نوع مقاله : مقاله پژوهشی- فارسی
نویسندگان
1 مدیریت صنعتی، دانشکده علوم اداری و اقتصاد، دانشگاه ولیعصر(عج)، رفسنجان، ایران
2 مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Purpose: This paper aims to design and regulate the Adaptive Neural Fuzzy Inference Systems (ANFIS) of supplier development, determine the importance of different categories of supplier development (SD), and suggest appropriate activities based on the results for the development of suppliers in the automotive industry.
Design/methodology/approach: To design ANFIS, Grid Partitioning, Subtractive Clustering, and FCM have been used. Then, they have been regulated using Back Propagation (BP), Hybrid, Ant Colony Optimization (ACO), Differential Evolution (DE), Genetic Algorithm (GA), and Particle Swarm Optimization (PSO) methods. A five-step procedure has been used for sensitivity analysis of the supplier development categories. By comparing the results of the regulated systems, the most appropriate ones were selected. Also, based on the supplier development score in different categories separately, the supplier development score was predicted for 53 strategic suppliers in the automotive industry. By sensitivity analysis, SD-related categories were prioritized to guide automotive industry manufacturers to use SD-related activities.
Findings: Findings indicated that the FCM compared to the other two methods; meta-heuristic regulation methods compared to BP and Hybrid, and ACO, DE, and GA compared to PSO led to better results. The ACO in all systems, the DE in four systems, and the GA in two categories were identified as the dominant methods, while the PSO was not dominant in any of the categories. This finding implies the priority of meta-heuristic algorithms as ACO> DE> GA> PSO, based on the data of this study. The results of the correlation between the scores of the ANFIS and the average scores of the experts show that the designed ANFIS has high accuracy.
Practical implications: The results of this study will direct manufacturers' investments and direct involvement in SD. The findings encourage manufacturers and suppliers of the Iranian automotive industry first to activities related to the development of environmental capabilities and then activities related to the development of three other categories. The managers of Iran's automotive industry are suggested to apply the activities related to the development of suppliers' environmental capabilities. These activities include evaluating the supplier's environmental performance and feedback, sharing environmental information, ethics and social responsibility, obtaining environmental and social certifications, developing programs to improve the quality of life of target communities, green procurement, and environmental awareness, logistics activities Inversion, and joint efforts to improve performance are sustainable.
Originality/value: This study was one of the first in-house studies to compare the results of meta-heuristic algorithms compatible with ANFIS in the field of SD. In addition, in terms of implementation, it offered suitable SD activities to car manufacturers.
کلیدواژه‌ها [English]
در بازارهای رقابتی، تنها راه غلبه بر رقبا در کاهش هزینههای عملیاتی و بهبود سطح خدمت، توجه هم‌زمان به ملاحظات اقتصادی، زیستمحیطی و اجتماعی زنجیرۀ تأمین است (شفیعی و همکاران، 1399). برای ایجاد توان رقابتی در شرکت‌ها، باید توانمندی‌ها و منابع داخلی به فاکتورهایی برای موفقیت سازمان و ایجاد مزیت رقابتی نسبت‌به دیگر رقبا تبدیل شود (الفت و همکاران، 1398). مدیران تأمین، مسئول حفظ یک شبکهای از تأمین‌کنندگان توانااند. بسیاری از شرکت‌های خریدار به‌طور فعال، بهبود عملکرد تأمین‌کننده را از طریق توسعۀ تأمین‌کننده[i]، حمایت می‌کنند. SD یک فعالیت تجاری منابعبر بلندمدت است که به تعهد تولیدکنندگان و تأمین‌کنندگان نیاز دارد (تالوری و همکاران، 2010). SD شامل تلاش‌های شرکت‌های تولیدی، برای بهبود قابلیت‌ها و عملکرد تأمینکنندگانشان است. این تلاشها میتواند در حوزههای مختلفی، مثل مدیریت کیفیت، توسعۀ محصول و کاهش هزینه، هدف‌گذاری شود (یانگ[ii]، 2011). SD، یک استراتژی همکارانۀ بلندمدت شروع‌شده به‌وسیلۀ یک سازمان خریدار، برای ارتقای عملکرد و یا قابلیت‌های تأمین‌کننده است؛ به‌طوری که، تأمین‌کننده قادر است، نیازهای تأمین سازمان خریدار را به روشی اثربخش‌تر و قابل‌اطمینان‌تر برآورده سازد که مزیت رقابتی بیشتری را به خریدار، برای رقابتیترشدن در بازار میدهد (چاوهان[iii] و همکاران، 2012). SD یک فعالیت استراتژیک مرتبط با تأمین‌کننده است که برای ارتقای سطح عملکرد تأمین‌کنندگان، به‌منظور ایجاد و حفظ شبکهای از تأمین‌کنندگان شایسته طراحی می‌شود (رضایی و همکاران، 2015). تعریف بازنگری‌شدۀ چن[iv] و همکاران (2015)، از SD به این صورت است؛ « مجموعهای از فعالیت‌های مدیریت دانش است که یه‌وسیلۀ شرکت‌های خریدار و تأمین‌کننده انجام می‌شود و قصد دارد، نیازهای تأمین کوتاهمدت و بلندمدت شرکت‌های خریدار را از طریق تسهیل عملکرد مداوم شرکت تأمین‌کننده و یا بهبود قابلیت برآورده کند. توسعۀ تأمین‌کننده ممکن است، فعالیت‌های مدیریت دانش درجۀ اول و همچنین درجۀ دوم را درگیر کند» SD، به تأمین‌کنندگان کمک می‌کند تا قابلیت‌ها و عملکردشان را بهبود دهند و به سهم خود، به شرکت خریدار کمک می‌کند تا کاهش هزینه، بهبود بهرهوری، بهبود کیفیت و بهرهبرداری بهینه از منابع را تحقق بخشد (ساکو[v]، 2004؛ ووترز[vi]و همکاران، 2007؛ تالوری[vii]و همکاران، 2010؛ هامفریز[viii] و همکاران، 2011). برنامههای SDیک جزء ضروری از مدیریت روابط تأمین‌کننده است (ناگاتی و ربولدو[ix]، 2013). اجرای موفقیتآمیز مدیریت زنجیرۀ تأمین، مباحث زیادی را درگیر می‌کند که یکی از مباحث اصلی، SDاست.
