پیش بینی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک در ایران با استفاده از فرایند تحلیل شبکه ای(ANP)

پیش بینی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک در ایران با استفاده از فرایند تحلیل شبکه ای(ANP)

1- فاطمه محمدی ، ۲- فاطمه نوروز زاده 

1- دانشجوی کارشناسی ارشد مدیریت بازرگانی- گرایش بازاریابی بین الملل، دانشگاه شاهد.

۲-کارشناس ارشد مدیریت بازرگانی- گرایش بازاریابی بین الملل، دانشگاه شاهد.

 

چکیده :

 

به دلیل نوسانات شدید قیمت در بازار محصولات کاشی و سرامیک و ورود محصولات خارجی با کیفیت مشابه از کشورهای همسایه و قیمت پایین تر از قیمت تمام شده در داخل، سود ناشی از تولید این محصولات، همواره با درصد بالایی از ریسک همراه است. برای اینكه صنایعی از این قبیل بتوانند در شرایط رقابت بالا در بازار با کالاهای وارداتی باقی بمانند، باید قیمت پایین تری از قیمت رقبا ارائه دهند و این نیز جز با کاهش هزینه ها امكان پذیر نیست. برآورد درست تقاضای بازار و پیش بینی فروش یكی از راه های کاهش هزینه در این صنعت است. این موضوع به این دلیل انتخاب شده تا بتوان در زمینه پیش بینی فروش که یكی از وظایف اصلی مدیران در تمامی صنایع کشور و مخصوصا صنعت کاشی و سرامیک است اقدام کرد و در استفاده از این اطلاعات به تصمیم گیری مدیران کمک نمود.جهت رسیدن به این هدف، مهم ترین عوامل با مرور ادبیات شناسایی شده و با استفاده از روشANPبه اولویت بندی آنها پرداخته ایم. درگام اول ابتدا با استفاده از پرسشنامه ماتریس همبستگی مبنی بر نظر کارشناسان و خبرگان، روابط میان این عوامل تعیین شد و مشخص گردید که هر عامل بر چه عوامل دیگری اثر می گذارد و از چه عواملی اثر می پذیرد. سپس برای بررسی میزان ارجحیت و رتبه عوامل، از پرسشنامه مقایسات زوجی برمبنای استاندارد روش فرایند تحلیل شبكه ای استفاده شد. نتایج نشان می دهد شاخص های توسعه ساخت و ساز و طرح های عمرانی، حمایت های دولت و بانک مرکزی وکاهش تعرفه های وارداتی در رتبه اول تا سوم قرار دارند.

 

مقدمه :

 

پیش بینی عوامل موثر بر فروش یا برآورد درست تقاضا در دوره های بعد که به پیشگویی فروش آینده اشاره دارد، یكی از مشكلات چالش برانگیز ناشی از ناپایداری و بی ثباتی تقاضا است. بنابراین، بهبود روش های پیش بینی، دغدغه همیشگی مدیران و کانون توجه بسیاری از تحقیقات مربوط در این زمینه است. تصمیم گیرندگان با پیش بینی عوامل موثر بر فروش کارآمد می توانند هزینه های تولید و مواد اولیه را کاهش داده و تعیین کننده قیمت در بازار باشند. همچنین پیش بینی صحیح منجر به کم تر شدن موجودی انبار، پاسخ گویی سریع تر به سفارش ها و دسترسی به هدف درست و به موقع می شود. پیش بینی عوامل موثر بر افزایش فروش، به دلیل رقابت بسیار زیاد در صنایع مختلف و جهانی شدن این صنایع، نقش بسیار مهمی در سیستم های حمایت از تصمیمات مدیران۱دارد(عزیزخانی، ۱۷۳۱: ۴).

 

همچنین برنامه ریزی های صحیح به عنوان یكی از مهمترین وظایف مدیریتی و پیشبینی آنچه احتمالا در آینده رخ میدهد بسیار ضروری است. روش های پیش بینی در قالب روش های کمی و کیفی قراردارند. امروزه روش های کمی، به یكی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاریهای کلان در بازارها تبدیل شده اند. انتخاب یک روش مهم از بین چندین روش یک مرحله ی بسیار مهم در تحقیق است. دقت پیش بینی یكی از مهمترین فاکتورهای انتخاب روش پیش بینی است.در این مقاله سعی شده با استفاده از روش فرایند تحلیل شبكه ای۲(ANP) مدلی برای پیش بینی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک ارائه شود. زمانیكه داده های تاریخی در حیطه ی موضوع وجود ندارند یا زمانی که با طیف گسترده ای از پیامدهای اجتماعی روبه رو هستید،ANPبا امكان مدیریت کردن وابستگی ها و بازخورها میان عوامل شناسایی شده می تواند به عنوان یک ابزار پیش بینی با استفاده از قضاوت متخصصان بكار گرفته شود. اولویت های بدست امده از قضاوت های متخصصان شبیه به قانون احتمالات است. این داده ها از سوپر ماتریس محدود شده ی ANPبدست امده اند که نشان دهنده ی پیش بینی برای دوره های بعد است.

 

         صنعت کاشی و سرامیک از پیشینه تاریخی زیادی در کشور برخوردار بوده و نمونههای بهکار رفته در آثار و ابنیه تاریخی موید  آن است. این صنعت با توجه به نقش مهمی که در بالا رفتن سطح بهداشت جامعه داشته و همچنین برخورداری از مزیتهای فراوان تولیدی از جمله مواد اولیه، سوخت، انرژی، نیروی انسانی و غیره طی سالهای اخیر از اهمیت ویژهای برخورداربوده و رشد فراوانی را در گروه صنعت کانی غیرفلزی به خود اختصاص داده است وجود منابع غنی و سرشار معدنی و کانیهای غیرفلزی باعث شده که بسیاری سرمایهگذاریهای جدید به صنایع کانی غیرفلزی گرایش یابند. تولید کاشی و سرامیک نیز از جمله صنایعی است که به علت سهم بالای منابع داخلی در قیمت تمام شده آنها از جایگاه ویژهای برخوردار شده و از طرف دیگر سوخت ارزان که از فاکتورهای بسیار مهم در تولید اقتصادی این محصول است نیز عامل دیگری است که تولید کاشی و سرامیک را توجیه میکند

 

در پژوهش حاضر، پس از جمع آوری اطلاعات لازم به کمک نرم افزار سوپر دسیژنز۷ که منحصراً برای روش AHP و ANP طراحی شده است، نسبت به تجزیه و تحلیل داده ها اقدام و مدل پیشنهادی برای پیش بینی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک ارائه می گردد. بنابراین این پژوهش بدنبال آن است که با ارائه مدلی به کمک روش تحلیل شبكه ای، بتواند به شناسایی و اولویت بندی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک در ایران بپردازد .

