تخمین ضرایب علیت در نقشه راهبردی سازمان به کمک آموزش نقشه شناختی فازی با الگوریتم جستجوی گرانشی
الموضوعات :علی جهان‌بیگی 1 , منصور شیخان 2 , محسن روحانی 3
1 - دانشگاه آزاد اسلامی، واحد تهران جنوب
2 - دانشگاه آزاد اسلامی، واحد تهران جنوب
3 - دانشگاه آزاد اسلامی، واحد تهران جنوب
الکلمات المفتاحية: الگوریتم جستجوی گرانشی روش کارت امتیازی متوازن نقشه راهبردی نقشه شناختی فازی,
ملخص المقالة :
بیش از دو دهه از معرفی روش کارت امتیازی متوازن جهت کنترل و پایش راهبردهای سازمان‌ها می‌گذرد. مهم‌ترین دستاورد این روش ترسیم نقشه راهبردی است. در این نقشه با ترسیم روابط علّی بین اهداف راهبردی، امکان تحلیل‌های گوناگون فراهم شده و در تصمیم‌گیری مدیران نقش به سزایی دارد. برای دست‌یابی به یک نقشه راهبردی دقیق لازم است شدت هر رابطه علّی به درستی تخمین زده شود. از این رو تخمین ضرایب این روابط در نقشه‌های راهبردی مورد توجه قرار گرفته است. از مهم‌ترین روش‌های موجود می‌توان روش‌های دیمتل و دلفی را نام برد که مبتنی بر نظرات کارشناسان می‌باشند. البته ممکن است نظرات کارشناسان در حوزه‌های پیچیده کسب و کار دقیق نباشند، لذا به کارگیری الگوریتم‌های هوش محاسباتی بر اساس داده‌های موجود برای تخمین دقیق‌تر ضرایب علّی مفید است. مورد مطالعه این تحقیق، نقشه راهبردی یک مؤسسه مالی بوده که روابط بین اهداف راهبردی و ضرایب آنها به روش دلفی- فازی از نظرات کارشناسان از قبل تعیین شده‌اند. هدف اصلی در این مقاله، تخمین دقیق‌تر ضرایب علّی به کمک داده‌های موجود و الگوریتم‌های هوش محاسباتی می‌باشد. بدین منظور، ابتدا نقشه راهبردی را به ازای هر هدف معلول موجود به چند نقشه شناختی فازی تجزیه کرده و سپس از الگوریتم جستجوی گرانشی برای آموزش هر نقشه شناختی فازی استفاده شده است. هدف از آموزش نقشه‌های شناختی، تعیین ضرایب علّی بهینه بر اساس دو تابع هدف می‌باشد. تابع هدف اول، سعی در کاهش خطای پیش‌بینی مقادیر درصد تحقق اهداف راهبردی را داشته و تابع هدف دوم، ضرایب علّی را در بازه تعیین‌شده توسط کارشناسان نگاه می‌دارد. نتایج به دست آمده از روش پیشنهادی، خطای مدل را نسبت به مدل کارشناسان کاهش داد. از مقایسه نتایج الگوریتم جستجوی گرانشی با سایر الگوریتم‌های بهینه‌یابی نیز مشاهده شد که الگوریتم جستجوی گرانشی در تعداد گام‌های کمتری در مقایسه با الگوریتم‌های بهینه‌یابی ازدحام ذرات و اجتماع مورچگان نقطه بهینه سراسری را می‌یابد.
[1] R. S. Kaplan and D. P. Norton, "The balanced scorecard-measures that drive performance," Harvard Business Review, vol. 70, no. 1, pp. 71-79, Jan. 1992.
[2] R. S. Kaplan and D. P. Norton, "Using scorecard as a strategic management system," Harvard Business Review, vol. 74, no. 1, pp. 75-85, Jan. 1996.
[3] R. S. Kaplan and D. R. Norton, Strategy Maps: Converting Intangible Assets into Tangible Outcomes, Boston, Massachusette: Harvard Business School Press, 2004.
