پژوهش های مدیریت در ایران

چکیده طی دهه های اخیر، انرژی در کنار سایر عوامل تولید نقش تعیین کننده ای در رشد اقتصادی کشورها داشته و اهمیت آن همچنان رو به افزایش است. وابستگی روزافزون به انرژی موجب تعامل این بخش با سایر بخشهای اقتصادی شده و سرعت در روند رشد و توسعه ی اقتصادی را وابسته به سطح مصرف انرژی کرده است، به طوری که طی دهه های اخیر، رشد اقتصادی جهان و روند صنعتی شدن، موجب افزایش تقاضا و مصرف انرژی شده است. در این صورت به منظورکنترل پارامترهای عرضه و تقاضای انرژی و برنامه ریزی صحیح در هدایت مصرف آن بایستی مصرف انرژی را به صورت دقیق پیش بینی نمود. هدف از این مقاله کاربست مدل ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی مصرف انرژی ایران می باشد. لذا در این بررسی، از داده های سالانه مصرف انرژی کشور به عنوان متغیر خروجی مدل پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی، واردات و صادرات به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شده است. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی و رگرسیون چند متغیره، از شاخص های ارزیابی خطای استاندارد نسبی (RSE)، میانگین خطا (ME) و مجذور میانگین مربعات خطا (RMSE) استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک (ANN-GA)، نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی مصرف انرژی کشور می باشد.

چکیده تقسیم بازار با شبکه‌های عصبی مصنوعی، سابقه طولانی در دنیا ندارد. به طور عمده، این روش در دنیا، از چندین سال پیش در مدیریت گردشگری به صورت گسترده‌ آغاز گردید و پس از آن به سایر حوزه‌های بازاریابی نیز سرایت کرد. امروزه این روش در کنار روشهای آماری از شایعترین شیوه‌های تقسیم‌بندی مشتریان بوده و روزبه‌روز در حال گسترش است. در این تحقیق به دلیل ضرورت شناخت مشتریان هدف برای یک شرکت تولیدکننده‌‌‌ فرآورده‌های گوشتی، نیاز به استفاده از روشی مؤثر برای بخش‌بندی مشتریان احساس گردید و در نهایت روش تحلیل خوشه‌ای با شبکه‌های عصبی خودسازمان‌دهنده ، که به خوشه‌بندی مشتریان اختصاص داشته و نمونه‌های زیادی از کاربرد آن در دنیا تجربه گردیده‌است، انتخاب و مورد استفاده قرار گرفت. برای انجام تحقیق، در ابتدا معیارهای مفید در بخش‌بندی مشتریان مشخص شده و بر اساس آن پرسشنامه‌ای طراحی گردیده‌است. پس از جمع‌آوری پرسشنامه‌ها و اخذ اطلاعات، با استفاده از شبکه‌های عصبی مصنوعی، مشتریان خوشه‌بندی گردیدند و در نهایت نتایج به دست‌آمده مورد تبیین و تحلیل قرار گرفته‌است. همچنین مقایسه روش‌شبکه‌های عصبی برای خوشه‌بندی با روشهای کلاسیک خوشه‌بندی مشتریان با استفاده از روش آماری K-means انجام شده است.

چکیده سیستم تولید به هنگام(JIT) به منظور تولید و ارائه محصولات و خدمات مورد نیاز با حداقل موجودی ممکن ارائه شده است. مقاله حاضر با هدف ارائه نمونه‌ای از کاربرد روش مدلسازی پویایی سیستم برای تحلیل و بهبود رفتار سیستم‌ تولید به هنگام تدوین شده است. در این مقاله ارتباط بین تقاضا برای محصولات، کیفیت محصول تولیدی، موجودی و وضعیت نگهداری ماشین‌آلات و تجهیزات کارخانه، نرخ تولید و کارایی عرضه‌کنندگان در یک سیستم پویا بررسی شده است. در ابتدای مقاله صورت مسأله، فرضیه دینامیکی و نمودار علّی- معلولی حاکم بر مسأله و نمودار جریان سیستم ارائه شده است و در ادامه با توسعه یک مدل دینامیکی رفتار مدل از زوایای مختلف بررسی شده است.