وجود مشکلات متعدد اجتماعی، اقتصادی و زیست محیطی سازمان‌ها را به سمت استفاده از مدیریت زنجیره تأمین پایدار هدایت کرده و از سویی جهانی‌سازی باعث شده است اجرای موفق مدیریت زنجیره تامین پایدار همواره به عنوان یکی از دغدغه های مدیران به ویژه در صنعت خودرو قرار گیرد. در نتیجه با توجه به ضرورت بکارگیری مدیریت زنجیره تامین پایدار در سازمان ها، مساله اساسی رسیدن به یک مدیریت زنجیره تامین پایدار موفق و کارآمد می-باشد. در این راستا، این پژوهش بر آن است تا با بررسی ادبیات مربوط به عوامل موفقیت مدیریت زنجیره تامین پایدار، عوامل کلیدی که در اجرای موفقیت آمیز مدیریت زنجیره تامین پایدار در صنعت خودرو موثر می باشند را با استفاده از نظر خبرگان و بکارگیری روش دلفی فازی شناسایی کرده و با کمک روش دنپ (دیمتل- ای ان پی)، به تعیین اهمیت و رتبه‌بندی این عوامل در اجرای مدیریت زنجیره تامین پایدار بپردازد. نتایج تحقیق، 25 عامل کلیدی را برای اجرای موفق مدیریت زنجیره تامین پایدار در صنعت خودرو شناسایی و مشخص نمود که از این میان سه عامل تعهد و حمایت مدیریت ارشد، برنامه ریزی استراتژیک و چشم انداز بلند مدت و بازرسی زیست محیطی تامین کنندگان به ترتیب به عنوان مهمترین عوامل و یکپارچه سازی عملکرد متقابل (تشکیل کار گروه) به عنوان کم اهمیت‌ترین عامل مشخص شدند. تفاصيل المقالة

Stock markets are attractive in nature for investors to gain profit. However decision making about suitable points of trading is a challenging issue, due to various properties of stocks, unstable values and data frequencies. Predicting stock price movements and discovering turning points using technical indicators, for the sake of data frequency reduction in short-term, is a preferred choice in comparison with price forecasting which commonly uses fundamental analysis. In this ambit, this paper proposes a Colored Petri Net model combined with k-means clustering decision making rules to predict stock trading signal, namely buy, sell, and hold, enhanced by a strength coefficient in a 7-step process. The paper focuses on Tehran stock exchange as case study in a two-year time interval. Simulation results implies superiority of proposed model against other state-of-the-art approaches, i.e. artificial neural networks, decision tree, and linear regression, with the accuracy rate of 88% in term of correctly classifying. تفاصيل المقالة