بعضی از صنایع همچون خودرو، آمادگی شروع حمایتی فعال را برای تأمینکنندگانشان دارند. آنها یک سطح فراوانی از تعهد را برای غلبه بر مسائل عملکردی تأمین‌کنندگان نشان دادند (واگنر[x]، 2006). خودروها محصولات بسیار پیچیدهای هستند و به درجۀ فراوانی از برونسپاری به تأمین‌کنندگان، برای مونتاژ نیاز دارند. صنعت خودرو، یکی از وابستهترین صنایع به تأمین‌کنندگان است. عمدۀ مشکلات تأمین‌کنندگان داخلی، به فقدان یک برنامه برای تدوین و اجرای فعالیت‌های مناسب، به‌منظور SD بعد از انتخاب آنها مرتبط است که در طرح‌های SD باید به آن توجه کرد. تحریم‌های چند سال اخیر موجب می‌شود که کیفیت خودروهای داخلی، به‌دلیل کیفیت ضعیف قطعات تولیدی تحت تأثیر قرار گیرد؛ بنابراین، این پژوهش برای کمک به جنبۀ اجرایی SD، چارچوبی را برای SD ارائه میدهد که به‌طور خلاصه در آن، برای هرکدام از مقولههای SDکه الفت و همکاران (2020) ارائه کردند و SD، سیستمهای استنتاج عصبی-فازی طراحی، تنظیم و مقایسه می‌شود. براساس نتایج مقایسه، مناسب‌ترین سیستم انتخاب شده و نمرۀ تأمین‌کنندگان در هر مقوله و SDپیشبینی شده است. در پایان با تحلیل حساسیت، مقولههای مرتبط با SD، به‌منظور جهت‌‌دادن تولیدکنندگان صنعت خودرو در به‌کارگیری فعالیت‌های مرتبط با SDاولویتبندی شد. نتایج این پژوهش، موجب جهتبخشی سرمایهگذاریهای تولیدکنندگان و درگیری مستقیم آنها در SD خواهد شد. با توجه به اینکه سایپا و ایرانخودرو بیشترین سهم بازار را در اختیار دارد، برای بررسی موضوع در جهان واقعی، تأمین‌کنندگان اصلی و داخلی آنها را انتخاب کردیم.
پژوهش‌های زیادی، SD را در صنعت خودروسازی بررسی کرده است (جدول1) که نشان‌دهندۀ اهمیت زیاد موضوع SD، در صنعت خودروسازی است. ادامۀ مقاله به‌صورت زیر بخشبندی شده است؛ در بخش 2 به‌طور خلاصه، پیشینۀ پژوهش ارائه می‌شود. در بخش 3، متدولوژی پژوهش را خواهیم داشت. در بخش 4، نتایج و یافتهها خواهد آمد. در بخش 5، بحث و در بخش 6 نتیجهگیری و پیشنهادها خواهد آمد.
مفهوم SD را اولین‌بار، لیندرس[xi] (1966)، برای توصیف تصمیم تولیدکنندگان در ارتقای تعداد تأمین‌کنندگان، با هدف بهبود عملکرد به وجود آورد؛ سپس این ایده، راهگشای پژوهشگران مدیریت زنجیرۀ تأمین، برای شروع مطالعه در مبادلات پیچیدۀ محصول و تأمینکنندگانشان شد (شهزاد[xii] و همکاران، 2016). جالب توجه است که اقدام SD در اوایل سال 1900 در آمریکا، زمانی انجام گرفت که فورد بهبود ظرفیت و عملکرد تأمینکنندگانش را خواستار شد (کرایوز و همکاران، 2007). واژۀ SD در دهۀ 80، با مطالعاتی مثل باچه[xiii] و همکاران (1987) بیان شد. در جدول 1، مهم‌ترین پژوهش‌هایی آمده که SD را بررسی کرده است.
