مدل‌سازی ارزیابی مشتریان از کیفیت خدمات درمانی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی بیمارستان‌های دانشگاه علوم پزشکی بیرجند)

محورهای موضوعی : -مدارک پزشکی

زهرا هاشمی ¹ , مرضیه فریدی ماسوله ²

1 - دانشجوی کارشناسی‌ارشد رشته مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد الکترونیکی، تهران، ایران
2 - دکتری تخصصی رشته مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، تهران، ایران

تاریخ دریافت : 1395/10/09 تاریخ پذیرش : 1396/01/23 تاریخ انتشار : 1395/12/01

کلید واژه: شبکه‌های عصبی مصنوعی, بیمارستان, رضایت مشتریان, کیفیت خدمات,

چکیده مقاله :

مقدمه: کیفیت خدمات همواره یکی از مهم‌ترین دغدغه‌های مدیران در تامین رضایت مشتریان است. تامین خدمات با کیفیت نیازمند شناخت دقیق نسبت به عوامل کلیدی کیفیت خدمت و نوع اثربخشی آنها در میزان رضایت مشتریان است. لذا بکارگیری روش‌های مختلف سنجش کیفیت خدمات می‌تواند جنبه‌های مجهول اثربخشی این عامل را بر رضایت مشتریان شفاف‌تر سازد. از اینرو هدف از انجام این تحقیق ارزیابی روش‌های سنجش کیفیت خدمات درمانی با استفاده از شبکه‌های عصبی مصنوعی بوده است. روش‌پژوهش: این تحقیق به روش توصیفی - همبستگی انجام شده و از نوع تحقیقات کاربردی است. جامعه آماری تحقیق را کلیه مشتریان بیمارستان‌های دانشگاه علوم پزشکی بیرجند تشکیل می‌دهند که تعداد آنها معین نبوده است. با استناد به رابطه نمونه‌گیری کوکران تعداد 385 نفر از آنها به شیوه در دسترس انتخاب شده و پرسشنامه‌های اعتبارسنجی شده تحقیق میان آنان توزیع گردید. به منظور سنجش کیفیت خدمات از 4 روش سروکوآل وزنی و غیر وزنی و سروپرف وزنی و غیروزنی استفاده شد و تاثیر ابعاد کیفیت خدمات در هریک از این 4 روش بر روی رضایت مشتریان مورد ارزیابی قرار گرفت. در این تحقیق برای تجزیه و تحلیل داده‌ها ازنرم‌افزار spss استفاده شده است و نتایج جهار روش سنجش کیفیت خدمات با استفاده از شبکه‌های عصبی مصنوعی مورد بررسی قرار گرفته است. یافته‌ها: نتایج نشان داد که از بین روش‌های سنجش کیفیت خدمات کمترین سطح خطا برای مدل سروکوال وزنی عدد 0.18 بدست آمده که سنجش کیفیت خدمات بر حسب مدل سروکوال وزنی با استفاده از شبکه‌های عصبی مصنوعی دقت بالاتری در پیش‌بینی رضایت مشتریان داشته است. نتیجه‌گیری: روش‌های سنجش کیفیت خدمات تحت تاثیر مقیاس سنجش کیفیت خدمات، عملکرد متفاوتی در پیش‌بینی رضایت مشتریان دارند. هم‌چنین روش‌های شبکه عصبی مصنوعی نسبت به الگوریتم بکارگرفته شده در پیش‌بینی، ممکن است پیش‌بینی‌هایی ضعیف‌تر از نتایج روش‌های آمار کلاسیک ارائه دهند. مقدمه: کیفیت خدمات همواره یکی از مهمترین دغدغه های مدیران در تامین رضایت مشتریان است. لذا بکارگیری روش های مختلف سنجش کیفیت خدمات می تواند جنبه های مجهول اثربخشی این عامل را بر رضایت مشتریان شفاف تر سازد.روش پژوهش: این تحقیق به روش توصیفی-همبستگی انجام شده وتحقیق کاربردی است. جامعه آماری کلیه مشتریان بیمارستانهای دانشگاه علوم پزشکی بیرجند بودند که تعداد آنها معین نبوده است. با استناد به رابطه نمونه گیری کوکران تعداد 385 نفر از آنها به شیوه در دسترس انتخاب شده و پرسشنامه های اعتبارسنجی میان آنان توزیع گردید. به منظور سنجش کیفیت خدمات از 4 روش سروکوآل وزنی وغیر وزنی و سروپرف وزنی و غیروزنی استفاده شد و تاثیر ابعاد کیفیت خدمات در هریک از این 4 روش بر روی رضایت مشتریان مورد ارزیابی قرار گرفت. داده های تحقیق با استفاده از شبکه های عصبی مصنوعی چندلایه تحلیل شد. یافته ها: نتایج نشان داد که از بین روش های سنجش کیفیت خدمات کمترین سطح خطا برای مدل سروکوال وزنی عدد0.18 بدست آمده که سنجش کیفیت خدمات بر حسب مدل سروکوال وزنی با استفاده از شبکه های عصبی مصنوعی دقت بالاتری در پیش بینی رضایت مشتریان داشته است.نتیجه گیری: روش های سنجش کیفیت خدمات تحت تاثیر مقیاس سنجش کیفیت خدمات، عملکرد متفاوتی در پیش بینی رضایت مشتریان دارند. همچنین روش های شبکه عصبی مصنوعی نسبت به الگوریتم بکارگرفته شده در پیش بینی، ممکن است پیش بینی هایی ضعیف تر از نتایج روش های آمار کلاسیک ارائه دهند

