شناسایی و بررسی میزان اهمیت نسبی استراتژی های مدیریت دانش با استفاده از شبکه عصبی مصنوعی ( مورد مطالعه : شرکت های دانش بنیان تولید کننده نرم فزار شهر تهران)
الموضوعات :سعیده خبازکار 1 , محسن شفیعی نیک آبادی 2 , مائده دهقان 3
1 - دانشگاه سمنان
2 - هیئت علمی و مدیر گروه مدیریت صنعتی دانشگاه سمنان
3 -
الکلمات المفتاحية: واژه های کلیدی : استراتژی های مدیریت دانش , شبکه عصبی مصنوعی,
ملخص المقالة :
چکیده : مدیریت دانش یک منبع مهم برای سازمان است . سازمان ها برای پیاده سازی استراتژی های مدیریت دانش باید نوآوری را در فرآیند ها ،فعالیت ها، محصولات و خدمات خود ایجاد کنند . هدف اصلی این پژوهش ، بررسی میزان اهمیت نسبی استراتژی های مدیریت دانش با استفاده از شبکه عصبی مصنوعی است . جنبه نوآورانه تحقیق ، استفاده از شبکه عصبی مصنوعی برای رتبه بندی استراتژی های مدیریت دانش است . جامعه آماری شامل کلیه کارکنان شرکت های دانش بنیان تولید کننده نرم افزار شهر تهران می باشد که از مجموع پرسشنامه های توزیع شده تنها 123 عدد قابل استفاده بودند. این تحقیق از لحاظ هدف ، کاربردی و از حیث گردآوری داده ها توصیفی – پیمایشی می باشد داده ها با استفاده از پیمایش و ابزار پرسشنامه بدست آمده و سپس با استفاده از تکنیک شبکه عصبی مصنوعی به بررسی اهداف تحقیق پرداخته شده است . یافته ها و خروجی شبکه عصبی نشان می دهد که به ترتیب استراتژی دانش آشکار مهمترین بعد استراتژی مدیریت دانش و استراتژی های دانش پنهان، درون محور و برون محور در اولویت های بعدی شرکت های نرم افزاری دانش بنیان شهر تهران قرار گرفته اند.
شناسایی و بررسی میزان اهمیت نسبی استراتژیهای
مدیریت دانش با استفاده از شبکه عصبی مصنوعی
(مورد مطالعه: شرکتهای دانشبنیان تولید کننده نرمافزار شهر تهران)
*محسن‌شفیعی نیک‌آبادی **سعیده خبازکار ***مائده دهقان
*استادیار، گروه مدیریت صنعتی، دانشگاه سمنان، سمنان
** دانشجوی کارشناس ارشد،MBA، دانشگاه سمنان، سمنان
***کارشناس ارشد،مدیریت اجرایی، دانشگاه سمنان، سمنان
ce.dehghan@gmail.com saeedehkhabbazkar@yahoo.com mohsenshnaj@yahoo.com
تاریخ دریافت:4/8/92 تاریخ پذیرش:15/12/92
چکیده
مدیریت دانش یک منبع مهم برای سازمان است. سازمانها برای پیادهسازی استراتژیهای مدیریت دانش باید نوآوری را در فرآیندها، فعالیتها، محصولات و خدمات خود ایجاد کنند. هدف اصلی این پژوهش، بررسی میزان اهمیت نسبی استراتژیهای مدیریت دانش با استفاده از شبکه عصبی مصنوعی است. جنبه نوآورانه تحقیق، استفاده از شبکه عصبی مصنوعی برای رتبهبندی استراتژیهای مدیریت دانش است. جامعه آماری شامل کلیه کارکنان شرکتهای دانشبنیان تولیدکننده نرمافزار شهر تهران میباشد که از مجموع پرسشنامههای توزیع شده تنها 123 عدد قابل استفاده بودند. این تحقیق از لحاظ هدف، کاربردی و از حیث گردآوری دادهها توصیفی– پیمایشی میباشد دادهها با استفاده از پیمایش و ابزار پرسشنامه بدست آمده و سپس با استفاده از تکنیک شبکه عصبی مصنوعی به بررسی اهداف تحقیق پرداخته شده است. یافتهها و خروجی شبکه عصبی نشان میدهد که به ترتیب استراتژی دانش آشکار مهمترین بعد استراتژی مدیریت دانش و استراتژیهای دانش پنهان، درون محور و برون محور در اولویتهای بعدی شرکتهای نرمافزاری دانشبنیان شهر تهران قرار گرفتهاند.
واژه‌های کلیدی : مدیریت دانش، استراتژیهای مدیریت دانش، شبکه عصبی مصنوعی، شرکت نرم افزاری دانشبنیان
مقدمه
از اواخر قرن گذشته تا به امروز، بحث مدیریت داراییهای نامشهود سازمان به عنوان بخشی از منابع حیاتی سازمان بسیار مورد توجه قرار گرفته است. از بین این داراییها، دانش بیشترین توجه را به خود معطوف ساخته است و به عنوان مهمترین دارایی نامشهود سازمان مورد تأکید قرار گرفته است. اکنون بحث مدیریت دانش به یکی از موضوعات اصلی در تحقیقات مدیریت در سراسر دنیا تبدیل شده است[۱] و آن را به عنوان ابزاری کلیدی برای مدیریت کردن اطلاعات و ابزاری استراتژیک برای مدیریت
[۲] و راهی مؤثر برای کسب مزیت رقابتی پایدار می دانند[۳]. در عصر حاضر، شتاب تغییرات در علوم و فناوریهای پیشرفته، به قدری فزونی یافته است که شتاب در نوآوریِ محصولاتِ تولید شده و ایجاد دانش و توسعه آن، از سرعت یادگیری بشر فراتر رفته است و شرکتهایی میتوانند موفق باشند که به طور پیوسته برای حل مسائل جدید و ناآشنا، دانش جدید را کشف و خلق کرده و این دانش را به صورتی هدفمند و نظامیافته و متناسب با اهداف تخصصی راهبردی در تمامی لایهها و بخشهای مختلف سازمان توسعه داده و به دنبال تبدیل به فناوری و محصولات جدید باشند.
شركتها و مؤسسات دانش‌بنيان نرمافزاری، شركت يا مؤسساتی خصوصي يا تعاوني هستند كه به منظور هم‌افزايي علم و ثروت، توسعه اقتصاد دانشمحور، تحقق اهداف علمي و اقتصادي (شامل گسترش و كاربرد اختراع و نوآوري) و تجاري‌سازي نتايج تحقيق و توسعه (شامل طراحي و توليد كالا و خدمات) در حوزه فناوري‌هاي برتر و با ارزش افزوده فراوان به ويژه در توليد نرم‌افزارهاي مربوط تشكيل شده اند[۴].
