ORIGINAL_ARTICLE
رتبهبندی شرکتهای صنعت هواپیمایی ایران با ارزیابی فازی ترکیبی و الگوریتم ژنتیک
مسافران دیدگاههای متفاوتی نسبت به اهمیت معیارهای کیفیت خدمات دارند. وزن معیارهای کیفیت خدمات نشاندهندۀ اهمیت آنهاست. در اغلب پژوهشها میزان اهمیت معیارها وابسته به نظر خبره است و دیدگاه مسافران در نظر گرفته نمیشود. هدف پژوهش حاضر، ارائۀ روش پیشرفتهای برای رتبهبندی شرکتهای صنعت هواپیمایی ایران از دیدگاه مسافران است. برای دستیابی به این منظور در مرحلۀ اول، فاصلۀ اقلیدوسی بین رضایت از تکتک معیارها و رضایت کلی با استفاده از ارزیابی فازی ترکیبی و الگوریتم ژنتیک محاسبه شد و وزن معیارها بهدست آمد. در مرحلۀ دوم با استفاده از ارزیابی فازی ترکیبی، شرکتهای صنعت هواپیمایی ایران رتبهبندی شدند. نمونۀ آماری این پژوهش متشکل از مسافران چند شرکت هواپیمایی به نامهای آسمان، ماهان، تابان، زاگرس و هما است. نتایج نشان میدهد میزان اهمیت معیارها در گروههای مختلف مسافران با هم متفاوت است و در نتیجه رتبهبندی شرکتهای صنعت هواپیمایی از دیدگاه مسافران متفاوت است.
https://imj.ut.ac.ir/article_65304_21942a8ebc598c0dfca9931071d0c492.pdf
2017-11-22
409
434
10.22059/imj.2017.243719.1007328
ارزیابی فازی ترکیبی
الگوریتم ژنتیک
رضایتمندی
کیفیت خدمات
مجموعۀ گستردۀ مسافران
محمد
حقیقی
mhaghighi@ut.ac.ir
1
دانشیار گروه مدیریت بازرگانی، دانشکدة مدیریت، دانشگاه تهران، تهران، ایران
AUTHOR
حمید
نایب پور
nayebpour@atu.ac.ir
2
دانشجوی دکتری مدیریت بازرگانی، دانشکدة مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
LEAD_AUTHOR
آذر، ع.؛ مؤمنی، م. (1395). آمار و کاربردهای آن در مدیریت. تهران، انتشارات سمت.
1
بازایی، ق.؛ جعفری، م. (1395). ارزیابی تأثیر کیفیت خدمات بر رضایت مشتریان در خطوط هوایی بینالمللی (مورد مطالعه: مسافران پروازهای بینالمللی شرکت هواپیمایی ماهان). پایاننامۀ کارشناسی ارشد، دانشگاه آزاد، دانشکدۀ مدیریت و حسابداری، تهران.
2
دلاوری، ع. (1380). مبانی نظری و علمی پژوهش در علوم انسانی و اجتماعی. تهران، انتشارات رشد.
3
دوستار، م.؛ رمضانپور، ا. (1392). ارزیابی رفتار مسافران در انتخاب شرکتهای هواپیمایی در پروازهای داخلی. پژوهشنامۀ حمل و نقل، 11 (1)، 421-411.
4
سروستانی، م. (1392). جایگاهیابی خطوط هوایی داخلی ایران بر اساس مشخصههای کیفیت خدمات از نقطه نظر گردشگران داخلی. پایاننامۀ کارشناسی ارشد، تهران: دانشگاه علامه طباطبائی، دانشکدۀ مدیریت و حسابداری.
5
عباسی، ع.؛ منصورآبادی، ز.؛ محمودشاهی، ش. (1395). تأثیر مسئولیت اجتماعی شرکت بر اعتماد مشتریان و قصد خرید با تأکید بر نقش میانجی رضایت مشتریان. فصلنامۀ علمی ـ پژوهشی مدیریت بازرگانی، 8(4)، 902- 855.
6
غازانی، د. (1390). مطالعۀ تأثیر کیفیت خدمات در صنعت حمل و نقل هوایی بر رضایت و وفاداری مسافران (مطالعۀ موردی: شرکت هواپیمایی آتا). پایاننامۀ کارشناسی ارشد، سمنان: دانشگاه سمنان، دانشکدۀ علوم اجتماعی.
7
Abbasi, A., Mansourabadi, Z., Mahmoodshahi, Sh. (2017). The effect of corporate social responsibility on customer trust and purchase intention with emphasis on the mediator role of customer satisfaction. Business Management, 8(4), 855-902. (in Persian)
8
Ali, F., Dey, B. L. & Filieri, R. (2015). An assessment of service quality and resulting customer satisfaction in Pakistan International Airlines: Findings from foreigners and overseas Pakistani customers. International Journal of Quality & Reliability Management, 32(5), 486-502.
9
Anselmsson, J. (2006). Sources of customer satisfaction with shopping malls: A comparative study of different customer segments. The International Review of Retail, Distribution and Consumer Research, 16(1), 115-138.
10
Azar, A. & Momeni, M. (2016). Statistics and applications in management. Tehran: Samt Publication. (in Persian)
11
Bazaie, G. & Jafari, M. (2017). Assessing the Impact of Service Quality on Customer Satisfaction in International Airlines (Case Study: Mahan Airlines International Travelers).Master's Thesis. Tehran: Azad University, Management Facculty. (in Persian)
12
Buhalis, D. & Law, R. (2008). Progress in information technology and tourism management: 20 years on and 10 years after the Internet—The state of eTourism research. Tourism Management, 29(4), 609-623.
13
Chang, H. H., Wang, Y. H. & Yang, W. Y. (2009). The impact of e-service quality, customer satisfaction and loyalty on e-marketing: Moderating effect of perceived value. Total Quality Management, 20(4), 423-443.
14
Delavari, A. (2001). Theoretical and scientific foundations of research in humanities and social sciences. Samt Publication. (in Persian)
15
Doostar, M. & Ramezanpoor, A. (2014). Evaluating the Airline Selection Behavior of Iranian Domestic Travelers). Journal of Transportation Research, 11(1), 411-421. (in Persian)
16
Feng, S. & Xu, L. D. (1999). Decision support for fuzzy comprehensive evaluation of urban development. Fuzzy Sets and Systems, 105(1), 1-12.
17
Ghazani, D. (2011). Study of the Effect of Quality of Service in the Aviation Industry on Passenger Satisfaction and Loyalty (Case Study of ATA Airlines). Master's Thesis. Faculty of Management, Semnan University. (in Persian)
18
Gounaris, S., Dimitriadis, S. & Stathakopoulos, V. (2010). An examination of the effects of service quality and satisfaction on customers' behavioral intentions in e‐shopping. Journal of Services Marketing, 24(2), 142-156.
19
Hao, J.-X., Yu, Y., Law, R. & Fong, D. K. C. (2015). A genetic algorithm-based learning approach to understand customer satisfaction with OTA websites. Tourism Management, 48, 231-241.
20
Hapsari, R. & Clemes, M. D. (2017). The impact of service quality, customer engagement and selected marketing constructs on airline passenger loyalty. International Journal of Quality and Service Sciences, 9(1), 21-40.
21
Huang, Y. K. (2010). The Effect of Airline Service Quality on Passengers' Behavioural Intentions Using Servqual Scores:A Taiwan Case Study. Journal of the Eastern Asia Society for Transportation Studies, 8, 2330-2343.
22
Hussain, R. (2016). The mediating role of customer satisfaction: evidence from the airline industry. Asia Pacific Journal of Marketing and Logistics, 28(2), 234-255.
23
Ip, C., Law, R. & Lee, H.A. (2011). A review of website evaluation studies in the tourism and hospitality fields from 1996 to 2009. International Journal of Tourism Research, 13(3), 234-265.
24
Ip, C., Law, R. & Lee, H. A. (2012). The evaluation of hotel website functionality by fuzzy analytic hierarchy process. Journal of Travel & Tourism Marketing, 29(3), 263-278.
25
Janahi, M. A. & Almubarak, M. (2017). The impact of customer service quality on customer satisfaction in Islamic banking. Journal of Islamic Marketing, 8(4), 595-604.
26
Jiang, H. & Zhang, Y. (2016). An investigation of service quality, customer satisfaction and loyalty in China's airline market. Journal of Air Transport Management, 57(Supplement C), 80-88.
27
Koklic, M. K., Kukar-Kinney, M. & Vegelj, S. (2017). An investigation of customer satisfaction with low-cost and full-service airline companies. Journal of Business Research. Journal of Business Research, 80(Supplement C), 188-196.
28
Kotler, F. (2008). Marketing Management. (sixth edition). Bahman Foroozandeh translation. Isfahan: Amookhteh. (in Persian)
29
Kuo, Y.-F. & Chen, P.-C. (2006). Selection of mobile value-added services for system operators using fuzzy synthetic evaluation. Expert Systems with Applications, 30(4), 612-620.