 

2. مبانی نظری 

 

1-2.  پیش بینی فروش

 

در دوره های کاهش فروش، چنانچه مدیران افزایش فروش آتی را زیاد پیشبینی کنند، منابع بیشتری را برای بهره گیری از افزایش تقاضا حفظ میكنند؛ زیرا در صورت کاهش منابع، شرکت به هنگام افزایش فروش، منابع کافی در اختیار نخواهد داشت که به از دست دادن فرصتها منجر میشود.میزان فرصت از دست رفته نیز متناسب با افزایش پیش بینی شده فروش است؛ بنابراین در صورت کاهش فروش در دوره جاری، هرچه پیش بینی مدیریت از فروش دوره آتی با خوش-بینی بیشتری همراه باشد، نشان میدهد کاهش فروش از نظر مدیریت، موقتیتر است.به همین دلیل، منابع بیشتری به منظور آمادگی برای افزایش فروش در آینده حفظ میشود (یاسوکاتا و کاجیوارا۱، ۲۱۱۱)

 

رشد فروش یكی از شاخص های ارزیابی فعالیت شرکت میباشد.رشد مستمر درآمد فروش و سود شرکت منجر به آن میشود که بازار ریسک کمتری را برای شرکت درنظر بگیرد.از طرفی شاخص بحران مالی نیز یكی از شاخص های مطلوب جهت ارزیابی قدرت پرداخت بدهی ها و قابلیت نقدینگی شرکتها میباشد که با استفاده از اطلاعات حسابداری میتوان بحران مالی شرکتها را پیش بینی نمود و سرمایه گذاران، اعتباردهندگان و کارکنان شرکت را در خصوص از بین رفتن کنترل در شرکت آگاه نمود(فاما و فرانک۲، ۱۱۱۲).

 

جهت تداوم فعالیت، بنگاههای تجاری نیازمند ابزارهای متفاوتند که طبیعتا حساسیت ابزارهای متنوع و تاثیر آن بر موفقیت و تداوم فعالیتهای بنگاهها بستگی به پارهای از متغیرها همانند نوع صنعت، بازار تامین مواد اولیه، بازار فروش کالا و خدمات تولیدشده و … دارد. پارهای از این ابزارها مانند، نقدینگی و مسائل مرتبط با نیروی انسانی، عموما برای کلیهی بنگاه ها از اهمیت بسزائی برخوردار است. ایجاد مشكلات در این زمینه ها میتواند برای بنگاه ها مسئله آفرین بوده و توان ادامه حیات و فعالیتهای آنها را به مخاطره بیندازد (سلیمانی امیری، ۱۷۳۲). بنكر و همكاران با بررسی رابطه خوشبینی مدیریت و رفتار هزینه ها نشان دادند، در صورت افزایش (کاهش) فروش، هرچه خوشبینی (بدبینی) مدیریت بیشتر باشد، میزان افزایش (کاهش ) هزینه ها بیشتر می شود و به هنگام افزایش فروش، هرچه پیش بینی تحلیلگران از فروش آتی بیشتر باشد، تعدیلات افزایشی هزینه ها بیشتر میشود(بنكر۷و همكاران،۲۱۱۲).

 

پیش بینی فروش و برآورد درست تقاضای آینده، معمولا یكی از مشكلات پیچیده در صنایع مختلف است.لذا امروزه، چگونگی ایجاد و توسعه مدل های جدید تر و دقیق تر پیش بینی فروش، به یک موضوع تحقیقاتی مهم تبدیل شده است (کیوا۲۱۱۱،۴). پیش بینی فروش یا برآورد درست تقاضا در دوره های بعد، که به پیشگویی فروش آینده،اشاره دارد (چویی۲۱۱۲،۵) یكی از مشكلات چالش برانگیز ناشی از ناپایداری و بی ثباتی تقاضا است (هانگ۱و همكاران،۲۱۱۳). بنابراین، بهبود روش های پیش بینی فروش، دغدغه همیشگی مدیران و کانون توجه بسیاری از تحقیقات مربوط در این زمینه است.تصمیم گیرندگان با پیش بینی فروش کارآمد می توانند هزینه های تولید و مواد اولیه را کاهش داده و تعیین کننده قیمت در بازار باشند.همچنین پیش بینی فروش صحیح منجر به کم تر شدن موجودی انبار، پاسخ گویی سریع تر به سفارش ها و دسترسی به هدف درست و به  موقع یاJITمیشود(چویی،۲۱۱۳). پیشبینی فروش، به دلیل رقابت بسیار زیاد در صنایع مختلف و جهانی شدن این صنایع، نقش بسیار مهمی در سیستم های حمایت از تصمیمات مدیران دارد(اکسایو۲۱۱۳،۲). 

 

2-2.  لزوم توجه مدیران به پیش بینی فروش

 

هر مدیری در تصمیم گیری های خود به نحوی با پیش بینی سر وکار دارد. برخی از این پیش بینی ها ساده و برخی دیگر از این پیش بینی ها پیچیده و مشكل می باشند. همچنین پیش بینی ها می توانند برای دوره های زمانی کوتاه مدت یا بلند مدت انجام گیرند. البته هیچگا ه پیش بینی دقیقا با واقعیت تطبیق نمی کند، و باید کوشید خطای پیش بینی به حداقل ممكن کاهش یابد . علمای مدیریت در زمان حاضر فنون و تكنیک های مختلفی را برای پیش بینی ابداع کرده ودر اختیار مدیران قرار داده اند. هر یک ازاین فنون کاربرد خاص خود را دارند و با آگاهی از مجموعه آنها می توان پیش بینی موفق تری را انجام داد. به دلیل عدم ثبات در قوانین و تعدد در صدور بخشنامهها، صادر کنندگان تمایلی به صادرات نداشته و ترجیح میدهند تولیدات خود را در داخل به فروش برسانند(عزیزخانی، ۱۷۳۱: ۳).