بحث مديريت دانش نیز در كسب و كارهايي كه ماهيت كار آنها دانشي و فناورانه است موضوعيت بيشتري دارد. صنعت نرمافزار نيز حوزهاي جديد و در عين حال كاملاً دانش محور است كه بيشترين مشكل در كسب و كار امروز را از لحاظ شكست در پروژه و بالا رفتن هزينهها و زمان دارد و اين مشكلات براي شركتهاي بزرگ، بيشتر مهم است. مهمترين مشكلات کسب و کارهای کوچک و متوسط ( SME )، در اين حوزه که شرکتهای نرم افزاری با آن رو برو هستند، ريشه در مباحث بازاريابي و فروش محصولات توليد شدهي آنها دارد كه علت اصلي آن را ميتوان در چند دستهي اصلي بيان كرد كه عبارتند از: حرفهاي نبودن در مطالعهي بازار و توليد مشتريمدار، سطح پايين دانش فني، سطح پايين نوآوري در محصولات، حرفهاي نبودن در مديريت كسب و كار، مديريت ضعيف منابع انساني به ويژه تشكيل پايدار تيم‌هاي كاري متخصص. بنابراين با توجه به مباحث گفته شده، ميتوان اين مشكلات را به طور كلي در قالب فرآيند مديريت كردن داراييهاي دانشي اين شركتها مورد بررسي قرار داد. براي حداقل كردن نرخ شكست، صنعت نرمافزار نياز به آگاهي بيشتر از كنترل كيفيت و استفاده از ابزارهاي تخمين و برنامهريزي و همچنين جمعآوري و نگهداري اطلاعات گذشته از پروژههاي پيشين دارد. از اين رو با توجه به افزايش تعداد متخصصان نرمافزار و رشد روزافزون كسب و كارهاي اين حوزه در كشورمان و پيش بيني روند آيندهي محصولات نرمافزاري، محقق در اين پژوهش بدنبال بررسي وضعيت محصولات جديد نرمافزاري از لحاظ عملكرد و موفقيت آنها در بازار و همچنين بررسي نقش استراتژیهای مديريت دانش در موفقيت اين محصولات و فرآيند توليد آنها است.
از سوی دیگر از آنجائی که نرخ شکست پروژه‌های مدیریت دانش قابل توجه است، شناخت عوامل اساسی موفقیت میتواند کسب وکارها را در نیازسنجی، برنامهریزی، اجرا و پیادهسازی استراتژیهای مدیریت دانش یاری دهد تا احتمال شکست کاهش یابد .اهمیت و کاربرد اصلی عوامل اساسی موفقیت استراتژی مدیریت دانش در این است که با شناسایی و نظارت بر این عوامل، سازمان میتواند به پیادهسازی موفقیتآمیز اطمینان داشته باشد.
لذا این پژوهش به بررسی و شناسایی استراتژیهای کلیدی مدیریت دانش در شرکتهای دانشبنیان تولیدکننده نرمافزار با استفاده از شبکه عصبی میپردازد. تحقیقات زیادی در رابطه با مدیریت دانش صورت گرفته است اما مدل یا چارچوب مشخصی که به شناسایی استراتژیهای کلیدی مدیریت دانش با استقاده از شبکه عصبی بپردازد، مشاهده نشده است. از این رو محقق با مطالعه تحقیقات پیشین، تحلیل محتوا و تحقیقات میدانی و مصاحبه با کارشناسان در شرکتهای نرم افزاری به دنبال شناسایی مهمترین استراتژی از استراتژیهای شرکتهای نرمافزاری دانشبنیان شهر تهران است.
مبانی نظری و پیشینة تحقیق
با توجه به هدف اصلی، ادبیات موضوع به دو قسمت تقسیم میشود: استراتژی مدیریت دانش و شبکه عصبی مصنوعی.
· استراتژی مدیریت دانش
در سالهاي اخير, مديريت دانش به عنوان يکي از جالب‌ترين و چالش برانگيزترين موضوعات مديريت کسب و کار بوده و دايره کاربرد آن همواره با ساير مباحث عرصه مديريت گستردهتر ميشود. مديريت دانش فرايندي است که به سازمانها در شناسايي، انتخاب، سازماندهي، انتشار و انتقال اطلاعات مهم و مهارتهايي که بخشي از سابقه سازمان هستند و عموماً به صورت ساختارنيافته در
سازمان وجود دارند، ياري مي رساند[۵]. مديريت دانش به خودي خود ايده جديدي نيست. مديران موفق هميشه از سرمايههاي فکري بهره برده و ارزش آن را تشخيص دادهاند. اما اين تلاشها، سازمان يافته نبوده و تضميني وجود نداشت که دانش به دست آمده به طور مناسب، براي حداکثر منافع سازمان به اشتراك گذاشته شده و توزيع گردد[۵].
مدیریت دانش به عنوان عامل مهمی در مزیت رقابتی شرکتها در نظر گرفته شده است و مجموعهای از فناوریها و منابعی است که قادر به انتقال و تولید در محیط کسب و کار جدید و ارزیابی و حمایت از فرایند تصمیمگیری مورد نیاز و فیلتر کردن و ذخیرهسازی تمامی دانش مورد نیاز سازمانی است[۶]. همچنين مديريت دانش به عنوان يک کاربرد هدفگرا و سيستماتيک پيمانههايي جهت هدايت و کنترل داراييهاي دانش قابل لمس و غيرقابل لمس سازمان شناخته ميشود که با هدف استفاده از دانش موجود داخلي و خارجي اين سازمانها جهت فعال کردن خلق دانش جديد، ايجاد ارزش، خلاقيت و پيشرفت در نظر گرفته ميشود[۷]. از سوی دیگر، سازمانها با چالشهای جدیدی در پیادهسازی مجموعهای کارآمد و مؤثر از فرایندهای مدیریت دانش و عوامل دیگر، که شایستگیهای کلیدی در دوران مدرن است، روبرو هستند[۸]. يکي از عوامل مهم جهت موفقيت مديريت دانش، داشتن يک استراتژي واضح و به خوبي برنامهريزي شده است. اين عامل پايه و اساسي است براي اينکه چطور يک سازمان ميتواند پيشرفت کند و قابليتها و منابعش را جهت موفقيت در اهداف مديريت دانش فراهم کند.
