Τεχνικές προεπεξεργασίας και εκτίμησης DEA αποδοτικότητας

Τσούνης, Αργύρης - Ρήγας

dc.contributor.advisor	Κορωνάκος, Γρηγόριος
dc.contributor.author	Τσούνης, Αργύρης - Ρήγας
dc.date.accessioned	2026-03-05T11:41:56Z
dc.date.available	2026-03-05T11:41:56Z
dc.date.issued	2026-01
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/18968
dc.description	Διαθέσιμο μετά τις 31/03/2029
dc.description.abstract	Η παρούσα διπλωματική εργασία μελετά τεχνικές προεπεξεργασίας και προσεγγιστικής εκτίμησης αποδοτικότητας με σκοπό την επιτάχυνση της Περιβάλλουσας Ανάλυσης Δεδομένων (Data Envelopment Analysis – DEA) σε σύνολα δεδομένων μεγάλης κλίμακας. Η DEA αποτελεί μια μη παραμετρική μέθοδο αξιολόγησης της σχετικής αποδοτικότητας ομοιογενών μονάδων λήψης αποφάσεων (Decision Making Units - DMUs) με πολλαπλές εισροές και εκροές. Παρά το γεγονός ότι για τον υπολογισμό της αποδοτικότητας των DMUs χρησιμοποιείται γραμμικός προγραμματισμός, η αξιολόγηση με μεγάλο πλήθος DMUs οδηγεί σε σημαντική αύξηση του υπολογιστικού κόστους. Η κύρια συνεισφορά της εργασίας είναι η ανάπτυξη της μεθόδου MaxRatio, η οποία βασίζεται στην ανάλυση λόγων εισροών–εκροών (ratio analysis) με στόχο την προσέγγιση της DEA αποδοτικότητας και τον εντοπισμό ενός αριθμού αποδοτικών μονάδων χωρίς την επίλυση προβλημάτων γραμμικού προγραμματισμού. Τα αποτελέσματα της μεθόδου, δηλαδή ο εντοπισμός ενός μικρού υποσυνόλου αποδοτικών μονάδων που σχηματίζουν μια μερική θήκη, μπορεί να χρησιμοποιηθεί στη συνέχεια για την αρχικοποίηση των αλγορίθμων που έχουν σχεδιαστεί για την επιτάχυνση της αξιολόγησης σε δεδομένα μεγάλης κλίμακας. Επίσης, η προτεινόμενη μέθοδος συγκρίνεται με την υπάρχουσα μέθοδο προεπεξεργασίας KZCT-2019. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος MaxRatio υπερτερεί της μεθόδου KZCT-2019 ως προς τον αριθμό των αποδοτικών μονάδων που εντοπίζει, καθώς και ως προς την προσέγγιση των δεικτών αποδοτικότητας, ωστόσο παρουσιάζει μεγαλύτερη υπολογιστική πολυπλοκότητα. Για την αντιμετώπιση της εκθετικής αύξησης των συνδυασμών των λόγων στη μέθοδο MaxRatio και τη μείωση του υπολογιστικού κόστους, διερευνώνται τεχνικές δειγματοληψίας προκειμένου να αξιολογηθεί και να επιβεβαιωθεί η αποτελεσματικότητά της. Η χρήση περιορισμένου αριθμού λόγων εισροών–εκροών, που προέκυψαν μέσω δειγματοληψίας, στη μέθοδο MaxRatio έδειξε ισχυρή συσχέτιση μεταξύ των εκτιμώμενων αποδοτικοτήτων και των πραγματικών DEA αποδοτικοτήτων. Επιπλέον, ανέδειξε ότι πολλοί συνδυασμοί λόγων εισροών–εκροών οδηγούν στον εντοπισμό των ίδιων DMUs. Συνολικά, οι δύο μέθοδοι προεπεξεργασίας εντοπίζουν ικανοποιητικό αριθμό αποδοτικών DMUs και παρέχουν αξιόπιστη εκτίμηση αποδοτικότητας. Συνεπώς, επιβεβαιώνεται πως οι μέθοδοι προεπεξεργασίας μπορούν να ταξινομούν αρκετές μονάδες ως αποδοτικές, μειώνοντας τον υπολογιστικό φόρτο της παραδοσιακής DEA. Τα αποτελέσματα της παρούσας μελέτης είναι εύκολα συγκρίσιμα με εκείνα άλλων εργασιών και παρέχουν τη δυνατότητα αναπαραγωγής και ανεξάρτητης επαλήθευσης από άλλους ερευνητές.	el
dc.format.extent	36	el
dc.language.iso	el	el
dc.publisher	Πανεπιστήμιο Πειραιώς	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.title	Τεχνικές προεπεξεργασίας και εκτίμησης DEA αποδοτικότητας	el
dc.title.alternative	Preprocessing and approximate scoring DEA	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής	el
dc.description.abstractEN	This thesis studies preprocessing and approximate scoring techniques to accelerate Data Envelopment Analysis (DEA) for large-scale datasets. DEA evaluates the efficiency of decision making units (DMUs) using linear programming, but its computational cost grows rapidly with dataset size, making direct application difficult in Big Data settings. The main contribution of the thesis is the development of MaxRatio method. It is based on an input–output ratio analysis to approximate DEA efficiency scores without solving LPs. To address the exponential growth of ratio combinations in the MaxRatio method and reduce the computational effort, sampling techniques are investigated to evaluate and confirm its effectiveness. The use of a limited number of ratios by the MaxRatio method through sampling led to important findings for understanding the relationships among ratios. In particular, it showed a strong correlation between ratio-based measures and DEA scores, and demonstrated that many ratio combinations lead to the identification of the same DMUs. Also, the MaxRatio method is compared to the preprocessing method KZCT-2019, which aims to quickly identify efficient DMUs. Experimental results show that the MaxRatio method outperforms the KZCT-2019 method in the number of efficient units it identifies as well as in the approximation of efficiencies, however it has higher complexity. Overall, both preprocessing methods identify a satisfactory number of efficient DMUs and provide reliable efficiency estimation. The results of this study are easily comparable with those of other studies and enable reproducibility and independent verification by other researchers.	el
dc.contributor.master	Κυβερνοασφάλεια και Επιστήμη Δεδομένων	el
dc.subject.keyword	Data Envelopment Analysis	el
dc.subject.keyword	Large-scale optimization	el
dc.subject.keyword	MaxRatio method	el
dc.date.defense	2026-01

Αρχεία σε αυτό το τεκμήριο

Αρχεία	Μέγεθος	Τύπος	Προβολή
Δεν υπάρχουν αρχεία που να σχετίζονται με αυτό το τεκμήριο.

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Πληροφορικής
Department of Informatics

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα