تحلیل عوامل حیاتی موفقیت طرح های جدید تولیدی خودرو سازان و پیش بینی تحقق آنها با تلفیق روشهای تحلیل عاملی و سیستم عصبی- فازی تطبیقی
الموضوعات :
علی بردیده
1
(دانشگاه آزاد اسلامی واحد تبریز)
ناصر فقهی فرهمند
2
(دانشگاه ازاد تبریز)
مجتبی رمضانی
3
(استادیار گروه مدیریت، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران)
یعقوب علوی متین
4
(استادیار گروه مدیریت، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران)
الکلمات المفتاحية: تحلیل عاملی, شاخصهای پیش بینی موفقیت, سیستم عصبی- فازی تطبیقی, طرح های جدید سرمایه گذاری خودرو سازی.,
ملخص المقالة :
هدف پژوهش تحلیل عوامل حیاتی موفقیت طرح های جدید تولیدی خودرو سازان و پیش بینی تحقق آنها با تلفیق روشهای تحلیل عاملی و سیستم استنتاج عصبی- فازی تطبیقی بوده است این تحقیق از نظر هدف کاربردی و از نظر روش انجام تحقیق، توصیفی پیمایشی بوده است. جامعه آماری پژوهش در دو بخش بوده است. در بخش اول که به شناسایی عوامل حیاتی موفقیت اختصاص داشته، شامل 80 نفر از کارشناسان و خبره های صاحب نظر با نمونه 66 نفری و جامعه آماری مربوط به استفاده از شبکه های عصبی چند لایه شامل 250 طرح سرمایه گذاری موفق و ناموفق( کلیه طرح های اجرا شده از سال 1390) در صنایع خودرو سازی بوده است. بر اساس نتایج بدست آمده ،شش عامل اصلی با 40 شاخص مرتبط پیش بینی کننده موفقیت طرح های جدید سرمایه گذاری خودرو سازی شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار بودند سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت طرح های جدید سرمایه گذاری خودرو سازی بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و در ادامه نتایج نشان دهنده این بود که مدل سیستم عصبی- فازی تطبیقی طراحی شده قدرت پیش بینی موفقیت طرح های جدید سرمایه گذاری را با خطای کمتر از 5 درصد دارا بوده است که نشان دهنده ی قدرت پیش بینی بالای مدل است.
تحلیل عوامل حیاتی موفقیت طرح های جدید تولیدی خودرو سازان و پیش بینی تحقق آنها با تلفیق روشهای تحلیل عاملی و سیستم عصبی- فازی تطبیقی
چکیده
موفقیت طرح های توسعه تولید شرکتها ممکن است با چالش هزینهای، تکنیکی و اقتصادی وکیفی روبروشود کنترل و برنامه ریزی عوامل موفقیت طرحهای جدید یکی از اولویتهای شرکتها باید باشد تا بتوانند تولیدات توسعه ای خود را با دقت بیشتر و بهتر برنامه ریزی و کنترل کنند. بر همین اساس هدف اين پژوهش تحلیل عوامل حیاتی موفقیت طرح های جدید تولیدی خودرو سازان و پیش بینی تحقق آنها با تلفیق روشهای تحلیل عاملی و سیستم استنتاج عصبی- فازی تطبیقی بوده است اين تحقيق از نظر هدف كاربردي و از نظر روش انجام تحقيق، توصيفي پیمایشی بوده است. جامعه آماری پژوهش در دو بخش بوده است. در بخش اول که به شناسایی عوامل حیاتی موفقیت اختصاص داشته، شامل 80 نفر از کارشناسان و خبره های صاحب نظر با نمونه 66 نفری و جامعه آماری مربوط به استفاده از شبکه های عصبی چند لایه شامل 250 طرح سرمایه گذاری موفق و ناموفق( كليه طرح هاي اجرا شده از سال 1390) در صنايع خودرو سازي بوده است. ابزار گردآوری دادهها شامل دو پرسشنامه محقق ساخته بوده که اولی مربوط به شناسايي عوامل موفقيت و شاخصهاي مرتبط و پرسشنامه دوم نیز جهت ورود داده های مربوط به طرح های سرمایه گذاری خودرو سازان در محیط نرم افزار MATLAB استفاده شده است. جهت تجزیه و تحلیل داده های این تحقیق از روش آمار توصيفي ، رگرسيون چند متغيره ، آناليز واريانس ، تحليل عاملي و سیستم عصبی- فازی تطبیقی استفاده شده است بر اساس نتايج بدست آمده ،شش عامل اصلي با 40 شاخص مرتبط پیش بینی کننده موفقیت طرح های جديد سرمایه گذاری خودرو سازي شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار بودند سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و در ادامه نتایج نشان دهنده این بود که مدل سیستم عصبی- فازی تطبیقی طراحی شده قدرت پیش بینی موفقیت طرح های جديد سرمایه گذاری را با خطای کمتر از 5 درصد دارا بوده است که نشان دهنده ی قدرت پیش بینی بالای مدل است.
واژه های کلیدی: تحليل عاملي، شاخصهاي پیش بینی موفقیت، سیستم عصبی- فازی تطبیقی، طرح های جديد سرمایه گذاری خودرو سازي.