 

         

 

            مدیران باید بكوشند تا مدلی را برای پیش بینی انتخاب کنند که پاسخگوی نیاز سازمان و متناسب با فعالیت های آن باشد. در بسیاری موارد ممكن است یک مدل ساده پیش بینی نتایج بهتری نسبت به یک مدل پیچیده ارائه کند. با توجه به مشكلات فراوانی که تاکنون در مسیر پیشرفت و سوددهی صنعت کاشی و سرامیكی ایران شناسایی شده از جمله نبود سیستم بازاریابی قوی، تولیدات مازاد داخلی و فقدان انگیزه و برنامه ریزی صحیح در زمینه ی صادرات این مدل میتواند کمک خوبی در زمینه ی شناسایی و رفع مشكلات موجود و ارائه ی مدلی بهینه برای پیش بینی عوامل موثر بر افزایش فروش باشد.در کلیه مواردی که داده های کافی جهت پیش بینی عوامل موثر وجود دارد می توان این پیش بینی را به انجام رساند و وقایع آتی را پیش بینی کرد(آذر و رجب زاده، ۱۷۳۱: ۲).

 

3-2. صنعت کاشی و سرامیک

 

         آینده برای همگان نامشخص است. مدیریت شرکت ، سهامداران فعلی و بالقوه، بستانكاران، کارکنان و سایرین ضمن بی اطلاعی از آینده، ناچار به اخذ تصمیماتی هستند که با آینده ارتباط دارند. پیش بینی جزء لاینفک فرایند تصمیم گیری و کنترل می باشد، از طرفی پیش بینی رابطه ی مستقیمی با ریسک تصمیم گیری دارد. بدین معنی که هرچه پیش بینی دقیقتر باشد، زیان یا ریسک ناشی از تصمیم گیری در شرایط عدم اطمینان کاهش می یابد. این پژوهش در پی آن است که با ارائه ی مدلی برای پیش بینی عوامل موثر بر افزایش فروش به پیش بینی تصمیم در رابطه با افزایش حجم فروش بپردازد. مزیت اصلی این روش ارائه شده در تحقیق به منظور پیش بینی، توانایی آن در شناسایی مشكلات موجود در مسیر صنعت مورد مطالعه است. به همین منظور ابتدا ، به شناسایی عوامل و مشكلات صنعت می پردازد .

 

        تغییر فرهنگ مصرف و استفاده از مصالح مرغوب و مناسب در ساختمان سازی، مشارکت دولت در ساخت وسازهای گسترده برای اقشار بدون مسكن و ممنوعیت ورود کالاهای بیکیفیت باعث شد که تولید کاشی و سرامیک به نحو چشمگیری توسعه یابد. همچنین عواملی مانند افزایش جمعیت کشور و بالا رفتن میزان ساخت و سازها باعث افزایش سرانه مصرف کاشی و سرامیک در کشور شده است. در حال حاضر کشورهای چین، آمریكا، برزیل، ایتالیا، اسپانیا، فرانسه، ترکیه، مالزی، عربستان و ایران بزرگترین مصرف کنندگان کاشی و سرامیک در جهان به شمار میروند. هدف اصلی از طرح این مقاله ارائه ی مدلی برای پیش بینی تصمیم بر فروش محصولات کاشی و سرامیک است. در این راستا سعی بر آن است که با شناسایی عوامل موثر بر افزایش فروش مدلی برای این تحقیق ارائه شود (راست گفتار و شایگان، ۱۷۳۵: ۱)

 

        اجرای قانون هدفمند سازی یارانهها در ابتدا مشكلات متعددی را برای کارخانجات و واحدهای تولید کاشی و سرامیک در کشور به دلیل تهیه و تامین سوخت بوجود آورد، ولی با حمایت مسئولان و اجرای عملیات گازکشی به شهرک های صنعتی و بالطبع واحدهای مذکور، خوشبختانه این مشكل برطرف و رکود موقت این صنعت در استان مرتفع شد (عزیزخانی، ۱۷۳۱: ۳).

 

           برنامه ریزی شده تا صنعت کاشی و سرامیک با مزیتهای نسبی فراوان آن در ایران، بتواند بخش عمده ای از نیاز بازار جهانی را تامین کند که در این خصوص اقداماتی نیز انجام شده است. کارشناسان اعلام کرده اند که برای پیشگیری از مشكلات در این صنعت باید استفاده از تكنولوژی روز و دانش فنی مناسب برای افزایش بهره وری در تولید مورد توجه جدی قرار بگیرد. همچنین فرهنگسازی در مصرف کاشی و سرامیک مانند استفاده از آن در نمای ساختمان و… و انتخاب نوع محصول و تكنولوژی تولید با گرایش بازارهای صادراتی هدف مدنظر قرار گیرد(۵). تولید کاشی در ایران تا قبل از سال ۱۷۷۱ به صورت دستی در کارگاه های کوچک صورت میگرفت و با احداث کارخانه کاشی ایرانا تولید کاشی به صورت ماشینی آغاز شد و براساس اطلاعات موجود در فاصله سالهای ۱۷۷۱ تا ۱۷۵۳ تولید کاشی به ۱۲ میلیون مترمربع در سال رسید که بعد از پیروزی انقلاب اسلامی ظرفیت اسمی واحدهای موجود و در دست اجرا به ۷۳۱ میلیون مترمربع تا پایان سال ۱۷۳۳ رسید. به طور کلی میتوان کمتر بودن هزینه انرژی نسبت به کشورهای اروپایی، غنی بودن از حیث مواد اولیه موردنیاز، قیمت پایینتر مواد اولیه موردنیاز و کمتر بودن هزینه نیروی انسانی را مهمترین مزیتهای ایران در صنعت کاشی و سرامیک دانست. یزد، قزوین، اصفهان، تهران و سمنان به ترتیب استانهای مطرح در تولید کاشی و سرامیک هستند

 

4-2. مهم ترین عوامل مؤثر بر پیش بینی فروش محصولات کاشی و سرامیک در ایران

 

شاخص های مورد بررسی در پژوهش حاضر بر اساس مرور مبانی نظری و تحقیقات پیشین استخراج شده و شبكه ای با خوشه های ۱- خوشه ی بازار ۲- خوشه ی عوامل تولید ۷- خوشه ی عوامل اقتصادی ۴- خوشه ی دانش تشكیل شد.

