نویسنده = محمد جواد ارشادی
مدیریت کیفیت، تعالی سازمانی و تحلیل عملکرد

عارضه‌یابی و ارایه راهکارهای بهبود فرایندهای صدور ضمانت‌نامه‌ برای تعاونی‌ها با استفاده از ترکیب روش‌های تاپسیس، آنتروپی شانون و تکنیک گروه اسمی

دوره 16، شماره 1، بهار 1405، صفحه 63-79

https://doi.org/10.48313/jqem.2026.567660.1597

محمد جواد ارشادی، البرز محمدی، علی حاجی وند، سمیه سروش، بهار هاشمیه، نگار زنگنه

چکیده هدف: مدیریت اثربخش فرایندهای سازمانی و رویارویی با چالش‌ها، برای دستیابی به اهداف در دنیای رقابتی امروز، برای سازمان‌هایی نظیر صندوق ضمانت سرمایه‌گذاری تعاون، حیاتی است. اهمیت این موضوع برای این صندوق، با توجه به طیف وسیع ذی‌نفعان و نقش کلیدی آن در حمایت از بخش تعاون، دوچندان خواهد بود. ازاین‌رو، پژوهش حاضر با هدف ارایه چالش‌ها و راهکارهای بهبود، در فرایندهای صدور بیمه‌نامه‌های اعتباری ضمانت توسعه تعاون صورت پذیرفت.
روش‌شناسی پژوهش: این پژوهش بر پایه اصول مدیریت کیفیت و رویکرد فرایندی بنا نهاده شده تا صحت و اعتبار علمی و کاربردی نتایج تضمین شود. تحلیل عمیق چالش‌ها و اولویت‌بندی آن‌ها با استفاده از روش آنتروپی شانون، تکنیک تاپسیس (TOPSIS) و رویکرد گروه اسمی (NGT) صورت پذیرفت.
یافته‌ها: یافته‌های پژوهش نشان داد که بیشترین عارضه‌های صندوق در بخش‌های فرایند و استراتژی متمرکز هستند؛ ازاین‌رو، متناسب با اولویت‌های استخراج‌شده، راهکارهای بهینه‌سازی ارایه و شاخص‌های کلیدی عملکرد (KPIs) برای نظارت مستمر تدوین گردید.
اصالت/ارزش‌افزوده علمی: نتایج نهایی این پژوهش علاوه بر ایجاد شفافیت فرایندی، با ارایه یک نقشه راه عملیاتی و علمی، مبنایی برای تمرکز منابع بر نقاط کلیدی موفقیت فراهم آورد که گامی محوری در جهت کاهش زمان و هزینه، ارتقا اثربخشی و تحقق اهداف استراتژیک در بخش تعاون محسوب می‌شود.

مدل سازی ترکیبی منطق فازی و شبکه عصبی مصنوعی برای پیش بینی خرابی ماشین آلات به منظور افزایش بهره وری

دوره 12، شماره 1، بهار 1401، صفحه 69-86

https://doi.org/10.48313/jqem.2022.166513

پرویز چوپان کاری، امیر عزیزی، محمد جواد ارشادی

چکیده در این پژوهش، یک رویکرد ترکیبی برپایه منطق فازی و شبکه عصبی مصنوعی برای پیش بینی خرابی ماشین آلات در راستای افزایش بهره‌وری ارائه می شود. مورد مطالعه این پژوهش یکی از کارخانجات صنعت خودروسازی با نام دیاکو ایده آریا بوده که در حوزه تولید قطعات خودرو فعالیت می کند. برای مدل سازی شبکه فازی-عصبی پرسپترون چند لایه(MLP)، نخست تعداد 100 خرابی و توقف در بازه زمانی 15 ماه جمع آوری شده و سپس در نرم افزار MATLAB وارد شده است. نتایج بدست آمده نشان می دهد پیاده سازی شبکه فازی-عصبی و پیش بینی زمان خرابی ماشین آلات سبب کاهش مدت زمان و هزینه تعمیرات شده است. بنابراین مدت زمان کاری و دسترس پذیری ماشین آلات افزایش یافته و در نهایت سبب افزایش میزان بهره وری به میزان 57 درصد می‌شود، همچنین، میزان دقت مدل فازی- عصبی توسعه داده شده 94 درصد برآورد شده است.