مقدمه
جهانی سازی سریع و رکود اقتصادی اخیر به طور مستقیم روی تولیدات تأثیر گذاشته و آن را پیچیده تر و پویاتر از همیشه کرده است پیشبرد تقاضای جدید مشتری برای توابع تقاضای محصول جدید و ویژگی های محصول شرکت های تولیدی را تحریک می کنند به طوری که چاره ای جز افزایش مداوم تعداد و تنوع محصولشان نمی ماند (ماهنامه صنعت خودرو، 1396). به طور همزمان، رقابت در حال رشد به دلیل رقبای جدید کشورهای در حال توسعه برای شرکتهای مستقر در صنعت تولید یک چالش است تا بتوانند در این محیط بسیار بی ثبات و رقابتی باقی بماند و قادر به ارائه محصولات با کیفیت بالا با هزینه و قیمت کم و به موقع با تنوع مورد قبول شوند .شرکت های تولید کننده باید بتوانند با بهینه سازی قابلیت های تولید بالقوه خودشان با نیازهای مشتریان ، از وضع موجود استفاده کنند. ( ماهنامه صنعت خودرو، 1396 )
موفقیت طرح های توسعه تولید شرکتها ممکن است با چالش هزینهای، تکنیکی و اقتصادی وکیفی روبروشود کنترل و برنامه ریزی عوامل موفقیت طرحهای جدید یکی از اولویتهای شرکتها باید باشد تا بتوانند تولیدات توسعه ای خود را با دقت بیشتر و بهتر برنامه ریزی و کنترل کنند). شنگ و همکاران،2019)
مطالعات مختلف نشان میدهد که در طول سالهاي 1970 محصولات و طرح های جدید 20 % از منافع شرکت را شامل میشدند؛ که در سالهاي 1980 این میزان به 33 % افزایش یافته است(تاکوچی و نوناکا، 1992). اما این میزان در سالهاي 1990 از این هم فراتر رفته و به رقم 50 % رسید(اسلاتر، 1993 ). برخی از پژوهشها پیش بینی میکنند که طرح های جدید بیش از 42 % از فروش شرکتها را در بازه زمانی 1985 تا 1990 سبب گشته اند(گونزالز و پالاسیوز ،2019 ). بر همین اساس نیز انتظار میرفت که تعداد محصولات عرضه شده توسط این سازمانها دو برابر شوند. با این وجود محصولات جدید با میزانی هشدار دهنده، به سیر نزولی و عدم موفقیت شان ادامه میدهند. جدیدترین پژوهشها حاکی از آن است که میزان موفقیت محصول جدید 54 % براي انگلستان، 59 % براي ایالات متحده، 60 % براي ژاپن، و 49 % براي اسپانیا بوده است (گونزالز و پالاسیوز، 2019 ). با توجه به اینکه شکست محصول جدید در عمل هزینه هاي هنگفتی براي سازمانها در پی دارد، بنابراین ضرورت برنامه ریزي با رویکرد رقابتی شرکتها را برآن داشته تا در مسیر رقابت رویکردهاي مناسبی را اعمال کنند. (گونزالز و پالاسیوز ،2019 ). در تعریف ارایه طرح جدید باید گفت توسعه طرح جدید فعالیتها و خط مشی رشد بوده که در مراحل مختلف، براي تولید براي قسمتهاي ( موجود بازار، منجر به تغییر و اصلاحات جزئی یا کلی در کالاها میشود(کوپر 1993 ) .
جئنگ و همکاران1 (2018) در پژوهشی شبکه عصبی مصنوعی را با الگوی جمعی و الگوریتم ژنتیک ترکیب کردند.
لوپز2 و پاستور3(2019) پژوهشی در مورد پیش بینی ورشکستگی بانک های ایالات متحده امریکا در بازه زمانی 2000 تا 2018 و با درنظر گرفتن ویژگیهای بحران اخیر بانک های امریکا انجام دادند . آنها در تحقیق خود پرسپترون چند لایه را با نقشه های خودسازمان ترکیب کرده و مدلی برای پیش بینی ورشکستگی در کوتاه، متوسط و بلند مدت ارائه دادند. در این تحقیق از 32 متغیر مالی استفاده کردند که پس از پیشبینی عوامل را در سه گروه خوشه بندی میکنند. گروه اول متغیرهایی که قدرت پیشگویی بالایی دارند، گروه دوم متغیرهایی که قدرت پیشگویی را کاهش می دهند و گروه سوم متغیرهایی که قدرت پیشگویی را افزایش میدهند. در نهایت نتیجه گرفته شد که اصلی ترین دلیل ورشکستگی بانک ها تمرکز آن ها بر وام املاک و مستغلات بوده است.
کریسجانپولر4 و مینوتولو5 در تحقیق خود در سال 2019 در مورد نوسانات قیمت طلا ، شبکه های عصبی را بکار بردند تا بتوانند قیمت آنی و آتی طلا را پیش بینی کنند . در این تحقیق پرسپترون چند لایه را با مدلGARCH ترکیب کردند و توانستند بهبودی برای شرایط ناهمواریانس ایجاد کنند.
ﺑﺮاﺳﺎس ﺗﺤﻘﯿﻘﺎت ﮐﺎرﺑﺮدی ارادوﻧﺎ اﮔﺎرول (2019) ﮐﻪ ﻋﻤﻠﮑﺮد ﻣﻨﺎﻃﻖ ﭘﺮدازش ﺻﺎدرات را در ﻣﻨﻄﻘﻪﺷﻤﺎل آﺳﯿﺎ(ﻫﻨﺪ، ﺳﺮﯾﻼﻧﮑﺎ و ﺑﻨﮕﻼدش)بااستفاده از روش AHP ﻣﻘﺎﯾﺴﻪ ﻣﯽﻧﻤﺎﯾﺪ دو ﺷﺎﺧﺺ ﻋﻤﻠﮑﺮد ﻣﻨﺎﻃﻖ ﭘﺮدازش ﺻﺎدرات ﯾﻌﻨﯽ ﻋﻤﻠﮑﺮد ﺻﺎدرات و ﻣﺸﺎرﮐﺖ ﺳﺮﻣﺎﯾﻪﮔﺬاری ﻣﺴﺘﻘﯿﻢ ﺧﺎرﺟﯽ در ﮐﺎﻧﻮن ﺗﻮﺟﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳت. اﻫﺪاف اوﻟﯿﻪ ﺗﺤﻘﯿﻖ در ﺳﻪ ﻣﺮﺣﻠﻪ ذﯾﻞ ﻣﻮرد ﺑﺮرﺳﯽ ﻗﺮار ﮔﺮﻓﺘﻪ است: ﺑﺮرﺳﯽ روﻧﺪ ﺳﺮﻣﺎﯾﻪﮔﺬاری داﺧﻠﯽ و ﺧﺎرﺟﯽ ﻣﻨﺎﻃﻖ ﭘﺮدازش ﺻﺎدرات ﻣﯿﺎن ﺳﻪ ﮐﺸﻮر ﺷﻤﺎل آﺳﯿﺎ- ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﻋﻤﻠﮑﺮد ﺻﺎدرات ﻣﻨﺎﻃﻖ ﭘﺮدازش ﺻﺎدرات اﯾﻦ ﮐﺸﻮرﻫﺎ ﺑﺎ ﺑﮑﺎرﺑﺮدن ﺷﺎﺧﺺﻫﺎی ﮔﻮﻧﺎﮔﻮن- ﺑﺮرﺳﯽ ﻋﻮاﻣﻞ ﺗﻌﯿﯿﻦﮐﻨﻨﺪه ﻋﻤﻠﮑﺮد ﺻﺎدرات و ﺳﺮﻣﺎﯾﻪﮔﺬاری در اﯾﻦ ﻣﻨﺎﻃﻖ.