 

عناصر داخل هر خوشه نیز به شرح زیر می باشند:

 

1- خوشه ی بازار: طبق مطاعات انجام شده در زمینه ی صنعت کاشی و سرامیک عواملی که بعنوان عناصر شاخه ی بازار در نظر گرفته شده اند شامل : کیفیت و تنوع محصولات، برنامه ریزی صحیح درباره ی مازاد تولید داخلی،CRM و خلق یک برند قوی برای حضور بسیار موثر تر در بازارهای جهانی می باشند

 

۲- خوشه ی عوامل تولید: در تحقیقاتی که تاکنون صورت گرفته عواملی چون: دسترسی به مواد اولیه، قیمت فروش، رشد  جمعیت و سوخت ارزان را به عنوان عناصر این خوشه در نظر گرفته شده اند (راست گفتار و شایگان، ۱۷۳۵).

 

۳- خوشه ی عوامل اقتصادی: کاهش تعرفه های وارداتی، هدفمندی یارانه ها، توسعه ی ساخت و ساز و طرح های عمرانی و حمایت های دولت و بانک مرکزی نیز عناصر این خوشه را تشكیل می دهند.

 

۴-خوشه ی دانش : طبق امارها وپژوهش های گوناگونی که توسط متخصصین و واحدهای R&D فعال د رشرکتهای  مورد مطالعه تاکنون انجام شده این خوشه از عناصری چون: فناوری ها و تكنولوژی های جدید ، همكاری صنعت و دانشگاه و استفاده از دانش و تجربه ی پیشكسوتان تشكیل شده است (عزیزخانی، ۱۷۳۱).

 

3. پیشینه پژوهش

 

پژوهشگران مختلفی به بررسی و تحقیق در مورد پیش بینی فروش پرداخته اند که بطور خلاصه در جدول شماره ۱، به چند مورد از این تحقیقات اشاره شده است.

 

 

همچنین مرور تحقیقات پیشین نشان میدهد در پژوهش های مختلفی در زمینه پیش بینی فروش از روش های تصمیم گیری چندمعیاره بخصوص دو روشAHPوANPاستفاده شده است. کاربردAHPدر پیش بینی به اواخر سال ۱۱۳۱ برمی گردد زمانیكه برنده مسابقه شطرنج با شناسایی عوامل تكنیكی و رفتاری پیش بینی شد. بلیر۱و همكاران (۱۱۳۳) تغییر نرخ های ین ژاپن را به دلار آمریكا به روشAHPپیش بینی کردند. یک سلسله مراتب در چهار سطح برای پیش بینی نرخ تغییرات طی ۱۱ روز آینده تنظیم شده بود که نتایج پیش بینی نشان دهنده این بود که هیچ تغییر نرخی صورت نخواهد گرفت.کیم و وانگ۲مدل منحنی رشد وAHPرا برای پیش بینی توانایی های تكنولوژیكی صنعت هواپیمایی داخلی(غیر نظامی) کره جنوبی بكار بردند. این توانایی ها برای دوره ی ۵ ساله پیش بینی شده بود. بر اساس این پیش بینی طرح های توسعه تكنولوژیكی صنعت هواپیمایی کره جنوبی تا سال ۲۱۱۱ پربارتر شد (کیک و وانگ، ۱۱۱۷). هسو و همكاران۳(۲۱۱۲) در زمینه پیش بینی حجم فروش چاپگر در تایوان ازANPبهره گرفتند (هسو و همكاران، ۲۱۱۲). ساعتی۴نیز ابزارANPرا برا ی پیش بینی سهم بازار سه کمپانی بزرگ همبرگر شامل مک دونالد، کینگ برگر و ویندی بكار برد(ساعتی، ۱۱۲۱). در تحقیق دیگری نیمیرا۵ و ساعتی (۲۱۱۴) احتمال وقوع بحران مالی را در یک دوره ۲ ماهه با استفاده از شبكهANPکه دارای 4 دسته عامل اصلی بود، بررسی کردند.

 

4. روش شناسی تحقیق

 

          تحقیق حاضر از نظر ماهیت از نوع پژوهشهای کمی است و از نظر هدف کاربردی است، زیرا پیامد آن به دست آوردن نتایج کاربردی در زمینه افزایش آگاهی و اطلاعات درمورد اهمیت پیش بینی عوامل مؤثر بر فروش محصول کاشی و سرامیک در ایران می باشد و نیز نتایج این تحقیق، در قالب ارائه یک تجزیه و تحلیل کمی برای اولویت بندی این عوامل؛ می تواند به عنوان یک راهنما مورد بهرهبرداری قرار گیرد. این تحقیق از نظر مكانی، میدانی است، زیرا دادههای تحقیق با حضور در جامعه و یا نمونه آماری و با استفاده از ابزار پرسشنامه گردآوری میشود. همچنین از نظر روش توصیفی-پیمایشی است. پژوهش حاضر از نوع تحقیقات توصیفی است زیرا به دنبال جمعآوری اطلاعات مفصل و واقعی از پدیده مورد نظر است. همچنین این تحقیق از نوع تحقیقات پیمایشی میباشد که در این نوع تحقیق، پرسشنامه جهت جمع آوری اطلاعات بكار گرفته می شود. برای پاسخگویی به پرسشنامه ماتریس همبستگی و پرسشنامه سنجش اهمیت نسبی معیارها، تعداد ۱۵ از کارشناسان و خبرگان بازاریابی و فروش صنعت کاشی و سرامیک انتخاب شدند.

