پژوهش های نوین در تصمیم گیری

چکیده با افزایش عدم‌قطعیت‌ در بازار و پیچیدگی فزاینده‌ی محیط رقابتی، پایداری زنجیره‌های تأمین بیش‌ازپیش در معرض اختلال قرار گرفته و هرگونه نوسان در تقاضا یا کاهش ظرفیت اثرات منفی گسترده‌ای بر عملکرد کل زنجیره تأمین ایجاد می کند. لذا توسعه مدلهای ریاضی متناسب از پیچیدگی بیشتری برخوردار شده و نیازمند رویکردهای مناسب حل می باشد. این پژوهش با هدف ارائه رویکرد مناسب حل مدل ریاضی چندهدفه استوار و سناریومحور توسعه یافته نظری و همکاران( 1403) به منظور کاهش هزینه‌های کل سیستم و آلاینده‌های زیست‌محیطی، که نوآوری عمده آن در ترکیب هم‌زمان عدم‌قطعیت تقاضا ناشی از نرخ تورم و کاهش ظرفیت در اثر اختلال بوده، اجرا شده است. از آنجا که با افزایش ابعاد و چندهدفه شدن مسئله، استفاده از روش‌های دقیق حل امکان‌پذیر نیست لذا برای حل مدل از دو الگوریتم فراابتکاری قدرتمند شامل توسعه الگوریتم نوظهور گورکن عسل‌خوار (HBA) به چند هدفه و الگوریتم ژنتیک چندهدفه (NSGA-II) استفاده شد. برای ارزیابی کارایی مدل و الگوریتم‌های پیشنهادی، یک مثال عددی طراحی و اجرا شد. یافته‌ها بیانگر آنست که مدل ارائه‌شده توانایی بالایی در مواجهه با عدم‌قطعیت داشته و تصمیمات بهینه‌تری در راستای پایداری اقتصادی, اجتماعی و زیست‌محیطی فراهم می‌کند. همچنین نتایج محاسباتی نشان‌دهنده‌ی کارایی و دقت بالاتر الگوریتم HBA در حل مسائل سخت (NP-Hard) با فضای جستجوی بزرگ و پیچیده است.

چکیده انرژی از نیازهای بنیادین زندگی بشر می باشد. تولید، توزیع و مصرف بهینه انرژی همواره از سوالات اساسی در علم اقتصاد و برنامه ریزی بوده است. انرژی یکی از عوامل اصلی رشد و توسعه ی اقتصادی کشورها می باشد. تقاضای روزافزون بشر از انواع انرژی های موجود و منابع تجدید ناپذیر برای دستیابی به توسعه اقتصادی همواره با افزایش آلایندگی های زیست محیطی و بیماری های گوناگون برای زندگی انسانها مواجه بوده است. هدف این مطالعه مدلسازی زنجیره تامین سوخت های زیستی با استفاده از پسماندهای فاضلاب شهری در ایران بصورت استوار می باشد. به این منظور از ترکیب روش مدلسازی پویایی سیستم و مدل برنامه ریزی ریاضی عدد صحیح استفاده شده است. دوره ی مورد مطالعه در این پژوهش 1397-1388 و شبیه سازی آن تا سال 1410 در نظر گرفته شده است. فرضیات در نظرگرفته شده در این تحقیق عبارتست از: 1. با افزایش پرداخت یارانه به سوخت های سبز، قیمت سوخت سبز کاهش می یابد؛ 2. با افزایش نرخ تبدیل پسماند فاضلاب به سوخت، قیمت سوخت سبز کاهش می یابد؛ و 3. با افزایش قیمت زیست توده ظرفیت تولید زیست توده افزایش می یابد. همچنین با افزایش دو برابری قیمت سوخت سبز، ظرفیت تولید سوخت سبز به میزان 9/2 درصدافزایش می یابد. نتایج حاصل از شبیه سازی، طراحی یک زنجیره تامین بهینه از منابع زیست توده شهری و نیز بیشینه سازی سود پالایشگاه های زیستی کشور می باشد.

