بهبود کارایی پیش‌بینی بهره وری با رویکرد طراحی آزمایشات تاگوچی (مورد مطالعه : صنایع غذایی ایران)

مدیریت بهره‌وری

مقاله 3، دوره 9، 1(32)بهار، فروردین 1394، صفحه 69-88   

نوع مقاله: علمی پژوهشی

نویسندگان

سید محمود زنجیرچی¹؛ مهدی حاتمی منش^{* 2}؛ حمیدرضا کدخدازاده³؛ سیدعلی محمد بنی فاطمه⁴

¹استادیار مدیریت صنعتی، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد

²دانش آموخته کارشناسی ارشد، گروه مدیریت صنعتی، دانشگاه یزد

³دانش آموخته کارشناسی ارشد، گروه مدیریت صنعتی، جهاد دانشگاهی یزد

⁴دانش‌آموخته کارشناسی ارشد، گروه مدیریت صنعتی، دانشگاه یزد

چکیده

پیش­بینی بهره­وری عاملی بسیار مهم در طراحی استراتژی­های یک سازمان است. یکی از روش­های   پیش­بینی بهره­وری، استفاده از شبکه­های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم،   به­کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به سطوح مناسب این پارامترها استفاده می­شود. این مقاله، الگویی 7 مرحله­ای جهت انتخاب مقادیر مناسب پارامترهای قابل تنظیم شبکه عصبی ارائه می دهد تا با به­کارگیری طراحی آزمایش های تاگوچی کارایی در پیش­بینی بهره­وری بهبودمی یابد. به­کارگیری این روش در پیش­بینی بهره­وری صنایع غذایی ایرن، سطوح بهینۀ پارامترها را که منجر به مطلوب­ترین پیش­بینی در شبکه عصبی می­شود، بدین شرح ارائه می­دهد: تعداد لایه­های پنهان: 2 لایه، تعداد نورون هر لایه پنهان: 7 نورون، نرخ یادگیری: 9/0 و تعداد ورودی­های شبکه عصبی: شاخص­های بهره­وری با درجه همبستگی بیشتر از 85/0؛ که از بین عوامل فوق، عامل تعداد لایه­های پنهان با سهم مشارکت 18/71% در نتیجۀ آزمایش­ها، مهم­ترین عامل طراحی شبکه عصبی در پیش­بینی بهره­وری صنایع غذایی ایران است. در نهایت، نتیجه کلی تحقیق نشان داد که به کارگیری این الگو علاوه بر کاهش زمان و هزینه­های پیش­بینی، امکان انتخاب استراتژی­های رقابتی فراهم می­ شود. به علاوه این روش با تعیین سهم مشارکت هر یک از پارامتهای قابل تنظیم در نتایج آزمایش، تصمیم­گیرندگان را در میزان دقت و توجهی که باید به هر یک از این پارامترها داشته باشند، یاری می­رساند.

کلیدواژه‌ها

پیش‌بینی بهره‌وری؛ شبکه عصبی مصنوعی؛ طراحی آزمایشات تاگوچی؛ کارگاه‌ها و کارخانه‌های مواد غذایی

سایر فایل های مرتبط با مقاله

69-88.pdf

مراجع

-  AL-Zwainy, Sarhan; Hatem Rasheed & Huda Farhan Ibraheem. (2012), development of the construction productivity estimation model using artificial neural network for finishing works for floors with marble. ARPN Journal of Engineering and Applied Sciences, 7, pp 714-722.

-  Arifovik, Jasmina & Ramazan Gencay. (2013), Using genetic algorithms to select architecture of a feedforward articial neural network. Physica A, Volume 289, Issues 3–4, pp 474-594.

-  Chen, Shiyi & Amelia Paulino. (2013), Energy consumption restricted productivity re-estimates and industrial sustainability analysis in post-reform China, Energy Policy, Volume 57, pp 52-60.

-  Chen, Toly & Richard Romanowski. (2014), Forecasting the productivity of a virtual enterprise by agent-based fuzzy collaborative intelligence—With Facebook as an example, Applied Soft Computing, Volume 24, pp 511-521.

-  Culotta, Salma, Maria Galletto & Arad Macaione. (2011),  Influence of raw data analysis for the use of neural networks for win farms productivity prediction. Clean Electrical Power (ICCEP), International Conference on Italia.

-  Du jardin, Philippe. (2012), Bankruptcy prediction and neural networks: the contribution of variable selection methods. Edhec Business School-Information Technology Department, 73, pp 271-284.

-  Hong Chien-wen. (2012), Using the Taguchi method for effective market segmentation. Expert Systems with Applications, Volume 39, Issue 5, pp 5451–5459.

-  Jammazi, Rania & Chaker Aloui. (2014), Crude oil price forecasting: Experimental evidence from wavelet decomposition and neural network modeling. Energy Economics, Volume 34, Issue 3, pp 828–841

-  Muqeem, Sahan; Arin Idrus, Fateh Khamidi & Samir Zakaria. (2012), Prediction Modeling of Construction Labor Production Rates using Artificial Neural Network. 2nd International Conference on Environmental Science and Technology in Singapore.

-  Sergey, Samoilenko & Kweku Muata. (2013), Using Data Envelopment Analysis (DEA) for monitoring efficiency-based performance of productivity- driven organizations: Design and implementation of a decision support system. Omega, Volume 41, Issue 1, pp 131–142.

-  Sheikh Zahoor, Ishaque; Sarwar Azam; Ehsan Nadeem; Danial Saeed Pirzada & Nasir Zafar Moeen. (2013), identifying productivity blemishes in Pakistan automotive industry: a case study. International Journal of Productivity and Performance Management, Volume 61 Issue 2, pp 173-193.

-  Walczac, Steven & Narciso Cerpa. (2012), Heuristic Principles for the Design of Artificial Neural Networks. Informational Software Technology, Volume 41, Issue 2, 25, pp 107–117.

-  Yao Albert & Sio. (2013), Analysis and Design of a Taguchi–Grey Based Electricity Demand Predictor for Energy Management Systems, Energy Conversion and Management, Volume 45, Issues 7–8, pp 1205–1217.