 

از آنجا که در روشهای تصمیم گیری چندمعیاره، از خبرگان نظر خواهی میشود، استفاده از نظر تنها یک خبره مسلط بر موضوع نیز اعتبار تحقیق را تضمین میکند (ساعتی و وارگاس، ۲۱۱۴: ۲۱). خبره یا کارشناس مسلط در حوزه مسائل مدیریتی و سازمانی، به کسی اطلاق می شود که دارای تجربه و تخصص کافی در حیطه وظیفه خویش در سازمان متبوع بوده و نیز دارای اختیار در زمینه مسائل مهم و راهبردی سازمان می باشد.

 

1-4. روش تحلیل داده ها 

 

       در این تحقیق از مدل فرآیند تحلیل شبكه ای برای تعیین وزن هر یک از عناصر مورد بررسی و اولویت بندی آنها استفاده شده است. ابتدا برای تعیین نوع روابط داخلی و بیرونی موجود میان معیارهای مدل، با استفاده از پرسشنامه ماتریس همبستگی، نظر خبرگان در این زمینه گرفته شد. سپس برای تعیین شدت اثر هر یک از معیارهای به کار گرفته شده در تحقیق، «پرسشنامه مقایسات زوجی» طراحی گردید. لازم به ذکر است که جهت تحلیل دادهها و محاسبه رتبه ها از نرم افزار سوپر دسیژن ۱ استفاده شده است.

 

1-1-4. مدل فرآیند تحلیل شبکه ای ANP

 

    فرآیند تحلیل سلسله مراتبی (AHP) یكی از روشهای ارزیابی چندمعیاره است که بیشتر مورد توجه قرار گرفته است. فرآیند تحلیل سلسله مراتبی ابتدا مسئله یا موضوع مورد نظر را به یک ساختار سلسله مراتبی تبدیل میکند که در آن عناصر تشكیل دهنده این ساختار که اجزا تصمیم نیز تلقی میشوند، مستقل از یكدیگر فرض شدهاند. بنابراین ، یكی از محدودیتهای جدیAHPاین است که وابستگی متقابل بین عناصر تصمیم، یعنی وابستگی معیارها ، زیرمعیارها و گزینه ها را در نظر نمی-گیرد و ارتباط بین عناصر تصمیم را سلسله مراتبی ویک طرفه فرض میکند. از طرفی بسیاری از مسائل تصمیم گیری نمیتوانند بصورت سلسله مراتبی ساختار پیدا کنند ، زیرا آنها تعامل و وابستگی عناصر سطح بالاتر روی عناصر سطح پایینتر را در بر می گیرند (ساعتی و تاکیزاوا۷، ۱۱۳۲). 

 

          بنابراین باید در استفاده از روشAHPاندکی محتاط بود، زیرا کلیه مسائل و مشكلات برنامه ریزی لزوماً دارای ساختار سلسله مراتبی نیستند. این محدودیت عمدهAHPباعث شد تا ابداع کننده آن، توماس ساعتی روش فرآیند تحلیل شبكه-ای(ANP) را ارایه و معرفی کند که درآن ارتباط پیچیده بین ومیان عناصر تصمیم، از طریق جایگزینی ساختار سلسله مراتبی با ساختار شبكه ای، در نظر گرفته میشود. فرآیند تحلیل شبكهای حالت عمومیAHPو شكل گسترده آن محسوب میشود (ساعتی ،۱۱۱۱) که درآن موضوعات با وابستگی متقابل و بازخورد را نیز میتوان در نظر گرفت. به همین دلیل در سالهای اخیر استفاده ازANP به جایAHP در همه زمینه ها افزایش پیدا کرده است (نیمیرا و ساعتی،۲۱۱۴،:۵۳۵).

 

تفاوت بین یک “ساختار سلسله مراتبی”و”ساختار شبكه ای”در شكل شماره ۱ ارایه شده است. برای تحلیل شبكهای)ANP(هر مسئلهای را به مثابه شبكه ای از معیارها ، زیرمعیارها و گزینهها (همه این ها عناصرنامیده میشوند) در نظر می گیرد. تمامی عناصر در یک شبكه میتوانند، به هر شكل، دارای ارتباط با یكدیگر باشند. به عبارت دیگر، در یک شبكه، بازخورد و ارتباط متقابل بین و میان خوشه ها امكانپذیر است (ساعتی ،۱۲۱:۲۱۱۴). بنابراین ANP را میتوان متشكل از دو قسمت دانست: سلسله مراتب کنترلی و ارتباط شبكه ای. سلسله مراتب کنترلی ارتباط بین هدف، معیارها، و زیرمعیاره را شامل شده و بر ارتباط درونی سیستم تاًثیرگذار است و ارتباط شبكه ای وابستگی بین عناصر و خوشه ها را شامل میشود.

 

 

این قابلیت ANP امكان در نظر گرفتن وابستگی های متقابل بین عناصر را فراهم آورده و در نتیجه نگرش دقیقی به مسایل پیچیده ارائه میکند. تاًثیر عناصر بر عناصر دیگر در یک شبكه توسط یک سوپر ماتریس در نظر گرفته میشود (ساعتی ،۱:۱۱۱۱).

 

فرآیند تحلیل شبكه ای شامل چهار مرحله اصلی میباشد که عبارتند از:

 

1-ساختن مدل و ساختاربندی مساله

 

مساله را باید به طور شفاف بیان کرده و به یک سیستم منطقی برای مثال یک شبكه تجزیه کرد. ساختار مذکور را میتوان با استفاده از نظر تصمیمگیرندگان و از طریق روشهایی چون طوفان مغزی یا دیگر روشهای مناسب به دست آورد.

 

2. مقایسات زوجی و بردارهای الویت

 

در روش تحلیل شبكه ای نیز همچون روش تحلیل سلسله مراتبی عناصر در هر قسمت با توجه به اهمیت آنها در کنترل معیار به صورت زوجی مقایسه میشوند، و خود قسمتها نیز با توجه به تاثیرشان در هدف به صورت زوجی با هم مقایسه می-شوند. از تصمیم گیرندگان در قالب یک سری مقایسات زوجی پرسیده میشود که دو عنصر یا دو قسمت در مقایسه با هم چه تاثیری در معیارهای بالادستی خود دارند.

