ÜLKELERİN İNOVASYON PERFORMANSININ ÖLÇÜLMESİNDE YAPAY SİNİR AĞLARI, BULANIK DEMATEL TABANLI ANALİTİK AĞ SÜRECİ VE AĞIRLIK KISITLI VERİ ZARFLAMA ANALİZİ YAKLAŞIMLARININ BÜTÜNLEŞİK OLARAK KULLANILMASI VE BİR UYGULAMA

Year 2020, Volume: 21 Issue: 2, 287 - 314, 29.01.2021

Enver Çakın , Aslı Özdemir

https://doi.org/10.24889/ifede.839778

Cited By: 1

Abstract

Bu çalışmada, Yapay Sinir Ağları (YSA), Bulanık DEMATEL Tabanlı Analitik Ağ Süreci (BDAAS) ve Ağırlık Kısıtlı Veri Zarflama Analizi (AKVZA) yaklaşımlarını bütünleşik olarak kullanarak ülkelerin inovasyon performansını ölçen bir model geliştirilmiştir. Küresel İnovasyon Endeksi raporları kapsamında 21 adet inovasyon performans göstergesi ele alınarak öncelikle YSA ile bu kriterler arasındaki ilişkiler belirlenmiştir. Daha sonra bu ilişkiler BDAAS yönteminde kullanılarak kriterlerin önem dereceleri hesaplanmıştır. Son olarak ise bu önem dereceleri ağırlık kısıtı olarak AKVZA yönteminde kullanılarak 104 ülkenin inovasyon performansı ölçülmüştür. Önerilen modelin klasik yöntemlere göre daha gerçekçi çözümler sunduğu ve performansı daha yüksek olan ülkeleri daha iyi ayırt ettiği sonucuna ulaşılmıştır.

Keywords

Yapay Sinir Ağları, Bulanık DEMATEL Tabanlı Analitik Ağ Süreci, Ağır Kısıtlama Veri Zarflama Analizi, Güven Bölgesi

References

• Charnes, A., Cooper, W.W. & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research. 2(6), 429-444.
• Cooper, W.W., Seiford, L.M. & Zhu, J. (2011). Data envelopment analysis: History, models, and interpretations. In Cooper, W.W., Seiford, L.M. & Zhu, J (Eds.), Handbook on data envelopment analysis. (pp. 1-39). USA: Springer Science+Business Media.
• Gevrey, M., Dimopoulos, I. & Lek, S. (2003). Review and comparison of methods to study the contribution of variables in artificial neural network models. Ecological Modelling, 160(3), 249-264.
• Gurney, K. (1997). An introduction to neural networks. London and New York: UCL Press Limited.
• Haykin, S. (1999). Neural networks-A comprehensive foundation (Second Edition). India: Pearson Prentice Hall.
• Hu, S.K., Lu, M.T. & Tzeng, G.H. (2015). Improving mobile commerce adoption using a new hybrid fuzzy MADM model. International Journal of Fuzzy System, 17(3), 399-413.
• Hung, N. Q., Babel, M.S., Weesakul, S. & Tripathi, N.K. (2009). An artificial neural network model for rainfall forecasting in Bangkok-Thailand. Hydrology and Earth System Sciences. 13(8), 1413-1425.
• INSEAD (2011). The global innovation index 2011-Accelerating growth and development. Editor: Soumitra Dutta.
• INSEAD & WIPO (2012). The global innovation index 2012- Stronger innovation linkages for global growth. Editor: Soumitra Dutta.
• INSEAD, WIPO & Johnson Cornell University (2013). The global innovation index 2013-The local dynamics of innovation. Editors: Soumitra Dutta and Bruno Lanvin.
• INSEAD, WIPO & Johnson Cornell University (2014). Global innovation index 2014-The human factor in innovation. Editors: Soumitra Dutta, Bruno Lanvin, and Sacha Wunsch-Vincent.
• INSEAD, WIPO & Johnson Cornell University (2015). The global innovation index 2015-Effective innovation policies for development. Editors: Soumitra Dutta, Bruno Lanvin, and Sacha Wunsch-Vincent.
• Johnes, J. (2006). Data envelopment analysis and its application to the measurement of efficiency in higher education. Economics of Education Review, 25(3), 273-288.
• Li, E.Y. (1994). Artificial neural networks and their business applications. Information & Management, 27(5), 303-313.
• Liu, W. & Sharp, J. (1999). DEA models via goal programming. In Georg Westermann (Eds.), Data envelopment analysis in the service sector. (pp. 1-22). Deutsche: Springer Fachmedien Wiesbaden.
• Lu, M.T., Tzeng, G.H. & Tang, L.L. (2013). Environmental strategic orientations for improving green innovation performance in fuzzy environment - Using new fuzzy hybrid MCDM model. International Journal of Fuzzy Systems, 15(3), 297-316.
• Maind, S.B. & Wankar, P. (2014). Research paper on basic of artificial neural network. International Journal on Recent and Innovation Trends in Computing and Communication. 2(1), 96-100.
• Olden, J.D., Joy, M.K. & Death, R.G. (2004). An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data. Ecological Modelling, 178(3-4), 389-397.
• Özdemir, A. ve Demireli, E. (2013). Ağırlık kısıtlı veri zarflama analizi ile mevduat bankalarının etkinlik ölçümüne yönelik bir uygulama. Uluslararası Yönetim İktisat ve İşletme Dergisi, 9(19), 215-238.
• Öztemel, E. (2012). Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
• Scardi, M. & Harding, L.W. (1999). Developing an empirical model of phytoplankton primary production: A neural network case study. Ecological Modelling, 120(2-3), 213-223.
• Thompson, R.G., Singleton, Jr., F.D., Thrall, R.M., Smith, B.A. & Wilson, M. (1986). Comparative site evaluations for locating a high-energy physics lab in Texas. Interfaces, 16(6), 35-49.
• Vellido, A., Lisboa, P.J.G. & Vaughan, J. (1999). Neural networks in business: A survey of applications (1992–1998). Expert Systems with Applications, 17(1), 51-70.
• Yang, W.T., Liu, W.H., Liu, H.H. & Lanasari (2013). Evaluating influential factors in event quality using DEMATEL method. International Journal of Trade, Economics and Finance, 4(3), 92-97.
• Zakaria, M., Al-Shebany, M. & Sarhan, S. (2014). Artificial neural network: A brief overview. International Journal of Engineering Research and Applications, 4(2), 7-12.
• Zhang, G., Patuwo, B.E. & Hu, M.Y. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14, 35-62.