جعفري خانشیر و همکاران(1391) در تحقیقی عوامل کلیدي موفقیت پروژههاي توسعه محصول جدید را در سه دسته نظامها و فرایندهاي مدیریتی، منابع و توانمنديهاي تیم توسعه و بیست سنجه تقسیم بندي کرده اند. طالبی و کچوئی ( 1390) در تحقیقی عوامل موثر بر توسعه محصول جدید را در چهار طبقه تعهد مدیریت ارشد، راهبرد، گرایش بین المللی، مدیریت سبد دارایی و گرایش به آبنده پژوهی تقسیم بندي نموده اند. طالبی و همکاران(1389) در تحقیق دیگري عوامل کلیدي موفقیت محصول را در چهار طبقه فناورانه، تجارتی، بازاریابی و مدیریتی و چهل و چهار متغیر بررسی کرده اند. سعید اردکانی و همکاران(1389)موفقیت توسعه محصول جدید را در چهار دسته عامل تکنولوژیکی، عامل بازاریابی، عامل مدیریتی و عامل تجاري سازي و بیست و یک متغیر مورد بررسی قرار داده اند. کرامتی و همکاران(1399) در تحقیقی عوامل موثر بر توسعه محصول جدید را در چهار طبقه کاربردهاي فناوري اطلاعات در توسعه محصول جدید، کاربردهاي فناوري اطلاعات در فرایند توسعه محصول جدید و عوامل سازمانی مورد توجه قرار داده اند. سرمد سعیدي و ممقانی (1399) عوامل موثر بر موفقیت توسعه محصول جدید را در
- مواد و روش تحقيق
درانجام این تحقیق ابزار گردآوری اطلاعات شامل جستجو، مطالعه، بررسی و استفاده از متون ژورنالهای خارجی و داخلی استفاده و در روش غیر کتابخانه ای از ابزارهائی شامل: پرسشنامه و اینترنت استفاده شده است دو نوع پرسشنامه محقق ساخته می باشد که از یکی از آن ها با استفاده از طیف لیکرت برای شناسايي و بررسی تاثیر هر یک از متغیرها استفاده شده است و پرسشنامه دیگر نیز جهت ورود داده های مربوط به طرح های سرمایه گذاری در محیط نرم افزار MATLAB به سیستم عصبی –فازی تطبیقی استفاده شده است.
عوامل موفقیت طرحهای توسعه و تولید جدید
تكنولوژیکی محیطی مراحل توسعه و تولید بازار و بازریابی مدیریتی
شکل (1) مدل مفهومي تحقیق
- مدل مفهومی سیستم عصبی- فازی تطبیقی(ANFIS)
در این تحقیق نیز برای سیستم عصبی- فازی تطبیقی از روش استنتاج سوگنو استفاده شده است. در حقیقت ANFIS یک ساختار شبکهای جلورونده است(سلطانی فسقندیس و پویا6، 2018). ساختار کلی ANFIS بر اساس مدل مفهومی این پژوهش با مروری بر تحقیقات قبلی(آگو7 و همکاران، 2024؛ موجسلوویج8 و همکاران، 2023؛ نوین9 و همکاران، 2023) به صورت شکل(2) تدوین شده است.
لایه پنجم |
لایه چهارم |
لایه سوم |
لایه دوم |
نتايج تحقيق
نتایج بدست آمده از تجزیه و تحلیل داده ها بیانگر این است بررسي جمعيت شناختي پرسشنامه نشان داد که از 66 نفری که به پرسشنامه ها جواب داده اند ، 17 نفر از پاسخ گوها معادل 26درصد دیپلم، ، 8 نفر معادل 12 درصد فوق دیپلم، 33 نفر معادل50 درصد از کل پاسخ دهندگان لیسانس ، بیشترین درصد فراوانی مربوط به افراد با سابقه کار 15 تا 11 سال با 27 درصد ، بیشترین فراوانی سنی متعلق به پاسخ گویان بین 40تا 50 سال با 42 درصد و از میان 66 نفر افراد پاسخگو 16 نفر زن و 50 نفر مرد بوده اند که به ترتیب 24 درصد را زن ها و 76درصد را مردها تشکیل میدهند.
نتایج بدست آمده از آمار توصیفی برای متغیرهای تحقیق نشان دهنده این است که ویژگی های روان شناسی با ميانگين امتياز 1411/3 و انحراف معيار آن 6780/0 ، ويژگي توانایی شخصي سرمایه گذار با ميانگين 345 /3 و انحراف معيار آن 82203/0 ، ويژگي مشخصات فني محصول با ميانگين 6737/3 و انحراف معيار آن 95405/0 ، ويژگي مشخصات بازار محصول با ميانگين 521/3 و انحراف معيار آن 6719/، ويژگي ملاحظات مالی با ميانگين 477/3 و انحراف معيار آن 8001/0 ، ويژگي ملاحظات جغرافیایی با ميانگين 412/3 و انحراف معيار آن 9081/0 از عدد 5 بوده است که همه متغیرهای تحقیق میانگین متوسط به بالا را کسب کرده اند که این امر نشان دهنده اهمیت هر یک از متغیرهای تحقیق می باشد.