 

به علاوه اگر روابط متقابلی میان عناصر یک قسمت وجود دارد، با استفاده از مقایسات زوجی و به دست آوردن بردار ویژه هر عنصر باید میزان تاثیر دیگر عناصر روی آن نشان داده شود. اهمیت نسبی با استفاده از یک مقیاس نسبی به دست میآید. برای مثال میتوان از یک مقیاس ۱ تا ۱ استفاده کرد، در حالیکه نمره ۱ نشان دهنده اهمیت یكسان دو عنصر نسبت به هم و نمره ۱ نشانه بالاترین اهمیت یک عنصر (سطر ماتریس) در مقایسه با دیگری (ستون ماتریس) میباشد.

 

در یک ماتریس مقایسه زوجی، ارزش طرف مقابل برعكس میباشد؛  یعنی a=i/aij،  در حالیکه (aij=(aji نشان دهنده ???????????? اهمیت iامین (jامین) عنصر در مقایسه باjامین (iامین) عنصر است. در روش تحلیل شبكهای نیز همانند روش تحلیل سلسله مراتبی مقایسات زوجی در قالب یک ماتریس صورت میگیرد و بردار الویت محلی با تخمینی از اهمیت نسبی مرتبط با عناصر به دست میآید که به وسیله حل معادله(۱) حاصل میشود:

 

معادله(۱):    λmax.W=A.W

 

به طوری کهAماتریس مقایسات زوجی،Wبردار ویژه،λmaxبزرگترین بردار مقادیرAاست. قابل ذکر است که ساعتی در سال ۱۱۳۱ چندین الگوریتم را برای تقریبWارائه داد.

 

در تشكیل ماتریس مقایسات زوجی جهت پرهیز از هرگونه نگرش جانب دارانه، ممكن است از تصمیم گیری گروهی استفاده شود. دیر و فورمن ( فورمن۱،۲۱۱۵) چندین شیوه را برای لحاظ کردن نگرشها و قضاوتهای اعضای گروه در ماتریس زوجی پیشنهاد داده اند که این شیوه عبارتند از: ۱. اجماع ۲. رای یا مصالحه، ۷. میانگین هندسی قضاوت های فردی، ۴. مدل مجزا.

 

3. تشکیل ابرماتریس

 

مفهوم ابرماتریس شبیه فرآیند مارکوف میباشد. ابرماتریس قادر به محدودکردن ضرایب برای محاسبه تمامی اولویتها و در نتیجه اثر تجمیعی (تجمعی) هر عنصر بر سایر عناصر در تعامل میباشد (ساعتی وتاکیزاوا،۱۱۳۲). هنگامی که یک شبكه، صرف نظر از هدف، صرفا دربرگیرنده دو خوشه به نامهای معیارها و گزینهها باشد، رویكرد ماتریسی ارائه شده توسط ساعتی و تاکیزاوا در سال ۱۱۳۲ میتواند برای مواجهه با وابستگیهای عناصر یک سیستم بهکار گرفته شود.

 

این دو بیان میکنند که برای به دست آوردن اولویتهای کلی در یک سیستم با تاثیرات متقابل، بردارهای اولویت محلی باید وارد ستونهای خاص یک ماتریس که در اینجا به آن ابر ماتریس میگوییم، شوند. یک ابرماتریس در واقع یک ماتریس بخشبندی شده است که هر کدام از بخشهای آن نمایانگر ارتباط بین دو گروه (قسمت یا خوشه) در یک سیستم است.

 

فرض میکنیم که یک سیستم تصمیم دارایCkجزء تصمیم باشد وk=1,2,…,nو هر جزءkدارایmkعنصر میباشد که باek1,ek2,…,ekmنشان داده میشوند. بردارهای الویت محلی بهدست آمده در مرحله دوم گروهبندی شده بر اساس جهت تاثیر از یک قسمت دیگر، یا در خود یک قسمت طبق پیكان دایرهای شكل در مكان مناسب خود در ابرماتریس طبق ساختار ماتریسی زیر قرار داده میشوند.

 

 

4. استخراج اولویت ها

 

     در صورتی که ابرماتریس تشكیل شده در مرحله قبلی همه شبكه را پوشش دهد، میتوان وزنهای اولویت را در ستون گزینه ها در یک ابرماتریس نرمال شده یافت. از سوی دیگر، اگر یک ابر ماتریس فقط شامل قسمتهای به هم مرتبط باشد، نیاز به محاسبات بیشتری برای رسیدن به اولویتهای کلی گزینه ها وجود دارد. ترجیحات نهایی برای هر گزینه از راهحل زیر به دست میآید:

 

 

,Wn، ابرماتریس تحقیق است،K عددی دلخواه و بزرگ است و به توان رساندن ابرماتریس امكان همگراشدن و در نتیجه ثبات وزنهای آن را میدهد. درنهایت گزینه با بزرگترین الویت به عنوان اولین گزینه برتر شناخته میشود(ساعتی، ۱۱۱۱).

 

2-4. تجزیه و تحلیل داده ها

 

         در این بخش به تجزیه و تحلیل داده های جمع آوری شده با استفاده از روش فرایند تحلیل شبكه ای می پردازیم. پیشتر در بخش مرور ادبیات ذکر کردیم که مدل پژوهش حاضر پس از مرور ادبیات و پیشینه پژوهش و با استفاده از نظر کارشناسان و خبرگان صنعت کاشی و سرامیک متشكل از چهار خوشه اصلی ۱- خوشه ی بازار۲- خوشه ی عوامل تولید ۷- خوشه ی عوامل اقتصادی ۴- خوشه ی دانش، و زیرمعیارهای درون آنها می باشد. ابتدا با استفاده از ماتریس همبستگی، برمبنای نظرات کارشناسان و خبرگان، روابط میان این معیارها مشخص شد. در مرحله بعد با استفاده از این روابط بدست آمده، شبكه مسئله تحقیق در قالب مدل فرایند تحلیل شبكه ای ترسیم شد. سپس مقایسات زوجی در قالب پرسشنامه سنجش اهمیت نسبی معیارها، شكل گرفته و در اختیار کارشناسان و خبرگان قرار گرفت. در مرحله بعد میانگین هندسی قضاوت های انجام شده، محاسبه گردید و داده ها وارد نرم افزارSuper Decisionsگردید.

