پژوهش های مدیریت در ایران

چکیده با رشد زباله‌های الکترونیکی و محدودیت منابع، محصولات بازسازی‌شده مانند گوشی هوشمند و لپ‌تاپ گزینه‌ای پایدار و مقرون‌به‌صرفه‌اند، اما الگوی پذیرش آن‌ها در ایران نیازمند تبیین دقیق است. این پژوهش با تلفیق نظریه رفتار برنامه‌ریزی‌شده آجزن و مدل رفتار نوع‌دوستانه شوارتز، چارچوبی پیش‌بینی‌محور مبتنی بر شبکه‌های عصبی مصنوعی برای برآورد قصد و رفتار خرید ارائه می‌کند. مطالعه توصیفی- کاربردی، پیمایشی و تک‌مقطعی است؛ داده‌ها از ۴۰۰ مصرف‌کننده ایرانیِ گوشی هوشمند و لپ‌تاپ در پاییز و زمستان ۱۴۰۳ با نمونه‌گیری در دسترس و پرسشنامه پنج‌درجه‌ای گردآوری شد. پس از پاک‌سازی، بازکُدگذاری آیتم‌های منفی و نرمال‌سازی، شبکه‌های چندلایه در متلب با تفکیک ۷۰/۱۵/۱۵ آموزش یافت و علاوه بر پیش‌بینی، اهمیت نسبی سازه‌ها با تحلیل حساسیت محاسبه شد. نتایج نشان داد مدل شبکه عصبی مصنوعی توان پیش‌بینی قابل اتکا برای قصد و رفتار خرید دارد؛ در رتبه‌بندی اهمیت، کنترل رفتاریِ درک‌شده و نگرش نسبت به رفتار بیشترین سهم را در تبیین رفتار خرید داشتند و قصد خرید حلقه پیونددهنده مؤثری میان سازه‌های شناختی و رفتار واقعی باقی ماند، در حالی‌که هنجار ذهنی، هنجار اخلاقی و آگاهی از پیامد اثرات مثبت اما ملایم‌تری نشان دادند. این رویکرد یادگیری‌محور، فراتر از تبیین‌های خطی، تصویر دقیق‌تری از الگوهای نهفته بین سازه‌ها و برآورد مطمئن‌تری از احتمال وقوع رفتار خرید در بافت ایران فراهم می‌کند و نشان می‌دهد سیاست‌های اثربخش باید هم‌زمان بر تقویت احساس توانمندی و سهولت عمل، ساده‌سازی فرایند خرید و کاهش ریسک خدمات پس از فروش، و شکل‌دهی نگرش مثبت مبتنی بر منافع اقتصادی و زیست‌محیطی متمرکز شوند.

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.