چکیده هدف این پژوهش طراحی یک مدل داده‌محور برای استخراج قوانین مؤثر بر نرخ پذیرش محصول در خطوط تولید صنایع غذایی است. بدین منظور، ابتدا ۲۵ متغیر مرتبط با اصول تولید ناب شناسایی و با استفاده از روش دلفی فازی، ۶ متغیر کلیدی شامل درصد تطابق مواد اولیه با استانداردهای کیفی، درصد ضایعات تولید، نرخ تأیید استثنایی محصول نهایی، میانگین زمان انبارش مواد اولیه، شیفت کاری و نرخ بازگشت محصول انتخاب شد. سپس پایگاه داده‌ای شامل ۴۲۰۰ رکورد واقعی از دو سال عملکرد خطوط تولید گرد آوری و پس از انجام مراحل پیش‌پردازش، مدل‌سازی با بهره‌گیری از الگوریتم‌های یادگیری ماشین انجام گرفت. در این میان، الگوریتم درخت تصمیم (CART) به‌عنوان مدل اصلی برای استخراج قوانین تصمیم‌پذیر به‌کار گرفته شد و عملکرد آن با سایر الگوریتم‌های طبقه‌بندی مقایسه گردید. نتایج نشان داد که «درصد تطابق مواد اولیه» و «درصد ضایعات» بیشترین تأثیر را بر پذیرش محصول دارند و مدل درخت تصمیم با دقت ۹۱ درصد توانست نمونه‌ها را در طبقات پذیرش و عدم پذیرش دسته‌بندی کند. همچنین قوانین استخراج‌شده روابط شفاف و قابل تفسیر میان متغیرها را آشکار ساخت و زمینه ارائه الگوهای تصمیم‌یار برای مدیران تولید و کنترل کیفیت را فراهم نمود. یافته‌ها بیانگر کارایی رویکردهای داده‌محور مبتنی بر تولید ناب در بهبود پیش‌بینی کیفیت و کاهش ضایعات در مورد مطالعه این پژوهش می باشد.

چکیده با گسترش داده‌های عملیاتی و افزایش پیچیدگی محیط تجاری، به‌ویژه در صنعت خرده‌فروشی، پیش‌بینی دقیق تقاضای کالا به یک الزامات کلیدی برای تصمیم‌گیری مؤثر و مدیریت کارآمد زنجیره تأمین تبدیل شده است. ماهیت غیرخطی، پویایی شدید، و وجود نویز در داده‌های فروش موجب عملکرد ضعیف و غیر قابل‌اعتماد روش‌های سنتی پیش‌بینی می‌شود. این چالش در ایران به دلیل سطح بالای عدم‌قطعیت ناشی از نوسانات اقتصادی، تغییرات سیاست‌های تجاری، محدودیت‌های لجستیکی و پیامدهای تحریم‌ها شدت بیشتری پیدا می‌کند. در پاسخ به این نیاز، پژوهش حاضر الگوریتم GODFIS را معرفی می‌کند؛ یک سیستم استنتاج فازی پویا مبتنی بر بهینه‌سازی سراسری که با هدف ارائه پیش‌بینی‌های دقیق، مقاوم و سازگار با محیط‌های پرنوسان طراحی شده است. معماری GODFIS با ترکیب یادگیری برخط، خوشه‌بندی پویا، به‌روزرسانی بازگشتی پارامترهای تالی، و مکانیزم حذف نویز، امکان مدل‌سازی روابط پیچیده را با دقت بالا و بدون نیاز به بازآموزی کامل فراهم می‌سازد. برای ارزیابی عملکرد، الگوریتم پیشنهادی بر روی دو دسته داده مورد آزمون قرار گرفته است: (1) داده‌های معیار با رفتارهای غیرایستا، و (2) داده‌های واقعی یک خرده‌فروشی ایرانی. نتایج نشان می‌دهد که GODFIS نسبت به روش‌های کلاسیک، مدل‌های یادگیری ماشینی، و مدل‌های در حال تکامل، بهبود قابل‌توجهی در دقت، پایداری و سرعت انطباق ارائه می‌دهد. به‌طور کلی، یافته‌ها مؤید آن است که GODFIS با فراهم‌کردن تفسیرپذیری، مقیاس‌پذیری و کارایی محاسباتی، می‌تواند به‌عنوان یک چارچوب پیش‌بینی پویا برای محیط‌های عملیاتی خرده‌فروشی—به‌ویژه در شرایط ناپایدار ایران—به‌کار گرفته شود و نقش مؤثری در بهینه‌سازی تصمیمات موجودی و مدیریت عدم‌قطعیت ایفا کند.