یکی از دلایلی که بسیاری از سازمانها در پیادهسازی مدیریت دانش شکست میخورند این است که آنها قادر به تشخیص اطلاعات و دادهها نبوده و ویژگیهای منحصر به فرد دانش و دانشِ کارکنان را فراموش کردهاند و استراتژی مناسب جهت اجرای آن ندارند. برای مواجه با چالشهای اقتصاد دانش، سازمان باید قادر به حفظ تمامی دانش و به حداکثر رساندن ارزش استراتژیک آن باشد. یکی از مهمترین مسائل در توسعه استراتژیهای مدیریت دانش آن است که باید استراتژی و اهداف سازمانی را منعکس کند. آنها باید قادر به بهبود کارائی و بهرهوری فرآیندهای کسب و کار و عملکرد سازمانی باشند. از طریق فرایند استراتژی مدیریت دانش، نقاط قوت و ضعف، فرصتها و تهدیدها برای سازمانها آشکار میشود، بنابراین میتوانیم بگوییم که برنامهریزی استراتژیک مدیریت دانش بخشی از مدیریت دانش و خلق استراتژی در واقع بخشی از برنامهریزی استراتژیک مدیریت دانش است[۹].
در بحث استراتژیهای مدیریت دانش، نوناکا و تاکوچي (۱۹۹۵) چهار نوع استراتژي خلق و تبديل دانش در سازمانها را ارائه نمودهاند که عبارتند از: ۱- اجتماعي سازي، ۲- برونيسازي، ۳- ترکيبسازي و ۴- دروني سازي. به اعتقاد آنها، بهترين حالت براي انتخاب استراتژي مديريت دانش، سرمايهگذاري بر روي يک يا دو استراتژي مديريت دانش به عنوان استراتژيهاي اصلي و بکارگيري بقيه استراتژيها به عنوان استراتژيهاي پشتيبان ميباشد[۱۰].
زاک 1 (1999) استراتژی مدیریت دانش را به عنوان یک رویکرد کلی به سازمان برای ایجاد هماهنگی میان منابع و توانمندیهای دانشی با مجموعه الزامات آن استراتژی در نظر میگیرد. وی استراتژیهای دانش را به دو گروه تقسیم میکند: تهاجمی و محافظهکارانه. استراتژیهای تهاجمی برای عملکرد بهتر، مناسبتر میباشند[۱۱]. عدهای نیز معتقدند که این استراتژیها را میتوان توسط مشخصههایی همچون سازمانهای نوآور به دلیل موفقیت مالی زیاد در عملکرد توصیف کرد[۱۲].
لی2 و همکارانش (1999) نیز 4 نوع استراتژی دانشی به نامهای 1) پیشرو و مهاجم ، 2) دانش درونی و انسان محور ، 3) دانش بیرونی و استفاده مجدد محور و 4) منفعل را برمبنای دو معیار تمرکز بر دانش و منابع دانش معرفی کردند و یافتند که شرکتهایی که دارای استراتژی پیشرو و مهاجم بودند و دو استراتژی انسان محور و استفاده مجدد محور را با هم ترکیب کردهاند، به عملکرد مالی بهتری در نرخ بازگشت سرمایهگذاری رسیدهاند[۱۳]. در تحقیقات دیگر نیز مشخص شد که بهترین استراتژی در شرکتهای تولیدی، استراتژی انسان محور میباشد[۱۴] و بهترین استراتژی در شرکتهای مالی، رویکرد سیستم محور است[۱۵]. چوی و چانگ3 (2010) معتقدند که نوع صنعت بر استراتژیهای مدیریت دانش تأثیر میگذارد به نحویکه هر چه به سمت شرکتهای تولیدی میرویم، نوع استراتژیها به سمت انسان محوری حرکت میکند و خود را ملزم به تعاملات مستمر با کارمندان، تأمینکنندگان و مشتریان میدانند[۱۶]. شولتز و جاب4 (2001) نیز 4 دسته استراتژی به نامهای کدگذاری، آشکارسازی، متمرکز و نامتمرکز معرفی کردهاند و دریافتند که استراتژیهای متمرکز بهترین استراتژی در شرکتهای فراملیتی میباشد و انواع متفاوت دانش، نیازمند هماهنگی شکل‌های کدگذاری برای افزایش عملکرد واحدهای زیر مجموعه و فرعی میباشد[۱۷].
چوی و لی5 (2003) نیز در تحقیق خود 4 دسته استراتژی ایستا، انسان محور، سیستم محور و پویا را معرفی کرده و دریافتند که استراتژی پویا باعث عملکرد بهتری در سازمانها خواهد شد[۱۸]. کنسکین6 (2005) نیز استراتژیهای مدیریت دانش را بر مبنای ویژگیها و مشخصات دانش، به دو دسته توجه به آشکار و توجه به دانش پنهان تقسیم کرد. او دریافت که میزان تأثیر استراتژیهای مبتنی بر دانش آشکار، تأثیر بیشتری بر عملکرد کسب و کار دارد[۱۹]. یانگ7 (2010) در تحقیق خود به دنبال بررسی تأثیر استراتژی مدیریت دانش بر عملکرد استراتژیک سازمانی در شرکتهای با تکنولوژی پیشرفته در چین از منظر تئوری مبتنی بر منابع بود. او از مقیاسهای جدیدی برای استراتژی مدیریت دانش استفاده کرد. نتایج تحقیق مشخص کرد که استراتژیهای عملکرد محور و شایستگیهای مبتنی بر مدیریت دانش بایستی در پیادهسازی استراتژی مدیریت دانش مد نظر قرار بگیرند[۷]. پالته و همکاران (2011) نشان دادند که یک رابطه مثبت بین استراتژی مدیریت دانش و عملکرد فرآیندهای مدیریت دانش وجود دارد، که هر دو به موفقیت مدیریت دانش مربوط هستند[۲۰].
استوی و کان8 (2010) متوجه شدند استراتژی کدگذاری ( استراتژی مبتنی بر مستندسازی و اسناد ) توانایی شرکتهای خدماتی را برای فعالیتهای توسعهای خدمات جدید افزایش میدهد و استراتژی شخصیسازی( سیستم مبتنی بر شبکههای ارتباطی بین فردی) باعث میشود که بازار، شرکت را به عنوان نوآور و ابداع کننده بشناسد[۲۱].