چکیده انگلیسی:

Introduction: The service quality is always one of the managerial concerns to supply customer’s satisfaction. Preparing qualified service needs to exact knowledge about the key factors of service quality and their effectiveness in the level of customer’s satisfaction. So implementing the different methods of measuring service quality could make it more explicit the unknown aspects of this factor effectiveness on the satisfaction. So the aim of this study was to evaluating the health care quality methods with artificial neural network approach. Methods: This study was a descriptive-correlation and an applied research. The statistical population of research consists of customers in hospitals of medical sciences Birjand University with an indefinite number. Referring to Cochran sampling formula a number of 385 individuals were selected using in access approach and validated questionnaires of study distributed among them. To measure the service quality it used the 4 approaches of weighted and un-weighted SERVQL and SERVPRF and the effect of service quality dimensions in each 4 approach were evaluated on the satisfaction. In this study to analyze the data is used of Spss software and the results of four methods to measure service quality using artificial neural networks have been studied. Results: The results showed that the method of measuring the quality of services achieved the lowest level of error for SERVQUAL 0.18 Weighted number That measure the quality of service in terms of weight SERVQUAL model using artificial neural networks have been more accurate in predicting customer satisfaction. Conclusions: methods of measuring service quality have different performance in predicting customer’s satisfaction under the scale of measuring service quality. Also the artificial neural networks regarding to implement predicting algorithm, may contain weaker forecast rather than classic statistical methods. Introduction: uality of service has always been one of the main concerns of managers in providing customer satisfaction. So, employing different methods to measure the effectiveness of this agent's unknown aspects of service quality can be more transparent on customer satisfaction. Methodology: This study was conducted cross-correlation functional investigation. The population of Birjand University of Medical Sciences were all customers that their number was not specified. According to Cochran sampling about 385 of them were selected based on availability of validated questionnaires were distributed among them. To measure the service quality it used the 4 approaches of weighted and un-weighted SERVQL and SERVPRF and the effect of service quality dimensions in each 4 approach were evaluated on the satisfaction. The data were analyzed using multi-layered artificial neural networks.Findings:The results showed that the method of measuring the quality of services achieved the lowest level of error for SERVQUAL 0.18 Weighted number That measure the quality of service in terms of weight SERVQUAL model using artificial neural networks have been more accurate in predicting customer satisfacti Conclusion: methods of measuring service quality have different performance in predicting customer’s satisfaction under the scale of measuring service quality. Also the artificial neural networks regarding to implement predicting algorithm, may contain weaker forecast rather than classic statistical methods

منابع و مأخذ:

1 -Ali E. Health care financing in Ethiopia: implications on access to essential medicines. Value in Health Regional Issuesو 2014; 4: 37-40.

2-Nuscheler R, Roeder K. Financing and funding healthcare: Optimal policy and political implement ability, 2014; 4893: 3.

3- Pillay TD, Skordis-Worrall J. South African health financing reform 2000–2010 Understanding the agenda-setting process. Health policy, 2013; 109(3): 321-331.

4- Thompson CR, McKee M. An analysis of hospital capital planning and financing in three European countries: Using the principal–agent approach to identify the potential for economic problems. Health Policy، 2011; 99:158-166.

5- Ravi S, Behara, Warren Fisher W, Jos GAM. Lemmink. Modelling and evaluating service quality measurement using neural networks, International Journal of Operations & Production Management, 2002; Vol. 22 (10): 1162-1185.

6- Pražmová V, & Talpová E. Health financing and regulatory fees in the Czech Republic, 2014; 16(3): 187-e194.

7- Reeves A, McKee M, Basu S, & Stuckler D. The political economy of austerity and healthcare, 2014 ; Cross-national analysis of expenditure changes in 27 European nations, 1995–2011; 115(1): 1-8.

8- Thompson CR and McKee M. “An analysis of hospital capital planning and financing in three European countries: Using the principal–agent approach to identify the potential for economic problems, 2011; 99: 158-166.

9- Robledo M. Measuring and managing service quality: integrating customer expectation, 2001; (11): 21-31.

10-Jamali D. A study of customer satisfaction in the context of a public private partnership, International Journal of Quality& Reliability Management, 2007; 24 (4): 370-385.

11- Mirghafoori H, Mohsen Taheri Demneh M, ZareAhmadAbadi H. Evaluation Methods for measuring service quality using artificial neural networks, 2009; 8(31): 63-79

12- Najafi H, Khorasani A, Mohammad R, Collars M. Evaluating the quality of educational services based on SERVQUAL, measurement studies and educational evaluation, 2014; 4(6): 11-27. 

13- Nuscheler R and Roeder K. Financing and funding healthcare: Optimal policy and political implement ability, 2014; 48939(3): 225.

14- Pillay TD & Skordis-Worrall J. South African health financing reform 2000–2010: Understanding the agenda-setting process, 2013; 109(3): 321-331.

15- Zarei H , Ghazi SM, Rahimi Forooshani A, Rashidian A, Arab M. to evaluate the quality of hospital services from the perspective of patients: a cross sectional study in private hospitals in Tehran, 2011; 5(4): 66- 76.