جدول1- پیشینۀ پژوهش
|
پژوهشگر(ان) |
خلاصۀ پژوهش |
|
کرایوز و اسکانل[xiv] (2002) |
اقدامات SD را در صنعت مبتنی بر محصول و مبتنی بر خدمت، در صنایع الکترونیکی، شیمیایی، غذایی، بهداشتی، خودروسازی و فلزات مقایسه می‌کنند. |
|
عبدالله و ماهارجان[xv](2003) |
اقدام تدارکات را در پروتون، برای ورودی‌های قطعات و اجزای سطح داخلی بررسی می‌کنند. |
|
ساکو (2004) |
برای شناسایی عوامل SD پایدار و پاسخگویی قابلیت‌های سازمانی تأمین‌کنندگان، یک مطالعۀ مقایسهای از تاریخچۀ تویوتا، نیسان و هوندا در ژاپن انجام می‌شود. |
|
سانچز[xvi] و همکاران (2005) |
اثرSD را بر عملکرد، در صنایع خودروسازی، غذایی، و شیمیایی بررسی کردهاند. |
|
واگنر[xvii] (2006) |
به‌دنبال فراهم‌آوردن یک دیدگاه متفاوت از فعالیت‌های SD است که توسط شرکت‌های اروپایی فعال در صنایع بهداشتی، خودروسازی، الکترونیک و هوافضا به کار گرفته می‌شود. |
|
ووترزو همکاران (2007) |
دربارۀ انگیزهها، روش‌ها و اولویت‌های SD در صنایع نوشیدنی، بهداشتی و خودروسازی کار کردند. |
|
مودی و مابرت[xviii] (2007) |
اثر انتقال دانش را بر عملکرد تأمین‌کننده در صنایع خودروسازی، شیمیایی،کامپیوتر و الکترونیک بررسی می‌کنند. |
|
کرایوز و همکاران (2007) |
به‌دنبال اثر فعالیت‌های ذهنی و رابطهای SD بر عملکرد تأمین‌کننده در صنعت خودروسازی و الکترونیکی‌اند. |
|
باتسون[xix](2008) |
اقدامات SDرا در صنعت خودروسازی بررسی می‌کند. |
|
چیدامباراتان[xx] و همکاران (2009) |
روابط درونی عوامل SD را در صنعت خودروسازی هند بررسی می‌کنند. |
|
واگنر و کرایوز (2009) |
رابطۀ بین فعالیت‌ها و اهداف SD را در صنایع خودروسازی، های‌تک، الکترونیکی، ساختمانی، شیمیایی، دارویی، غذا، پارچه و ارتباطات بررسی می‌کنند. |
|
گوویندان[xxi] و همکاران (2010) |
معیارهای مرتبط با SD را در صنعت خودروسازی، با مرور پیشینه شناسایی می‌کنند. |
|
قیجسن[xxii] و همکاران (2010) |
رابطۀ بین استراتژی‌های SDرا با رضایت و تعهد آن در صنعت خودروسازی آلمان بررسی می‌کنند. |
|
واگنر (2011) |
ارزیابی حالت رابطۀ تأمین‌کننده با خریدار را، قبل از درگیری در فعالیت‌های SD، برای موفقیت SD در صنایع‌‌‌‌هایی‌تک، خودروسازی، ساختمانی، شیمیایی، دارویی، غذا و منسوجات معرفی می‌کند. |
|
آرایو لوپز[xxiii] و همکاران (2012) |
اثر SD را بر عملکرد کوتاهمدت و بلندمدت آن در صنعت خودروسازی مکزیک بررسی می‌کنند. |
|
مارکسبری[xxiv] (2012) |
اقدامات تویوتا برای SD را شناسایی و توضیح میدهد. |
|
آسار[xxv] و همکاران (2013) |
نقش بهبود فرایند بازاریابی در SD را در صنایع الکترونیک، خودروسازی و غذا آشکار می‌کنند. |
|
بلونسکا[xxvi] و همکاران (2013) |
اثر SD را بر منافع روابط، با درنظر گرفتن نقش سرمایۀ ارتباطی در صنایع فلزات و الکترونیک تجزیه‌وتحلیل می‌کنند. |
|
پرکسمارر[xxvii] و همکاران(2013) |
آثار سهم درک‌شدۀ یک تأمین‌کننده را از هزینهها و درآمدهای SD، بر رضایت تأمین‌کننده در صنایع خودروسازی، داروسازی و مهندسی بررسی می‌کنند. |
|
کومارو روتروی[xxviii] (2014) |
به‌دنبال شناسایی عواملی‌اند که در صنعت خودروسازی، اثربخشی SD را تحت تأثیر قرار میدهد. |
|
خان و نیکلسون[xxix] (2014) |
یک فرآیند سهمرحلهای را برای به‌کارگیری SD در صنعت خودروسازی معرفی می‌کنند. |
|
روتروی و کومار (2014) |
توانمندسازهای SD را در صنعت خودروسازی شناسایی و طبقهبندی می‌کنند. |
|
پرادهان و روتروی (2014) |
عوامل بحرانی موفقیت و شاخص‌های کلیدی عملکرد برای SD را در یک شرکت خودروسازی هندی شناسایی و طبقهبندی می‌کنند. |
|
روتروی و پرادهان (2014) |
یک مدل را برای پذیرش و بهبود مستمر SD، در یک شرکت خودروسازی هندی ارائه میدهند. |
|
بلومه[xxx] و همکاران (2014) |
SD را با توجه به محیط زیست در صنایع خودروسازی، ارتباطات، غذا و دارو بررسی می‌کنند. |
|
آجان[xxxi] و همکاران (2014) |
دربارۀ توسعۀ محیط زیست تأمین‌کننده، با توجه به محیط داخلی و خارجی شرکت در صنایع خودروسازی، الکترونیک، فلزی، پوشاک، منسوجات و شیمیایی تمرکز می‌کنند. |
|
کومار[xxxii] و همکاران (2014) |
موانع SD را براساس ویژگی‌های خریدار و تأمین‌کننده در صنایع خودروسازی، الکترونیک، فلزی، ساختمانی، پوشاک، منسوجات و شیمیایی بررسی می‌کنند. |
