۲

۱

۱٫۰۰۰۰۰۰۰۰۱۶۶۹۱۲

۳

۱

۱٫۰۶۰۴۳۱۶۱۵۷۵۶۶۳

۴

۱

۱٫۰۰۴۶۶۳۰۳۲۷۰۳۰۷

۵

۰٫۷۴۷۰

۱٫۰۵۹۸۸۲۶۶۹۲۴۰۱۹

۶

۱

۰٫۹۶۴۴۸۷۷۸۳۶۷۵۳۶۷

شکل ۴-۴- نمودار مقایسه کارایی مدل DEA,ANN
با توجه به نمودار مشاهده می شود که گرچه روش ANN قدرت تفکیک پذیری بهتری نسبت به DEA از خود نشان می دهد ، منتها همچنان مشکل عدم تفکیک پذیری باقی است . ضمناٌ از آنجا که داده های تمرین به صورت کاملا تصادفی انتخاب شده است ، شبکه با الگویی از کارایی تعلیم داده شده که به نظر منطقی نمی رسد . بنابراین ممکن است شبکه یک الگوی غلط از یادگیری را فرا گرفته باشد . بنابراین باید از رویکردهای دیگر ، برای مثال روش خوشه بندی که شبکه را با داده های کارا آموزش می دهیم یا روش AHP فازی مساله را حل نمود .

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

فصل پنجم

نتیجه گیری و پیشنهادات

۵-۱- محدودیت های انجام تحقیق

در این پژوهش ، هدف ارزیابی عملکرد پالایشگاه های گاز کشور به عنوان مهم ترین زیرمجموعه های شرکت ملی گاز ایران است که از محدودیت های این تحقیق تعداد اندک واحد های مورد بررسی ( ۶ پالایشگاه ) در مقایسه با تعداد ورودی و خروجی ها می باشد . در واقع هم اکنون تعداد پالایشگاه های موجود در کشور ۷ پالایشگاه می باشد که پالایشگاه پارس جنوبی مورد بررسی قرار نگرفته است . به این دلیل که این پالایشگاه در مقایسه با دیگر پالایشگاه ها از نظر مساحت ، تعداد ماشین آلات و واحدهای پالایش ، نیروهای انسانی و تولید محصولات جانبی بسیار گسترده و شامل چندین فاز مختلف می باشد ، که قابل مقایسه با دیگر پالایشگاه ها نمی باشد.بنابراین مورد بررسی قرار نگرفته است .
از دیگر محدودیت های این تحقیق ، تعداد اندک واحدهای مورد بررسی (۶ پالایشگاه ) در مقایسه با تعداد ورودی ها و خروجی ها (۸ ) که این امر باعث می شود تا مدل تحلیل پوششی داده ها در تفکیک پذیری^[۹۹] شرکت ها از نظر کارایی ضعیف عمل کنند که با بکارگیری مدل ها و تکنیک های ترکیبی شبکه های عصبی و تحلیل پوششی داده ها در نهایت جواب های قابل قبولی حاصل می گردد . همچنین مشکلات عدیده در متقاعد کردن مدیران و مسئولین ستادی جهت در اختیار گذاشتن اطلاعات پالایشگاه ها ( که نزدیک به ۳ ماه درگیر جمع آوری اطلاعات بودم ) تنها بخشی از محدودیت های تحقیق به شمار می رود .

