تحلیل مسیر تحول رویکردهای ترکیبی تحلیل پوششی داده‌ها و یادگیری ماشین در تصمیم‌گیری داده‌محور

نویسندگان

  • سمیرا بایرام‌زاده * گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه علم و فرهنگ، تهران، ایران.

https://doi.org/10.22105/mmaa.vi.135

چکیده

 هدف: تحلیل پوششی داده‌ها یکی از روش‌های مهم ارزیابی کارایی و عملکرد است، اما در مواجهه با داده‌های بزرگ، روابط غیرخطی، داده‌های پرت و پیش‌بینی عملکرد واحدهای جدید با محدودیت‌هایی روبه‌رو است. هم‌زمان، یادگیری ماشین با قابلیت کشف الگوهای پنهان، مدل‌سازی روابط پیچیده و پیش‌بینی عملکرد، ظرفیت بالایی برای تکمیل قابلیت‌های تحلیل پوششی داده‌ها دارد. با وجود رشد سریع مطالعات ترکیبی در این حوزه، شناخت ساختار دانشی، روندهای موضوعی و شکاف‌های پژوهشی آن هنوز نیازمند بررسی نظام‌مند است. بنابراین، پژوهش حاضر با هدف تحلیل روند تحول، ساختار علمی و جهت‌گیری‌های آینده رویکردهای ترکیبی تحلیل پوششی داده‌ها و یادگیری ماشین انجام شد.

روش‌شناسی پژوهش: این پژوهش با رویکرد مرور نظام‌مند ادبیات و تحلیل کتاب‌سنجی انجام شده است. جامعه پژوهش شامل مقالات منتشرشده در پایگاهScopus  در بازه زمانی 1996 تا 2026 بود که در آن‌ها تحلیل پوششی داده‌ها با روش‌های یادگیری ماشین مانند شبکه‌های عصبی مصنوعی، خوشه‌بندی، ماشین بردار پشتیبان، نزدیک‌ترین همسایه و قواعد انجمنی ترکیب شده است. پس از اجرای راهبرد جست‌وجو، غربالگری منابع بر اساس چارچوب PRISMA انجام شد و در نهایت 582 مقاله برای تحلیل انتخاب گردید. تحلیل روند انتشار، هم‌رخدادی واژگان کلیدی، شبکه هم‌نویسندگی و خوشه‌های موضوعی با استفاده از نرم‌افزار VOSviewer انجام شد.

یافته‌ها: تحلیل واژگان کلیدی نشان داد مفاهیمی مانند کارایی، ارزیابی عملکرد، الگوبرداری، داده‌کاوی، خوشه‌بندی، ماشین بردار پشتیبان، شبکه‌های عصبی و پیش‌بینی بیشترین ارتباط را با این حوزه دارند. همچنین، نتایج نشان داد این رویکردهای ترکیبی عمدتاً برای پیش‌بینی امتیازهای کارایی، مدیریت داده‌های بزرگ، شناسایی مجموعه‌های مرجع، مدل‌سازی روابط غیرخطی و بهبود قدرت تفکیک مدل‌های سنتی تحلیل پوششی داده‌ها به‌کار رفته‌اند. تحلیل هم‌نویسندگی نیز بیانگر آن بود که همکاری‌های علمی در این حوزه بیشتر به‌صورت خوشه‌ای و درون‌گروهی شکل گرفته و هنوز ظرفیت زیادی برای توسعه همکاری‌های بین‌المللی و بین‌خوشه‌ای وجود دارد.

اصالت/ارزش افزوده علمی: این پژوهش با ارائه تصویری ساختاریافته از ادبیات ترکیبی تحلیل پوششی داده‌ها و یادگیری ماشین، مسیر گذار تحلیل پوششی داده‌ها از یک ابزار ارزیابی گذشته‌نگر به یک چارچوب هوشمند، پیش‌بین و تصمیم‌یار را نشان می‌دهد. ارزش افزوده مطالعه در شناسایی روندهای روش‌شناختی، حوزه‌های کاربردی نوظهور و شکاف‌های همکاری علمی در این حوزه است. نتایج پژوهش می‌تواند برای پژوهشگران، تحلیل‌گران عملکرد و مدیران داده‌محور در طراحی مدل‌های پیشرفته ارزیابی کارایی، پیش‌بینی عملکرد و تصمیم‌گیری در محیط‌های پیچیده، پویا و داده‌محور راهگشا باشد.