|
رضایی و همکاران (2015) |
بخشبندی تأمین‌کننده را به SDمرتبط می‌کنند. |
|
آکمان[xxxiii] (2015) |
با ارزیابی و بخشبندی تأمین‌کنندگان صنعت خودروسازی ترکیه، تأمینکنندگانی را شناسایی می‌کند که باید در SD سبز درگیر شوند. |
|
لاوسون[xxxiv] و همکاران (2015) |
فعالیت‌های SD را در توسعۀ محصول جدید در صنایع الکترونیکی، هوافضا، شیمیایی، دارویی و خودروسازی نشان میدهند. |
|
روتروی و کومار (2015) |
توانمندسازهای اجرای SD را در صنعت خودروسازی معرفی و ارزیابی می‌کنند. |
|
سانچا[xxxv] و همکاران (2015) |
نقش اقدامات سطح ملی، مثل مقررات در پذیرش اقدامات SD پایدار را در صنایع فلزات، کامپیوتر، الکترونیک و خودروسازی بررسی می‌کنند. |
|
روتروی و همکاران (2016) |
عوامل بحرانی موفقیت اجرای برنامۀ SD را در صنعت خودروسازی شناسایی و طبقهبندی می‌کنند. |
|
آواستی و کانان[xxxvi] (2016) |
برنامههای SD سبز را در یک شرکت خودروسازی هندی ارزیابی می‌کنند. |
|
فریدل[xxxvii] و واگنر (2016) |
اهمیت SD مشترک را با خریداران دیگر در صنایع خودروسازی، های‌تک و هوافضا تشریح می‌کنند. |
|
سلیمیان[xxxviii] و همکاران (2017) |
به‌کارگیری تئوری اقتضائی، با درنظر گرفتن اندازه و فرهنگ سازمانی، با بررسی روابط بین SD و کیفیت درونی عملکرد را در صنایع خودروسازی، هوافضا، الکترونیک و پوشاک توسعه میدهند. |
|
میزگیر[xxxix] و همکاران (2017) |
نحوۀ سرمایهگذاری خریدار در SD را با درنظر گرفتن ریسک سرمایهگذاری برای SD، در صنعت خودروسازی مشخص می‌کنند. |
|
کومار و روتروی(2018) |
یک مطالعۀ واقعبینانه را در صنایع تولیدی هند، شامل خوردوسازی، الکترونیک، هوافضا و دفاعی، تجهیزات صنعتی و... برای بررسی تعاملات، میان موانع برنامههای SD انجام دادند. یافتههای آنها موانع حاصل از جوانب مختلفی، شامل تولیدکننده، تأمین‌کننده، تولیدکننده-تأمین‌کننده و محیط بیرونی را شناسایی کرد. |
|
گلمحمدی و همکاران (2018) |
سه استراتژی را شناسایی می‌کنند که تأمین‌کنندگان میتوانند برای تسهیل SD توسط خریدارانشان استفاده کنند. با تجزیه‌وتحلیل‌های عددی نشان دادند برای خریداران و تأمین‌کنندگان با حاشیۀ سود پایین، استراتژی دستکاری قیمت فروش کل و برای خریداران و تأمین‌کنندگان با حاشیۀ سود بالا، استراتژی پرداخت سهمی از سرمایهگذاری جذاب‌تر است. |
|
یاور و کاپی[xl](2018) |
با تعداد 12 مطالعۀ موردی از صنعت لبنیات هند و مصاحبههای نیمهساختاریافته نشان دادند، شرکت‌های خصوصی و دولتی هردو اقدامات مشابهای از SD را برای ایجاد قابلیت‌ها و بهبود عملکرد اقتصادی و اجتماعی تأمین‌کنندگان و خریداران به کار میگیرند. |
|
راجرز[xli] و همکاران(2019) |
با گردآوری داده‌ها از دانشجویان MBA اجرایی، توازن مدنظر تصمیمگیرندگان را، هنگام به‌کارگیری ابتکار عمل‌های SD برای بهبود عملکرد پایداری تأمین‌کننده، بررسی می‌کنند. یافتههای آنها یک سلسله مراتبی از ترجیحات توازن را برای تصمیمگیرندگان نشان میدهد. |
|
جئو[xlii](2019) |
با به‌کارگیری رگرسیون چندمتغیره نشان میدهند SD یک ابزار مهم برای شرکت‌های خریدار است که با آن میتوانند رضایت تأمین‌کننده را افزایش دهند. |
|
بنتون[xliii] و همکاران(2020) |
با مطالعۀ دادههای گردآوری‌شده از 141 تأمینکنندۀ سطح اول در صنعت خودروسازی امریکای شمالی و با استفاده از مدلسازی معادلات ساختاری، برنامههای SD را به‌عنوان یک جایگزین برای قدرت دولت بررسی می‌کنند. |
|
صغیری و ویلدینگ[xliv](2021) |
با مطالعۀ دادههای گردآوری‌شده از 142 شرکت، نقش میانجی 5 عامل جنبۀ تأمین را (اندازۀ تأمین‌کننده، سهم تأمین‌کننده، پیچیدگی محصول، یکپارچگی خریدار-تأمین‌کننده و سیستم مدیریتی تأمین‌کننده) بر رابطۀ SD و عملکرد تأمین‌کننده بررسی می‌کنند. |
|
صغیری و میرزابیگی(2021) |
با مطالعۀ دادههای گردآوری‌شده از 267 تأمینکنندۀ انگلیسی، نقش برنامههای SD محیطی خریدار را در اقدامات محیطی تأمین‌کننده، با میانجی‌گری تخصیص منابع و همکاریِ تأمین‌کننده بررسی می‌کنند. |
|
فان[xlv] و همکاران (2021) |
با مطالعۀ دادههای گردآوری‌شده از 768 شرکت، مشوق‌های SD پایدار را شناسایی کردند که به رضایت مشتریان و همچنین به فروش آیندۀ شرکت کمک می‌کنند. |