 

1-2-4. .شبکه مسئله تحقیق

 

شبكهANPدر نرم افزار سوپر دسیژن بر اساس روابط تشخیص داده شده میان معیارها که نظر خبرگان بوده، ترسیم شده است.

 

 

روابط میان معیارها در مدلANPدر شكل بصورت روابط درونی یا فیدبک و نیز روابط بیرونی با سایر خوشه ها از طریق پیكان ها نشان داده شده است.

 

2-2-4.  اولویت های بدست آمده برای زیر معیارهای درون خوشه ها

 

در شكل زیر بصورت گرافیكی اولویت های بدست آمده برای عوامل مورد بررسی در این تحقیق نمایش داده شده است.

 

 

وزن و اولویت مربوط به موانع رتبه بندی اعتباری شرکتهای بیمه بصورت واضح تر در جدول شماره ۲ آمده است.

 

 

 

با توجه به جدول فوق بنابر وزن های بدست آمده، در این قسمت می توان مهم ترین معیارها را در میان کل معیارهای مورد بررسی و نیز از بین عناصر درون هر خوشه مشاهده کرد و نیز می توان اولویت کلی معیار ها را بر اساس وزن موجود در ستون «وزن کلی» مشخص نمود.

 

5. نتیجه گیری

 

          امروزه در فضای رقابتی موجود میان شرکتها و سازمان های مختلف، پیش بینی از اهمیت بسزایی برخوردار است، زیرا پیش بینی صحیح، هزینه های انبارداری شرکت را کاهش داده و باعث افزایش رضایت مشتریان (به دلیل تحویل درست و به موقع سفارشات) و استفاده بهینه از نیروی کار و تجهیزات می شود که خود در پایین آوردن هزینه ها نقش به سزایی دارد. لذا در این پژوهش به ارائه مدلی کاراتر برای پیش بینی عوامل موثر بر افزایش فروش محصولات کاشی و سرامیک با استفاده از روشANPپرداخته شد. نتایج بدست آمده نشان می دهد شاخص های توسعه ساخت و ساز و طرح های عمرانی، حمایت های دولت و بانک مرکزی و کاهش تعرفه های وارداتی در رتبه اول تا سوم قرار دارند. سایر شاخص ها نیز متناسب با وزن خود، در رتبه های بعدی از نظر اهمیت برای پیش بینی عوامل مؤثر بر فروش محصولات کاشی و سرامیک قرار گرفتند. مجموع اوزان اختصاص یافته به هر خوشه نیز نشان می دهد عوامل اقتصادی بیشترین وزن را به خود اختصاص داده اند، همچنین عوامل تولید، دانش و عوامل بازار به ترتیب در جایگاه دوم تا چهارم می باشند.

 

6. پیشنهادهایی برای تحقیقات آتی

 

قطع ًا انجام هر تحقیقی خالی از اشكال و کمبود نخواهد بود. مطالعهی حاضر نیز از این امر مستثنی نیست لذا میتوان جهت
تكمیل تحقیق انجام شده و استفادهی بهتر از مدل پیشنهادات زیر را ارائه داد:

 

1. استفاده از سایر فنون تصمیمگیری مانندElectre ،DematelوTopsissو… و ارزیابی کارآمدی آنها در مقایسه با روش به کار گرفته شده در این تحقیق.

 

2. تلفیق رویكرد فازی با فرایندANPو یا هر کدام از روشهای پیشنهادی قبل که انعكاس بهتر سبک تفكر انسانی را
فراهم مینماید، به نظر میرسد منجر به نتایج قابل اتكاتری شود.

 

7. منابع و مآخذ :

 

1. آذر، عادل؛رجب زاده، علی(۱۷۳۱)؛«ارزیابی ترکیبی روش های پیش بینی در بورس ائوراق بهادار تهران به منظور پیش بینی قیمت سهام»، مدرس علوم انسانی، تابستان ۳۱، شماره ۱۵، صص ۱۵۷-۱۲۳.

 

2. راست گفتار، حنیف؛شایگان، جلال(۱۷۳۵)؛«بهبود مصرف انرژی ( الكتریكی و حرارتی ) در صنعت کاشی و سرامیک کشور»،نهمین کنفرانس دانشجویی مهندسی برق ایران. تهران.۱۷۳۵

 

7. سلیمانی امیری، غلامرضا( ۱۷۳۲)،«نسبتهای مالی و پیش بینی بحران مالی شرکتها در بورس اوراق بهادار تهران»، تحقیقات مالی، دانشگاه تهران، دانشكده مدیریت، سال پنجم، شماره ۱۵ ،صص ۱۷-۲۱.

 

4. عزیزخانی، مسعود(۱۷۳۱)؛ بررسی روش های ترکیبی پیش بینی و ارائه ی مدل بهینه برای پیش بینی قیمت سهام در بورس اوراق بهادار تهران.راهنما: فرقانی، حسین ؛ مشاور: اسلامی بیدگلی، غلامرضا؛ تهران: دانشگاه تهران.