در پاسخ به سوال اول تحقیق که بصورت "عوامل و شاخصهاي موفقیت طرح های جدید تولیدی خودرو سازان کدامند؟ "
جدول(1): معیارها و شاخصهاي پیشبینیکننده موفقیت یاشکستطرحهایسرمایهگذاری
منبع | شاخص | معیار |
(Narayansamy، et al.، 2012)(Wright، et al.، 1997)(Guo & Jiang، 2013)(Vinay & Mohinder، 2003)(Hatton & Moorehead، 2008)( Vinig & Haan، 2001)( Kollmann & Kuckertz، 2010)(Suksriwong، 2003)(Rakhman & Evans، 2005)(Ramón-Llorens، 2011)(Mullender،2011) | آشنایی سرمایه گذار با بازار )یا صنعت(، | توانایی شخصي سرمایه گذار
|
(Guo & Jiang، 2013)(Rakhman & Evans، 2005)( Deventer & Mlambo، 2009)(Vinay & Mohinder، 2003)(Vinig & Haan، 2001)( Kollmann & Kuckertz، 2010) | توانایی رهبری، | |
(Narayansamy، et al.، 2012)(Guo & Jiang، 2013)(Vinay & Mohinder، 2003)(Vinig & Haan، 2001) (Kollmann & Kuckertz، 2010)(Hatton & Moorehead، 2008)(Suksriwong، 2003)(Rakhman &Evans، 2005)(Ramón-Llorens،2011)(Mullender، 2011) | تحصیلات مرتبط، | |
(Narayansamy et al.، 2012)(Guo & Jiang، 2013)(Vinay & Mohinder، 2003)(Vinig & Haan، 2001)(Kollmann & Kuckertz، 2010)(Ramón-Llorens، 2011)(Hatton & Moorehead، 2008)(Suksriwong، 2003)(Rakhman & Evans، 2005) | سابقه کاری مرتبط، | |
Kaplan & Strömberg، 2000 | عملکرد مناسب در زمان، | |
(Deventer & Mlambo، 2009)(Wright، et al.، 1997)(Rakhman & Evans، 2005) (Ramón-Llorens، 2011)(Mullender، 2011)(Suksriwong، 2003)(Martel، 2006)(Vinay & Mohinder، 2003)(Vinig & Haan، 2001)(Hatton & Moorehead، 2008)(Khanin، et al.، 2008) | مهارت و تجربه مدیریتی | |
Suksriwong، 2003 | مدیریت مالی قوی، | |
(Rakhman & Evans، 2005)(Mullender، 2011) | تیم بازاریابی قوی، | |
(Rakhman & Evans، 2005)(Ramón-Llorens، 2011)(Mullender، 2011)(Suksriwong، 2003) (Martel، 2006) | دارای طرح کسب وکاردقیق | |
(Deventer & Mlambo، 2009)(Ramón-Llorens، 2011)(Mullender، 2011(Suksriwong، ) Hatton & Moorehead، 2008)(Kollmann &، 2003، Kuckertz، 2010)(Khanin، et al.، 2008)(Kaplan & Strömberg، 2000) | اندازه قابل توجه بازار، | مشخصات بازار محصول
|
(Narayansamy،etal.،2012)(Kaplan&Strömberg ،2000)(Guo&Jiang،2013)(Rakhman &Evans،2005)(Ramón-Llorens،2011)(Mullend er،2011)(Suksriwong،2003) inay & Mohinder، 2003)(Hatton & Moorehead، 2008)( Koll-و mann & Kuckertz، 2010)(Khanin، et al.، 2008) (احمدی اول و اسلامی بیدگلی 1389 ، ) | نرخ رشد قابل توجه بازار، | |
(Guo & Jiang، 2013)(Vinay & Mohinder، 2003) | کم بودن ریسک بازار، | |
Rakhman & Evans، 2005)(Ramón-Llorens، 2011) (Hatton & (Moorehead، 2008) | سهولت ورود به بازار، | |
(Hatton & Moorehead، 2008)(Kollmann & Kuckertz، 2010)( Martel، 2006) | تعداد رقبا، | |
(Kollmann & Kuckertz، 2010)(Martel، 2006) | قدرت رقبا | |
(Guo & Jiang، 2013)(Liu، 2009) | یافتن سرمایه گذاران بیشتر یا وام بانکی، | ملاحظات مالی
|
(Guo&Jiang،2013)(Suksriwong،2003) | قابلیت نقدشوندگی بالا، | |
(Narayansamy et al.،2012)(Deventer & Mlambo،2009)(Martel، 2006) | بازدهی و بازگشت سرمایه بالا، | |
(Vinay & Mohinder، 2003)(Kollmann & Kuckertz، 2010) | زمان رسیدن به نقطه سربه سر، | |
(Suksriwong، 2003)(Martel، 2006) | توجیه پذیر بودن از لحاظ اقتصادی | |
(Guo & Jiang، 2013)(Mullender، 2011) | دسترسی به نیروی انسانی مورد نیاز، | ملاحظات جغرافیایی
|
(Mullender، 2011)(Liu، 2009) | موقعیت ژئوپليتيكي پروژه | |
(Mullender، 2011)(Liu، 2009) | وجود دسترسی آسان به امکانات و تسهیلات |
سؤال اساسي مطرح شده اين است که آيا اين مدل اندازه گیری؛ مناسب است؟ براي پاسخ به اين پرسش بايستي آمارة و ساير معيارهاي مناسب بودن برازش مدل مورد بررسي قرار گيرد. با توجه به خروجي ليزرل مقدار
محاسبه شده برابر با 176.11 است وجود
پايين نشان دهنده برازش مناسب مدل است.