شفیعی نیک آبادی و زمانلو9 (2013) معتقدند که بر اساس دو معیار میتوان در مورد استراتژیهای مدیریت دانش قضاوت کرد. یکی محل تمرکز استراتژی است که نشان میدهد آیا استراتژی مبتنی بر دانش واضح است و یا دانش پنهان و معیار بعدی، منبع دانش مورد استفاده است، یعنی اینکه آیا به دنبال دانش درونی هستند و یا اینکه منبع دانش خود را بیرونی میدانند[۲۲]. با توجه به مرور صورت گرفته هم میتوان متوجه شد که بر اساس این دو معیار میتوان در مورد استراتژیهای مدیریت دانش قضاوت کرد. مثلا بیرلی و چاکاباراتی و یا زاک مبنای تعریفهای استراتژی خود را هر دو معیار فوق میدانند و کنسکین (2005) و شولتز و جاب (2001) نیز تنها مبنای طراحی استراتژیهای خود را محل تمرکز دانش قرار دادهاند. در تحقیقی که به وسیله شفیعی نیک آبادی و همکاران (2014) برای شناسایی و اولویتبندی استراتژیهای مدیریت دانش با استفاده از نرم افزار SPSS وLISREL انجام گرفته است، مشخص گردید که از بین 4 بعد استراتژی مدیریت دانش ( دانش آشکار، دانش پنهان، درون محور و برون محور )، دانش آشکار مهمترین تأثیر را در پایگاه دانش شرکتهای تولید کننده نرم افزار دارد[۲۳].
مدل استراتژی های مدیریت دانش بکار گرفته شده در این پژوهش، مدل ارائه شده توسط شفیعی نیک آبادی و زمانلو (2013) میباشد که در جدول 1 شرح داده شده است.
[1] . Zack
[2] .Lee
[3] . Choi & jong
[4] .Schulz, M., & Jobe
[5] .Choi & Lee
[6] .Keskin
[7] . Yang
[8] .Storey,& Kahn
[9] .Shafiei nikabadi & Zamanloo
جدول 1 : معیارهای کلیدی برای استراتژیهای مدیریت دانش (شفیعی و زمانلو ، 2013)
استراتژی تمرکز
|
دانش پنهان | · تأکید بر کسب دانش از خبرگان و همکاران · تأکید بر شبکه های ارتباطی و گفتگو های غیر رسمی و چهره به چهره توسط خبرگان · تأکید بر کسب دانش توسط آموزش های مستقیم فرد به فرد |
دانش آشکار | · تأکید بر انجام مستند سازی ها · کسب و تسهیم دانش از طریق حالت های کد شده و مستند شده | |
استراتژی منبع |
درون محور | · میزان اطمینان به منابع دانش درون سازمانی · تأکید بر استفاده از دانش درون سازمانی برای ایجاد دانش جدید |
برون محور | · تأکید بر کسب دانش از مشتریان · تأکید بر کسب دانش از طریق مشارکت ها و تشکیل اتحادیه ها · تأکید بر کسب دانش از طریق بررسی و تحلیل دانش رقبا |
X1 |
X2 |
لایه خروجی لایه ورودی
X3 |
شکل 1 : شبکه عصبی مصنوعی پیش خور تک لایه
لایه خروجی
لایه پنهان
لایه ورودی
شکل 2 : شبکه عصبی پیش خور با لایه پنهان
· شبکه عصبی مصنوعی
شبکه عصبی مصنوعی، یک ابزار محاسباتی الهام گرفته از مغز انسان است. کار بر روي شبکههاي عصبی مصنوعی یا به طورکلی « شبکههای عصبی » به طور مشخص از سال 1943 توسط مک کلو و پیتز آغاز گردید[۲۴]. از آنجا که هدف هوش مصنوعی، توسعه پارادایمها یا الگوریتمهاي مورد استفاده انسان جهت کاربرد در ماشین است، شبکههاي عصبی مصنوعی نیز به عنوان یکی از روشهاي هوش مصنوعی به دنبال تقلید از عملکرد مغز انسان میباشند. این شبکهها داراي ویژگیهایی میباشند که آنها را در برخی از کاربردها مانند تخمین توابع، پیشبینی، تشخیص الگو، کنترل، رباتیک و به طور کلی در هرجا که نیاز به یادگیري یک نگاشت خطی و یا غیرخطی باشد، ممتاز مینماید[۲۵].
این شبکهها جزء آن دسته از سیستمهاي پویا قرار دارند که با پردازش دادههاي تجربی، دانش یا قانون نهفته در وراي دادهها را به ساختار شبکه منتقل میکنند. به همین خاطر به این سیستمها، هوشمند میگویند؛ چرا که بر اساس محاسبات روي دادههاي عددي یا مثالها، قوانین کلی را فرا میگیرند. این سیستمهاي مبتنی بر هوش محاسباتی سعی در مدلسازي ساختار نرو- سیناپتیکی1 مغز بشر دارند[۲۶].
شبکه عصبی مصنوعی حل مسائل پیچیده را با استفاده از عملگرهای محاسباتی ساده مانند جمع، ضرب ماتریسی و آرایههای منطقی ابتدایی تسهیل می کند. یک شبکه عصبی، مجموعهای از نورونهای به هم متصل در لایههای مختلف است که اطلاعاتی را برای یکدیگر ارسال میکنند. سادهترین شبکه فقط دو لایه دارد(شکل 1)، لایه ورودی و لایه خروجی که این مدل به مدل پیشخور معروف میباشد. شبکه به صورت یک سیستم ورودی – خروجی عمل میکند و ارزش نورونهای ورودی را برای محاسبه ارزش نورونهای خروجی مورد استفاده قرار میدهد[۲۴].
شبکههاي عصبی با لایههاي پنهان که به شبکههاي پرسپترون چند لایه معروفاند داراي تواناییهاي بیشتري نسبت به شبکههاي عصبی پیش خور تک لایه هستند که علاوه بر لایههاي ورودي و خروجی داراي لایههاي پنهان نیز میباشند. واحدهاي پنهان بر خلاف واحدهاي ورودي و خروجی هیچ مفهومی را نشان نداده و تفسیر یا معنی خاصی ندارند و صرفاً یک نتیجه میانی در فرایند محاسبه ارزش خروجی هستند. واحدهاي پنهان شبیه واحدهاي خروجی رفتار میکنند[۲۴]. مدل استفاده شده در این پژوهش در شکل 2 نشان داده شده است.