چکیده کشاورزی معاصر با چالش‌های فزاینده‌ای در زمینه پایداری، سازگاری با محیط‌های پیچیده و توسعه نوآوری مواجه است؛ چالش‌هایی که دیگر صرفاً از طریق مداخلات فناورانه یا سیاست‌گذاری‌های رسمی قابل حل نیستند. مسئله اصلی در بسیاری از سیستم‌های کشاورزی، نه کمبود دانش یا فقدان نوآوری، بلکه ضعف در جذب، درونی‌سازی، تفسیر و به‌کارگیری دانش جدید در ساختارها و فرایندهای عملیاتی است. این مقاله با تکیه بر مدل سیستم مانا به‌عنوان یک چارچوب سایبرنتیکی، ظرفیت جذب را به‌مثابه مکانیسمی برای شکل‌گیری و نهادینه‌سازی نوآوری در سیستم‌های کشاورزی تبیین می‌کند. پژوهش حاضر با رویکردی کیفی و از طریق مطالعه‌موردی مجتمع کشت و صنعت فریجان انجام شده است. برای تحلیل داده‌ها از تحلیل مضمون و برای عملیاتی‌سازی مدل مانا از رویکرد تشخیصی پرزریوس بهره گرفته شد. همچنین، برخی ملاحظات تحلیلی برگرفته از رویکرد ویپلان و چک‌لیست جکسون برای توجه به تعاملات ذی‌نفعان و نارسایی‌های ساختاری به کار گرفته شدند. یافته‌ها نشان می‌دهد که ظرفیت جذب نه به‌عنوان قابلیتی مستقل، بلکه به‌صورت سازوکاری توزیع‌شده در تعامل میان زیرسیستم‌ها عمل می‌کند و نقش مهمی در تبدیل دانش بیرونی به نوآوری‌های عملیاتی و ساختاری دارد. نتایج همچنین نشان می‌دهد که مدل سیستم مانا از طریق تقویت جریان‌های ارتباطی، یادگیری بازگشتی و هم‌ترازی میان سطوح مختلف، بستر مناسبی برای ارتقای ظرفیت جذب و پایداری نوآوری در سیستم‌های کشاورزی فراهم می‌سازد. این پژوهش با بسط پیوند میان ظرفیت جذب و مدل سیستم مانا، نشان می‌دهد که نوآوری در کشاورزی پدیده‌ای سیستمی است که بیش از مداخلات فناورانه، به معماری سازمانی و قابلیت‌های دانشی برای نهادینه‌سازی نوآوری وابسته است.

چکیده این پژوهش با هدف پیش‌بینی جهت حرکت قیمت بیت‌کوین پس از وقوع پدیده «بیش‌واکنش سرمایه‌گذاران» انجام شده است؛ پدیده‌ای که در ادبیات مالی رفتاری به‌عنوان یک ناهنجاری کلیدی شناخته می‌شود. با بهره‌گیری از رویکرد داده‌های چندوجهی، مجموعه‌ای از اطلاعات معاملاتی، شاخص‌های فنی، داده‌های درون‌زنجیره‌ای و شاخص‌های اجتماعی طی بازه اوت ۲۰۱۷ تا دسامبر ۲۰۲۳ تحلیل شد. پس از شناسایی ۳۰۳ روز بیش‌واکنش، فرآیند انتخاب ۱۱ ویژگی کلیدی از میان ۱۵۸ متغیر طی یک رویکرد سه‌مرحله‌ای شامل الگوریتم جنگل تصادفی، بررسی ماتریس همبستگی و محاسبه شاخص تورم واریانس (VIF) انجام شد تا ضمن اطمینان از نبود هم‌خطی چندگانه، مجموعه‌ای بهینه و معتبر برای ورود به مدل فراهم گردد. مدل پیشنهادی مبتنی بر شبکه عصبی حافظه بلند–کوتاه‌مدت (LSTM) چندمتغیره، با دقت ۶۷٪ جهت حرکت قیمت را پیش‌بینی کرد که به‌طور معناداری بالاتر از دقت مدل رگرسیون لجستیک (۵۳.۴٪) است. همچنین، روند کاهشی و باثبات تابع زیان آموزشی و آزمایشی، عدم بروز بیش‌برازش و توانایی مدل در یادگیری الگوهای واقعی را اثبات نمود. یافته‌ها حاکی از وجود ناکارایی‌های کوتاه‌مدت در بازار بیت‌کوین و قابلیت پیش‌بینی بازده‌های غیرعادی پس از بیش‌واکنش (در سطح اطمینان ۹۹٪) است. این چارچوب می‌تواند در طراحی استراتژی‌های معاملاتی و مدیریت ریسک هوشمند در بازارهای رمزارز به‌کار گرفته شود.