جدول(2) معیارهای مناسب بودن مدل
شاخص | معیار سنجش | وضعیت فعلی |
2χ (کای مربع) | هر چه کوچکتر مناسب تر | 176.11 |
df ( درجه آزادی) | بزرگتر از صفر | 62 |
2 / df χ | کوچکتر از 3 | 2.87 |
Value - p (سطح معنی داری) | - | 0.002 |
RMSEA (مجذور خطا) | کوچکتر از 0.8 | 0.241 |
GFI (شاخص برازندگی) | بزرگتر از 0.9 | 0.98 |
AGFI (شاخص تعدیل یافته برازندگی) | بزرگتر از 0.9 | 0.93 |
جدول(3): تحلیل عاملی تاییدی سازه ها در حالت معنی داري
سوالات | بار عاملی | CR | AVE | Alpha |
ویژگی های روان شناسی سرمایه گذار |
| 0.761682705
| 0.5179
| 0.752
|
1 | 0.64 | |||
2 | 0.81 | |||
3 | 0.71 | |||
4 | 0.69 | |||
5 | 0.48 | |||
6 | 0.92 | |||
7 | 0.91 | |||
8 | 0.61 | |||
9 | 0.44 | |||
توانایی سرمایه گذار |
| 0.840693501
| 0.52238
| 0.829
|
1 | 0.82 | |||
2 | 0.59 | |||
3 | 0.59 | |||
4 | 0.63 | |||
5 | 0.92 | |||
6 | 0.68 | |||
7 | 0.49 | |||
8 | 0.92 | |||
9 | 0.91 | |||
مشخصات فني محصول |
| 0.880260754
| 0.555953
| 0.834
|
1 | 0.75 | |||
2 | 0.6 | |||
3 | 0.83 | |||
4 | 0.78 | |||
5 | 0.88 | |||
6 | 0.51 | |||
7 | 0.54 | |||
8 | 0.92 | |||
مشخصات بازار محصول |
| 0.880260754
| 0.555953
| 0.834
|
1 | 0.75 | |||
2 | 0.6 | |||
3 | 0.83 | |||
4 | 0.78 | |||
5 | 0.88 | |||
6 | 0.69 | |||
ملاحظات مالی |
| 0.880260754
| 0.555953
| 0.834
|
1 | 0.92 | |||
2 | 0.94 | |||
3 | 0.84 | |||
4 | 0.78 | |||
5 | 0.84 | |||
ملاحظات جغرافیایی |
| 0.880260754
| 0.555953
| 0.834
|
1 | 0.75 | |||
2 | 0.67 | |||
3 | 0.83 |
با توجه به دو جدول قبل از آنجا که مقدار AVE در تمامی متغیر های سازه بیشتر از 0.5 می باشد روایی همگرا در این سازه مورد تایید است. از سوی دیگر از آنجا که مقدار CR و ALPHA از 0.7 بیشتر است پایایی مرکب موردتایید می باشد و همچنين با توجه به بزرگتر بودن بارهاي عاملي همه سوالات از 0.4 ميتوان نتيجه گرفت همه سوالات مربوط به معيارهاي اصلي شش گانه از تحلیل عاملی تاییدی مناسبی برخوردار هستند و همه سوالات مورد تایید قرار گرفته اند.
نتايج سوال دوم مبتني بر " ميزان تاثير هريك از عوامل در پيش بيني موفقیت طرح های جدید خودرو سازان کدامند؟" به شرح زير ميباشد.
جهت بررسی تاثیر هريك از معيارهاي شش گانه بر موفقيت طرح های جدید تولیدی خودرو سازان در ايران،از رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) و t استيودنت استفاده شده است.لذا لازم است ابتدا نرمال بودن داده ها تست شد كه بر اساس آزمون k-s ، داده ها از توزيع نرمال تبعيت كرده و اطمينان حاصل شد كه ميتوان از آزمونهاي پارامتريك استفاده كرد . در گام بعدی با استفاده از رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) با نرم افزار SPSS تاثیر هر یک از عوامل بر موفقیت یا شکست طرح های سرمایه گذاری بررسی و نتایج زیر بدست آمده است:
1) نتایج به دست آمده از آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي ویژگی های روان شناسی سرمایه گذار نشان می دهد که ویژگی های روان شناسی سرمایه گذار بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 7/70 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است. با توجه به ضرايب Beta نيز مي توان گفت متغیر ویژگی های روان شناسی سرمایه گذار به میزان 4/77 درصد می تواند متغیر وابسته، موفقیت طرح های جديد سرمایه گذاری خودرو سازي را پيش بيني كند .
2) نتایج به دست آمده از آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي توانایی شخصي سرمایه گذار نشان می دهد که توانایی سرمایه گذار بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 5/72 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است. با توجه به ضرايب Beta نيز مي توان گفت كه متغير توانایی سرمایه گذار به میزان 6/84 درصد سطح تبيين كنندگي را دارا مي باشد.
3) نتایج به دست آمده از آزمون آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي مشخصات فني محصول نشان می دهد که گفت كه مشخصات فني محصول بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 4/19 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است. با توجه به ضرايب Beta نيز مي توان گفت كه متغير مشخصات محصول و خدمات به میزان 9/18 درصد سطح تبيين كنندگي را دارا مي باشد..
4) با توجه به نتایج بدست آمده از آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي مشخصات بازار محصول نشان می دهد که مشخصات بازار محصول بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 4/4 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است. با توجه به ضرايب Beta نيز مي توان گفت كه متغير مشخصات بازار محصول به میزان 2 /21 درصد سطح تبيين كنندگي را دارا مي باشد.
5) با توجه به نتایج بدست آمده از آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي ملاحظات مالی نشان می دهد که ملاحظات مالی بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 8/30 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است. با توجه به ضرايب Beta نيز مي توان گفت كه متغير ملاحظات مالی به میزان 1/41 درصد سطح تبيين كنندگي را دارا مي باشد.