|
تران[xlvi] و همکاران(2021) |
با تحلیل موضوعی و مقایسه‌های کیفی، لبۀ تاریک روابط تأمین‌کننده-خریدار؛ به‌ویژه، رابطۀ بین مشوق‌های SD، هنجارهای رابطهای و فرصتطلبی تأمین‌کننده را بررسی می‌کنند. |
|
الفت و همکاران (1398 و 1399) |
در دو مقالۀ جداگانه، معیارها و فعالیت‌های مرتبط با SD را در صنعت خودروسازی با استفاده از فراترکیب شناسایی و مقولهبندی می‌کنند. |
|
شیخسجادیه و بهمنی تبریزی(2020) |
مدلی فرایندی را به‌همراه نرم‌افزار توسعۀ تأمین‌کنندگان در حوزۀ پیمانکاری، با استفاده از الگوهای کیفی و مدل‌های پشتیبان تصمیم، همسو با پایداری زنجیرۀ تأمین معرفی می‌کنند. |
از یک سو در مطالعات گذشته از واژههای مختلفی، مثل تلاشها، عناصر، عوامل و استراتژی‌ها برای بررسی SD استفاده شده است و از سویی دیگر، افزایش مطالعات SD در دو دهۀ اخیر، موجب پیدایش و معرفی معیارها و فعالیت‌های جدید برای SD شده است؛ بنابراین، شناسایی و مقولهبندی معیارها و فعالیت‌های مرتبط با SD، در دهۀ جاری و همچنین یکپارچه‌کردن آنها در دو واژۀ معیارها و فعالیت‌های مرتبط با SD و مقولهبندی آنها میتواند برای پژوهشگران این حوزه مفید باشد؛ زیرا شرکت‌ها مایل‌اند وضعیت توسعۀ تأمین‌کنندگان خود را بسنجند که معیارهای مرتبط با SD میتواند برای آنها مفید باشد؛ از سویی دیگر، می‌خواهند بدانند که معیارهای مرتبط را چگونه توسعه دهند؛ بنابراین، فعالیت‌های شناسایی‌شده میتواند در این زمینه به شرکت‌ها کمک کند. در پژوهش‌های الفت و همکاران (1398 و1399)، معیارها و فعالیت‌های مرتبط با SD در صنعت خودروسازی شناسایی، بومیسازی و مقولهبندی شده است؛ اما براساس مرور پیشینه، هرکدام از مطالعات، یک یا چند مقوله از مقولههای چهارگانه را بررسی کرده است و هیچ‌کدام از آنها، همۀ این مقوله‌ها را براساس معیارها و فعالیت‌های مرتبط با SD، با هم مطالعه نکرده است. در این مقاله، با درنظر گرفتن معیارها و فعالیت‌های مرتبط با SD در مقولههای چهارگانه، چارچوبی برایSD در صنعت خودرو ارائه خواهد شد. با توجه به توضیحات داده‌شده، این مقاله از معدود پژوهش‌هایی است (براساس دانش ما جزءِ اولین پژوهش‌های داخلی است) که ضمن طراحی سیستمهای عصبی-فازی، برای مقولههای چهارگانۀ SD در صنعت خودروسازی و همچنین خود SD، شش روش حل (دو روش معمول و چهار الگوریتم فراابتکاری) برای تنظیم آنها به کار میگیرد که این میتواند، نوآوری بخش به‌کارگیری تکنیک حل مسئله در نظر گرفته شود. در بخش اجرایی و کاربردی‌بودن نیز، می‌توان به اولویتبندی و پیشنهاد فعالیت‌های مرتبط با SD در صنعت خودروسازی اشاره کرد که با به‌کارگیری یک رویۀ تحلیل حساسیت پنجمرحلهای محقق می‌شود.
روششناسی پژوهش
متدولوژی این پژوهش، به سه بخش گردآوری داده‌ها، طراحی سیستمهای عصبی-فازی و نحوۀ به‌دست آوردن نمره‌های SD و رویۀ تحلیل حساسیت و پیشنهاد فعالیت‌های مناسب برای SD تقسیم شده است (شکل1) که در ادامه توضیح داده می‌شود.
شکل1- خلاصۀ مراحل انجام پژوهش
|
گردآوری داده‌ها: شناسایی و ارزیابی تأمین‌کنندگان براساس معیارهای مرتبط با توسعۀ تأمین‌کننده |
|
طراحی سیستمهای عصبی-فازی: طراحی سیستمهای عصبی-فازی برای مقوله‌ها و SD و تنظیم آنها |
|
تحلیل حساسیت مقوله‌ها: شناسایی اهمیت مقوله‌ها و پیشنهاد فعالیت‌های مناسب برای SD |
با نظرسنجی از مدیران سایپا و ایرانخودرو (شامل مدیران ارشد بخش معاونت برنامهریزی شرکت‌های ایرانخودرو وسایپا بودند که همۀ آنها بالای 10 سال سابقۀ کاری داشته‌اند و حداقل تحصیلات آنها کارشناسی ارشد بوده است)، تأمین‌کنندگان اصلی و داخلی شناسایی شدند که بین آنها مشترک بودند (جدول 3) ؛ سپس براساس معیارهای مرتبط با SD توسط مدیران با نمرهای از 0 تا 100 ارزیابی شدند.(جدول2) هرکدام از خبرگان دربارۀ تأمینکنندگانی نظر داده است که با آنها کار میکرد و یا آشنایی داشت،. روند تکمیل هر پرسشنامه به این صورت است که خبره باید ابتدا برای هر تأمین‌کننده، براساس معیارهای مرتبط با هر مقوله، تأمین‌کنندگان را ارزیابی میکرد؛ سپس با توجه به نمره‌های داده‌شده به معیارها، به مقولۀ مرتبط نیز امتیاز میداد. این روش نمرهدهی به‌منظور تشکیل قواعد در سیستم عصبی-فازی انتخاب شده است. در جدول4 معیارهای مرتبط با SD آمده است.
