علم تصمیم گیری و سیستم های هوشمند 3060-7574 2 1404 01 20 Evaluating The Efficiency of Iranian Listed Companies Using a Combined Method of Data Envelopment Analysis and Machine Learning ارزیابی کارایی شرکت‌های بورسی ایران با استفاده از روش ترکیبی تحلیل پوششی داده و یادگیری ماشین 1 25 FA مجتبی غیاثی دانشیار، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران امید ولیزاده دانشجوی دکتری مدیریت صنعتی، دانشگاه فردوسی مشهد، مشهد، ایران بهاره جوشنی دانش آموخته مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران محسن لطفی استادیار، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی شاهرود، شاهرود، ایران Journal Article 1403/10/03 <p>This paper examines the efficiency of Iranian listed companies using data envelopment analysis and machine learning algorithms. First, the efficiency scores of 130 listed companies in the period from 2007 to 2013 were calculated using data envelopment analysis. Input variables included total debt and RETRSIK and output variables included annual stock return and liquidity. Then, the machine learning algorithm was used to identify and evaluate critical variables in predicting company performance. The results showed that the XGBoost algorithm had superior prediction performance. This study shows that the combination of data envelopment analysis and machine learning methods can be an effective tool for analyzing and predicting the efficiency of listed companies and help investors and managers make decisions. This research emphasizes the role of modern data analysis methods in improving economic and financial decision-making.</p> <p>این مقاله به بررسی کارایی شرکت‌های بورسی ایران با استفاده از روش تحلیل پوششی داده‌ها  و الگوریتم‌های یادگیری ماشین  می‌پردازد. ابتدا، نمرات کارایی 130 شرکت بورسی در بازه زمانی 1386 تا 1402 با تحلیل پوششی داده‌ها محاسبه ‌شده است. متغیرهای ورودی شامل جمع بدهی و RETRSIK و متغیرهای خروجی شامل بازده سالیانه سهام و نقد شوندگی انتخاب شدند. سپس، الگوریتم یادگیری ماشین برای شناسایی و ارزیابی متغیرهای حیاتی در پیش‌بینی عملکرد شرکت‌ها به کار گرفته شد. نتایج نشان داد که الگوریتم XGBoost عملکرد برتری در پیش‌بینی داشت. این مطالعه نشان می‌دهد که ترکیب روش‌های تحلیل پوششی داده‌ها و یادگیری ماشین می‌تواند ابزار مؤثری برای تحلیل و پیش‌بینی کارایی شرکت‌های بورسی باشد و به تصمیم‌گیری‌های سرمایه‌گذاران و مدیران کمک کند. این پژوهش به نقش روش‌های نوین تحلیل داده‌ها در بهبود تصمیم‌گیری‌های اقتصادی و مالی تأکید دارد.</p> https://www.dsisj.com/index.php/dsisj/article/download/23/16