[4] J. Jassbi, F. Mohamadnejad, and H. Nasrollahzadeh, "A fuzzy DEMATEL framework for modeling cause and effect relationships of strategy map," Expert Systems with Applications, vol. 38, no. 5, pp. 5967-5973, May 2011.
[5] H. Y. Wu, "Constructing a strategy map for banking institutions with key performance indicators of the balanced scorecard," Evaluation and Program Planning, vol. 35, no. 3, pp. 303-320, Aug. 2012.
[6] P. T. Chang, L. C. Huang, and H. J. Lin, "The fuzzy Delphi method via fuzzy statistics and membership function fitting and an application to the human resources," Fuzzy Sets and Systems, vol. 112, no. 3, pp. 511-520, Jun. 2000.
[7] R. Axelrod, Structure of Decision: The Cognitive Map of Political Elites, Princeton: Princeton University Press, 1976.
[8] B. Kosko, "Fuzzy cognitive maps," International J. of Man-Machine Studies, vol. 24, no. 1, pp. 65-75, Jan. 1986.
[9] W. Stach, L. Kurgan, W. Pedrycz, and M. Reformat, "Genetic learning of fuzzy cognitive maps," Fuzzy Sets and Systems, vol. 153, no. 3, pp. 371-401, Aug. 2005.
[10] M. K. Ketipi, D. E. Koulouriotis, E. G. Karakasis, G. A. Papakostas, and V. D. Tourassis, "A flexible nonlinear approach to represent cause-effect relationships in FCMs," Applied Soft Computing, vol. 12, no. 12, pp. 3757-3770, Dec. 2012.
[11] E. I. Papageorgiou, J. D. Roo, C. Huszka, and D. Colaert, "Formalization of treatment guideline using fuzzy cognitive maps and semantic web tools," J. of Biomedical Informatics, vol. 45, no. 1, pp. 45-60, Feb. 2012.
[12] A. Kannappan, A. Tamilarasi, and E. Papageorgiou, "Analyzing the performance of fuzzy cognitive maps with non-linear Hebbian learning algorithm in predicting autistic disorder," Expert Systems with Applications, vol. 38, no. 3, pp. 1282-1292, Mar. 2011.
[13] D. Yaman and S. Polat, "A fuzzy cognitive map approach for effect-based operations: an illustrative case," Information Science, vol. 179, no. 4, pp. 382-403, Feb. 2009.
[14] N. Lee, J. K. Bae, and C. Koo, "An agent-based cognitive mapping system for sales opportunity analysis," Expert Systems with Applications, vol. 38, no. 6, pp. 7016-7028, Jun. 2011.
[15] M. Glykas, "Fuzzy cognitive strategic map in business process performance measurement," Expert Systems with Applications, vol. 40, no. 1, pp. 1-14, Jan. 2013.
[16] L. E. Quezada, F. M. Cordova, P. Palominos, K. Godoy, and J. Ross, "Method for identifying strategic objectives in strategy maps," International J. of Production Economics, vol. 122, no. 1, pp. 492-500, Nov. 2009.
[17] M. Kunc, "Using systems thinking to enhance stratgey maps," Management Decision, vol. 46, no. 5, pp. 761-778, May 2008.
[18] C. H. Yang, J. C. Chen, J. Z. Shyu, and G. H. Tzeng, "Causal relationship analysis based on DEMATEL technique for innovative policies in SMEs," in Proc. of Portland International Conf. on Management of Engineering & Technology, pp. 373-379, Cape Town, South Africa, 27-31 Jul. 2008.
[19] C. L. Lin and W. W. Wu, "A causal analytical method for group decision-making under fuzzy environment," Expert Systems with Applications, vol. 34, no. 1, pp. 205-213, Jan. 2008.