از جمله ویژگیهاي شبکههاي عصبی میتوان به قابلیت یادگیري، قابلیت تعمیم، پردازش موازي و مقاوم بودن، اشاره نمود. نوع مدلهاي شبکههاي عصبی و الگوریتمهاي یادگیري آنها، امکان کاربردهاي مختلفی را براي آنها فراهم میآورد[۲۴]. به منظور موفقیت در انطباق با مسائل دنیاي واقعی، باید ابعاد زیادي از جمله مدل شبکه، اندازه شبکه، تابع فعالیت، پارامترهاي یادگیري و تعداد نمونههاي آموزشی را مد نظر قرار داد.
شبکههاي عصبی بر خلاف روشهاي سنتی آماري، به ویژه در پیشبینی، هیچ پیش فرضی در مورد توزیع و یا خواص آماري دادهها به عمل نمی آورند و از این نظر میتوانند در عمل کارآیی زیادي داشته باشند. ضمن آنکه این شبکهها، در زمره رویکردهاي غیرخطی در تدوین مدلها قرار دارند و از این منظر نیز در مواجهه با دادههایی که پیچیده و غیرخطی هستند، با دقت بیشتري میتوانند آنها را در قالب یک مدل مشخص بیان کنند[۲۷].
شبکه عصبی مصنوعی، سیستمهای پردازش اطلاعات و ابزارهای نرمافزاری با هدفهای عمومی هستند که از تعداد زیادی عناصر محاسباتی ساده که از طریق ارتباطات وزندار در تعامل هستند، تشکیل شدهاند . با الهام از ساختار مغز انسان، شبکه عصبی مصنوعی برخی ویژگیها از قبیل توانایی یادگیری الگوهای پیچیده اطلاعات و تعمیم دادن اطلاعات یادگیری شده را نشان میدهند و در کارهای تحلیل داده مانند خوشهبندی ، طبقهبندی و پیشبینی کاربرد دارد[۲۸].
از نظر استفاده از شبکههاي عصبی مصنوعی نیز عمده استفاده از شبکههاي عصبی در مدیریت، مربوط به مدیریت مالی میشود. بدین ترتیب، کاربرد روشهاي فراابتکاري در شاخههاي دیگر علم مدیریت مانند بازاریابی، استراتژی و بررسی و تجزیه و تحلیل نتایج آن، به عنوان یک وادي بکر در پژوهشهاي مدیریتی جاي کار بسیاري دارد. در تحقیقی که با استفاده از شبکههاي عصبی مصنوعی و ترکیب آن با مدلهاي کانو و سروایمپرف به بررسی کیفیت خدمات در هتلها پرداخت، نشان داده شد که شبکههاي عصبی نسبت به مدلهاي آماري توانایی بیشتري در مدلسازي کیفیت خدمات داشته و برازندگی بهتري را نشان میدهد.
در این تحقیق ضرایب اهمیت مؤلفههاي کیفیت به وسیله شبکه عصبی به دست آمد[۲۹]. تی سایر و دیگران براي به دست آوردن ارتباط بین مؤلفههاي کیفیت به عنوان متغیرهاي مستقل و وفاداري مشتري به عنوان متغیر وابسته از شبکه عصبی استفاده کردند[۳۰]. بهارا و همکارانش از شبکههاي عصبی براي مقایسه روشهاي سنجش کیفیت خدمات استفاده کردند[۳۱].
در مطالعهاي دیگر حسینعلی شیرازي از شبکه عصبی براي ارزیابی روابط بین خریدار و فروشنده استفاده کرده است. نتایج این تحقیق نشان داد که شبکه عصبی نسبت به روشهاي آماري از توانایی بالاتري براي مدلسازي رابطه بین خریدار و فروشنده برخوردار است[۳۲].
به طور کلی میزان استفاده از شبکه عصبی مصنوعی در رشتههای مختلف رشد قابل توجهی داشته است. این گستردگی در حوزه رشتههای متنوعی از جمله بیولوژی، فیزولوژی، آمار و ریاضی، علوم پزشکی، علوم رایانه کاربرد فراوان پیدا کرده است.
همچنین برای پیشبینی در حوزههاي مختلف کسب و کار استفاده شده است که از جمله آن میتوان به موارد زیر اشاره کرد: انتخاب فروشندگان، پیشبینی سريهاي زمانی، پیشبینی عملکرد سرمایه، پیشبینی صادرات، پیشبینی قیمت، پیشبینی ورشکستگی، پیشبینی نرخ ارز، پیشبینی تقاضا و بررسی رابطه بین خریدار و فروشنده. به تازگی نیز در حوزههای دیگر مثل بازرگانی، مدیریت، تصمیم‌گیری‌های بازاریابی و حسابداری مالی نیز از آن استفاده میشود[۳۳].
روش شناسی تحقیق
تاکنون مطالعات انجام شده بر روی استراتژیهای مدیریت دانش با استفاده از تحلیل آماری بوده است. یعنی استفاده از ابزار خطی برای مدلسازی روابط غیرخطی. اما پیشرفتهای صورت گرفته در دیگر رشتههای دانشگاهی و استفاده از روشهای فراابتکاری مانند روشهای مبتنی بر هوش مصنوعی برای حل مسائل پیچیده، پژوهشگران را برای استفاده از این روشها ترغیب کرده است. یکی از این پیشرفتها در زمینه هوش مصنوعی، شبکههای عصبی مصنوعی هستند.
لذا در این تحقیق از روش شبکه عصبی مصنوعی برای تحلیل و بررسی استفاده شده است. این تحقیق نیز از لحاظ هدف کاربردی و از لحاظ متغیر کیفی است و از لحاظ ابزار جمعآوری دادهها توصیفی پیمایشی است. که در آن به شناسایی و بررسی میزان اهمیت نسبی استراتژیهای مدیریت دانش در شرکتهای دانشبنیان تولید نرمافزار شهر تهران پرداخته میشود.
· مدل مفهومی پژوهش
با توجه به مرور ادبیات صورت گرفته، میتوان مدل مفهومی پژوهش را به صورت زیر ترسیم نمود.
[1] .Neuro-Synaptic
برون محور |
درون محور |
دانش پنهان |
دانش آشکار |
شکل3 : مدل مفهومی پژوهش
· گزارههای تحقیق
با توجه به مرور ادبیات صورت گرفته و مدل مفهومی ارائه شده، میتوان سؤال تحقیق را به صورت زیر بیان کرد.