جدول2- پرسشنامه برای گردآوری داده‌ها
|
تأمین‌کنندگان |
قابلیت تکنولوژیکی تأمین‌کننده |
قابلیت کیفیتی تأمین‌کننده |
قابلیت تحویل تأمین‌کننده |
انعطاف‌پذیری سازمانی تأمین‌کننده |
قابلیت مالی تأمین‌کننده |
قابلیت‌های ملموس تأمین‌کننده |
قابلیت دانشی تأمین‌کننده |
مزیت رقابتی تأمین‌کننده برای خریدار |
تمایل یا ارادهی مدیریت تأمین‌کننده برای توسعه |
اعتماد تأمین‌کننده |
انجام تعهدات توسط تأمین‌کننده |
قابلیت‌های ناملموس تأمین‌کننده |
قابلیت‌های درونی تأمین‌کننده |
شفافیت اطلاعات تأمین‌کننده |
همکاری و تعملات مستمر تأمین‌کننده |
تسهیم به‌موقع اطلاعات توسط تأمین‌کننده |
تلاش تأمین‌کننده برای بهبود زنجیرهی تأمین |
روابط تأمین‌کننده |
مشارکت در فعالیت‌های توسعهی سبز |
توجه تأمین‌کننده به حقوق مشتریان |
دارا بودن استانداردهای زیست- محیطی و اجتماعی |
قابلیت‌های محیطی تأمین‌کننده |
قابلیت‌های بیرونی تأمین‌کننده |
وضعیت کلی تأمین‌کننده ازلحاظ توسعه |
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
. . . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
53 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
جدول3- اطلاعات مربوط به 53 تأمین‌کننده
|
کد تأمین‌کنندگان |
گروه تأمین‌کنندگان |
|
S1, S3, S6, S8, S9, S10, S11, S12, S15,S16, S24, S30, S39, S49, S53 |
تزئینات |
|
S2, S18, S26, S31 |
تعلیق |
|
S4, S14, S20, S22, S27 |
استانداردها و مکانیزم‌ها |
|
S5, S13, S19, S23, S32, S33, S34, S35, S37, S40, S41, S44, S46, S47, S50, S52 |
موتوری |
|
S25, S28, S38, S42, S43, S48, S51 |
بدنه |
|
S7, S17, S21, S29, S36 |
الکترونیک |
|
S45 |
تهویه |
جدول4- ابعاد، مقوله‌ها و معیارهای مرتبط با SD در صنعت خودروسازی(منبع؛ الفت و همکاران، 1399)
|
|
ابعاد |
مقوله‌ها |
معیارهای مرتبط |
|
توسعۀ تأمین‌کننده
|
توسعۀ قابلیت‌های درونی تأمین‌کننده |
ملموس |
قابلیت تکنولوژیکی تأمین‌کننده |
|
قابلیت کیفیتی تأمین‌کننده |
|||
|
قابلیت تحویل تأمین‌کننده |
|||
|
انعطاف‌پذیری سازمانی تأمین‌کننده |
|||
|
قابلیت مالی تأمین‌کننده |
|||
|
ناملموس |
قابلیت دانشی تأمین‌کننده |
||
|
مزیت رقابتی تأمین‌کننده برای خریدار |
|||
|
تمایل یا ارادۀ مدیریت تأمین‌کننده برای SD |
|||
|
اعتماد تأمین‌کننده |
|||
|
انجام تعهدات توسط تأمین‌کننده |
|||
|
توسعۀ قابلیت‌های بیرونی تأمین‌کننده |
روابط |
شفافیت اطلاعات تأمین‌کننده |
|
|
همکاری و تعاملات مستمر تأمین‌کننده |
|||
|
تسهیم به‌موقع اطلاعات توسط تأمین‌کننده |
|||
|
تلاش تأمین‌کننده برای توسعۀ زنجیرۀ تأمین |
|||
|
محیطی |
مشارکت در فعالیت‌های SD سبز |
||
|
توجه تأمین‌کننده به حقوق مشتریان |
|||
|
دارا بودن استانداردهای زیست- محیطی و اجتماعی |
پس از تکمیل داده‌ها دربارۀ 53 تأمینکنندۀ منتخب، سیستمهای عصبی-فازی با سه روش منقطعسازی شبکهای[xlvii]، خوشهبندی کاهشی[xlviii] و سی- میانگین فازی[xlix] برای هر مقوله و SD طراحی شد. 70 درصد داده‌ها به‌عنوان دادههای آموزش، 15 درصد به‌عنوان دادههای تست و 15 درصد داده‌ها به‌عنوان دادههای چک در نظر گرفته شد. هرکدام از سیستمهای عصبی-فازی طراحیشده با دو روش کلاسیک به نام‌های هیبرید[l] و پسانتشار[li] و چهار روش تکاملی بهنامهای الگوریتم بهینه‌سازی کلونی مورچهها[lii]، الگوریتم ژنتیک[liii]، بهینه‌سازی ازدحام ذرات[liv] و تکامل تفاضلی[lv] تنظیم شد. فرایند حل مسئله با الگوریتم‌های فراابتکاری به این صورت بود که پس از طراحی شبکۀ عصبی-فازی، آن را با یکی از الگوریتم‌های فراابتکاری آموزش می‌دادیم و این آموزش تا جایی ادامه پیدا میکرد که حداقل RMSE را به دست دهد؛ به‌عبارتی، سیستم عصبی-فازی طراحیشده میتوانست با کمترین خطا، پیشبینی را انجام دهد؛ سپس مقدار RMSE برای الگوریتم مدنظر یادداشت و نمودارهای مربوط ذخیره میشد. شایان ذکر است، گاهی اوقات در فرآیند اجرای مدل و رسیدن به حداقل خطا، در پارامترهای الگوریتم مدنظر نیز تغییرات مناسب داده میشد تا به کمترین خطا برسیم. برای هرکدام از مقولههای چهارگانه و همچنین SD، 18 مدل (درمجموع 90 مدل) طراحی و اجرا شده و از بین آنها بهترین ترکیب طراحی-تنظیم انتخاب و براساس آن، نمرۀ تأمین‌کنندگان برای توسعۀ مقولۀ مربوط و SD پیشبینی شده است. سیستم عصبی-فازی اول با پنج معیار ورودی و یک خروجی به نام قابلیت‌های ملموس، سیستم عصبی-فازی دوم با پنج معیار ورودی و یک خروجی به نام قابلیت‌های ناملموس، سیستم عصبی-فازی سوم با چهار معیار ورودی و یک خروجی به نام روابط، سیستم عصبی-فازی چهارم با سه معیار ورودی و یک خروجی به نام قابلیت‌های محیطی و سیستم عصبی-فازی پنجم با چهار مقولۀ ورودی (خروجی چهار سیستم مرتبط با مقوله‌ها) و یک خروجی به نام SD است. برای هرکدام از مقوله‌ها و SD، ابتدا ورودی‌ها مشخص شد؛ سپس با به‌کارگیری توابع، عضویت فازی از نوع مثلثی وارد سیستم شد. برای هرکدام از توابع، عضویت سه عبارت کم، متوسط و زیاد در نظر گرفته شد. خروجی‌ها با روش میانگین وزنی دیفازی، تجزیه‌وتحلیل شد. در ادامۀ این بخش، خلاصهای از سیستمهای عصبی-فازی و الگوریتم‌های فراابتکاری را توضیح می‌دهیم.