30
Lin, C. C., Chen, S. C. & Chu, Y. M. (2011). Automatic price negotiation on the web: An agent-based web application using fuzzy expert system. Expert Systems with Applications, 38(5), 5090-5100.
31
Lovelock, Ch. & Right, L. (2010). Principles of Service Marketing and Management. (Third Edition). Bahman Foroozandeh Translation. Isfahan: Amookhteh. (in Persian)
32
Mitchell, M. (1998). An introduction to genetic algorithms. MIT press.
33
Nayebpur, H., & Nazem Bokaei, M. (2017). Portfolio selection with fuzzy synthetic evaluation and genetic algorithm. Engineering Computations, 34(7), 2422-2434.
34
Numally, J. C. (1978). Psychometric theory (2th ed.). New York, NY.: McGraw Hill.
35
Oliver, R. L. (2010). Satisfaction: A behavioral perspective on the consumer. ME Sharpe. Inc., New York.
36
Pakdil, F. & Aydın, O. Z. (2007). Expectations and perceptions in airline services: An analysis using weighted SERVQUAL scores. Journal of Air Transport Management, 13(4), 229–237.
37
Proenca, T., Torres, A., Sampaio, A. S. (2017). Frontline employee empowerment and perceived customer satisfaction. Management Research: Journal of the Iberoamerican Academy of Management, 15(2), 187-206.
38
Saha, G. C. & Theingi (2009). Service quality, satisfaction, and behavioural intentions: A study of low-cost airline carriers in Thailand. Managing Service Quality: An International Journal, 19(3), 350-372.
39
Saleem, M. A., Zahra, S. & Yaseen, A. (2017). Impact of service quality and trust on repurchase intentions-the case of Pakistan airline industry. Asia Pacific Journal of Marketing and Logistics, 29(5), 1136-1159.
40
Sarvestani, M. (2013). Location of Iranian internal airlines based on the characteristics of service quality from the point of view of domestic tourists. Master's Thesis, Tehran: Allameh TabatabaeiTehran University. (in Persian)
41
Singh, A. K. (2016). Competitive service quality benchmarking in airline industry using AHP. Benchmarking: An International Journal, 23(4), 768-791.
42
Suki, N. M. (2014). Passenger satisfaction with airline service quality in Malaysia: A structural equation modeling approach. Research in transportation business & management, 10, 26-32.
43
Tandon, U., Kiran, R., & Sah, A. (2017). Analyzing customer satisfaction: user's perspective towards online shopping. Nankai Business Review International, 8(3), 266-288.
44
Ting, P.-H., Wang, S.-T., Bau, D.-Y. & Chiang, M.-L. (2013). Website evaluation of the top 100 hotels using advanced content analysis and eMICA model. Cornell Hospitality Quarterly, 54(3), 284-293.
45
Yuksel, A. & Yuksel, F. (2003). Measurement of tourist satisfaction with restaurant services: A segment-based approach. Journal of vacation marketing, 9(1), 52-68.
46
ORIGINAL_ARTICLE
مطالعۀ مؤلفههای تأثیرگذار بر تأمین مالی شرکتهای کوچک و متوسط در زنجیرههای تأمین قطعهسازی خودرو
با توجه به رکود تولید خودرو و مشکلات تأمین مالی قطعهسازان خودرو در سالهای اخیر، حمایت مالی از ایجاد و توسعۀ بنگاههای کوچک و متوسط قطعهساز، یکی از ضرورتهای اساسی در برنامههای توسعۀ اقتصادی کشور است. هدف این مقاله ارائۀ مدل ساختاری بهمنظور بررسی مؤلفههای تأثیرگذار بر تأمین مالی شرکتهای کوچک و متوسط قطعهساز خودرو در زنجیرههای تأمین است. در این مقاله پس از بررسی ادبیات نظری و مصاحبه با کارشناسان، متغیرهای تأثیرگذار بر تأمین مالی شرکتهای کوچک و متوسط شناسایی شدند و با استفاده از روش معادلات ساختاری در شش بعد قرار گرفتند؛ سپس فرضیههای تحقیق با استفاده از آزمون تی استیودنت بررسی شدند. نتایج تحقیق نشان داد شش بعد اصلی شامل ضعف عملکردی بانکها، ضعف عملکردی بازار سرمایه، ضعف یا نبود بانکهای تخصصی، ضعف یا نبود روشهای تأمین مالی، عدم همکاری و ناهماهنگی بین بنگاهها و نهادهای مالی و ضعف عملکردی فناوری اطلاعات بر تأمین مالی بنگاههای کوچک و متوسط در زنجیرۀ قطعهسازی خودرو اثر گذارند.
https://imj.ut.ac.ir/article_65306_fde095660f9eae9deb7cfd58dc48c7b0.pdf
2017-11-22
435
454
10.22059/imj.2017.233964.1007240
تأمین مالی زنجیرۀ تأمین
چالشهای تأمین مالی
شرکتهای کوچک و متوسط
معادلات ساختاری
سید مصطفی
رضوی
mrazavi@ut.ac.ir
1
دانشیار گروه مدیریت صنعتی، دانشکدة مدیریت، دانشگاه تهران، ، ایران
LEAD_AUTHOR
بهروز
کریمی
b.karimi@aut.ac.ir
2
هیت علمی دانشکده مهندسی صنایع و سیستم های مدیریت دانشگاه امیرکبیراستاد گروه تولید صنعتی، دانشکدة مهندسی صنایع و سیستمهای مدیریت، دانشگاه امیرکبیر، ، ایران
AUTHOR
داوود
رفیعی راد
d.rafeierad@gmail.com
3
کارشناس بانک شهردانشجوی دکتری مدیریت صنعتی، دانشکدة مدیریت، دانشگاه تهران، تهران، ایران
AUTHOR
بازرگان، ع. (1394). مقدمهای بر روشهای تحقیق کیفی و آمیخته: رویکردهای متداول در علوم رفتاری. تهران: انتشارات دیدار. داوری، ع.؛ رضازاده، ا. (1392). مدلسازی معادلات ساختاری با نرمافزار PLS. تهران: انتشارات جهاد دانشگاهی.
1
سلطانی، ز.؛ خوشنود، ز.، اکبری آلاشتی، ط. (1390). سازوکارهای تأمین مالی شرکتهای کوچک و متوسط. تهران: پژوهشکدۀ پولی و بانکی، بانک مرکزی جمهوری اسلامی ایران.
2
طالقانی، م.؛ صیادمنش، ش.؛ کاویانی، م. (1392). تأمین مالی زنجیرۀ تأمین (SCF) بهعنوان روشی نوین تأمین مالی بنگاههای کوچک و متوسط. ماهنامۀ مهندسی مدیریت، 7 (55)، 27-20.
3
فتحاله، م.؛ نجفی، م. (1395). توسعۀ الگوی مدیریت مالی زنجیرۀ تأمین و تأمین مالی زنجیرهای، دوازدهمین کنفرانس بینالمللی صنایع، تهران، دانشگاه خوارزمی. محسنین، ش.؛ اسفیدانی، م. ر. (1393). معادلات ساختاری مبتنی بر رویکرد حداقل مربعات جزئی به کمک نرمافزار Smart-PLS. تهران: انتشارات مهربان نشر.
4
محمدی، ف.؛ نجفی، ا. (1394). بررسی عملکرد مدیریت مالی زنجیرۀ تأمین و نقش آن در بهبود سرمایه در گردش و نقدینگی. اولین همایش بینالمللی حسابداری، حسابرسی، مدیریت و اقتصاد. اصفهان، دبیرخانۀ همایش.
5
Aberdeen Group Report. (2006a). New Strategies for Financial Supply Chain Optimization. available at: www.aberdeen.com/Aberdeen-Library/3606/RA_ BM_FinSCOptimization_VS_BE_3606.aspx (accessed 11 September 2011).
6
Barth, J.R., Lin, D., Yost, K. (2011). Small and Medium Enterprise Financing in Transition Economies. Atlantic Economic Journal, 3(9), 19–38.
7
Bazargan, A. (2015). Introduction to qualitative and mixed methods research; Common approaches in behavioral science. Didar publication, Tehran.
8
(in Persian)
9
Chin, W.W. (1998). Issues and opinion on structural equation modeling. MIS Quarterly, 22(1), 7-16.
10
Cronie, G. (2008). ING Guide to Financial Supply Chain Optimization. ING Wholesale Banking [Online]. Available from: http://www.treasury-management.com/ show article.php?article=1032.[Accessed 29 April 2011].
11
Czarnitzki, D. (2006). Research and development in small and medium-sized enterprises: The role of financial constraints and public funding. Scottish Journal of Political Economy, 5(3), 335-357.
12
Davari, A., Rezazadeh, A. (2013). Structural equation modeling using PLS software. University of Tehran press. Tehran. (in Persian)
13
Demica, L., (2007). The Growing Role of Supply Chain Finance in a Changing World. Available at: www.demica.com/images/PDFs/supply_chain_finance_ strengthening.pdf (accessed 22 September 2011).