«میزان اهمیت نسبی استراتژیهای مدیریت دانش با استفاده از شبکه عصبی مصنوعی در شرکتهای نرم افزاری دانش بنیان به چه صورت است؟»
· ابزار گردآوری اطلاعات :
برای جمعآوری اطلاعات از مطالعات کتابخانهای و میدانی استفاده شده است. پرسشنامهی به کار برده شده، پرسشنامه استراتژیهای مدیریت دانش طراحی شده بوسیله شفیعی نیک آبادی و زمانلو (2013) میباشد که شامل 10 سؤال با طیف لیکرت 5 قسمتی است.
· جامعه و نمونه آماری
جامعه آماری تحقیق، کلیه کارکنان شرکتهای نرمافزاری دانش بنیان شهر تهران که حدوداً 34 شرکت بود، میباشد که از مجموع 200 پرسشنامه توزیع شده تنها 123 پرسشنامه قابل استفاده بود. کارشناسان و متخصصان تشکیل دهنده جامعه آماری از کسانی که دارای حداقل 3 سال سابقه کار در زمینه امور مدیریت و یکی از معیارهای زیر بودند، انتخاب شدند:
الف) مدرک کارشناسی یا بالاتر در زمینه مدیریت و سیستم
ب) گزارشات و مقالات در زمینه مدیریت دانش
ج) فعالیتهای عملیاتی در سازمان، استراتژی، برنامهریزی و مدیریت دانش
نمونه در این بخش از میان شرکتهای دانشبنیان فعال در زمینه تولید نرم افزار انتخاب شده است. به دلیل تازگی این موضوع و اینکه تعداد پاسخدهندگان بسیار محدود بود از شیوه قضاوتی و هدفمند استفاده گردید.
· روایی و پایایی پژوهش
روایی محتوایی پرسشنامه از بررسی و مطالعه پرسشنامهها و سؤالاتی که در تحقیقات گذشته مورد استفاده قرار گرفتهاند، مطالعه مقالات و کتب متعدد در رابطه با موضوع استراتژیهای مدیریت دانش و همچنین مشاوره با افراد صاحبنظر استفاده شده است. برای سنجش پایایی پرسشنامه از روش آلفای کرونباخ به کمک نرم افزار SPSS استفاده گردید. آلفای کرونباخ بدست آمده برای استراتژیهای مدیریت دانش ۷۷۵/۰ می باشد، که آلفای کرونباخ استراتژی تمرکز دانش ۷۳۶/۰و استراتژی منبع دانش ۷۰۳/۰ بدست آمد.
· روش تجزیه تحلیل اطلاعات
در این تحقیق، برای تجزیه و تحلیل دادههای بدست آمده از نمونهها، از روشهای آمار توصیفی و آمار استنباطی و شبکههای عصبی مصنوعی استفاده شده است. تحلیل توصیفی و آمار استنباطی با استفاده از(18) SPSS و تحلیلهای کمی برای پاسخ گویی به اهداف تحقیق از رویکرد شبکه عصبی با استفاده از نرم افزار (7.13) MATLAB انجام شده است .
یافته های تحقیق
· آمار توصیفی
از مجموع پرسشنامههای توزیع شده، تنها 123 پرسشنامه برای انجام تحلیلهای آماری مناسب بودهاند که از این بین، 52% از پاسخدهندگان دارای مدرک کارشناسی و 48% دارای تحصیلات تکمیلی بودند و حدود 51% از افراد دارای سابقه کاری بالای 5 سال در زمینه نرمافزار میباشند.
· آمار استنباطی
به منظور تعیین اهمیت نسبی هر کدام از ورودیها به خروجی از شبکه عصبی پیشخور (پرسپترون) سه لایه، شامل ورودی، خروجی و لایه پنهان استفاده شده است که ورودیهای شبکه عصبی، مؤلفههای استراتژی مدیریت دانش میباشند که در مجموع 10 مؤلفه از پرسشنامه استخراج شده است. این ورودیها همراه با ماتریس هدف به شبکه عصبی وارد شدند. به منظور تعیین تعداد لایههای مناسبِ لایه پنهان، میانگین مجذور خطای (MSE) دادههای تست را بدست آورده و کمترین MSE نشان دهنده بهترین تعداد نورون است. به منظور اطمینان از انتخاب آن، آموزش ده مرتبه انجام گرفت و میانگین ده بار آموزش مورد مقایسه قرار گرفت . نتایج در جدول 2 آمده است.
MSE | تعداد نورون |
۱۹۳۷/۰ | P=3 |
۳۱۲۷/۰ | P=4 |
۲۷۴۱/۰ | P=5 |
۳۲۲۹/۰ | P=6 |
۳۴۲۴/۰ | P=7 |
۳۰۵۳/۰ | P=8 |
۲۶۱۵/۰ | P=9 |
۲۸۳۱/۰ | P=10 |
جدول 2: مقایسه شبکه عصبی با تعدا نورونهای متفاوت |
جدول 3: محاسبه تغییر متوسط مجذور خطا برای شبکه عصبی
ورودی ها | متوسط مجذور خطا | میزان تغییر | رتبه | اهمیت نسبی |
همه ورودی ها | ۱۹۳۷/۰ | |||
حذف استراتژی دانش پنهان | ۲۷۱۰/۰ | ۰۷۷۳/۰ | 2 | ۲۹/۰ |
حذف استراتژی دانش آشکار | ۲۸۴۴/۰ | ۰۹۰۷/۰ | 1 | ۳۱/۰ |
حذف استراتژی درون محور | ۲۵۶۳/۰ | ۰۹۲۶/۰ | 3 | ۲۱/۰ |
حذف استراتژی برون محور | ۲۴۹۸/۰ | ۰۵۶۱/۰ | 4 | ۱۹/۰ |
|
|
|
| 1=∑ |
همانطور که نتایج جدول نشان میدهد، تعداد 3 نورون با کمترین MSE (۱۹۳۷/۰) بهترین انتخاب میباشد.
سپس با استفاده از این مدل 3 نورون و از روش تغییرات میانگین مجذور خطا برای مشخص کردن اهمیت نسبی هر یک از ورودیها به خروجیها استفاده کردیم. نتیجه محاسبات در جدول 3 نشان داده شده است.
شبکه عصبی بعد از حذف یک ورودی با N-1 ورودی آموزش داده شد و تغییر متوسط مجذور خطا نسبت به مدل کامل شبکه عصبی، برای مدل کاهش یافته شبکه عصبی محاسبه گردید و این عمل برای هر یک از ابعاد تکرار شد، سپس ورودی که حذف آن تغییر بیشتری در متوسط مجذور خطا ایجاد نمود به عنوان مهمترین ورودی رتبهبندی گردید. از آنجایی که حذف دانش آشکار، متوسط مجذور خطای بیشتری را ایجاد می کند لذا به عنوان مهمترین بعد رتبهبندی میشود.