شبکههای عصبی-فازی، یک طرح هوشمند ترکیبی است که از جزء منطق فازی و شبکههای عصبی نشأت گرفته است. شبکههای عصبی قابلیت یادگیری از روی داده‌ها را دارند (بحیرایی و همکاران، 1395). اساس سیستمهای عصبی-فازی، بر پایۀ مجموعه دادههای ورودی/خروجی یک سیستم استنتاج فازی (FIS) است. همانند سیستمهای فازی، ساختار ANFIS نیز از دو بخش تشکیل شده است. این دو بخش با قواعد فازی در فرم یک شبکه، به یکدیگر متصل می‌شود (صادقی و همکاران، 1398). ساختارهای مختلفی برای اجراکردن یک سیستم فازی توسط شبکههای عصبی پیشنهاد شد که یکی از پرقدرتترین این ساختارها، ساختاری موسوم به سیستم استنتاج فازی- عصبی انطباقی است که جانگ[lvi] (1993) آن را ابداع کرد و پنج لایه دارد:
لایۀ اول، لایۀ ورودی و خروجی توابع عضویت است. لایۀ دوم، لایۀ قوانین نام دارد و همۀ گرهها در این لایه ثابت است و در آن قدرت هر قاعده با استفاده از ضرب جبری ارائه می‌شود. در این لایه، هر گره از حاصل ضرب مقادیر ورودی در لایۀ قبلی، به دست میآید و ارزش به‌دست‌آمده، نشان‌دهندۀ قدرت اجرایی قاعده است. لایۀ سوم، لایۀ نرمالسازی نام دارد و در آن قدرت قاعده (قانون)، با رابطۀ زیر، نرمالسازی می‌شود که در آن وزن i امین قاعده است. این لایه وزن قاعده را برای مجموع وزن قواعد، محاسبه می‌کند (رابطه1).
|
(1) |
|
لایۀ چهارم، لایۀ انطباقی است و در آن هر گره، یک تابع خطی است و ضرایب این تابع با ترکیبی از تقریب حداقل مجذورات و روش استفاده‌شده، تعدیل می‌شود و درنهایت، لایۀ پنجم که لایۀ خروجی است و در آن نتایج، به‌عنوان مجموعهای از خروجی گرههای لایۀ قبلی، مطابق رابطۀ (2) به دست آمده است. در رابطۀ (2)، ، خروجی گره i ام در لایۀ قبلی است (گوان[lvii] و همکاران، 2008).
|
(2) |
|
در شکل 2 ساختار شبکههای عصبی-فازی نمایش داده شده است.
شکل2- ساختار سیستم استنتاج فازی- عصبی انطباقی(جانگ، 1993)
در طراحی الگوی شبکۀ عصبی، درواقع باید اندازۀ مجموعۀ آموزش و تست، نرمال‌کردن داده‌ها، تعداد لایههای پنهان شبکه، تعداد نورون‌های هر لایه، الگوریتم‌های آموزش، تابع تبدیل، تابع عملکرد، میزان آموزش و تعداد تکرارها مشخص شود. در تعیین این موارد، روش‌های نظاممندی وجود ندارد؛ بنابراین، بهترین طراحی شبکه با استفاده از تجربه و آزمایش و خطا به دست میآید. اگر دادههای نرمالنشده وارد شبکه شوند، به‌دلیل تغییرات زیاد داده‌ها، اثر متفاوتی بر شبکه میگذارد؛ به‌طوری‌که برخی نورون‌ها خیلی زود به مرحلۀ آتش میرسند؛ درحالی‌که برخی دیگر حتی به آستانۀ فعالیت نیز نمیرسند و این امر موجب می‌شود توان پیشبینی الگو کاهش یابد (طحاری مهرجردی و همکاران، 1391)؛ به‌همین‌دلیل در این پژوهش، داده‌ها با استفاده از رابطۀ (3) به عددی بین صفر و یک تبدیل شد؛ به‌عبارتی بهتر، به‌صورت خطی نرمالسازی شد.
|
(3) |
|
در رابطۀ (3)، نشان‌دهندۀ نمرۀ تأمین‌کننده در معیار j، مربوط به مقولۀ i است.
در سیستم ANFIS، با افزایش تعداد ورودی‌ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقهای، دقت شببیه‌سازی افزایش مییابد. در این پژوهش، برای مقولههای توسعۀ قابلیت‌های ملموس و ناملموس، بهترین شبیه‌سازی در تابع مثلثی و برای دو مقولۀ دیگر، بهترین شبیه‌سازی در تابع ذوزنقهای به دست آمد. قواعد با روش سوگنو تعریف می‌شود؛ مثال برای مقولۀ توسعۀ قابلیت‌های ملموس که پنج ورودی دارد، با درنظر گرفتن سه حالت برای هرکدام از ورودی‌ها، تعداد قواعد برابر با 3 به توان 5 یعنی 243 قاعده به دست آمد.
