کاربست تکنیک فراترکیب در شناسایی مؤلفه‌های سیستم‌های مدیریت هوشمند برای سیستم‌های تولید پایدار و تاب‌آور در صنعت سیمان
محورهای موضوعی : مدیریت
اسحق جمال امیدی
1
,
محمدعلی کرامتی
2
*
,
مهدی رجبیون
3
,
صفیه مهری نژاد
4
1 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
2 - دانشیار، گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
3 - استادیار، گروه مدیریت بازرگانی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
4 - استادیار، گروه مدیریت مالی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.
کلید واژه: سیستم‌های مدیریت هوشمند, سیستم‌های تولید پایدار و تاب‌آور, صنعت سیمان.,
چکیده مقاله :
هدف این تحقیق، کاربست تکنیک فراترکیب در شناسایی مؤلفه‌های سیستم‌های مدیریت هوشمند برای سیستم‌های تولید پایدار و تاب‌آور در صنعت سیمان است. محقق با به‌کارگیری رویکرد مرور نظام‌مند و فراترکیب، به تحلیل نتایج و یافته‌های محققین قبلی دست‌زده و با انجام گام‌های 7 گانه روش ساندلوسکی و باروسو، به شناسایی عوامل مؤثر پرداخته است. از بین 268 مقاله، 32 مقاله بر اساس روش CASP انتخاب شد و روایی تحلیل با مقدار ضریب هولستی، ضریب پی اسکات، شاخص کاپای کوهن و آلفای کرپیندروف تأیید گردید. در این زمینه به‌منظور سنجش پایایی و کنترل کیفیت، از روش رونوشت استفاده گردید که مقدار آن برای شاخص‌های شناسایی‌شده در سطح توافق عالی شناسایی شد. نتایج حاصل از تحلیل داده‌های گردآوری شده در نرم‌افزار MAXQDA منتج به شناسایی 75 کد اولیه در 12 مقوله مشخص شد. مقوله‌های شناسایی شده عبارتند از استراتژی انعطاف‌پذیر، نوآوری تاب آورانه، همگرایی اینترنت اشیاء، هوش مصنوعی و پایگاه توزیع داده، هوشمندی تولید، طراحی، لجستیک دیجیتال تولید، مدیریت داده، فناوری تولید، مدیریت ارزش ذی‌نفعان و افراد، تلفیق بیگ دیتا و بحران ابزار هوشمند سازی و دیجیتال و مدیریت ارتباط با مشتری هوشمند. در نتیجه، سیستم‌های مدیریت هوشمند با تمرکز بر استراتژی انعطاف‌پذیر، نوآوری تاب‌آورانه، و همگرایی فناوری‌های مدرن می‌توانند به‌طور قابل توجهی به افزایش تولید پایدار و تاب‌آوری در صنعت سیمان کمک کنند. این سیستم‌ها با ادغام فناوری‌های اینترنت اشیاء، هوش مصنوعی و پایگاه توزیع داده، مانیتورینگ و بهینه‌سازی فرآیندها، کاهش هدررفت منابع و افزایش بهره‌وری را ممکن می‌سازند.
The purpose of this research is to apply metasynthesis technique in identifying the components of intelligent management systems for sustainable and resilient production systems in the cement industry. Using a systematic and metasynthesis approach, the researcher analyzed the results and findings of previous researchers and identified the effective factors by performing the 7 steps of the Sandelovski and Barroso method. Among the 268 articles, 32 articles were selected based on the CASP method, and the validity of the analysis was confirmed by the values of the Holstein coefficient, Scott's P coefficient, Cohen's kappa index, and Krepinderoff's alpha. In this context, in order to measure reliability and quality control, the transcription method was used, and its value was identified for the indicators identified at the level of excellent agreement. The results of data analysis collected in MAXQDA software led to the identification of 75 primary codes in 12 categories. The identified categories are flexible strategy, resilient innovation, convergence of the Internet of Things, artificial intelligence and distributed database, manufacturing intelligence, design, manufacturing digital logistics, data management, manufacturing technology, stakeholder and people value management, big data integration, and tool crisis. Smart and digital and intelligent customer relationship management. As a result, intelligent management systems focusing on flexible strategy, resilient innovation, and convergence of modern technologies can significantly contribute to increasing sustainable production and resilience in the cement industry. By integrating the technologies of Internet of Things, artificial intelligence and database distribution, these systems enable process monitoring and optimization, reducing resource wastage and increasing productivity.
Afanasyev, V. Y., Lyubimova, N. G., Ukolov, V. F., & Shayakhmetov, S. R. (2019). Digitalization of energy manufacture: infrastructure, supply chain strategy and communication. International Journal of Supply Chain Management, 8(4), 601-609.
Alonso-Muñoz, S., González-Sánchez, R., Siligardi, C., & García-Muiña, F. E. (2021). New circular networks in resilient supply chains: An external capital perspective. Sustainability, 13(11), 6130.
Appolloni, A., Jabbour, C. J. C., D'Adamo, I., Gastaldi, M., & Settembre-Blundo, D. (2022). Green recovery in the mature manufacturing industry: the role of the green-circular premium and sustainability certification in innovative efforts. Ecological Economics, 193, 1-9.
Battisti, S., Agarwal, N., & Brem, A. (2022). Creating new tech entrepreneurs with digital platforms: Meta-organizations for shared value in data-driven retail ecosystems. Technological Forecasting Social Change(175), 121392.
Bayramova, A., Edwards, D. J., & Roberts, C. (2021). The role of blockchain technology in augmenting supply chain resilience to cybercrime. Buildings, 11(7), 283.