یافتهها و پیشنهادها
یافتههای این تحقیق حاکی از آن است که در میان استراتژیهای مدیریت دانش در شرکتهای نرمافزاری دانشبنیان شهر تهران، دانش آشکار با اهمیت نسبی ۳۱/۰ دارای بالاترین رتبه و دانش پنهان با اهمیت نسبی ۲۹/۰ در رتبه دوم و درون محور و برون محور به ترتیب با اهمیت نسبی ۲۱/۰ و ۱۹/۰ بعد از آنها قرار دارند.
چوي و چانگ1 (2010) معتقدند که نوع صنعت بر استراتژيهاي مديريت دانش اثر ميگذارد به نحويکه هر چه به سمت شرکتهاي توليدي ميرويم، نوع استراتژيها به سمت انسانمحوري حرکت ميکند و خود را ملزم به تعاملات مستمر با کارمندان، تأمين کنندگان و مشتريان ميدانند. با توجه به گفته چوی و چانگ (2010)، پس میتوان متوجه شد که هر شرکت میتواند با توجه به صنعت خاص خود، استراتژیهای دانشمحور متفاوتی انتخاب نماید. بنابراین، از یافتههای این تحقیق نیز میتوان دریافت که استراتژیهای تمرکز(دانش آشکار و پنهان) بیشترین اهمیت را برای شرکتهای دانش بنیان خواهند داشت.
همچنین، شولتز و جاب 2(2001) نیز دريافتند که استراتژيهاي متمرکز بهترين استراتژي در شرکتهاي فرامليتي ميباشد و انواع متفاوت دانش، نيازمند هماهنگي شکلهاي کدگذاري براي افزايش عملکرد واحدهاي زير مجموعه و فرعي ميباشد. کسکين 3(2005) نيز استراتژيهاي مديريت دانش را بر مبناي ويژگيها و مشخصات دانش، به 2 دسته توجه به دانش آشکار و توجه
[1] .Choi & Jong
[2] .Schulz & Jobe
[3] . Keskin
به دانش پنهان تقسيم کرد. او دريافت که ميزان تأثير استراتژيهاي مبتني بر دانش آشکار، تأثير بيشتري بر عملکرد کسب و کار دارد. يانگ 1(2010) در تحقيق خود بدنبال بررسي تأثير استراتژي مديريت دانش بر عملکرد استراتژيک سازماني در شرکتهايي با تکنولوژي پيشرفته در چين از منظر تئوري مبتني بر منابع بود. او از مقياس‌هاي جديدي براي استراتژيهاي مديريت دانش استفاده کرد. نتايج تحقيق مشخص کرد که استراتژيهاي عملکرد محور و شايستگيهاي مبتني بر مديريت دانش بايستي در پيادهسازي استراتژي مديريت دانش مد نظر قرار بگيرند.
همچنین، استوري و کان2 (2010) نیز متوجه شدند که استراتژي کدگذاري (سيستم مبتني بر مستند سازي و اسناد) توانايي شرکتهاي خدماتي را براي فعاليتهاي توسعهاي خدمات جديد افزايش ميدهد. شفیعی نیک آبادی و همکاران3 (2014) در تحقیق خود که به شناسایی و بررسی میزان اهمیت نسبی استراتژیهای مدیریت دانش با استفاده از نرم افزار لیزرل پرداخته بودند به این نتیجه رسیدند که در بین استراتژیهای مدیریت دانش، استراتژی دانش آشکار مهمترین تأثیر را بر عملکرد شرکتهای نرمافزاری دانش بنیان دارد. بنابراین میتوان نتیجه گرفت که تعیین استراتژی دانش آشکار به عنوان مهمترین استراتژی، نیز توسط ادبیات تحقیق مورد تأیید قرار گرفته است.
همچنین مصاحبه صورت گرفته با چند تن از مدیران شرکتهای نرمافزاری دانشبنیان در جهت تحلیل این قضیه نشان میدهد که این شرکتها به علت اینکه از
4.Bouncken R. B. and Pyo S. Achieving Competitiveness through Knowledge Management Journal of Quality Assurance in Hospitality & Tourism 3(3), 1-4, 2002.
5.لایحه حمایت از مؤسسات و شرکت های دانش بنیان و تجاری سازی نوآوری ها و اختراعات مصوب شده در صحن علنی مجلس شورای اسلامی، 1389.
|
مجموعهای از متخصصین در حوزههای دانشی مختلف تشکیل شدهاند و تمرکز اصلی آنها ارائه محصولات کاربردی و تولید ایدههای جدید میباشد، لذا، در وهله اول به دنبال مستندسازی، کدگذاری دانش، ثبت دانش پنهان افراد و تبدیل به دانش آشکار هستند تا ماندگاری دانشی را افزایش دهند و از طرفی دیگر گفتگو با اعضای شرکت نشان میداد میل اعضای شرکت، که شامل خبرگان و متخصصین میباشند به استراتژیهای درون محور و برون محور کمتر میباشد که علت این امر، یعنی توجه کمتر به استراتژیهای منبع دانش را در عدم وجود یک بازار رقابتی پویا و پیچیده در کشور ایران ذکر نمودند. به همین دلیل کسب این نتایج دور از ذهن نبوده است.
لذا با توجه به نتایج بدست آمده و مصاحبه صورت گرفته با اعضای این شرکتها میتوان پیشنهادات اجرایی ذیل را مطرح نمود:
ü آموزش مدیران ارشد، مدیران پروژه و متخصص مبنی بر درک مفاهیم مدیریت دانش
ü استخدام و انتخاب افراد دانش محور و متخصص و تهیه ماتریسهای شایستگی و تدوین برنامههای دقیق شغلی، جهت تعیین نیازهای دانشی افراد
ü طراحی و اجرای مکانیزمهای مستند از یافتهها و تجربیات شرکتکنندگان در پروژه
ü طراحی و پیادهسازی روشهایی برای تشویق و پاداش و توسعه تعهد کارکنان جهت ثبت و مستندسازی تجربیات.
منابع
1.VonKrog G. and Nonaka I. Knowledge Creation: A Source of Value London: Macmillan, 2000.