14
Fathollah, M., Najafi, M. (2016). Development of financial management and supply chain financing. International Conference on Industrial Engineering (ICIE 2016). Kharazmi University, Tehran. (in Persian)
15
Fornell, C., Larcker, D.F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of marketing research, 18 (1), 39-50.
16
Hartley-Urquhart, R. (2006). Managing the financial supply chain. Supply Chain Management Review, 10(6), 18-25.
17
Hofmann, E., Belin, O. (2011). Supply Chain Finance Solutions. Springer Briefs in Business, Springer-Verlag Berlin Heidelberg.
18
Hyz, A. (2011). Small and Medium Enterprises (SMEs) in Greece - Barriers in Access to Banking Services. An Empirical Investigation. International Journal of Business and Social Science, 2(2),161-165.
19
Kristofik, P., Kok, J., De Vries, S., van Sten-van’t Hoff, J. (2012). Financial supply chain management challenges and obstacles. ACRN Journal of Entrepreneurship Perspectives, 1(2), 132-143.
20
Mohammadi, F., Najafi, A. (2015). Study the supply chain finance performance in order to facilitate working capital and liquidity. First International Conference on Accounting, Audit, Management and Economic. (in Persian)
21
Mohsenin, S., Esfidani, M. (2014). Structural equation modeling approach based on partial least squares using PLS software.Mehraban nashr publication, Tehran. (in Persian)
22
More, D., Basu, P. (2013). Challenges of supply chain finance; A detailed study and a hierarchical model based on the experiences of an Indian firm. Business Process Management Journal, 19(4), 624-647.
23
Myers, J.R. (2002). Supply Chain Finance. US Patent Application Publication, 10/219, 726, 200.
24
Nkuah, J.K., Tanyeh, J.P., Gaeten, K. (2013). Financing Small and Medium Enterprises (SMEs) in Ghana: Challenges and Determinants in Accessing Bank Credit. International Journal of Research in Social Sciences. 2(3), 12-25. Osano, H.M., Languitone, H. (2016). Factors influencing access to finance by SMEs in Mozambique: case of SMEs in Maputo central business district. Journal of Innovation and Entrepreneurship, 5(13), 1-16.
25
Pfohl, H.C., Gomm, M. (2009). Supply chain finance: optimizing financial flows in supply chains, Logistics Research, 1(3), 149-161.
26
Robinson, P. (2007). Financial supply chain management – part 1: changing dynamics. Available at: www.gtnews.com/feature/178_1.cfm. (Accessed 20 August 2011).
27
Rossi, M., Lombardi, R., Siggia, D., Oliva, N. (2016). The impact of corporate characteristics on the financial decisions of companies: evidence on funding decisions by Italian SMEs. Journal of Innovation and Entrepreneurship, 5(2), 1-14.
28
Ryan, R., O'Toole, C. M., & McCann, F. (2014). Does Bank Market Power Affect SME Financing Constraints? Journal of Banking & Finance, published online. DOI: http://dx.doi.org/10.1016/j.jbankfin.2013.12.024.
29
Soltani, Z., Khoshnud, Z., Akbari Alashti, T. (2011). Financing Methods for Small and Medium Sized Enterprises. Monetary and Banking Research Academy. Central Bank of the Islamic Republic of Iran. (in Persian)
30
Stephenson, M., Hutter, L. (2009). Supply Chain Finance: Releasing working capital within the supply chain. Deloitte [Online]. Available from: http://www. deloitte.com/assets/ SupplyChainFinance. [Accessed 12 May 2011].
31
Taleghani, M., Sayadmanesh, S., Kaviyani, M. (2013). Supply chain finance (SCF) as a new method of SME's financing. Engineering Management Journal, 7 (55), 20-27. (in Persian)
32
Tenenhaus, M., Amato, S., Esposito Vinizi, V. (2004). A global goodness of fit index for PLS structural equation modeling. In proceeding of the XLII SIS scientific meeting. PP. 739-742.
33
Wetzels, M., Odekerken-Schoroder, G., Van Oppen, C. (2009). Using PLS path modeling for assessing hierarchical construct models: Guidelines and empirical illustration. MIS Quarterly, 33 (1), 177-193.
34
Wuttke, D.A., Blome, C., Foerstl, K., Henke, M. (2013) Managing the innovation adoption of supply chain _nanceempirical evidence from six European case studies. Journal of Business Logistics, 34(2), 148 -166.
35
Wuttke, D., Constantin, B., Michael, H. (2013). Focusing the financial flow of supply chains: An empirical investigation of financial supply chain management. International Journal of Production Economics, 145(2), 773–789.
36
ORIGINAL_ARTICLE
ارزیابی کارایی نظام ملی نوآوری با استفاده از تحلیل پوششی دادههای شبکهای
امروزه توجه به رشد و رونق اقتصادی مبتنی بر سیاستگذاریهای علم و فناوری در سطح ملی، نه تنها یکی از مهمترین دغدغههای مدیران عالی سازمانها و نهادهای سیاستگذار است، بلکه بهعنوان یکی از موضوعات کلیدی تحقیقات حوزههای اقتصادی و مدیریت کلان از اهمیتی اساسی برخوردار است. ضرورت ارزیابی نظام ملی نوآوری برای کمک به سیاستگذاری و تعیین میزان تحقق اهداف کلان مسئلهای حیاتی است. در این تحقیق از مدلهای تحلیل پوششی دادههای شبکهای تن و تسوتسوی برای ارزیابی کارایی نظام ملی نوآوری ایران و 73 کشور دیگر در قالب فرایند دو مرحلهای تولید و تجاریسازی دانش استفاده شده است. نتایج نشان میدهد نظام ملی نوآوری ایران ناکارا است. مقدار کارایی کل و مراحل اول و دوم آن در حالت فعالیت ارتباطی آزاد برابر با 59/0، 79/0 و 18/0 و در حالت ثابت برابر با 74/0، 87/0 و 63/0 بوده و براساس مدل مبتنی بر متغیرهای کمکی 88/0 است. برای بهبود عملکرد، کاهش ورودیهای مراحل به مقدار تعیین شده، موجب افزایش مقادیر کارایی آنها و در نتیجه کارایی کل سیستم تا رسیدن به مرز کارا خواهد شد.
https://imj.ut.ac.ir/article_65307_020287637267b2487a88a21c29b7b833.pdf
2017-11-22
455
474
10.22059/imj.2018.234863.1007248
تحلیل پوششی دادههای شبکهای
کارایی کل
کارایی مراحل
نظام ملی نوآوری
نوآوری
سلطانعلی
شهریاری
sa_shahriari@yahoo.com
1
استادیار گروه مدیریت کسبوکار، دانشکدة مدیریت دانشگاه خوارزمی، تهران، ایران
LEAD_AUTHOR
ساینا
لاهیجی
saina_lahiji@yahoo.com
2
دانشجوی کارشناسی ارشد مدیریت کارآفرینی، دانشکدة مدیریت دانشگاه خوارزمی،تهران ، ایران
AUTHOR
شهریاری، س.؛ رضوی، م.؛ اصغری زاده، ع. (1392). تحلیل پوششی دادههای فازی و رویکرد نوین FIEP/AHP جهت رتبهبندی کامل واحدهای تصمیمگیرنده (مطالعۀ موردی: دانشکدههای علوم انسانی دانشگاه تهران). مدیریت صنعتی، 5(1)، 42-21.
1
Cai, Y. (2011). Factors affecting the efficiency of the BRICSs' national innovation systems: A comparative study based on DEA and Panel Data Analysis.Economics (open eJournal), Economics Discussion Papers, No. 2011-52.
2
Carlsson, B., Jacobsson, S., & Rickne, A. (2002). Innovation systems: analytical and methodological issues. Research policy, 31(2), 233-245.
3
Castellacci, F., & Natera, J. M. (2013). The dynamics of NIS: a panel cointegration analysis of the coevolution between innovative capability and absorptive capacity. Research Policy, 42(3), 579-594.
4
Chen, C. P., Hu, J. L., & Yang, C. H. (2011). An international comparison of R&D efficiency of multiple innovative outputs: The role of the national innovation system. Innovation, 13(3), 341-360.
5
Chen, C., & Yan, H. (2011). Network DEA model for supply chain performance evaluation. European Journal of Operational Research, 213(1), 147-155.
6
Costa, R. (2012). Assessing intellectual capital efficiency and productivity: An application to the Italian yacht manufacturing sector. Expert Systems with Applications, 39(8), 7255–7261.
7
Cullmann, A., Schmidt-Ehmcke, J., & Zloczysti, P. (2009). Innovation, R&D efficiency and the impact of the regulatory environment: A two-stage semi-parametric DEA approach. German Institute for Economic Research, Discussion paper №. 883: Berlin, May 2009.
8
Färe, R. & Grosskopf, S. (2000). Network DEA. Socio-Economic Planning Sciences, 34(1), 35–49.
