ساختار سرمایه و کارآیی شرکت(یک روش جدید برای تست تئوری عامل و کاربردی برای صنعت بانکداری)

تئوری حاکمیت شرکت پیش بینی می کند که قدرت نفوذ، هزینه های عامل را تحت تأثیر قرار میدهد و به این ترتیب کارآیی شرکت نیز تحت تأثیر قرار داده می شود. روش جدیدی برای تست این تئوری پیشنهاد می کنیم

مبانی نظری ارزیابی عملکرد و کارآیی شرکت با مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (Neuro-DEA)

مبانی نظری ارزیابی عملکرد و کارآیی شرکت با مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (Neuro-DEA)

مقدمه: ارزیابی عملکرد شرکت ها همواره از مسأله های چالش برانگیز در حوزه های مدیریت بوده است. اندازه گیری کارایی خصوصاً در دو دهه ی اخیر، به علت اهمیت آن در ارزیابی عملکرد، مورد توجه زیادی قرار گرفته است. از سال 1957 که فارل روشی را برای اندازه گیری کارایی مطرح کرد تاکنون بازنگری های جامع و اساسی در موضوع اندازه گیری کارایی صورت گرفته است. هم چنین دیدگاه های پارامتری و غیر پارامتری به طور گسترده ای در ارزیابی کارایی مورد استفاده قرار می گیرند. ضمن این که دیدگاه های اولیه عمدتاً شامل مرزهای قطعی و مرزهای تصادفی بوده و بعدها دیدگاه هایی مثل DEA و FDH نیز مطرح شده است.[2005،Delgado] روش های بسیاری برای اندازه گیری کارایی در تحقیقات مربوط مطرح شده است؛ اما در مقایسه بین تمامی مدل های فوق، DEA روش بهتری برای سازماندهی وتحلیل داده هاست؛ زیرا اجازه می دهد که کارایی در طول زمان تغییر کند و به هیچ گونه پیش فرضی در مورد مرز کارایی نیاز ندارد. [Wu et al, 2005] بنابراین بیش از سایر دیدگاه ها در ارزیابی عملکرد مورد استفاده قرار گرفته است و تکنیک مناسبی برای مقایسه ی واحدها در سنجش کارایی به شمار می آید. با این وجود مرز کارایی که از DEA حاصل شده نسبت به اغتشاش های آماری و داده های پرت که در اثر خطای اندازه گیری یا هر عامل خارجی دیگر ایجاد می شود، حساس است و اگر در داده ها اغتشاش آماری یا داده ای پرت وجود داشته باشد ممکن است موجب شود تا مرزکارایی به دست آمده جابه جا شود و مسیر تحلیل های DEA را منحرف سازد.[ Wu et al, 2005 & Bauer,1990 ] به همین علت باید در استفاده از DEA برای ارزیابی عملکرد سایر واحدهای تصمیم گیرنده احتیاط کرد. وجود این مسأله باعث شده است که اخیراً شبکه های عصبی مصنوعی به عنوان جایگزین خوبی برای برآورد مرزهای کارا جهت تصمیم گیری به کار گرفته شود؛ [Wang,2003] زیرا ماهیت عملکرد شبکه های عصبی به دلیل قدرت یادگیری و تعمیم پذیری به گونه ای است که در برابر داده های پرت و اغتشاشات حاصل از اندازه گیری غیر دقیق داده ها مقاوم تر عمل می کنند. [مهرگان و همکاران، 1385]

فهرست مطالب:

2- ادبیات و پیشینه تحقیق

2-1- مقدمه

2-2- ارزیابی عملکرد

2-2-1- مقدمه

2-2-2- پیشینه ارزیابی عملکرد و بررسی دیدگاه های مختلف

2-2-3- معیارها و تکنیک های ارزیابی و اندازه گیری عملکرد

2-2-3-1- معیارهای ارزیابی عملکرد

2-2-3-2- تکنیک ها و مدل های شناخته شده در ارزیابی عملکرد

2-2-3-3- تکنیک های اندازه گیری عملکرد

2-3- معرفی تفصیلی DEA، ANNs و

NEURO/DEA 2-3-1- معرفی تفصیلی

DEA 2-3-1-1- مدل نسبت

CCR 2-3-1-2- مدل های ورودی محور

2-3-1-2-1- مدل مضربی CCR ورودی محور

2-3-1-2-2- مدل پوششی CCR ورودی محور

2-3-1-3- مدل های خروجی محور

2-3-1-3-1- مدل مضربی CCR خروجی محور

2-3-1-4- روش اندرسون- پیترسون

2-3-2- شبکه های عصبی مصنوعی (ANNs)

2-3-2-1- معرفی تفصیلی

2-3-2-2- معنای شبکه های عصبی

2-3-2-3- قابلیت یادگیری

2-3-2-4- پراکندگی اطلاعات "پردازش اطلاعات به صورت متن"

2-3-2-5- قابلیت تعمیم

2-3-2-6- پردازش موازی

2-3-2-7- مقاوم بودن

2-3-2-8- مدل نرون

2-3-2-9- ساختار شبکه های عصبی

2-3-2-10- شبکه های پرسپترون

2-3-2-10-1- شبکه پرسپترون تک لایه

2-3-2-10-2- شبکه پرسپترون چند لایه

2-3-2-10-3- الگوریتم پس انتشار

BP 2-3-2-11- تعیین ساختار و توپولوژی شبکه عصبی

2-3-2-12- الگوریتم های یادگیری شبکه

2-3-2-13- مدل خودسازمان ده

SOM 2-3-3- مدل ترکیبی شبکه های عصبی و تحلیل پوششی داده ها (NEUEO/DEA)

2-3-3-1- مقدمه

2-3-3-2- الگوریتم تحلیل کارایی

2-3-3-3- نرمال سازی داده ها

2-4- پیشینه تحقیق

2-4-1- بررسی مقالات

2-4-2- بررسی پایان نامه ها

منابع کامل در انتهای فصل آورده شده اند

فرمت: doc  تعداد صفحات: 53 صفحه

منابع این فصل در انتها آورده شده است.