مهندسی و مدیریت کیفیت

چکیده هدف: این پژوهش با هدف بررسی روابط میان QMP، فناوری‌های صنعت 4.0 و عملکرد سازمانی انجام شده است و در این میان، نقش میانجی رضایت مشتری و فناوری مورد توجه قرار گرفته است. هدف اصلی مطالعه، تبیین نحوه اثرگذاری ترکیب کیفیت و فناوری بر ارتقای عملکرد سازمانی در شرکت‌های تولیدی ایران بوده است.
روش‌شناسی پژوهش: پژوهش از رویکرد ترکیبی استفاده کرده و داده‌ها با روش مدل‌سازی معادلات ساختاری (PLS-SEM) و شبکه عصبی مصنوعی (ANN) تحلیل شده‌اند. جامعه آماری شامل کارکنان شرکت‌های تولیدی ایران بوده و داده‌ها از طریق پرسشنامه‌ای معتبر با 205 پاسخ‌دهنده گردآوری شده است. ابزار پژوهش دارای پنج متغیر اصلی، چهارده مولفه فرعی و چهل‌وپنج شاخص بوده است.
یافته‎ها: نتایج نشان داده‌اند که QMP تاثیر مستقیم و معناداری بر رضایت مشتری و عملکرد سازمانی دارند. همچنین، فناوری صنعت 4.0 و رضایت مشتری نقش میانجی موثری در این روابط ایفا کرده‌اند. تحلیل شبکه عصبی نیز بیان کرده است که رضایت مشتری، مدیریت فرآیند و داده‌محوری بیشترین اهمیت را در پیش‌بینی عملکرد سازمانی داشته‌اند. یافته‌ها در مجموع تایید کرده‌اند که ترکیب QMP با فناوری‌های نوین می‌تواند راهبردی کارآمد برای بهبود عملکرد سازمانی باشد.
اصالت/ارزش افزوده علمی:این تحقیق با ترکیب دو روش PLS و ANN، رویکردی نوآورانه برای تحلیل هم‌زمان روابط علی و پیش‌بینی غیرخطی ارایه داده است. همچنین با بررسی هم‌زمان دو متغیر میانجی رضایت مشتری و فناوری و اجرای پژوهش در بستر بومی شرکت‌های ایرانی، خلأ مطالعاتی موجود را پوشش داده و به توسعه ادبیات مدیریت کیفیت و تحول دیجیتال کمک کرده است.

چکیده هدف: این پژوهش به بررسی تاثیر مولفه‌های فنی، رابطه‌ای و تجاری فرایندهای کسب‌وکار الکترونیک بر خلق ارزش در زنجیره‌تامین دیجیتال با تاکید بر نقش تسهیم اطلاعات با رویکرد مدل‌سازی شبکه عصبی می‌پردازد. تمرکز اصلی بر نقش میانجی قابلیت‌های کسب‌وکار الکترونیک در تقویت تاثیر این مولفه‌ها بر عملکرد رقابتی زنجیره‌تامین است.
روش‌شناسی پژوهش: این پژوهش کاربردی و از نوع توصیفی-همبستگی است. جامعه آماری پژوهش را کارشناسان، مدیران و کارکنان شرکت‌های تولیدی فعال در شهرک صنعتی پایتخت تشکیل داده‌اند. نمونه‌گیری به شیوه غیراحتمالی در دسترس و اقتضایی انجام و داده‌ها از طریق پرسشنامه‌ استاندارد گردآوری شد که روایی و پایایی آن توسط شاخص‌های AVE>0.5، CR>0.7، CR>AVE و α>0.7 تایید گردیده است. برای اعتبارسنجی مدل و آزمون فرضیه‌ها، از روش معادلات ساختاری واریانس‌محور در نرم‌افزار SmartPLS نسخه 4.0 و ماژول شبکه عصبی مصنوعی در نرم‌افزار SPSS29 استفاده شده است.
یافته‎ها: پس از برازش مدل تحقیق با رویکرد معادلات ساختاری واریانس محور و شبکه عصبی پرسپترون چندلایه یافته‌های پژوهش نشان داد که در هر دو رویکرد، متغیر تسهیم اطلاعاتی بالاترین تاثیر داشته و همچنین هر دو رویکرد توانایی پیش بینی عملکرد رقابتی زنجیره‌تامین دیجیتال را داشتند. برای ارزیابی مدل برازش شده با دو رویکرد، از شاخص ریشه میانگین مربعات خطا استفاده شد. مقدار ریشه میانگین مربعات خطا در رویکرد شبکه عصبی پرسپترون چندلایه برابر 0.021 و در رویکرد معادلات ساختاری واریانس محور برابر 0.879 می باشد؛ بنابراین روش شبکه عصبی پرسپترون چندلایه با خطای خیلی کمتری توانایی پیش‌بینی عملکرد رقابتی زنجیره‌تامین دیجیتال را داشته و می‌تواند به‌عنوان مدل بهینه مورداستفاده قرار گیرد.
اصالت/ارزش‌افزوده علمی: این پژوهش با ارایه مدلی تلفیقی، نقش قابلیت‌های فرایندهای کسب‌وکار الکترونیک را در بهبود عملکرد رقابتی زنجیره‌تامین تبیین می‌کند. یافته‌ها راهنمایی کاربردی برای تصمیم‌گیری و برنامه‌ریزی استراتژیک در شرکت‌های تولیدی، به‌ویژه در محیط‌های تجاری پویا ارایه می‌دهند.

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.

چکیده بحث پایش پروفایل‏ها یکی از زمین‌های نوین تحقیقاتی در حوزه کنترل فرآیند آماری است. پروفایل رابطه بین یک متغیر پاسخ و یک یا چند متغیر مستقل را توصیف می‏کند. این رابطه که معمولاٌ با استفاده از یک رابطه رگرسیونی مدل می‏شود می‏تواند خطی ساده، خطی چندگانه، چند جمله‏ای و در مواردی غیرخطی باشد. به منظور پایش کیفیت یک فرآیند یا محصول با مشخصه کیفی به صورت پروفایل، به دلیل وجود همبستگی بین پارامترهای مدل رگرسیون می بایست از نمودارهای کنترل چندمتغیره استفاده شود. انواع نمودارهای کنترل چندمتغیره می توانند برای شناسایی تغییرهای کوچک و بزرگ در فرآیند مورد استفاده واقع شوند. مشکل عمده نمودارهای کنترل چندمتغیره، عدم تشخیص پارامتر خارج از کنترل زمانی که نمودار وجود تغییر در فرآیند را نشان می دهد، می باشد. در این مقاله، جهت تشخیص پارامتر خارج از کنترل پس از این که نمودار کنترل چندمتغیره mcusum در روش mcusum-کای دو وجود تغییر را در یک پروفایل چندجمله ای اعلام کرد، از شبکه عصبی چند لایه پرسپترون استفاده می شود. شبکه طراحی شده، پس از آموزش مورد آزمون قرار گرفته و نتایج نشان دهنده عملکرد بسیار خوب شبکه در تشخیص پارامتر خارج از کنترل است.