6) با توجه به نتایج بدست آمده آزمون رگرسیون خطی و آزمون آنالیز واریانس (ANOVA) براي ملاحظات جغرافیایی نشان می دهد که ملاحظات جغرافیایی بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي تاثیر دارد و تقريبا 66 درصد تغييرات متغير وابسته توسط متغير مزبور تبيين شده است.
در ادامه برای پیش بینی تحقق موفقیت طرح های جدید تولیدی از سیستم استنتاج عصبی- فازی تطبیقی استفاده شده است.
در این قسمت ابتدا سیستم عصبی فازی تطبیقی بر اساس مدل مفهومی طراحی میگردد که به صورت شکل(3) خواهد بود. در این مدل شش متغیر ووردی(معيارهاي شش گانه) شامل ویژگی های روان شناسی سرمایه گذار، توانایی سرمایه گذار، مشخصات فني محصول، مشخصات بازار محصول، ملاحظات مالی و ملاحظات جغرافیایی وارد سیستم استنتاج عصبی- فازی شده و سیستم بر اساس شش متغیر ورودی طراحی شده است.
شکل(3): مدل مفهومی پژوهش(ANFIS) با شش متغیر ورودی در نرمافزار متلب
به منظور برآورد یک سیستم مناسب پیشبینی، همانگونه که گفته شده است 90 درصد دادهها به عنوان دادههای آموزش وارد سیستم عصبی-فازی تطبیقی طراحی شده، گردیده است. برای شروع کار شبکه عصبی- فازی طراحی شده با توابع عضویت مختلف و دو تابع عضویت در هر ورودی آموزش داده شده و نتایج برای دادههای آموزش و تست به صورت جدول(4) بدست آمده است.
جدول(4): عملکرد شبکه عصبی- فازی انطباقی با در نظر گرفتن نوع توابع عضویت مختلف، بر اساس شاخصهای MSE، RMSE و R2 | ||||
نوع تابع عضویت | نوع داده | R2 | RMSE | MSE |
گوسی | آموزش | 0000/1 | 00000/0 | 00000/0 |
تست | 38237/0 | 0116/1 | 0234/1 | |
مثلثی | آموزش | 0000/1 | 00011/0 | 00000/0 |
تست | 26802/0 | 6306/1 | 6588/2 | |
ذوذنقهای | آموزش | 0000/1 | 0000/0 | 0000/0 |
تست | 05468/0 | 3300/1 | 7690/1 | |
زنگولهای | آموزش | 0000/1 | 00001/0 | 00000/0 |
تست | 31234/0 | 4619/1 | 1372/2 | |
پای شکل | آموزش | 0000/1 | 00000/0 | 00000/0 |
تست | 05672/0 | 4437/1 | 0843/2 |
نتایج رگرسیونی به دست آمده برای تابع عضویت گوسی که کمترین مقدار خطا بر اساس شاخصهای RMSE و MSE دارد با دو تابع عضویت در هر ورودی به صورت شکل (4)، نشان داده شده است.
شکل(4): نتایج بدست آمده برای شبکه عصبی-فازی انطباقی با توابع عضویت گوسی و دو تابع در هر ورودی
|
در ادامه با توجه به اینکه نتایج بدست آمده برای شبکه عصبی-فازی انطباقی نشان داد که توابع گوسی نسبت به سایر توابع عملکرد بهتری داشتهاند؛ تعداد توابع عضویت گوسی در اجراهای مختلف مورد بررسی قرار گرفت تا عملکرد هر یک از آنها نیز بررسی شده و از بین آنها بهترین شبکه انتخاب شود. این کار برای 3، 4 و 5 تابع عضویت در هر ورودی انجام گردید. نتایج در این بخش نشان میدهد که در تعداد توابع عضویت 5، با شش متغیر وردی، خطای سیستم در کمترین مقدار برای دادههای تست و آموزش خواهد بود. نتایج نهایی برای دادههای آموزش و تست شبکه به صورت شکلهای (5) و (6) نشان داده شده است.
شکل(5): نتایج بدست آمده برای دادههای آموزش شبکه عصبی- فازی با توابع عضویت گوسی
|
شکل(6): نتایج بدست آمده برای دادههای تست شبکه عصبی- فازی با توابع عضویت گوسی
|
با توجه به نتایج بدست آمده برای شاخصهای RMSE و MSE که مقدار آنها کوچکتر از 05/0 بوده است، میتوان عنوان نمود که پیشبینی انجام شده بر اساس سیستم عصبی- فازی تطبیقی با توابع عضویت گوسی با 6 متغیر ورودی و 5 تابع عضویت برای هر متغیر ورودی، دقت زیادی در پیششبینی داشته است. جدول(5) قضاوت در مورد عملکرد پیشبینی را بر اساس شاخص RMSE نشان میدهد.