9
Guan, J., & Chen, K. (2012). Modeling the relative efficiency of national innovation systems. Research Policy, 41(1), 102-115.
10
Ivanova, I. (2014). Quadruple helix systems and symmetry: a step towards helix innovation system classification. Journal of the Knowledge Economy, 5(2), 357-369.
11
Kao, C. (2016). Efficiency decomposition and aggregation in network DEA. European Journal of Operational Research, 255(3), 778-786.
12
Kao, C. (2009). Efficiency decomposition in network DEA: A relational model.European Journal of Operational Research, 192(3), 949–962.
13
Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European Journal of Operational Research, 185(1), 418-429.
14
Kou, M., Chen, K., Wang, S., & Shao, Y. (2016). Measuring efficiencies of multi-period and multi-division systems associated with DEA: an application to OECD countries’ NIS. Expert Systems, 46, 494-510.
15
Kravtsova, V., & Radosevic, S. (2012). Are systems of innovation in Eastern Europe efficient? Economic Systems, 36(1), 109-126.
16
Lindberg, M., Lindgren, M., & Packendorff, J. (2014). Quadruple Helix as a way to bridge the gender gap in entrepreneurship: the case of an innovation system project in the Baltic Sea region. Journal of the Knowledge Economy, 5(1), 94-113.
17
Liu, J. S., Lu, L. Y., & Lu, W. M. (2016). Research fronts in data envelopment analysis. Omega, 58, 33-45.
18
Liu, J. S., Lu, W. M., & Ho, M. H. C. (2015). National characteristics: innovation systems from the process efficiency perspective. R&D Management, 45(4), 317-338.
19
Liu, X., & Buck, T. (2007). Innovation performance and channels for international technology spillovers: Evidence from Chinese high-tech industries. Research Policy, 36(3), 355-366.
20
Mahroum, S., AlSaleh, Y. (2013). Towards a functional framework for measuring national innovation efficacy. Technovation, 33(10), 320-332.
21
Matei, M. M., & Aldea, A. (2012). Ranking national innovation systems according to their technical efficiency. Procedia-Social and Behavioral Sciences, 62, 968-974.
22
Pan, W., Hung, W., & Lu, M. (2010). DEA performance measurement of the NIS in Asia and Europe. Asia-Pacific of OR, 27(03), 369-392.
23
Shahriari, S., Razavi, M. & Asgharizadeh, A. (2013). Fuzzy DEA and new approach FIEP/AHP units for the full ranking decision makers: A Case Study of Humanities Faculty of Tehran University. Industrial Management Journal, 5(1), 21-42. (in Persian)
24
Sharma, S., Thomas, V. (2008). Inter-country R&D efficiency analysis: An application of DEA. Scientometrics, 76(3), 483-501.
25
Tone, K. & Tsutsui, M. (2009). Network DEA: a slacks-based measure approach.European Journal of Operational Research, 197(1), 243–252.
26
Wang, Y., Vanhaverbeke, W., & Roijakkers, N. (2012). Exploring the impact of open innovation on NIS-A theoretical analysis. Technological Forecasting and Social Change, 79(3), 419-428.
27
Yun, J. (2017). Open Innovation Policy in National Innovation System. In Business Model Design Compass (pp. 49-60). Springer Singapore.
28
ORIGINAL_ARTICLE
بهینهسازی سبد سهام با حداقل میانگین انحرافات مطلق کاراییهای متقاطع
سرمایهگذاری در بازار سهام همواره با این مسئلۀ اساسی همراه بوده که دارایی نقدی چگونه بین سهام شرکتها تخصیص یابد تا منافع سرمایهگذار را تأمین کند. پژوهش حاضر تلاش میکند با ارائۀ دو رویکرد جدید، سرمایهگذاران را در انتخاب سبد سهام بهینه بهشکل مؤثرتری یاری دهد. در پژوهش حاضر رویکرد استفاده از کارایی متقاطع به جای بازده سهمها، بهعنوان مبنای اطلاعاتی برای حل مدل حداقل میانگین انحرافات مطلق از میانگین پیشنهاد شده که در آن از شاخصهای مالی بهعنوان دادۀ اولیه برای تشکیل سبد بهره میبرد. رویکرد دیگر، الگوریتمی دو مرحلهای است که در آن هنگام استفاده از شاخصهای مالی، الزام بخشبندی بازار به صنایع مختلف در کانون توجه قرار گرفته است. در انتها معیار شارپ نشان میدهد میان رویکردهای ارائهشده و روشهای رایج تفاوت بارزی وجود دارد. نتایج بهدست آمده نشاندهندۀ عملکرد مطلوب این دو رویکرد نسبت به روشهای مشابه است.
https://imj.ut.ac.ir/article_65310_dd733967e47d433c9f8192dbf1ec58d8.pdf
2017-11-22
475
496
10.22059/imj.2018.241834.1007312
پرتفوی
کارایی متقاطع
مدل RAM
معیار شارپ
میانگین انحرافات مطلق
ارمغان
علی پور جورشری
armaghan.6788@gmail.com
1
کارشناس ارشد مدیریت صنعتی، دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران
AUTHOR
کیخسرو
یاکیده
yakideh@guilan.ac.ir
2
استادیار گروه مدیریت دانشکدة ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران
LEAD_AUTHOR
غلامرضا
محفوظی
ghmahfoozi@ghilan.ac.ir
3
استادیار گروه مدیریت دانشکده ادبیات و علوم انسانی، دانشگاه گیلان، رشت، ایران
AUTHOR
الهی، م.؛ یوسفی، م.؛ زارع مهرجردی، ی. (1393). بهینهسازی سبد سهام با رویکرد میانگین ـ واریانس و با استفاده از الگوریتم فراابتکاری جستوجوی شکار. تحقیقات مالی، 16(1)، 56-37.
1
دارابی، ر.؛ وقفی،ح.؛ حبیبزاده، ج.؛ آهنگری، م. (1395). انتخاب پرتفوی بهینه سهام در شرکتهای پذیرفته شده بورس اوراق بهادار تهران به روش ICID. دانش مالی تحلیل اوراق بهادار (مطالعات مالی)، 31(9) ، 122-111.
2
قدوسی، س.؛ تهرانی، ر.؛ بشیری، م. (1394). بهینهسازی سبد سهام با استفاده از روش تبرید شبیهسازی شده. تحقیقات مالی، 17(1)، 158-141.
3
گودرزی، م.؛ یاکیده، ک.؛ محفوظی، غ. (1395). بهینهسازی سبد سهام با تلفیق تحلیل پوششی دادهها و روش تصمیمگیری هورویتز. پژوهشهای نوین در تصمیمگیری، 1(4)، 165-143.
4
گودرزی، م.؛ یاکیده، ک.؛ محفوظی، غ. (1395). بهینهسازی سبد سهام با تلفیق کارایی متقاطع و نظریۀ بازیها. مدیریت صنعتی، 8(4)، 706-685.
5
مؤمنی، م. (1393). مباحث نوین تحقیق در عملیات. تهران: گنج شایگان.
6
یاکیده، ک.؛ قلیزاده، م.؛ کاظمی میانگسکری، م.، (1395). بهینه سازی سبد سهام بر مبنای کارایی های متقاطع با مدل خطی حداقل ارزش در معرض خطر شرطی. پژوهشهای نوین در ریاضی، 2(6)، 47-33.
7
Chang, T. J., Meade, N., Beasley, J. E., Sharaiha, Y. M.) 2000(. Heuristics for cardinality constrained portfolio optimisation. Computers and Operations Research, 27(1), 271–302.
8
Darabi, R., Vaghfi, H., Habibzadeh, J., & Ahangari, M. (2016). Select Optimal Portfolio of Stock in Companies Listed at Tehran Stock Exchange, Financial Knowlage of Securities Analaysis, 9(31), 11-122. (in Persian)
9
Deng, G. F., Lin, W. T., & Lo, C. C. (2012). Markowitz-based portfolio selection with cardinality constraints using improved particle swarm optimization. Expert Systems with Applications, 39(4), 4558-4566.
10
Edirisinghe, N. C. P., & Zhang, X. (2008). Portfolio selection under DEA-based relative financial strength indicators: case of US industries. Journal of the Operational Research Society, 59(6), 842-856.
11
Elahi, M., Yoosefi, M. (2014). Mean-variance portfolio optimization approach using the Search Algorithm for hunting. Journal of financial research, 16(1), 37-56. (in Persian)
12
Goodarzi, M., Yakideh, K., Mahfoozi, GH. (2016). Portfolio optimization by combining data envelopment analysis and decision-making Hurwicz method, Modern Researches in Decision Making, 4(1), 165-143. (in Persian)
13
Goodarzi, M., Yakideh.K., Mahfoozi.GH. (2017). Portfolio optimization by synthesis of cross efficiency and Game theory, Journal of Industrial Management, 8(4), (2017), 685-706. (in Persian)
14
Konno, H., & Yamazaki, H. (1991). Mean-absolute deviation portfolio optimization model and its applications to Tokyo stock market. Management science, 37(5), 519-531.
