پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 698 |
| تعداد مقالات | 10,090 |
| تعداد مشاهده مقاله | 71,240,624 |
| تعداد دریافت فایل اصل مقاله | 62,964,281 |
توسعه مدل هوشمندسازی زنجیره ارزش با رویکرد شبکه عصبی مصنوعی | ||
| مدیریت زنجیره ارزش راهبردی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 اسفند 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/svcm.2026.40260.1085 | ||
| نویسندگان | ||
| مسعود بابایی1؛ علیرضا ایرج پور* 2؛ رضا احتشام راثی3 | ||
| 1دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران | ||
| 2استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران | ||
| 3دانشیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران | ||
| تاریخ دریافت: 12 دی 1404، تاریخ بازنگری: 10 بهمن 1404، تاریخ پذیرش: 18 اسفند 1404 | ||
| چکیده | ||
| سابقه و هدف: پژوهش حاضر با هدف شناسایی شاخصها و مؤلفههای مؤثر در هوشمندسازی زنجیره ارزش و پیشبینی سطح هوشمندسازی در شرکتهای مستقر در شهرک صنعتی کاسپین انجام شد. روش: این پژوهش از نظر هدف، کاربردی و از نظر ماهیت و روش، کمّی است. دلیل استفاده از رویکرد آن است که در بخش کمی، با استفاده از مدلسازی ریاضی و شبکههای عصبی مصنوعی، هوشمندسازی و پیشبینی عملکرد زنجیره ارزش انجام میگیرد. همچنین پژوهش از نظر روش اجرا، توصیفی–تحلیلی و توسعهای محسوب میشود، زیرا علاوه بر تحلیل وضعیت موجود، منجر به طراحی یک الگوریتم هوشمند میگردد. یافتهها: تحلیل دادهها با استفاده از الگوریتم شبکه عصبی مصنوعی نشان داد که مدل قادر است سطح هوشمندسازی زنجیره ارزش را با دقت بالا پیشبینی کند. نتایج ارزیابی عملکرد مدل با شاخصهای MSE، RMSE و ضریب تعیین (R²) نشان داد که شبکه عصبی توانسته روابط غیرخطی و پیچیده میان شاخصهای ورودی و خروجی را به خوبی مدلسازی کند. علاوه بر این، تحلیل حساسیت متغیرهای ورودی مشخص نمود که زیرساخت دیجیتال و تصمیمگیری دادهمحور بیشترین تأثیر را بر سطح هوشمندسازی دارند. نتیجهگیری: استفاده از شبکه عصبی مصنوعی امکان پیشبینی دقیق سطح هوشمندسازی، شناسایی عوامل مؤثر و اولویتبندی اقدامات مدیریتی را فراهم میکند. این روش علاوه بر دقت پیشبینی، قابلیت تعمیمپذیری بالایی دارد و میتواند به عنوان ابزاری عملی برای برنامهریزی و بهبود هوشمندسازی زنجیره ارزش در شرکتهای صنعتی مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| الگوریتم؛ زنجیره ارزش؛ شبکه عصبی مصنوعی؛ هوشمندسازی | ||
| عنوان مقاله [English] | ||
| Development of an Intelligent Value Chain Optimization model using an Artificial Neural Network approach | ||
| نویسندگان [English] | ||
| Masoud Babaie1؛ Alireza Erajpour2؛ Reza Ehtesham Rasi3 | ||
| 1PhD student, Department of Industrial Management, Qazvin Branch, Islamic Azad University, Qazvin, Iran | ||
| 2Assistant Professor, Department of Industrial Management, Qazvin Branch, Islamic Azad University, Qazvin, Iran | ||
| 3Associate Professor, Department of Industrial Management, Qazvin Branch, Islamic Azad University, Qazvin, Iran | ||
| چکیده [English] | ||
| Background and Objectives: The present study aimed to identify effective indicators and components in value chain smartization and predict the level of smartization in companies located in Caspian Industrial Park. Materials and Methods: This study is applied in terms of purpose and quantitative in terms of nature and method. The reason for using this approach is that in the quantitative part, smartization and prediction of value chain performance are carried out using mathematical modeling and artificial neural networks. The research is also considered descriptive-analytical and developmental in terms of implementation method, because in addition to analyzing the current situation, it leads to the design of an intelligent algorithm. Results: Data analysis using the artificial neural network algorithm showed that the model is able to predict the level of smartization of the value chain with high accuracy. The results of the model performance evaluation with MSE, RMSE, and coefficient of determination (R²) indices showed that the neural network was able to model the nonlinear and complex relationships between the input and output indices well. In addition, the sensitivity analysis of the input variables revealed that digital infrastructure and data-driven decision-making have the greatest impact on the level of smartization. Conclusion: Using artificial neural networks allows for accurate prediction of the level of smartization, identification of effective factors, and prioritization of management actions. In addition to prediction accuracy, this method has high generalizability and can be used as a practical tool for planning and improving value chain smartization in industrial companies. | ||
| کلیدواژهها [English] | ||
| Algorithm, Value Chain, Artificial Neural Network (ANN), Intelligence | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 39 |
||