 

  • 5. A.R. Blair, R. Nachtmann, J.E. Olson, T.L. Saaty, Forecasting the exchange rates: an expert judgment approach, Socio-Economic Planning Sciences 21،(۶) (۱۹۸۷) ۳۶۳–۳۶۹.
  • ۶. B.Frank, A. Garg, L. Sztandera, A. Raheja, (2003), forecasting women’s apparel sales using mathematical modeling, International Journal of Clothing Science and Technology 15(2) (2003) 107- .125
  • 7. Banker R, Ciftci M, Mashruwala R. Managerial Optimism and Cost Behavior. Working paper, Temple University; 2011.
  • 8. Banker R, Ciftci M, Mashruwala R. Managerial Optimism and Cost Behavior. Working paper, Temple University; 2011.
  • 9. Chang, P. C., Liu, C. H., & Lai, R. K. (2008). A fuzzy case-based reasoning model for sales forecasting in print circuit board industries. Expert Systems with Applications, 34(3), 2049-2058.
  • 10. Enrick, N. L. (1969) Market and Sales Forecasting: A Quantitative Approach, San Francisco, CA: Chandler.
  • 11. Fama, E. F. and French, K. R. (1992). The cross- section of expected stock returns, journal of Finance 47 (2), pp 427- 465.
  • 12. Forman, H. Ernest, The Analytical Hierarchy Process – An Exposition, scool of Business and Public Management, Gorge washangton University & Gass, I.Saul, College of Business and management, university of Maryland,2005.
  • 13. Frank, C., Garg, A., Sztandera, L., & Raheja, A. (2003). Forecasting women’s apparel sales using mathematical modeling. International Journal of Clothing Science and Technology, 15(2), 107-125.
  • 14. Hong. K; Shi.J. H; Tzong.W.K; Tsung.L. L; Cheng.L.g.L; Yi.P, (2008), an improved method for forecasting enrollments based on fuzzy time series and particle swarm optimization. Expert Systems with Applications (2008).

 

  •  Hong. K; Shi.J. H; Tzong.W.K; Tsung.L. L; Cheng.L.g.L; Yi.P, (2008), an improved method for forecasting enrollments based on fuzzy time series and particle swarm optimization. Expert Systems with Applications (2008)
  • Hsu-Shih Shih ،E. Stanley Lee, Shun-Hsiang Chuang, Chiau-Ching Chen : A forecasting decision on the sales volume of printers in Taiwan: An exploitation of the Analytic Network Process ،Taiwan 2012
  • Khasanah, A. U., Lin, W. H., & Kuo, R. J. (2013, January). Self-Organizing Maps with Support Vector Regression for Sales Forecasting: A Case Study in Fresh Food Data. In Proceedings of the Institute of Industrial Engineers Asian Conference 2013 (pp. 649-656). Springer Singapore.
  • Kuo, R. J., Tseng, Y. S., & Chen, Z. Y. (2014). Integration of fuzzy neural network and artificial immune system-based back-propagation neural network for sales forecasting using qualitative and quantitative data. Journal of Intelligent Manufacturing, 1-17.
  • Kuo, R. J., Tseng, Y. S., & Chen, Z. Y. (2014). Integration of fuzzy neural network and artificial immune system-based back-propagation neural network for sales forecasting using qualitative and quantitative data. Journal of Intelligent Manufacturing, 1-17.
  • M.P. Niemira, T.L. Saaty, An analytic network process model for financial-crisis forecasting, International Journal of Forecasting 20 (4) (2004) 573–۵۸۷.
  • Makridakis, S., Wheelwright, S. C., & McGee, V. E. (1983), Forecasting: Methods and Applications. New York, NY: Wiley.
  • Makridakis, S., Wheelwright, S. C., & McGee, V. E. (1983), Forecasting: Methods and Applications. New York, NY: Wiley.
  • Palia, A. (2014). Online sales Forecasting with the multiple regression analysis data matrices package.Developments in Business Simulation and Experiential Learning, 31.
  • R.J. Kuo, (2001), a sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm, European Journal of Operational Research129 (2001) 496–۵۱۷.
  • R.J. Kuo, (2001), a sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm, European Journal of Operational Research129 (2001) 496–۵۱۷.
  • S.B. Kim, K.S. Whang, Forecasting the capabilities of Korean civil aircraft industry, Omega 21 (1) (1993) 91–۹۸.
  • Saaty, T. L., Takizawa, M. (1986). Dependence and independence: from linear hierarchies to nonlinear networks, European Journal of Op – erational Research , 26: 229:237.
  • Saaty, Thomas L. (1999). Fundamentals of the Analytic Network Process, ISAHP, Kobe Japan, pp. 12–۱۴.
  • Se ́bastien Thomassey,T, Antonio Fiordaliso, (2006), A hybrid sales forecasting system based on clustering and decision trees, Decision Support Systems 42 (2006) 408– 421
  • Shih, H. S., Stanley Lee, E., Chuang, S. H., & Chen, C. C. (2012). A forecasting decision on the sales volume of printers in Taiwan: An exploitation of the Analytic Network Process.
  • T.J. Xiao, X.T. Qi, G. Yu, (2007), Coordination of supply chain after demand disruptions retailers compete, International Journal of Production Economics 109 (2007)162–۱۷۹.
  • T.J. Xiao, X.T. Qi, G. Yu, (2007), Coordination of supply chain after demand disruptions retailers compete, International Journal of Production Economics 109 (2007)162–۱۷۹. Enrick, N. L. (1969) Market and Sales Forecasting: A Quantitative Approach, San Francisco, CA: Chandler.
  • T.L L. Saaty, Fundamentals of the analytic network process, in: Proceedings of the International Symposium on the Analytic Hierarchy Process, ISAHP،۱۹۹۹, Kobe, Japan, August 12–۱۴, ۱۹۹۹.
  • T.L. Saaty, Decision Making with Dependence and Feedback: The Analytic Network Process, RWS Publications, Pittsburgh, 1996 .
  • T.L. Saaty, L.G. Vargas, The Logic of Priorities: Applications in Business, Energy, Health, and Transportation, Kluwer-Nijhoff, Boston, 1982.
  • T.L.Saaty,TheAnalyticHierarchyProcess,McGrawHill,NewYork,1980.
  • T.M. Choi, (2006), Quick response in fashion supply chains with dual information updating, Journal of Industrial and Management Optimization 2 (2006) 255–۲۶۸

 

  • T.M. Choi, (2006), Quick response in fashion supply chains with dual information updating, Journal of Industrial and Management Optimization 2 (2006) 255–۲۶۸.
  • Thomas L.SAATY(2004),Fundamentals of the Analytic Network Process Dependence and Feedback in Decision-Making with Asingle network,Journal of systems science and systems engineering,vol.13,No.2:129-157.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

برگشت به بالا
فروشگاه آنلاین طرح کاشی و سرامیک