15
Li, P., Han, Y., Xia, Y. (2016). Portfolio Optimization Using Asymmetry Robust Mean Absolute Deviation Model. Finance Research Letters, 21(44), 1-10.
16
Lim, S., Oh, K. W., & Zhu, J. (2014). Use of DEA cross-efficiency evaluation in portfolio selection: An application to Korean stock market. European Journal of Operational Research, 236(1), 361-368.
17
Mansini, R., Ogryczak, W. & Speranza, M.G. (2003). LP Solvable Models for Portfolio Optimization: A Classification and Computational Comparison. IMA Journal of Management Mathematics, 14, 187-220.
18
Mansini, R., Ogryczak, W., Grazia, M.C. (2015). Linear and Mixed Integer Programming for Potfolio Optimization, New York: AG Switzerland.
19
Markowitz, H. (1952). Portfolio selection. The journal of finance, 7(1), 77-91.
20
Momeni, M. (2015). New Operational Research Topics. Gange Shaygan, Tehran.
21
(in Persian)
22
Oh, K. J., Kim, T. Y., & Min, S. (2005). Using genetic algorithm to support portfolio optimization for index fund management. Expert Systems with Applications, 28(2), 371-379.
23
Papahristodoulou, C., Dotzauer, E. (2004). Optimal portfolios using linear programming models. Journal of the Operational Research Society, 55, 1169–1177.
24
Qodsi, S., Tehrani, R., Bashiri, M. (2015). Portfolio optimization with simulated annealing algorithm. Journal Of Financial Research, 17(1), 141-158.
25
(in Persian)
26
Samaras, G. D., Matsatsinis, N. F., & Zopounidis, C. (2008). A multi criterion DSS for stock evaluation using fundamental analysis. European Journal of Operational Research, 187(3), 1380–1401.
27
Shalit, H., & Yitzhaki, S. (2005). The mean-gini efficient portfolio frontier. Journal of Financial Research, 28(1), 59-75.
28
Sharma, A., Mehra, A. (2016). Financial analysis based sectoral portfolio optimization under second order stochastic dominance. Annals of Operations Research, 256(1), 171-197.
29
Sharpe, W. F. (1964). Capital asset prices: A theory of market equilibrium underconditions of risk. The journal of finance, 19(3), 425-442.
30
Sharpe, W. F. (1971). A linear programming approximation for the general portfolio analysis problem. Journal of Financial and Quantitative Analysis, 6(5), 1263-1275.
31
Xidonas, P., Mavrotas, G., & Psarrasa, J. (2009). A multi criteria methodology for equity selection using financial analysis. Computers and Operations Research, 36, 3187–3203.
32
Yakideh, K., Gholizadeh, M.H., Kazmi, M. (2017). Portfolio Optimization Based on Cross Efficiencies By Linear Model of Conditional Value at Risk Minimization. New research in Mathematics, 2(6), 33-47. (in Persian)
33
ORIGINAL_ARTICLE
سنجش رضایتمندی شهروندان با استفاده از روش تجزیه و تحلیل چندمعیارۀ رضایت (مطالعۀ موردی: خطوط ویژۀ اتوبوسرانی شیراز)
در این مقاله ضمن تشریح مدل تجزیه و تحلیل چندمعیارۀ رضایت، به سنجش رضایت مسافران از خطوط ویژۀ اتوبوس شهر شیراز با استفاده از این مدل پرداخته میشود. این مدل از جمله تکنیکهای تحلیل رضایت است که بر ضعفهای موجود در روشهای پیشین غلبه میکند و با تبدیل نظرها و قضاوتهای بیان شدۀ مشتریان (در پرسشنامه) به مدلهای برنامهریزی خطی و حل آنها، میزان رضایت و اهمیت هریک از ابعاد رضایت را در سازمان که نتیجۀ ادغام قضاوتهای تکتک مشتریان است، اندازهگیری میکند. نتایج نشان میدهد معیارهای ظاهر، امکانات رفاهی و قابلیت اطمینان، از دیدگاه مسافران بهترتیب با مقادیر 5859/0 و 4140/0 بیشترین اهمیت را دارند و کمترین میانگین سطح رضایت 1 درصد بوده است. از طرفی زیرمعیارهای امنیت در اتوبوس، ایمنی در ایستگاهها، ارائۀ خدمات مناسب در ساعات آخر شب، دسترسی به پایانهها، ازدحام مسافر درون اتوبوس، وجود مسیرهای کافی خطوط ویژۀ اتوبوس در سطح شهر، بیشترین تأثیر را بر میزان رضایت مسافران را داشته است.
https://imj.ut.ac.ir/article_65311_c32c644ea0dc23722a5e7ea09afceaee.pdf
2017-11-22
497
514
10.22059/imj.2018.221837.1007163
اتوبوس تندرو
تجزیه و تحلیل چندمعیارۀ رضایت
حمل و نقل عمومی
رضایتمندی
کیفیت خدمات
علی
محمدی
amohamadi@shirazu.ac.ir
1
استاد بخش مدیریت/ دانشگاه شیراز عضو هیئت علمی بخش مدیریت/ دانشگاه شیراز
AUTHOR
ابولقاسم
ابراهیمی
aebrahimi@shirazu.ac.ir
2
دانشیار بخش مدیریت/ دانشگاه شیراز عضو هیئت علمی بخش مدیریت/ دانشگاه شیراز
AUTHOR
زیبا
یوسفی
ziba.yousefi1370@gmail.com
3
کارشناس ارشد مدیریت صنعتی، دانشکدة مدیریت، دانشگاه شیراز، شیراز، ایران
LEAD_AUTHOR
ثابت سروستانی، م. (1391). سنجش رضایت شهروندان ساکن شیراز از کیفیت خدمات پارکهای شهری شیراز با استفاده از تجزیه و تحلیل چند معیارۀ رضایت. پایاننامۀ کارشناسی ارشد، دانشگاه شیراز.
1
خلیلی دامغانی، ک.؛ تقویفرد، م.؛ کرباسچی، ک. (1394). ارائۀ یک رویکرد ترکیبی مبتنی بر تحلیل چند معیارۀ رضایت و تحلیل پوششی دادههای شبکهای سه مرحلهای برای ارزیابی کارایی خدمات شعب بانک ملی ایران. فصلنامۀ علمی ـ پژوهشی مطالعات مدیریت صنعتی، 14(40)، 109-75.
2
رحیمیپور، ا. (1390). بررسی عوامل مؤثر بر رضایتمندی مشتریان بانک تجارت و اندازهگیری میزان رضایت آنها با استفاده از روش تجزیهوتحلیل چند معیاره رضایت. پایاننامۀ کارشناسی ارشد، تهران، دانشگاه تربیت مدرس.
3
سلطانی، ع.؛ فلاح منشادی، ا. (1392). یکپارچهسازی سیستم حملونقل، راهکاری در جهت دستیابی به حملونقل پایدار. فصلنامۀ علمی ـ پژوهشی مطالعات شهری، (5)، 60-47.
4
سلطانی، ع. (1394). ارزیابی تطبیقی عملکرد خطوط ویژۀ اتوبوسرانی از نگاه مسافران (مطالعۀ موردی: محور نمازی ـ زند شهر شیراز). جغرافیا و برنامهریزی محیطی، 26(1)، 52- 35.
5
سلطانی، ع.؛ وجدانی درستکار، ن.؛ فضلی، ب. (1390). ارائۀ مدلی جهت سنجش کیفیت خدمات اتوبوسرانی درون شهری شیراز از دید مسافران. یازدهمین کنفرانس بینالمللی مهندسی حمل و نقل و ترافیک.
6
عربسلغار، ل. (1388). بررسی سطح سرویس اتوبوسرانی در شهر شیراز (منطقۀ 6 شیراز). پایاننامۀ کارشناسی ارشد، برنامهریزی شهری و منطقهای، دانشگاه شیراز
7
محمدپور، ص.؛ صرافی، م.؛ توکلینیا، ج. (1394). تحلیلی بر رضایتمندی مسافران از خدماترسانی سامانۀ اتوبوسهای تندرو منطقۀ 3 کلانشهر تهران با رویکرد حمل و نقل پایدار شهری. فصلنامۀ علمی ـ پژوهشی نگرشهای نو در جغرافیای انسانی، 7(3)، 40-24.
8
مهرگان، م.؛ مدرس یزدی، م.؛ حسنقلیپور، ط.؛ صفری، ح.؛ دهقاننیری، م. (1392). تحلیل چند معیارۀ رضایت: بهکارگیری و موارد ضعف MUSA در عمل (مطالعۀ صنعت بانکداری). مدیریت صنعتی، 5(1)، 162- 139.
9
نوری، ا.؛ فتاحی، ک. (1389). اندازهگیری رضایت مشتری در بانک توسعۀ صادرات ایران با استفاده از روش تجزیهوتحلیل چند معیارۀ رضایت. پژوهشهای مدیریت در ایران، 15(2)، 229- 205.