کلمات کلیدی:

تحلیل پوششی داده‌ها، یادگیری ماشین، تحلیل کتاب‌سنجی، کارایی، تحلیل داده

مراجع

  1. [1] A. Emrouznejad, G.-l. Yang, M. Khoveyni, and M. Michali, "Data envelopment analysis: Recent developments and challenges," The Palgrave handbook of operations research, pp. 307–350, 2022.
  2. [2] P. Peykani, F. Hamidzadeh, M. S. Pishvaee, E. Memar-Masjed, and A. Jabbarzadeh, "A robust optimization approach for estimating the most productive scale size in uncertain data envelopment analysis," in Analytical Decision Making and Data Envelopment Analysis: Advances and Challenges: Springer, 2024, pp. 165–182.
  3. [3] M. J. Farrell, "The measurement of productive efficiency," Journal of the royal statistical society series a: statistics in society, vol. 120, no. 3, pp. 253–281, 1957.
  4. [4] A. Charnes, W. W. Cooper, and E. Rhodes, "Measuring the efficiency of decision making units," European journal of operational research, vol. 2, no. 6, pp. 429–444, 1978.
  5. [5] A. Emrouznejad and G.-l. Yang, "A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016," Socio-economic planning sciences, vol. 61, pp. 4–8, 2018.
  6. [6] N. Zhu, C. Zhu, and A. Emrouznejad, "A combined machine learning algorithms and DEA method for measuring and predicting the efficiency of Chinese manufacturing listed companies," Journal of Management Science and Engineering, vol. 6, no. 4, pp. 435–448, 2021.
  7. [7] A. Panwar, M. Olfati, M. Pant, and V. Snasel, "A review on the 40 years of existence of data envelopment analysis models: historic development and current trends," Archives of computational methods in engineering, vol. 29, no. 7, p. 5397, 2022.
  8. [8] S. Hanoum, M. Shubbak, D. S. Ardiantono, and J. Korpysa, "Data Envelopment analysis applications for energy efficiency in power generation: A comprehensive review with bibliometric and content analysis," Energy Conversion and Management: X, p. 101590, 2026.
  9. [9] J. F. Monge and J. L. Ruiz, "Setting closer targets based on non-dominated convex combinations of Pareto-efficient units: A bi-level linear programming approach in Data Envelopment Analysis," European Journal of Operational Research, vol. 311, no. 3, pp. 1084–1096, 2023.
  10. [10] S. F. Rashidi, M. Olfati, S. Mirjalili, C. Grosan, J. Platoš, and V. Snášel, "A hybrid DEA–fuzzy clustering approach for accurate reference set identification," Machine Learning with Applications, p. 100818, 2025.
  11. [11] Y. Xu et al., "Artificial intelligence: A powerful paradigm for scientific research," The Innovation, vol. 2, no. 4, 2021.
  12. [12] Z. Bagheri and F. T. Firoozabadi, "Integrating DEA with Machine Learning for Predictive Modeling in Breast Cancer," International Journal of Operations Research and Artificial Intelligence, vol. 1, no. 1, pp. 20–28, 2025.
  13. [13] L. Chen, X. Xie, Y. Yao, W. Huang, and G. Luo, "A Hybrid Data Envelopment Analysis–Random Forest Methodology for Evaluating Green Innovation Efficiency in an Asymmetric Environment," Symmetry (20738994), vol. 16, no. 8, 2024.
  14. [14] A. Emrouznejad and M. Tavana, Performance measurement with fuzzy data envelopment analysis. Springer, 2014.
  15. [15] G. Zhang, W. Guo, X. Xiong, and Z. Guan, "A hybrid approach combining data envelopment analysis and recurrent neural network for predicting the efficiency of research institutions," Expert Systems with Applications, vol. 238, p. 122150, 2024.
  16. [16] Z. Zhang, Y. Xiao, and H. Niu, "DEA and machine learning for performance prediction," Mathematics, vol. 10, no. 10, p. 1776, 2022.
  17. [17] R. P. França, A. C. B. Monteiro, R. Arthur, and Y. Iano, "An overview of deep learning in big data, image, and signal processing in the modern digital age," Trends in deep learning methodologies, pp. 63–87, 2021.
  18. [18] S. K. Singh, A. K. Tiwari, and H. Paliwal, "A state-of-the-art review on the utilization of machine learning in nanofluids, solar energy generation, and the prognosis of solar power," Engineering Analysis with Boundary Elements, vol. 155, pp. 62–86, 2023.
  19. [19] M. A. Chowdhury et al., "Recent machine learning guided material research-A review," Computational Condensed Matter, vol. 29, p. e00597, 2021.
  20. [20] R. Nian, J. Liu, and B. Huang, "A review on reinforcement learning: Introduction and applications in industrial process control," Computers & Chemical Engineering, vol. 139, p. 106886, 2020.