جدول (5) قضاوت در مورد عملكرد پيش بيني | |
RMSE | قضاوت در مورد عملكرد پيش بيني |
كمتر از 05/0 | دقت زياد |
بين 051/0 تا 09/0 | پيش بيني خوب |
بين 091/0 تا 1/0 | پيش بيني قابل دفاع |
بيشتر از 1/0 | پيش بيني غير دقيق |
- نتيجه گيري و پيشنهادات
بر اساس نتايج بدست آمده ،شش عامل اصلي با 40 شاخص مرتبط پیش بینی کننده موفقیت طرح های جديد سرمایه گذاری خودرو سازي شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار بودند سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت طرح های جديد سرمایه گذاری خودرو سازي بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و در ادامه نتایج نشان دهنده این بود که مدل سیستم عصبی- فازی تطبیقی طراحی شده قدرت پیش بینی موفقیت طرح های جديد سرمایه گذاری را با خطای کمتر از 5 درصد دارا بوده است که نشان دهنده ی قدرت پیش بینی بالای مدل است. اين نتايج با نتايج تحقيقات جعفري خانشیر و همکاران(1391)كه در تحقیقی عوامل کلیدي موفقیت پروژههاي توسعه محصول جدید را در سه دسته نظامها و فرایندهاي مدیریتی، منابع و توانمنديهاي تیم توسعه و بیست سنجه تقسیم بندي کرده اند و طالبی و کچوئی ( 1390) كه در تحقیقی عوامل موثر بر توسعه محصول جدید را در چهار طبقه تعهد مدیریت ارشد، راهبرد، گرایش بینالمللی، مدیریت سبد دارایی و گرایش به آبنده پژوهی تقسیم بندي نموده اند و طالبی و همکاران(1389) كه در تحقیق دیگري عوامل کلیدي موفقیت محصول را در چهار طبقه فناورانه، تجارتی، بازاریابی و مدیریتی و چهل و چهار متغیر بررسی کرده اند و با نتايج تحقيقات سعید اردکانی و همکاران(1389) كه موفقیت توسعه محصول جدید را در چهار دسته عامل تکنولوژیکی، عامل بازاریابی، عامل مدیریتی و عامل تجاري سازي و بیست و یک متغیر مورد بررسی قرار داده اند و کرامتی و همکاران(1399) كه در تحقیقی عوامل موثر بر توسعه محصول جدید را در چهار طبقه کاربردهاي فناوري اطلاعات در توسعه محصول جدید، کاربردهاي فناوري اطلاعات در فرایند توسعه محصول جدید و عوامل سازمانی مورد توجه قرار داده اند و همچنين با نتايج سرمد سعیدي و ممقانی (1399) كه عوامل موثر بر موفقیت توسعه محصول جدید را در چهار عامل تکنولوژي، عامل بازاریابی، عامل تجاري کردن و عامل تیم توسعه محصول جدید و بیست متغیر دسته بندي کرده اند.
در مورد نتايج سیستم عصبی- فازی تطبیقی و نحوه پيش بيني آن ميتوان با مقايسه نتايج ساير تحقيقات اذعان كرد كه اين نتايج با نتايج تحقيق سلطانی فسقندیس و پویا (2018) كه در پژوهشی سیستم عصبی-فازی تطبیقی را برای پیشبینی توسعه محصول جدید و انتخاب استراتژی بازار- محصول استفاده نمودهاند همخواني دارد. همچنين با نتايج تحقيق آگا و همکاران (2024) كه با مدلسازی متیل استر، عملکرد روشهای مختلف را بررسی عملکرد این ماده بررسی کردهاند.
پیشنهادات این پژوهش در خصوص شناسایی عوامل و شاخصهاي موثر بر موفقیت طرح های سرمایه گذاری خودروسازي در ايران به شرح زیر است:
-شرکتهاي خودرو سازي میتوانند با پیش بینی موفقیت سرمايه گذاري طرح ها با استفاده از عوامل و شاخصهاي ذكر شده و با استفاده از شبكه هاي عصبي ( مدل ذكر شده در اين تحقيق) از تقبل میلیاردها تومان زیان جلوگیري نموده و کارایی بهتر و بیشتري داشته باشند. پیش بینی موفقیت طرح هاي توسعه محصول جدید براي مدیران صنایع و سازمانها به دلیل نرخ شکست بالاي توليد محصول جدید از اهمیت زیادي برخوردار بوده و نشان دهنده پیچیده بودن فرایندهاي توسعه و توليد محصول جدید است.
-پیشنهاد می شود از آنجايي كه ویژگی های بازار محصول و مشخصات فني محصول داراي بيشترين وزن در موفقيت طرحهاي سرمايه گذاري جديد خودروسازان داشته است بيشتر مورد مورد توجه و تجزیه و تحلیل قرار گرفته و متناسب با اين دو متغير و ساير متغيرهاي ذكر شده در اين تحقيق اقدام به سرمايه گذاري جديد و توليد جديد نمايند .
-در ارتباط با ملاحظات جغرافیایی پیشنهاد می شود سرمايه گذاري جديد خودروسازان بر اساس آمايش سرزمين باشد.
1-جعفري خانشیر، سعید؛ رادفر، رضا و حسنوي، رضا( 1391 )، تبیین کارکردهاي مدیریت تحول در توسعه محصول جديد با روش تحليل سلسله مراتبي فازي ، مديريت نوع آوري (1). 44 -60
2- سرمد سعیدي، سهیل و ممقانی، علیرضا( 1389 )، شناسایی و رتبه بندي عوامل کلیدي موثر در توسعه محصول در گروه صنعتي سايپا
3- سعیدااردکانی، سعید، زارع احمدآبادي، حبیب؛ طالعی(1399)٬ تحلیل عوامل موثر بر موفقیت توسعه محصول جدید در بنگاه هاي کوچک و متوسط( متوسط)صنایع غذایی و آشامیدنی منتخب استان فارس)، مدیریت تولید و عملیات(1) 53-69
4-طالبی، کامبیز و رضا کچوئی( 1390 )، شناسایی عوامل مدیریتی کلیدي در موفقیت پروژههاي توسعه محصول جدید در کسب و کارهاي کوچک و متوسط کشور، اقتصاد و تجارت نوین، .49- 23 و 66 ،24
5- طالبی، کامبیز؛ سلیمی ترکمانی، مهدي و هادي زارع( 1389 )، شناسایی و اولويت بندي عوامل اساسی موفقیت در توسعه محصول جدید در پاركهاي علم و فناوري تهران، فصلنامه اقتصاد و تجارت نوین، 19 و 100 ،20
6- کرامتی، عباس؛ حاله، حسن؛ بنان، بهداد؛ مجیر، نوید و علی درخشانی( 1397 )، رتبهبندي مكملهاي تكنولوژي اطلاعات در فرايندهاي، نشریه ،ت نشريه تخصصی مهندسی صنایع، شماره 44 محصول جديد با استفاده از مدلهاي هوشمند
7-شکرزاده مرتضی، حسن پور رمضان، رنجبر حمیدرضا، مرزی علمداری جبرئیل،(1392)، بررسي عوامل مؤثر بر جذب سرمايه گذاري خارجي (FI) در مناطق آزاد ايران (مطالعه موردي منطقه آزاد تجاري صنعتي ارس) ، اولین همایش ملی اقتصاد دانشگاه پیام نور.