[20] F. H. Chen, T. S. Hsu, and G. H. Tzeng, "A balanced scorecard approach to establish a performance evaluation and relationship model for hot spring hotels based on a hybrid MCDM model combining DEMATEL and ANP," International J. of Hospitality Management, vol. 30, no. 4, pp. 908-932, Dec. 2011.
[21] M. L. Tseng, "Implementation and performance evaluation using the fuzzy network balanced scorecard," Computers & Education, vol. 55, no. 1, pp. 188-201, Aug. 2010.
[22] L. E. Quezada and H. A. Lopez-Ospina, "A method for designing a strategy map using AHP and linear programming," International J. of Production Economic, vol. 158, pp. 244-255, Dec. 2014.
[23] J. A. Dickerson and B. Kosko, "Virtual worlds as fuzzy cognitive maps," Presence, vol. 3, no. 2, pp. 173-189, Spring 1994.
[24] E. I. Papageorgiou, "Learning algorithms for fuzzy cognitive maps: A review study," IEEE Trans. on Systems, Man, and Cybernetics, Part C: Applications and Reviews, vol. 42, no. 2, pp. 150-163, Mar. 2012.
[25] A. V. Huerga, "A balanced differential learning algorithm in fuzzy cognitive maps," in Proc. of the 16th Int. Workshop on Qualitative Reasoning, 7 pp., Barcelona, Spain, 10-12 Jun. 2002.
[26] E. Papageorgiou, C. D. Stylios, and P. P. Groumpos, "Active Hebbian learning algorithm to train fuzzy cognitive maps," International J. of Approximate Reasoning, vol. 37, no. 3, pp. 219-249, Nov. 2004.
[27] E. I. Papageorgiou and J. L. Salmeron, "Learning fuzzy grey cognitive maps using nonlinear Hebbian-based approach," International J. of Approximate Reasoning, vol. 53, no. 1, pp. 54-65, Jan. 2012.
[28] D. Koulouriotis, I. E. Diakoulakis, and D. M. Emiris, "Learning fuzzy cognitive maps using evolution strategies: a novel schema for modeling and simulating high-level behaviour," in Proc. of the Congress on Evolutionary Computation, vol. 1, pp. 364-371, Seoul, Korea, 27-30 May 2001.
[29] E. I. Papageorgiou, K. E. Pasopoulos, C. S. Stylios, P. P. Groumpos, and M. N. Vrahatis, "Fuzzy cognitive maps learning using partice swarm optimization," J. of Intelligence Information Systems, vol. 25, no. 1, pp. 95-121, Jul. 2005.
[30] W. Stach, L. Kurgan, and W. Pedrycz, "A divide and conquer method for learning large fuzzy cognitive maps," Fuzzy Sets and Systems, vol. 161, no. 19, pp. 2515-2532, Oct. 2010.
[31] M. Ghazanfari, S. Alizadeh, M. Fathian, and D. E. Koulouriotis, "Comparing simulated annealing and genetic algorithm in learning FCM," Applied Mathematics and Computation, vol. 192, no. 1, pp. 56-68, Sep. 2007.
[32] Y. Chen, L. J. Mazlack, and L. J. Lu, "Learning fuzzy cognitive maps from data by ant colony optimization," in Proc. of the 14th Annual Conf. on Genetic and Evolutionary Computation, pp. 9-16, Philadelphia, Pennsylvania, USA, 7-11 Jul. 2012.
[33] E. I. Papgeorgiou and P. Groumpos, "A weight adaptation method for fine-tuning fuzzy cognitive map causal links," Soft Computing, vol. 9, no. 11, pp. 846-857, Nov. 2005.
[34] C. H. Cheng and Y. Lin, "Evaluating the best main battle tank using fuzzy decision theory with linguistic criteria evaluation," European J. of Operational Research, vol. 142, no. 1, pp. 174-186, Oct. 2002.
[35] E. Rashedi, H. Nezamabadi-pour, and S. Saryazdi, "GSA: a gravitational search algorithm," Information Sciences, vol. 179, no. 13, pp. 2232-2248, Jun. 2009.