  21. [21] T. Talaei Khoei and N. Kaabouch, "Machine learning: Models, challenges, and research directions," Future Internet, vol. 15, no. 10, p. 332, 2023.
  22. [22] A. Charnes, W. W. Cooper, and E. Rhodes, "A Data Envelopment Analysis Approach to Evaluation of the Program Follow through Experiment in US Public School Education," 1978.
  23. [23] R. D. Banker, A. Charnes, and W. W. Cooper, "Some models for estimating technical and scale inefficiencies in data envelopment analysis," Management science, vol. 30, no. 9, pp. 1078–1092, 1984.
  24. [24] H. Bal, H. H. Örkcü, and S. Çelebioğlu, "Improving the discrimination power and weights dispersion in the data envelopment analysis," Computers & Operations Research, vol. 37, no. 1, pp. 99–107, 2010.
  25. [25] A. Charnes, W. W. Cooper, B. Golany, L. Seiford, and J. Stutz, "Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions," Journal of econometrics, vol. 30, no. 1-2, pp. 91–107, 1985.
  26. [26] A. Amirteimoori, S. Kordrostami, and H. Azizi, "Additive models for network data envelopment analysis in the presence of shared resources," Transportation Research Part D: Transport and Environment, vol. 48, pp. 411–424, 2016.
  27. [27] K. Tone, "Slacks-based measure of efficiency," European Journal of Operational Research, vol. 130, pp. 498–509, 2000.
  28. [28] R. H. Green, W. Cook, and J. Doyle, "A note on the additive data envelopment analysis model," Journal of the Operational Research Society, vol. 48, no. 4, pp. 446–448, 1997.
  29. [29] K. Asanimoghadam, M. Salahi, A. Jamalian, and R. Shakouri, "A two-stage structure with undesirable outputs: slacks-based and additive slacks-based measures DEA models," RAIRO-Operations Research, vol. 56, no. 4, pp. 2513–2534, 2022.
  30. [30] W. W. Cooper, K. S. Park, and J. T. Pastor, "RAM: a range adjusted measure of inefficiency for use with additive models, and relations to other models and measures in DEA," Journal of Productivity analysis, vol. 11, no. 1, pp. 5–42, 1999.
  31. [31] T. Sueyoshi and K. Sekitani, "Computational strategy for Russell measure in DEA: Second-order cone programming," European Journal of Operational Research, vol. 180, no. 1, pp. 459–471, 2007.
  32. [32] R. R. Russell, "Measures of technical efficiency," Journal of Economic theory, vol. 35, no. 1, pp. 109–126, 1985.
  33. [33] R. R. Russell, "Continuity of measures of technical efficiency," Journal of Economic Theory, vol. 51, no. 2, pp. 255–267, 1990.
  34. [34] R. Färe and C. K. Lovell, "Measuring the technical efficiency of production," Journal of Economic theory, vol. 19, no. 1, pp. 150–162, 1978.
  35. [35] J. T. Pastor, J. L. Ruiz, and I. Sirvent, "An enhanced DEA Russell graph efficiency measure," European journal of operational research, vol. 115, no. 3, pp. 596–607, 1999.
  36. [36] T. R. Sexton, R. H. Silkman, and A. J. Hogan, "Data envelopment analysis: Critique and extensions," New directions for program evaluation, vol. 1986, no. 32, pp. 73–105, 1986.
  37. [37] P. Andersen and N. C. Petersen, "A procedure for ranking efficient units in data envelopment analysis," Management science, vol. 39, no. 10, pp. 1261–1264, 1993.
  38. [38] Z. Pan, Y. Wang, Y. Zhou, and Y. Wang, "Analysis of the water use efficiency using super-efficiency data envelopment analysis," Applied Water Science, vol. 10, no. 6, pp. 1–11, 2020.
  39. [39] N. Ghasemi, E. Najafi, F. H. Lotfi, and F. M. Sobhani, "Assessing the performance of organizations with the hierarchical structure using data envelopment analysis: An efficiency analysis of Farhangian University," Measurement, vol. 156, p. 107609, 2020.
  40. [40] R. Färe and S. Grosskopf, "Network dea," Socio-economic planning sciences, vol. 34, no. 1, pp. 35–49, 2000.
  41. [41] W. D. Cook and R. H. Green, "Evaluating power plant efficiency: a hierarchical model," Computers & Operations Research, vol. 32, no. 4, pp. 813–823, 2005.
  42. [42] C. Kao, "Network data envelopment analysis: A review," European journal of operational research, vol. 239, no. 1, pp. 1–16, 2014.
  43. [43] P. Kamyab, M. R. Mozaffari, J. Gerami, and P. F. Wankei, "Two-stage incentives system for commercial banks based on centralized resource allocation model in DEA-R," International Journal of Productivity and Performance Management, vol. 70, no. 2, pp. 427–458, 2021.