10
Arab Solghar, L. (2010). Investigation of Bus Services level in Shiraz City (Shiraz, Region no.6). Master Thesis, University of Shiraz. (in Persian)
11
Astuti Budiono, O. (2009). Customer Satisfaction in Public Bus Transport. Master Thesis, Karlstad.
12
Eboli, L., Mazzulla, G. (2009). A New Customer Satisfaction Index for Evaluating Transit Service Quality.Journal of Public Transportation, 12(3), 21-37.
13
Grigoroudis, E., & Siskos, Y. (2002). Preference disaggregation formeasuring and analysing customer satisfaction: The MUSA method. European Journal of Operational Research, 143(1), 148-170.
14
Grigoroudis, E., & Siskos, Y. (2010). Customer Satisfaction Evaluation. New York. Springer.
15
Guirao, B., García-Pastor, A., & López-Lambas, M. E. (2016). The importance of service quality attributes in public transportation: Narrowing the gap between scientific research and practitioners' needs. Transport Policy, 49, 68-77.
16
Islam, R., Chowdhury, M.S., Sarker, M.S. & Ahmed, S. (2014). Measuring customer’s satisfaction on bus transportation. American Journal of Economics and Business Administration, 6(1), 34-41.
17
Khalili Damghani, K., Taghavi fard, M., Karbaschi, K. (2015). An combined approach based on multi criteria satisfaction analysis and three stage network data envelopment analysis for evaluating of the Iran Melli bank branches efficiency. Industrial management studies, 14(40), 75-109. (in Persian)
18
Mehregan, M. R., Modares Yazdi, M., Hasan Gholipur, T., Safari, H., & Dehghan Nayeri, M. (2013). Mullti criteria satisfaction analysis: applivation of MUSA in practice (Banking industry study) and it’s weakness points. Industrial Management, 5(1), 139 162.(in Persian)
19
Morton, C., Caulfield, B., & Anable, J. (2016). Customer perceptions of quality of service in public transport: Evidence for bus transit in Scotland. Case Studies on Transport Policy, 4(3), 199-207.
20
Mohammadpur, S., Sarafi, M., & Tavaloli Niya, J. (2015). Analysis of passengers satisfaction about the service quality of the transit bus with approach of sustainable transport (Case study: Tehran, region). Quarterly Journal of Human Geography, 7(3), 24-40.
21
Nori, I., & Fatahi, K. (2011). Measuring of Customer Satisfaction about Service Quality in Toseye Saderat Iran bank with Multi criteria Satisfaction Analysis methodManagement researches in Iran. Management researches in Iran, 15(2), 205-229. (in Persian)
22
Olivková, I. (2015). Model for Measuring Passenger Satisfaction and Assessing Mass Transit Quality. Public Transportation, 18(3), 52-70.
23
Rahimi pour, A. (2012). Investigation of effective factors on Iran’s Tejarat bank customer satisfaction and measuring of their satisfaction level by using of multi criteria satisfaction criteria. Master Thesis, Tarbeyat Modares University, Tehran. (in Persian)
24
Sabet Sarvestani, M. (2013). Measuring of Citizen Satisfaction about Service Quality of Urban Parks in Shiraz City with Multi criteria Satisfaction Analysis method. Master Thesis, University of Shiraz. (in Persian)
25
Shaaban, K., & Khalil, R. F. (2013). Investigating the Customer Satisfaction of the Bus Service in Qatar. Procedia - Social and Behavioral Sciences, 104, 865-874.
26
Soltani, A. (2014). BRT’s performance Comparative Evaluation by using of passengers feedback(case study of Zand-Namazi line in shiraz) Geography and Environmental Planning. Geography and Environmental Planning, 26(1), 35-52. (in Persian)
27
Soltani, A., & Falah Manshadi, A. (2013). Integrating of transportation System to Achieve sustainable transport. Urban Studies, 5, 47-60.
28
Soltani, A., Vojdani Dorostkar, N., & Fazli, B. (2012). A Model for Measuring the bus Services Quality in Shiraz by using of Passengers feedback. Paper presented at the Eleventh International Conference of Transport and Traffic Engineering Iran. (in Persian)
29
ORIGINAL_ARTICLE
مدلسازی عوامل مؤثر بر مصرف گاز طبیعی در بخش خانگی با استفاده از نگاشت شناختی فازی (FCM)
امروزه در مناسبات بینالمللی، انرژی یکی از مهمترین ارکان چرخۀ اقتصادی کشورهاست. همچنین با توجه به نوسانهای قیمت نفت در بازارهای جهانی و تأثیر آن در اقتصاد جهانی، انتظار میرود صنعت گاز در جهان و استفاده از آن بهعنوان انرژی جایگزین، از اهمیت دوچندانی برخوردار شود. بنابراین مطالعه و تحقیق دربارۀ منابع و مصارف انرژی بهویژه گاز طبیعی و بررسی عوامل تأثیرگذار بر مصرف انرژی در بخشهای مختلف مصرفی، اهمیت فراوانی دارد. در این پژوهش، پس از شناسایی و استخراج عوامل مؤثر بر مصرف گاز طبیعی در بخش خانگی و مصاحبه با خبرگان صنعت گاز از طریق روش تحلیل محتوا، مدل علّی روابط مستقیم و غیرمستقیم میان متغیرها و شدت تأثیرگذاری آنها از طریق نگاشت شناختی فازی (FCM) طراحی و ترسیم شده است. شایان ذکر است، در مدلسازی علّی صورت گرفته، برای نخستینبار متغیرهای کیفی از جمله متغیرهای فرهنگی و اجتماعی استفاده شده است. نتایج گویای اهمیت فراوان متغیرهای فرهنگی در کنار متغیرهای اقلیمی، اجتماعی و اقتصادی است.
https://imj.ut.ac.ir/article_65312_e9ef3de6ba42e664ae2da6c3bd7be9ff.pdf
2017-11-22
515
538
10.22059/imj.2017.240128.1007296
بخش خانگی
تحلیل محتوا
صنعت گاز
مصرف گاز
نگاشت شناختی فازی (FCM)
محمّدرضا
اخوان انوری
mrakhavan@ut.ac.ir
1
دکتری مدیریت تحقیق در عملیات، دانشکدة مدیریت دانشگاه تهران، تهران، ایران
LEAD_AUTHOR
محمد رضا
مهرگان
mehregan@ut.ac.ir
2
استاد گروه مدیریت صنعتی، دانشکدة مدیریت دانشگاه تهران، تهران، ایران
AUTHOR
مصطفی
زندیه
m_zandieh@sbu.ac.ir
3
دانشیار گروه مدیریت صنعتی، دانشکدة مدیریت دانشگاه شهید بهشتی، تهران، ایران
AUTHOR
عالیه
کاظمی
aliyehkazemi@ut.ac.ir
4
دانشیار مدیریت صنعتی، دانشکدة مدیریت دانشگاه تهران، تهران، ایران
AUTHOR
اشراقنیای جهرمی، ع.؛ ایقانی یزدلی، ر. (1387). مدلسازی مصرف گاز طبیعی و فراوردههای نفتی، و بررسی امکان جانشینی گاز طبیعی به جای فراوردههای نفتی در ایران. مجلۀ علمی پژوهشی شریف، 24(45)، 75-65.
1
اصغرپور، ح.؛ بهبودی، د.؛ قزوینیان، م.ح. (1387). شکست ساختاری: مورد مصرف گاز طبیعی و رشد اقتصادی در ایران. فصلنامۀ اقتصاد مقداری، 5 (19)، 121-105.
2
امامی میبدی، ع.؛ محمدی، ت.؛ سلطانالعلمایی، س. م. ه. (1389). تخمین تابع تقاضای داخلی گاز طبیعی به روش فیلتر کالمن (مطالعۀ موردی تقاضای بخش خانگی شهر تهران). فصلنامۀ اقتصاد مقداری. 7 (3)، 41-23.
3
بابازاده، م.؛ قدیمی دیزج، خ.؛ قربانی، و. (1393). برآورد تابع تقاضای کوتاهمدت و بلندمدت گاز طبیعی در بخش خانگی. فصلنامۀ مدلسازی اقتصادی، 8(1)، 113-101.
4
بختیاری، ص.؛ یزدانی، م. (1391). اهمیت استراتژیک گاز طبیعی و لزوم مدیریت و اصلاح الگوی مصرف. فصلنامۀ راهبرد اقتصادی، 1(2)، 92-71.
5
جلایی، س. ع.؛ قاسمی، ا.؛ ستاری، ا. (1394). شبیهسازی تابع مصرف و پیشبینی میزان مصرف ایران تا افق 1404 با استفاده از الگوریتم ژنتیک و الگوریتم بهینهسازی انبوه ذرات (PSO). فصلنامۀ پژوهشهای اقتصادی (رشد و توسعۀ پایدار)، 15(2)، 47-27.
