysis for supplier evaluation under incomplete information. Expert Systems with Applications, 35 (4), 1698- 1710

[4] Charnes, A., Cooper, W.W., Rhodes, E., 1978. Measuring the efficiency oh decision making units. European Journal of operational Research, 2(6), 429-444.

[5] Charnes, A., Cooper, W.W., Golany, B., Seiford, L.M., Stutz, J., 1985. Foundations of data envelopment analysis and Pareto– Koopmans empirical production functions. Journal of Econometrics 30, 91– 107.

[6] Emrouznejad, A., Shale, E.A., 2009. A combined neural network and DEA for measuring efficiency of large scale data sets. Computer and industrial Engineering , 56, 249-254.