2.Yang, J. The knowledge management strategy and its effect on firm performance: A contingency analysis. International Journal of Production Economics, 125, 215–223. Doi: 10.1016/j. ijpe.2010.03.012, 2010.
3.Martensson M. A critical review of knowledge management as a management tool Journal of Knowledge Management 4(3), 204-216, 2000.
[1] Yong
[2] Storey & Kahn
[3] Shafie nik abadi et al
6.توربان، افرایم و همکاران، فناوری اطلاعات برای مدیریت، ترجمه حمیدرضا ریاحی و همکاران، انتشارات دانشگاه پیام نور، ویرایش پنجم، 1385.
7.Alhawamdeh A. M. The Role of Knowledge Management in Building E-Business Strategy Proceedings of the World Congress on Engineering and Computer Science October 24-26 2007 San Francisco USA, 2007.
8.Yang, J. The knowledge management strategy and its effect on firm performance: A contingency analysis. International Journal of Production Economics, 125, 215–223. doi:10.1016/j. jipe. 2010.03.012, 2010.
9.Baker K. A. & Badamshina G. M. Knowledge management. In Management Benchmark Study Office of Science Department of Energy Office of Planning an Analysi Available at: http://www.au.af.mil/au/awc/awcgate/doe/benchmark/ch05.pdf (29 august 2010), 2002.
10.Elahi, Sh.,& khadivar, A. providing a methodology for developing knowledge management strategy, Three organizations studied sample, 2009.
11.Nonaka, I., & Takeuchi, H. The knowledge creating company. New York, NY: Oxford University Press, 1995.
12.Zack, M. H. Developing a knowledge strategy. California Management Review, 41(3), 125–145. doi:10.2307/41166000, 1999.
13.Bierly, P., & Chakrabarti, A. Generic knowledge strategies in the US pharmaceutical industry. Strategic Management Journal, 17(10), 123–135, 1996.
14.Lee, H. H., Jsasss, H., Chang, Y., & Choi, B. Analysis of effects of knowledge management strategies in corporate performance. Korean Intelligent Information Journal, 5(2), 99-120, 1999.
15.Kankanhalli, A., Tanudidjaja, F., Sutanto, J., & Tan, B. C. Y. The role of IT in successful knowledge management initiatives. Communications of the ACM,
46(9), 69–73. doi:10.1145/903893.903896, 2003.
16.Abell, A., & Oxbrow, N. Competing with knowledge. London, UK: Library Association, 2001.
17.Choi, B., & Jong, A. M. Assessing the impact of knowledge management strategies announcements on the market value of Fisse. Information & Management, 47, 42–52. doi:10.1016/j.im.2009.10.001, 2010.
18.Schulz, M., & Jobe, A. L. Codification and tacitness as knowledge management strategies: An empirical exploration. The Journal of High Technology Management Research, 12(1), 139–165. doi:10.1016/S1047-8310(00)00043-2, 2001.
19.Choi, B., & Lee, H. An empirical investigation of KM styles and their effect on corporate performance. Information & Management, 40(5), 403–417. doi:10.1016/S0378-7206(02)00060 5, 2003.
20.Keskin, H. The relationships between explicit and tacit oriented KM strategy, and firm performance. The Journal of American Academy of Business Cambridge, 7(1), 73–77, 2005.
21.Palte, R., Hertlein, M., Smolnik, S., & Riempp, G. The effects of a KM strategy on KM performance in professional services firms. International Journal of Knowledge Management, 7(1), 16–34. doi:10.4018/jkm.2011010102, 2011.
22.Storey, C., & Kahn, K. B. The role of knowledge management strategies and task knowledge in stimulating service innovation. Journal of Service Research, 13, 397–410. doi:10.1177/1094670510370988, 2010.
23.Shafiei Nikabadi, M., & Zamanloo, SZ., A multidimensional structure for describing the influence of supply chain strategies, business strategies, and knowledge management strategies on knowledge sharing in supply chain, International Journal of Knowledge Management, 8, 2013.
24.Shafiei Nikabadi, M., Damghanian, H., & Dehghan, M. Identifying key Strategies of Knowledge Management in Knowledge Base Companies”. WAP Journal, 2014.
25.هاگان، مارتین تی، دیموث، هاروارد بی و بیل، مارك، طراحی شبکه هاي عصبی ترجمه: سید مصطفی کیا، انتشارات کیان رایانه سبز، تهران، 1388.
26.منهاج، محمدباقر، هوش محاسباتی: مبانی شبکه های عصبی، جلد اول، انتشارات دانشگاه صنعتی امیر کبیر، 1379.
27.Hollnagel, E., The Reliability Of Expert Systems, Ellis Horwood Ltd, 1989.
28.قدیمی، محمدرضا و مشیري، سعید، مدل سازي و پیش بینی رشد اقتصادي در ایران با استفاده از شبکه هاي عصبی مصنوعی (ANN)- فصلنامه پژوهشهاي اقتصادي ایران، ۱۲، 33-1، ۱۳۸۸.
29.Hakimpoor, H., Arshad, K. A., H., T., Khani, N., & Rahmandoust, M. Artificial Neural Networks’ Applications in Management. World Applied Sciences Journal, 14(7), 1008-1019, 2011.
30.Jaw D., Wei, Ch., Chen, W., & Pei, W., Back- Propagation Neural Network based
Importance Performance Analysis for Determining Critical Service Attributes, Expert System with Applications, 34, 1115- 1125, 2008.
31.Tsaur, Sh. Hs., Chiu, Y., & Huang, Ch. H., Determinants of Guest Loyalty to International Tourist Hotels- a Neural Network Approach, Tourism Management, 23,397-405, 2002.
32. Behara, R. S., Fisher, W. W., & Lemmink, J. G., Modelling and Evaluating Quality Measurement using Neural Networks, International Journal of Operations & Production management, 22, (10), 1162 -1185, 2002.
33.حسینعلی شیرازي، محمود ، کاربرد تکنیک شبکه عصبی براي ارزیابی روابط خریدار و فروشنده، فصلنامه دانش مدیریت، ۱۹(۷۳) 71-90، ۱۳۸۵.
34.میرغفوری، سید حبیب الله؛ صادقی آرانی،زهرا ؛ جعفرنژاد، احمد، پیش بینی موفقیت تجاری سازی ایده های نوآورانه با استفاده از شبکه عصبی مصنوعی؛ مطالعه موردی مخترعان و نوآوران استان یزد، فصلنامه علمی – پژوهشی، سیاست علم و فناوری، ۴(۱)، 63-76، 1390.