6
حاج ملا علی کنی، ع.؛ عباسپور، م.؛ عابدی، ز. (1392). برآورد تابع تقاضای گاز طبیعی در بخش خانگی و تجاری ایران: رویکرد مدلسازی غیرخطی. فصلنامۀ اقتصاد کاربردی، 4(12)، 75-59.
7
صادقی، س. ک.؛ موسویان، س. م. (1393). تحلیل آماری و برآورد فاصلۀ اطمینان پیشبینی شبکۀ عصبیARIMA : ترکیبی بهمنظور مقایسه با مدل خطی (مطالعۀ موردی مصرف ماهانۀ گاز طبیعی در بخش خانگی ایران. فصلنامۀ تحقیقات مدلسازی اقتصادی، (20)، 106-76.
8
عصاری، م.ر.؛ عصاره، ا.؛ بهرنگ، م.ع. (1389). کاربردی از ترکیب الگوریتم ژنتیک و شبکههای عصبی مصنوعی برای برآورد مصرف گاز طبیعی در ایران. نشریۀ تبدیل انرژی، 1(1)، 31-25.
9
کشاورز حداد، غ.؛ میرباقری جم، م. (1386). بررسی تابع تقاضای گاز طبیعی (خانگی و تجاری) در ایران. فصلنامۀ پژوهشهای اقتصادی ایران، 9 (32)، 160- 137.
10
کاظمی، ح.؛ شوالپور، س. (1395). بررسی تابع مصرف گاز ایران در بخشهای خانگی و صنعتی و تولید برق. دوازدهمین کنفرانس بینالمللی مهندسی صنایع. تهران، انجمن مهندسی صنایع ایران، دانشگاه خوارزمی.
11
کریمی، ت.؛ صادقی مقدم، م.ر.؛ رهنما فلاورجانی، ر. (1389). بررسی اثر دما بر مصرف گاز طبیعی در ایران. فصلنامۀ مطالعات اقتصاد انرژی. 7 (24)، 218-193.
12
Alberini, A., Gans, W., & Velez-Lopez, D. (2011). Residential consumption of gas and electricity in the US: The role of prices and income. Energy Economics, 33(5), 870-881.
13
Asgharpour, H., Behboudi, D., & Ghazvinian, M.H. (2009). Structural Failure: Case of Natural Gas Consumption and Economic Growth in Iran. Quarterly Journal of Quantitative Economic, 5 (19), 105-121. (in Persian)
14
Ashraqnia Jahromi, A., Ighani Yazdli, R. (2008). Modeling of natural gas and petroleum products, and the substitution of natural gas instead of petroleum products in Iran. Sharif Journal, 24(45), 65-75. (in Persian)
15
Assari, M.R., Assareh, E., Behrang, M.A., & Ghanbarzadeh, A. (2010). Application of Combination of Genetic Algorithm and Artificial Neural Network for Estimation of Natural Gas Consumption in Iran. Journal of Energy Conversion. 1(1), 25-31. (in Persian)
16
Azadeh, A., Asadzadeh, S. M., Saberi, M., Nadimi, V., Tajvidi, A., & Sheikalishahi, M. (2011). A neuro-fuzzy-stochastic frontier analysis approach for long-term natural gas consumption forecasting and behavior analysis: the cases of Bahrain, Saudi Arabia, Syria, and UAE. Applied Energy, 88(11), 3850-3859.
17
Babazadeh, M., Ghadimi Dizaj, Kh., & Ghorbani, V. (2014). Estimation Long Run and Short Run Natural Gas Demand in Home Consumption. Quarterly Journal of Economical Modeling, 8(1), 101-113. (in Persian)
18
Bakhtiari, S., & Yazdani, M. (2012). Strategic Importance of Natural Gas and Necessity of Management and Reform on its Consumption Pattern. Quarterly Journal of Economic Strategy, 1(2), 71-92. (in Persian)
19
Behrang, M. A., Assareh, E., Assari, M. R., & Ghanbarzadeh, A. (2011). Total energy demand estimation in Iran using bees algorithm. Energy Sources, Part B: Economics, Planning, and Policy, 6(3), 294-303.
20
Brounen, D., Kok, N., & Quigley, J. M. (2012). Residential energy use and conservation: Economics and demographics. European Economic Review, 56(5), 931-945.
21
Chen, J., Wang, X., & Steemers, K. (2013). A statistical analysis of a residential energy consumption survey study in Hangzhou, China. Energy Build, 66, 193–202.
22
Emami Meibodi, A., Mohammadi, T., Soltanololamaii, S.M.H. (2010). An Estimation of Natural Gas Domestic Demand Function by Using Kalman Filter Method (A Case Study of Residential Gas Demand Function in Tehran). Quarterly Journal of Quantitative Economic, 7(3), 41-23.
23
(in Persian)
24
Fu, C., Wang, W., Tang, J. (2014). Exploring the sensitivity of residential energy consumption in China: Implications from a micro-demographic analysis. Energy Research & Social Science, 2, 1–11.
25
Gerogiannis, V. C., Papadopoulou, S., & Papageorgiou, E. I. (2012). Identifying factors of customer satisfaction from Smartphones: A fuzzy cognitive map approach. In International Conference on Contemporary Marketing Issues (ICCMI) (Vol. 271).
26
Glykas, M. (Ed.). (2010). Fuzzy Cognitive Maps: Advances in theory, methodologies, tools and applications (Vol. 247). Springer Science and Business Media.
27
Gonseth, C., & Vielle, M. (2012). Modeling the impacts of climate change on the energy sector: a Swiss perspective. In GTAP Events: 15th Annual Conference on Global Economic Analysis (No. EPFL-CONF-177610).
28
Gray, S., Gray, S., De Kok, J. L., Helfgott, A., O'Dwyer, B., Jordan, R., & Nyaki, A. (2015). Using fuzzy cognitive mapping as a participatory approach to analyze change, preferred states, and perceived resilience of social-ecological systems. Ecology and Society, 20(2).
29
Groumpos, P. P. (2010). Fuzzy cognitive maps: Basic theories and their application to complex systems. In Fuzzy cognitive maps (pp. 1-22). Springer Berlin Heidelberg.
30
Haj Mola Ali Kani, A.R., Abbaspour, M., & Abedi, Z. (2013). Estimation of Residential and Commercial Natural Gas Function in Iran: Non Linear Modeling Approach. Practical Economic, 4(12), 59-75. (in Persian)
31
Heinonen, J., & Junnila, S. (2014). Residential energy consumption patterns and the overall housing energy requirements of urban and rural households in Finland. Energy and buildings, 76, 295-303.
32
Isaac, M., & Van Vuuren, D. P. (2009). Modeling global residential sector energy demand for heating and air conditioning in the context of climate change. Energy policy, 37(2), 507-521.
33
Jalaee, S.A., Ghassemi, A., & Sattari, A. (2015). Simulating Consumption Function and Forecasting Iran's Consumption until1404 Horizon Using Genetic and Particle Swarm Optimization Algorithm. The Economic Research (Scientific Research Quarterly), 15(2), 27-47. (in Persian)
34
Karimi, T., Sadeghi Moghadam, M.R., & Rahnama Falavarjani, R. (2010). Investigating the Effect of Tempreture onNatural Gas Consumption in Iran. Quarterly Energy Economics Review, 7(24), 193-218. (in Persian)
35
Kazemi, H., & Shavalpour, S. (2016). Investigation of Iranian Consumption Function in Residential and Industrial and Electricity Production. 12th International Conference on Industrial Engineering (PP. 2060-2066). Tehran, Iran. (in Persian)
36
Keshavarz Haddad, Gh. R., & Mirbagheri Jam, M. (2009). Estimition of Residential and Commercial Demand for Natural Gas in Iran Using the Structural Time Series Model. Economic Research, 9(32), 137-160. (in Persian)
37
Khan, M. A. (2015). Modelling and forecasting the demand for natural gas in Pakistan. Renewable and Sustainable Energy Reviews, 49, 1145-1159.
38
Lin, W., Chen, B., Luo, S., & Liang, L. (2014). Factor analysis of residential energy consumption at the provincial level in China. Sustainability, 6(11), 7710-7724.
39
Nie, H., & Kemp, R. (2014). Index decomposition analysis of residential energy consumption in China: 2002–2010. Applied Energy, 121, 10-19.
40
Oliver, R., Duffy, A., Enright, B., & O'Connor, R. (2017). Forecasting peak-day consumption for year-ahead management of natural gas networks. Utilities Policy, 44, 1-11.
41
Papageorgiou, E. I., & Salmeron, J. L. (2014). Methods and algorithms for fuzzy cognitive map-based modeling. In Fuzzy cognitive maps for applied sciences and engineering (pp. 1-28). Springer Berlin Heidelberg.
42
Papageorgiou, E. I., Parsopoulos, K. E., Stylios, C. S., Groumpos, P. P., & Vrahatis, M. N. (2005). Fuzzy cognitive maps learning using particle swarm optimization. Journal of Intelligent Information Systems, 25(1), 95-121.