8-حسن قلیپور، طهمورث٬ میری ، سید مهدی(1396)؛ کاربردهای شبکه های عصبی مصنوعی در مدیریت و بازاریابی (مطالعه موردی: گروه بندی مشتریان بانک کشاورزی) ، دوماهنامه علمی-پژوهشی دانشور رفتار/مدیریت و پیشرفت/ دانشگاه شاهد/ سال هفدهم / شماره 41 .
9- Agu, C. M., Ani, K. A., Ani, O. N., Nnaji, P. C., Kadurumba, C. H., & Esonye, C. (2024). Application of efficient soft computing approaches for modeling methyl ester yield from Azadirachta Indica (Neem) seed oil: A comparative study of RSM, ANN and ANFIS. Green Technologies and Sustainability, 2(1), 100057.
10- Anandarajan, M., P. Lee, Anandarajan, 2020, Bankruptcy Predction of Financially Stressed Firms: An Examination Of predictive Accuracy Of Artificial Neural Networks, International Journal of Intelligent Systems in Accounting, Finance and Management, No 10.69-81.
11- Cooper, A. & Schendel.D.(2003), Strategic response to technological threats, Business Horizons, Vol.19, No.1, 2003, PP:
12- Gonza´lez, F.J.M. & Palacios, T.M.B.(2019), The effect of new product development techniques on new product success in Spanish firms, Industrial Marketing Management 31, 261– 271.
13- Guariglia,A., Yang, J, (2012), ”A Balancing Act: Managing Financial Constraints and Agency Costs to Minimize Investment Inefficiency in The Chinese Market“, Paper in www.SSRN.com
14- Guo, D. & Jiang, K., 2018. Venture capital investment and the performance of entrepreneurial firms: Evidence from China. Journal of Corporate Finance, Volume 22, p. 375–395.
15- Ho, Y-C. & Tsai, C-T.(2021), Comparing ANFIS and SEM in linear and nonlinear forecasting of new product development performance, Expert Systems with Applications, 38, 6498–6507.
16-Kaplan, S. N. & Strömberg, P., 2000. How Do Venture Capitalists Choose Investments?
17- Khataee, A., M.B. Kasiri, 2011, Review Modeling of Biological Water and Wastewater Treatment Processes Using Artificial Neural, Clean-Soil, Air, Water, 39 (8), PP. 742- 749.
18- Lee, C.J. & T.K. Hsiuung, 2009, Sensivity Analysis on Multilayer Perceptron Model For Recognizing Liquefaction Cases, computers and Geotechnics, No. 36, PP. 1157-1163.
19- Liu, C., 2009. A Comparison of the Venture Capitalists’ Investment Behavior Pattern between China and America, Umeå School of Business
20- Lu C., J. Wu, 2011, An Efficient CMAC Neural Network for Stock Index Forecasting, Expert System with Applications, No. 38, PP. 15194-15201.
21- Mojsilović, M., Cvejić, R., Pepić, S., Karabašević, D., Saračević, M., & Stanujkić, D. (2023). Statistical evaluation of the achievements of professional students by combination of the random forest algorithm and the ANFIS method. Heliyon.
22- Nguyen, M. D., Nguyen, D. D., Hai, H. N., Sy, A. H., Quang, P. N., Thai, L. N., ... & Pham, B. T. (2023). Estimation of Recompression Coefficient of Soil Using a Hybrid ANFIS-PSO Machine Learning Model. Journal of Engineering Research.
23- Oh, J., Yang, J. & Lee, S.(2013), Managing uncertainty to improve decision-making in NPD portfolio management with a fuzzy expert system,Expert SystemswithApplications,(39)10,9868-9885
24- Soltani-Fesaghandis, G., & Pooya, A. (2018). Design of an artificial intelligence system for predicting success of new product development and selecting proper market-product strategy in the food industry. International Food and Agribusiness Management Review, 21(7), 847-864.
Abstract:
The success of companies' production development plans may face cost, technical, economic and quality challenges. Controlling and planning the success factors of new plans should be one of the priorities of companies so that they can plan and control their development products more accurately and better. . Based on this, the aim of this research is to analyze the critical success factors of the new production plans of car manufacturers and to predict their realization by combining factor analysis methods and adaptive neural-fuzzy inference system. It has been a descriptive survey. The statistical population of the research was in two parts. In the first part, which is dedicated to identifying the critical factors of success, including 80 experts and experts with a sample of 66 people and the statistical population related to the use of multilayer neural networks, including 250 successful and unsuccessful investment projects (all projects implemented since 1390) has been in the automotive industry. The data collection tool includes two researcher-made questionnaires, the first of which is related to the identification of success factors and related indicators, and the second questionnaire is also used to enter data related to the investment plans of automobile manufacturers in the MATLAB software environment. In order to analyze the data of this research, descriptive statistics, multivariate regression, analysis of variance, factor analysis and adaptive neuro-fuzzy system were used. Based on the results, six main factors with 40 related indicators predicting the success of projects New investment in automobile manufacturing was identified and after describing the variables and testing for normality, it was done using confirmatory factor analysis of the variables, and all the factors had a suitable confirmatory factor analysis, then using linear regression and analysis of variance, the effect of each factor The success of new investment projects in the automotive industry was investigated, and the results of this test confirmed the effect of each of the factors, and further, the results showed that the designed adaptive neuro-fuzzy system model has the power to predict the success of new investment projects. It has an error of less than 5%, which indicates the high predictive power of the model.
Key words: factor analysis, success prediction indicators, adaptive neuro-fuzzy system, new investment plans in automobile manufacturing
[1] . Jeong et al
[2] . Lopez
[3] . Pastor
[4] . Kristjanpoller
[5] . Minutolo
[6] - Soltani-Fesaghandis & Pooya
[7] - Agu
[8] - Mojsilović
[9] - Nguyen