Dubey, R., Bryde, D. J., Dwivedi, Y. K., Graham, G., & Foropon, C. (2022). Impact of artificial intelligence-driven big data analytics culture on agility and resilience in humanitarian supply chain: a practice-based view. 250. https://doi.org/10.1016/j.ijpe.2022.108618
Faasolo, M. B., & Sumarliah, E. (2022). An Artificial Neural Network examination of the intention to implement blockchain in the supply chains of SMEs in Tonga. Information Resources Management Journal (IRMJ), 35(1), 1–27.
Gupta, S., Modgil, S., Bhattacharyya, S., & Bose, I. (2021). Artificial intelligence for decision support systems in the field of operations research: review and future scope of research. Annals of Operations Research, 308(1), 1–60.
Harfouche, A., Quinio, B., Saba, M., & Saba, P. B. (2023). The recursive theory of knowledge augmentation: integrating human intuition and knowledge in artificial intelligence to augment organizational knowledge. Information Systems Frontiers, 25, 55-70. https://doi.org/10.1007/s10796-022-10352-8
Hashmdar, A. Y. d. i., Murad. (1401). . . (2022). Investigating the effectiveness of artificial intelligence systems in human resources functions. Contemporary researches in management and accounting sciences, 12, 1-6. [In Persian]
Hassanpour Rad, A., & Alizadeh Qadiklai, M. (2022). Artificial intelligence and upcoming challenges in the interaction of members of an organization The third national conference on organization and management research, Tehran. [In Persian]
Helo, P., & Hao, Y. (2022). Artificial intelligence in operations management and supply chain management: an exploratory case study. Production Planning and Control, 33(16), 1573-1590.
Jamali, G., & Karimi Asl, E. (2017). The competitive position of the large supply chain in the cement industry and the analysis of the importance of the performance of strategic requirements related to it. Industrial Management Studies Quarterly, 16(50), 53-77. [In Persian]
Joshi, S., & Sharma, M. (2022). Impact of sustainable supply chain management on performance of SMEs amidst COVID-19 pandemic: an Indian perspective. International Journal of Logistics Economics and Globalisation, 9(3), 248-276.
Karami, Z., Hosseini, S. R., & Damghanian, T. (2022). The model of employees' perception of artificial intelligence at work using the Foundation's data technology. Development of human resource management and support, 65, 53-90. [In Persian]
Karbasi, S., Hashemzadeh Khorasgani, G., Khamse, A., & Fathi Hafeshjani, K. (2022). A model for compiling the 0.4 generation industry technology roadmap with an intelligent management approach in power plant equipment and energy supply industries. Smart business management studies, 11, 189-220. [In Persian]
Karmaker, C. L., Ahmed, T., Ahmed, S., Ali, S. M., Moktadir, M. A., & Kabir, G. (2021). Improving supply chain sustainability in the context of COVID-19 pandemic in an emerging economy: Exploring drivers using an integrated model. Sustainable Production and Consumption, 26, 411–427.
Kazancoglu, I., Pala, M., Mangla, S., & Kumar, A. (2023). Using emerging technologies to improve the sustainability and resilience of supply chains in a fuzzy environment in the context of COVID-19. Annals of Operations Research, 322, 217–240.
Liu, Q. (2023). Analysis of Collaborative Driving Effect of Artificial Intelligence on Knowledge Innovation Management. Scientific Programming, 1-8. https://doi.org/10.1155/2022/8223724
Maleki, M. H., Mirzaei, M., & Rahimian Asl, M. M. (2022). Scenario planning of the cement industry in Iran with a mixed approach. Improve management, 16(3), 60-88. [In Persian]
Manouchehri Kalantari, F. (2017). The new technology of smart analyzers on elemental line in cement industry The fourth national conference of cement industry and future horizon, Tehran. [In Persian]
Nayeri, S., Khoei, M., & Tazang, M. (2023). A data-driven model for sustainable and resilient supplier selection and order allocation problem in a responsive supply chain: A case study of healthcare system. Engineering Applications of Artificial Intelligence, 124, 1-10.
Paul, V., & Tresita, M. (2020). Artificial Intelligence: Pertinence in Supply Chain and Logistics Management. journal of xi’an University of Architecture & Technology, 12, 701–709.
Perifanis, N., & Fotis, K. (2023). Investigating the Influence of Artificial Intelligence on Business Value in the Digital Era of Strategy: A Literature Review. Information, 14(2), ۸۵. https://doi.org/10.3390/info14020085
Rita, S., Kim-Phuc, T., & Sébastien, T. (2022). Long Term Demand Forecasting System for Demand Driven Manufacturing IFIP Advances in Information and Communication Technology, Springer, Cham. https://doi.org/10.1007/978-3-030-85874-2_2
Salimi Zawiya, S. G. (2018). An overview of intelligent manufacturing systems and future trends. Industrial Technology Development Quarterly, 17(38), 13-24. [In Persian]
Sandelowski, M., & Barroso, J. (2007). Handbook for Synthesizing Qualitative Research. Springer Publishing Company, New York.
Seyed Shomali, S. M., & Sadeghian, S. H. (2016). Development of an agile production model considering the stability and resilience of production systems The first international conference on systems optimization and business management, Iran: Babol. [In Persian]
Shahed, K. S., Azeem, A., Ali, S. M., & Moktadir, M. A. (2021). A supply chain disruption risk mitigation model to manage COVID-19 pandemic risk. Environmental Science and Pollution Research, 1–16.
Tian, X., & Wang, H. (2023). Impact of IT Capability on Inventory Management: An Empirical Study. Procedia Computer Science, 199, 142-148.
Ziyai, A. (2022). Managing innovation in the 21st century using artificial intelligence International Conference on Management and Industry, Iran. [In Persian]