تحلیل فرآیند پیشبینی تقاضا از طریق زنجیرهتامین و مقایسه وضعیت فعلی و مطلوب درصنعت نشر کتاب
دوره 15، شماره 3، پاییز 1404، صفحه 304-315
https://doi.org/10.48313/jqem.2025.550673.1576
فاطمه زهرا منتظری، زهرا جوربنیان، حبیبه کریمی
چکیده هدف: امروزه مدیریت زنجیرهتامین و پیشبینی دقیق تقاضا از عوامل کلیدی در بهبود بهرهوری، کاهش هزینههای عملیاتی و افزایش انعطافپذیری در صنایع مختلف محسوب میشوند. صنعت چاپ و نشر کتاب، بهعنوان یکی از حوزههای تاثیرپذیر از نوسانات تقاضا، نیازمند اتخاذ استراتژیهای کارآمد برای مدیریت زنجیرهتامین و تخصیص بهینه منابع است. هدف این پژوهش بررسی تاثیر زنجیرهتامین بر فرآیند پیشبینی تقاضا در این صنعت و تحلیل تفاوتهای میان وضعیت موجود و شرایط مطلوب است.
روششناسی پژوهش: در این مطالعه، از رویکرد کمی و تحلیل دادههای واقعی فروش و تقاضای کتاب استفاده شده است. روشهای مبتنی بر یادگیری ماشین، بهویژه شبکههای عصبی مصنوعی از نوع پیشرو با الگوریتم یادگیری پسانتشار خطا، برای مدلسازی و پیشبینی تقاضا بهکار گرفته شدهاند. عملکرد این مدلها با روشهای سنتی مانند مدلهای سری زمانی مقایسه شده است تا میزان بهبود دقت پیشبینی ارزیابی شود.
یافتهها: نتایج تحقیق نشان میدهد که مدلهای یادگیری ماشین، بهویژه شبکه عصبی پیشرو، دقت بالاتری در پیشبینی تقاضا نسبت به مدلهای سنتی دارند. همچنین استفاده از این مدلها موجب کاهش اثر شلاقی در زنجیرهتامین و بهبود هماهنگی میان اعضای آن شده است.
اصالت/ارزشافزوده علمی: این پژوهش با ارایه یک مدل ترکیبی از مدیریت زنجیرهتامین و پیشبینی تقاضا مبتنی بر شبکههای عصبی، رویکردی نوآورانه برای بهینهسازی تصمیمگیری در صنعت نشر ارایه میدهد. تلفیق روشهای یادگیری ماشین با تحلیل زنجیرهتامین میتواند مبنایی برای توسعه راهکارهای هوشمند در مدیریت موجودی و برنامهریزی تولید در صنایع مشابه باشد.
ارایه یک مدل تصمیمگیری داده محور بهمنظور انتخاب تامینکنندگان مدیریت زنجیرهتامین لارج با تاکید بر بعد فرهنگی
دوره 15، شماره 2، تابستان 1404، صفحه 148-179
https://doi.org/10.48313/jqem.2025.532486.1563
سید جعفر هاشمی، جواد رضائیان، تورج مجیبی
چکیده هدف: در فضای رقابتی کنونی، انتخاب تامینکنندگان مناسب نقشی کلیدی در ارتقای کارایی و پایداری زنجیرهتامین دارد. مدل زنجیرهتامین لارج بهعنوان رویکردی جامع، ابعاد مختلفی را در مدیریت تامینکنندگان دربر میگیرد. با اینحال، بعد فرهنگی با وجود نقش موثر در موفقیت تعاملات و انتخاب تامینکنندگان، کمتر موردتوجه قرار گرفته است. این پژوهش با هدف ارزیابی تامینکنندگان در چارچوب مدل لارج و با درنظر گرفتن بعد فرهنگی، به دنبال ارتقای عملکرد زنجیرهتامین و دستیابی به مزیت رقابتی پایدار است.
روششناسی پژوهش: این پژوهش به توسعه یک مدل تصمیمگیری دادهمحور و آیندهنگر برای ارزیابی و انتخاب تامینکنندگان میپردازد. در ابتدا، با مرور ادبیات و نظرسنجی از خبرگان، معیارهای کلیدی شناسایی و با روش بهترین-بدترین فازی وزندهی شدند. سپس، با تحلیل پوششی دادههای فازی، کارایی تامینکنندگان ارزیابی و رتبهبندی شد. در ادامه، الگوریتم جنگل تصادفی برای پیشبینی عملکرد آتی تامینکنندگان بهکار گرفته شد و نتایج دقیقی ارایه کرد.
یافتهها: نتایج مرحله اول نشان داد که زیرمعیارهایی نظیر کاهش گازهای گلخانهای، مدیریت ریسک، کیفیت و سرعت تحویل از اهمیت بالایی در ارزیابی تامینکنندگان برخوردارند. در مرحله دوم، کارایی تامینکنندگان در α- کاتهای مختلف ارزیابی گردید و در سه گروه با کارایی بالا، متوسط و پایین طبقهبندی شدند. مدل جنگل تصادفی نیز توانست عملکرد تامینکنندگان را با دقت بالا پیشبینی کند. همچنین، نتایج آزمون t جفتی نشان داد که در نظر گرفتن بعد فرهنگی، بهطور معناداری موجب بهبود فرآیند انتخاب تامینکنندگان میشود.
اصالت/ارزشافزوده علمی: نتایج پژوهش نشان میدهد که مدل ارایهشده با شناسایی عوامل کلیدی عملکرد، ارزیابی آیندهنگر و بهرهگیری از تحلیلهای دقیق، میتواند به بهبود تصمیمگیریهای استراتژیک در انتخاب و مدیریت تامینکنندگان کمک کند. این مدل نهتنها موجب کاهش ریسک و هزینهها میشود، بلکه بهعنوان الگویی کاربردی برای بهبود عملکرد زنجیرهتامین در صنایع مشابه نیز قابل استفاده است.
تحلیل خرابیهای کوپلینگ با دادههای پایش وضعیت با رویکرد یادگیری ماشین
دوره 13، شماره 4، زمستان 1402، صفحه 425-437
https://doi.org/10.48313/jqem.2024.212638
رضا صادقی، علی حسین زاده کاشان، بختیار استادی
چکیده کوپلینگها در صنعت کاربرد بسیاری داشته و این تجهیزات با توجه به چرخش مداوم، همیشه در معرض خرابی هستند. تجزیهوتحلیل ارتعاش یک تکنیک مناسب برای تحلیل خرابیها و تشخیص حالات خرابی تجهیزات دوار است. هدف این پژوهش تحلیل خرابیهای رخداده در یک کوپلینگ است که دادههای آن در حالت عادی و سه حالت نقص با چهار سنسور متصل به کوپلینگ جمعآوریشده است. بدین منظور دو نوع استخراج ویژگی متفاوت استفادهشده و همچنین از هفت الگوریتم یادگیری ماشین و یک الگوریتم یادگیری عمیق برای طبقهبندی حالات بهره برده شده است. در این پژوهش به بررسی کارکرد هر کدام از الگوریتمهای پیادهسازی شده و اهمیت ویژگیهای استخراجی پرداخته و به بررسی نقش سنسورها و بررسی اهمیت آنها برای کاهش تعداد سنسورها پرداختهشده است. از نتایج این پژوهش میتوان به تعیین اهمیت بالای ویژگیهای حوزه فرکانس در دقت مدلهای اجراشده و همچنین کارایی بالای دو عدد از سنسورها برای طبقهبندی اشاره نمود.