۵-۲- نتیجه گیری

همانگونه که مشاهده شد پس از وارد کردن ورودی و خروجی های واحدها در سال ۹۲ و ۹۳ به شبکه عصبی آموزش دیده ، این شبکه کارایی واحدها در سال ۹۲ و ۹۳ را به عنوان خروجی مورد انتظار پیش بینی نمود . نتایج محاسبه کارایی و رتبه بندی مربوط به هر دو روش در سال ۹۲ و ۹۳ بسیار نزدیک به یکدیگر می باشد .
طبق مدل AP ، پالایشگاه های B و C و E در سال ۹۳ ، به ترتیب رتبه ۱ تا ۳ را از نظر کارا بودن دارند و واحدهای D و F به عنوان ناکاراترین واحدها در سال ۹۳ بودند .
در سال ۹۲ ، پالایشگاه های C و B وG ، به ترتیب رتبه ۱ تا ۳ را از نظر کارا بودن دارند و واحدهای D و F به عنوان ناکاراترین واحدها در سال ۹۲ بودند .
طبق مدل ترکیبی ، پالایشگاه های D,F,E و پالایشگاه های B و C با امتیازی کمتر ، به ترتیب کاراترین پالایشگاه ها و پالایشگاه G ناکارترین واحد می باشند .
می توان نتیجه گرفت که برای محاسبه کارایی یا رتبه بندی واحد ها در سال های آتی می توان از این الگو بهره برد ، بدون آنکه نیاز به حل مدل CCR برای تک تک واحدها به منظور محاسبه کارایی یا حل مدل AP برای تمامی واحدهای کارا جهت دستیابی به رتبه بندی کامل واحد ها باشد .
با توجه به نتایج و نمودارها مشاهده می شود که گرچه روش ANN قدرت تفکیک پذیری بهتری نسبت به DEA از خود نشان می دهد ، منتها همچنان مشکل عدم تفکیک پذیری باقی است . ضمناٌ از آنجا که داده های تمرین به صورت کاملا تصادفی انتخاب شده است ، شبکه با الگویی از کارایی تعلیم داده شده که به نظر منطقی نمی رسد . بنابراین ممکن است شبکه یک الگوی غلط از یادگیری را فرا گرفته باشد . بنابراین باید از رویکردهای دیگر ، برای مثال روش خوشه بندی که شبکه را با داده های کارا آموزش می دهیم یا روش AHP فازی مساله را حل نمود.

۵-۳- تحقیقات آتی

با توجه به اینکه مدل ترکیبی Neuro/DEA تا کنون در پالایشگاه های گاز کشور پیاده سازی نگردیده است ، می توان با بهره گرفتن از یافته های این تحقیق و پژوهش و الگو قرار دادن پالایشگاه های کارا به تعیین علل ناکارایی سایر واحد ها پرداخت و همچنین راهکارهایی جهت بهبود کارایی ارائه داد . همچنین در همین راستا می توان سایر معیارهای ورودی و خروجی پالایشگاه های گاز کشور را زیر نظر شرکت ملی گاز ایران استخراج نموده و به ارزیابی کارایی و رتبه بندی این واحدها به کمک مدل Neuro/DEA پرداخت .
استفاده از مدل Neuro/Fuzzy و وارد کردن عوامل خارجی مانند نرخ ارز و دیگر عوامل به عنوان ورودی شبکه عصبی و تعیین واحدهای کارا در آینده با توجه به تغییر این دست از عوامل ، نیز می تواند زمینه ای برای تحقیقات آتی باشد .
نتایج تحقیق نشان داد که شبکه های عصبی، توان بالایی در یادگیری الگوهای کارای دارند، اما لازم به ذکر است که شبکه باید
به شکل مناسبی آموزش داده شود . با بهره گرفتن از DEA و تلفیق آن با شبکه های عصبی میتوان در مواردی که مدلهای پایه ای توان تفکیک پذیری و تشخیص واحدها را ندارند به کار گرفت. در مقایسه انجام گرفته با روش های ریاضی و ترکیبی تحلیل کارآیی، شبکه های عصبی نتایج قابل قبولی ارائه دادند. نیاز است که از Neuro-DEA در حال حاضر در شبکه نیز استفاده شود . در تحقیقات بعدی قصد داریم مدلهای پایه ای DEA روی این موضوع مطالعات وسیع تری انجام دهیم و از شبکه های محاسبه کننده کارآیی و همچنین از شبکه های خودسازمانده استفاده کرد ه و شبکه ای ساخته شود که به طور کامل مستقل از DEA کارآیی را تحلیل کند.

منابع و مراجع

منابع فارسی

]۱[ کوپر ، ویلیام ، سیفورد ، لورنس ، کوراتن ، ” تحلیل پوششی داده ها مدل ها و کاربرد ها ” ، ترجمه سید علی میر حسنی ، انتشارات دانشگاه صنعتی امیر کبیر ( پلی تکنیک تهران ) ، چاپ سوم ، بهار ۹۱