  44. [44] Ł. Brzezicki, "Origin and Evolution of Malmquist Productivity Index: Review of the Literature," Central European Economic Journal, vol. 12, no. 59, pp. 102–119, 2025.
  45. [45] P. Peykani, E. Mohammadi, R. F. Saen, S. J. Sadjadi, and M. Rostamy‐Malkhalifeh, "Data envelopment analysis and robust optimization: A review," Expert systems, vol. 37, no. 4, p. e12534, 2020.
  46. [46] O. B. Olesen and N. C. Petersen, "Stochastic data envelopment analysis—A review," European journal of operational research, vol. 251, no. 1, pp. 2–21, 2016.
  47. [47] A. Hatami-Marbini, A. Emrouznejad, and M. Tavana, "A taxonomy and review of the fuzzy data envelopment analysis literature: two decades in the making," European journal of operational research, vol. 214, no. 3, pp. 457–472, 2011.
  48. [48] A. L. M. Anouze and I. Bou-Hamad, "Data envelopment analysis and data mining to efficiency estimation and evaluation," International Journal of Islamic and Middle Eastern Finance and Management, vol. 12, no. 2, pp. 169–190, 2019.
  49. [49] N. Donthu, S. Kumar, D. Mukherjee, N. Pandey, and W. M. Lim, "How to conduct a bibliometric analysis: An overview and guidelines," Journal of business research, vol. 133, pp. 285–296, 2021.
  50. [50] L. Ganti, N. A. Persaud, and T. S. Stead, "Bibliometric analysis methods for the medical literature," Academic Medicine & Surgery, 2025.
  51. [51] F. García-Lillo, P. Seva-Larrosa, and E. Sanchez-Garcia, "What is going on in entrepreneurship research? A bibliometric and SNA analysis," Journal of Business Research, vol. 158, p. 113624, 2023.
  52. [52] A. Khan, J. W. Goodell, M. K. Hassan, and A. Paltrinieri, "A bibliometric review of finance bibliometric papers," Finance Research Letters, vol. 47, p. 102520, 2022.
  53. [53] M. A. Koseoglu, R. Rahimi, F. Okumus, and J. Liu, "Bibliometric studies in tourism," Annals of tourism research, vol. 61, pp. 180–198, 2016.
  54. [54] Y.-S. Ho, "Top-cited articles in chemical engineering in Science Citation Index Expanded: A bibliometric analysis," Chinese Journal of Chemical Engineering, vol. 20, no. 3, pp. 478–488, 2012.
  55. [55] D. Karanatsiou, Y. Li, E.-M. Arvanitou, N. Misirlis, and W. E. Wong, "A bibliometric assessment of software engineering scholars and institutions (2010–2017)," Journal of Systems and Software, vol. 147, pp. 246–261, 2019.
  56. [56] M. A. Cotrina-Teatino and J. J. Marquina-Araujo, "Circular economy in the mining industry: A bibliometric and systematic literature review," Resources Policy, vol. 102, p. 105513, 2025.
  57. [57] R. Heradio, L. De La Torre, D. Galan, F. J. Cabrerizo, E. Herrera-Viedma, and S. Dormido, "Virtual and remote labs in education: A bibliometric analysis," Computers & Education, vol. 98, pp. 14–38, 2016.
  58. [58] M. J. Page et al., "The PRISMA 2020 statement: an updated guideline for reporting systematic reviews," bmj, vol. 372, 2021.
  59. [59] I. Zupic and T. Čater, "Bibliometric methods in management and organization," Organizational research methods, vol. 18, no. 3, pp. 429–472, 2015.
  60. [60] I. Passas, "Bibliometric analysis: the main steps," Encyclopedia, vol. 4, no. 2, 2024.
  61. [61] H. Small, "Co‐citation in the scientific literature: A new measure of the relationship between two documents," Journal of the American Society for information Science, vol. 24, no. 4, pp. 265–269, 1973.
  62. [62] M. Callon, J.-P. Courtial, W. A. Turner, and S. Bauin, "From translations to problematic networks: An introduction to co-word analysis," Social science information, vol. 22, no. 2, pp. 191–235, 1983.
  63. [63] M. J. Cobo, A. G. López‐Herrera, E. Herrera‐Viedma, and F. Herrera, "Science mapping software tools: Review, analysis, and cooperative study among tools," Journal of the American Society for information Science and Technology, vol. 62, no. 7, pp. 1382–1402, 2011.

چاپ شده

2026-08-25

شماره

مقالات آماده انتشار

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

بایرام‌زاده س. (2026). تحلیل مسیر تحول رویکردهای ترکیبی تحلیل پوششی داده‌ها و یادگیری ماشین در تصمیم‌گیری داده‌محور. مدیریت: مدلسازی، تحلیل‌ها و کاربرد. https://doi.org/10.22105/mmaa.vi.135
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.