43
Poczeta, K., Kubuś, Ł., Yastrebov, A., & Papageorgiou, E. I. (2018). Application of Fuzzy Cognitive Maps with Evolutionary Learning Algorithm to Model Decision Support Systems Based on Real-Life and Historical Data. In Recent Advances in Computational Optimization (pp. 153-175). Springer, Cham.
44
Reyna, J. L., & Chester, M. V. (2017). Energy efficiency to reduce residential electricity and natural gas use under climate change. Nature Communications, 8. doi:10.1038/ncomms14916.
45
Rodriguez-Repiso, L., Setchi, R., & Salmeron, J. L. (2007). Modelling IT projects success with fuzzy cognitive maps. Expert Systems with Applications, 32(2), 543-559.
46
Sadeghi, S.K., & Mosavian, S.M. (2015). Statistical Analysis and Costruction of Prediction Intervals for A Hybrid Neural Network in: A Case Study of Natural Gas Consumption in the Household Sector. Journal of Economic Modeling Research, (20), 76-106. (in Persian)
47
Shaikh, F., & Ji, Q. (2016). Forecasting natural gas demand in China: Logistic modelling analysis. International Journal of Electrical Power and Energy Systems, 77, 25-32.
48
Spoladore, A., Borelli, D., Devia, F., Mora, F., & Schenone, C. (2016). Model for forecasting residential heat demand based on natural gas consumption and energy performance indicators. Applied Energy, 182, 488-499.
49
Stylios, C. D., & Groumpos, P. P. (1999, June). Mathematical formulation of fuzzy cognitive maps. In Proceedings of the 7th Mediterranean Conference on Control and Automation (pp. 2251-2261).
50
Suo, C., Yang, Y., Solvang, W. (2014). Analysis of influence factors of rural residence transformation on residential energy consumption. Modern Management, 4, 493–515.
51
Tso, G. K., & Guan, J. (2014). A multilevel regression approach to understand effects of environment indicators and household features on residential energy consumption. Energy, 66, 722-731.
52
Zhao, X., Li, N., Ma, C. (2011). Residential energy consumption in urban China: A decomposition analysis. Energy Policy, 41, 644–653.
53
Zhu, D., Tao, S., Wang, R., Shen, H., Huang, Y., Shen, G., Wang, B., Li, W., Zhang, Y., Chen, H., et al. (2013). Temporal and spatial trends of residential energy consumption and air pollutant emissions in China. Applied Energy, 106, 17–24.
54
ORIGINAL_ARTICLE
تحلیل دینامیکی مسئلۀ نوسان موجودیها در زنجیرۀ تأمین با رویکرد پویاییشناسی سیستمها
یکی از مسائل رایج در زنجیرههای تأمین، نوسان موجودی در طول زنجیره است که هزینههای اضافی را به سازمانهای تولیدی تحمیل میکند، کاهش این هزینهها میتواند موجب افزایش بهرهوری در تولید شود. در همین رابطه در این مقاله با بهکارگیری روش پویاییشناسی سیستمها به تحلیل دینامیکی مسئلۀ نوسان موجودیها در زنجیرۀ تأمین شرکت ساپکو پرداخته میشود. به این منظور از اطلاعات موجود و مستند شرکت ساپکو در طول دورۀ شبیهسازی استفاده شده است. پویاییشناسی سیستمها ابزار نیرومندی برای مدلسازی ساختارهای پیچیدهای همچون شبکههای زنجیرۀ تأمین است و اطلاعات مفیدی درخصوص تعامل پارامترهای اصلی سیستم ارائه میکند. در این مقاله بر پایۀ اصول روش پویاییهای سیستم، پس از بیان مسئلۀ نوسانهای موجودی در زنجیرۀ تأمین، فرضیههای پویای بهوجود آورندۀ مسئلۀ مد نظر تبیین شده؛ سپس مدل دینامیکی مربوط به مسئلۀ نوسانها در زنجیرۀ تأمین ارائه میشود. پساز حصول اطمینان از کارکرد مدل بهواسطۀ اجرای آزمونهای اعتبارسنجی، سه سیاست (اشتراکگذاری اطلاعات، استفاده از بافر موجودی و ترکیبی) بهمنظور بهبود رفتار نوسانی موجودیها اتخاذ شده و تأثیر اجرای آنها بر رفتار مسئلهساز مدل دینامیکی مشاهده میشود. اجرای این سیاستها موجب کاهش نوسان موجودیها در زنجیرۀ تأمین مورد مطالعه شده است.
https://imj.ut.ac.ir/article_65313_b783995a9f4592ab22db433bd27250a7.pdf
2017-11-22
539
561
10.22059/imj.2018.241162.1007308
پویاییشناسی سیستمها
زنجیرۀ تأمین
سیاست
شبیهسازی
نوسانات موجودی
مسعود
ربیعه
masood.rabieh@gmail.com
1
استادیار مدیریت صنعتی، دانشکدة مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
LEAD_AUTHOR
عزیزالله
یعسوبی
a.yasuby@sbu.ac.ir
2
کارشناس ارشد مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
AUTHOR
خاتمی فیروزآبادی، ع.؛ الفت، ل.؛ امیری، م. و شریفی، ح. (1396). اولویتبندی پیشرانهای پیچیدگی زنجیرۀ تأمین با استفاده از فرایند تحلیل سلسلهمراتبی فازی. فصلنامۀ مدیریت صنعتی، 9(1)، 102-79.
1
مدرس یزدی، م.؛ صفری، ح.؛ اژدری، ب. (1393). نگاشت ادراکی روابط علّی میان فعالیتهای مدیریت زنجیرۀ تأمین، توانمندسازها و عملکرد زنجیرۀ تأمین با رویکرد فازی. فصلنامۀ مدیریت صنعتی، 6(3)، 634-615.
2
Anderson, E. G. Fine, C. H. & Parker, G. G. (1997). UpstreamVolatility in the Supply Chain: TheMachine Tool Industry as a CaseStudy, Austin (TX): Department of Management, University of Texas.
3
Barlas, Y. (2002). System dynamics: systemic feedback modeling for policy analysis in knowledge for sustainable development-an insight into the encyclopedia of life support systems. Paris, France, Oxford, UK: UNESCO Publishing-Eolss Publishers.
4
Dejonckheere, J., Disney, S. M., Lambrecht, M. R. & Towill, D.R. (2004). The Impact of Information Enrichment on the Bullwhip Effect in Supply Chains: a Control Engineering Perspective. European Journal of OperationalResearch, 153(3), 727-50.
5
Disney, S. M. & Towill, D. R. (2003). The Effect of Vendor Managed Inventory (VMI) Dynamics on the Bullwhip Effect in Supply Chains. International Journal of Production Economics, 85(2), 199-215.
6
Higuchi, T.D. & Troutt, M. (2004). Dynamic simulation of the supply chain for a short life cycle product-Lessons from the Tamagotchi case. Computers & Operations Research, 31)7), 1097-1114.
7
Hong-Minh, S., & Strohhecker, J. (2002). A system dynamics model for the UK private house building supply chain. Proceedings of the 20th International Conference of the System Dynamics Society, Palermo, Italy.
8
Hugos, M. (2003). Essentials of supply chain management. Wiley, Hoboken.
9
Khatami Firoozabadi, M,. Olfat, L., Amiri, M. & Sharifi, H. (2016). Prioritizing Supply Chain Complexity Drivers using Fuzzy Hierarchical Analytical Process. Journal of industrial management, 9(1), 79-102.
10
Lee, H., Padmanabhan, V. & Whang, S. (1997). Information transformation in a supply chain: the bullwhip effect. Management Science, 43(4), 546-580.
11
Mingers, J. (2004). Real-izing information systems: critical realism as an underpinning philosophy for information systems. Information and Organization, 14(2), 87–103.
12
Modarres Yazdi, M., Safari, H. & Ajdari, B. (2014). A cognitive map of causal relationship between supply chain management practices, supply chain enablers and supply chain performance: a fuzzy approach. Journal of industrial management, 6(3), 615-634.
13
Ozbayrak, M., Papadopoulou, C. & Akgun, M. (2007). Systems dynamics modeling of a manufacturing supply chain system, Simulation Modeling Practice and Theory, 15(10), 1338–1355.
14
Poles, P. & Cheong, F. (2008). Inventory Control In Closed Loop Supply Chain Using System Dynamics. Pmit University, School Of Business Information Technology.
15
Sterman, J. (2000). Business Dynamics: systems thinking and modeling for a complex world, McGraw-Hill, Boston.
16
Towill, D.R. (1996). Industrial dynamics modelling of supply chains. International Journal of Physical Distribution & Logistics Management, 26(2), 23-42.
17
Yang, F., Zhang, B. & Su, Z. (2013). Analysis and Verification of Bullwhip Effect based on System Dynamics. Applied Mechanics and Materials, 340 (7), 312-319.
18
Yuan, X., Shen, L., & Ashayeri, J. (2010). Dynamic simulation assessment of collaboration strategies to manage demand in gap in high-tech product diffusion. Robotics and Computer Integrated Manufacturing, 26(6), 647-657.
19