از آنجایی که شبکههای عصبی-مصنوعی، مبتنی بر داده است، آمادهسازی داده‌ها، قدمی مهم و درواقع، کلید موفقیت در استفاده از شبکۀ عصبی است. هرچقدر تعداد داده‌ها بیشتر باشد، می‌توان دربارۀ تقریب ساختار نهفته در الگو، اطمینان بیشتری حاصل کرد (طحاری مهرجردی و همکاران، 1391). در این پژوهش، پس از طراحی سیستم عصبی-فازی برای هرکدام از مقوله‌ها با سه روش مدنظر و با درنظر گرفتن دادههای آموزش، تست و چک به‌ترتیب با درصدهای 70، 15 و 15، سیستمِ طراحیشده با روش‌های شش‌گانه آموزش داده و تنظیم شد. پس از آموزش و تنظیم سیستم عصبی-فازی طراحیشده، بهترین ترکیب طراحی شد و تنظیم به دست آمد. نکتۀ مهم و شایان ذکر این است که تعداد قواعد سیستمهای عصبی-فازی نهایی‌شده کمتر از تعداد قواعد سیستمهای عصبی-فازی اولیه است. برای مثال تعداد قواعد سیستم عصبی-فازی مقولۀ توسعۀ قابلیت‌های ملموس، پس از تنظیم با GA به 61 قاعده کاهش پیدا کرد؛ در صورتی که سیستم عصبی-فازی اولیه در این مقوله 243 قاعده داشت. نکتۀ حائز اهمیت بعدی این است که وقتی یک سیستم عصبی-فازی با یک الگوریتم فراابتکاری تنظیم می‌شود، سیستم عصبی-فازی تنظیم‌شده با تعداد قواعد کمتر، پیشبینیهای دقیق‌تری (با خطای کمتری) دارد.
5-3- روش‌های سنتی
روش پسانتشار دادههای ورودی را درون شبکه به جلو میفرستد و اختلاف بین خروجی محاسبه‌شده و خروجی ایدهآل را برای دادههای آموزش محاسبه می‌کند. در مرحلۀ بعد، خطا دوباره به درون شبکه برگردانده می‌شود و وزن‌های بهینه در طی مراحل تکرار تعیین می‌شود و این مراحل تا زمان نزدیک‌شدن مقادیر خروجی محاسبه‌شده به مقادیر ایدهآل ادامه مییابد (محبیان و همکاران، 1397)؛ اما روش هیبرید، ترکیبی از تخمین حداقل مجذورات و پسانتشار را استفاده می‌کند (متلب، 2014).
الگوریتم‌های فراابتکاری یا تکاملی، بیشتر به‌عنوان الگوریتم‌های بهینه‌سازی همهمنظوره شناخته می‌شود که قادر به پیداکردن جواب‌های نزدیک به بهینه، برای مسائل ریاضی و واقعی است (منصوری و ترابی، 1394). در این پژوهش از چهار روش ACO، GA، PSO و DE، به‌دلیل سازگاری آنها با سیستم استنتاج عصبی-فازی و به‌کارگیری آنها در مطالعات مختلف استفاده می‌شود.
ساختار ACO، به کاربر اجازۀ حل مسائل بهینه‌سازی ترکیبی (گسسته-پیوسته) را میدهد. قانون الگوریتم مورچگان پیوسته در انتخاب مقادیر متغیر، در فضای جستجو با توزیع احتمال پیوسته بیان می‌شود.
GA با استفاده از این ایده، اقدام به حل مسائل می‌کند که در طبیعت از ترکیب کروموزوم‌های بهتر، نسل‌های بهتری پدید میآید و در این بین، گاهی اوقات جهش‌هایی نیز در کروموزوم‌ها روی میدهد که ممکن است باعث بهتر شدن نسل بعدی شود (سموئی و فتاحی، 1396). در الگوریتم ژنتیک، راهحل ممکن یک مسئله، به‌صورت رشتهای از بیتها نشان داده می‌شود که طی فرآیندی تصادفی، مکرراً به یکدیگر تبدیل میشوند. این رشتههای بیتی «افراد ژنتیکی» خوانده می‌شود. به هر فرد ژنتیکی یک برازندگی تخصیص مییابد که بیانگر میزان کارآیی آن فرد در حل مسئلۀ پیش رو است. (ریچمن[lviii]، 2001).
درPSO، حرکت دلپذیر و رقصگونۀ گروه پرندگان یا ماهیها شبیه‌سازی می‌شود و مطالعات آن به‌عنوان بخشی از پژوهش اجتماعی-شناختی براساس تفکر «هوش جمعی» در جوامع زیستی صورت گرفته است (اسماعیلزاده و همکاران،1392).این روش با یک گروه از جواب‌های تصادفی (ذرات) شروع به کار می‌کند و به تمام آنها به‌صورت تصادفی مکان و سرعتی اختصاص میدهد. برای یافتن بهترین جواب، ذرات را باید بر فراز فضای جواب به حرکت درآورد و هرگاه یکی از آنها جواب مناسبی یافت، یافتههای خود را در اختیار سایر ذرات قرار میدهد تا آنها نیز به سمت بهترین جواب حرکت کنند. (سموئی و فتاحی، 1396).
DE چهار مرحلۀ ارزشدهی، جهش، تقاطع یا بازترکیبی و انتخاب دارد. این الگوریتم به‌منظور غلبه بر عیب اصلی GA؛ یعنی فقدان جستجوی محلی ارائه شده است. تفاوت اصلی بین GA و DE در ترتیب مراحل جهش، بازترکیبی و همچنین نحوۀ کار عملگر انتخاب است. DE از یک اپراتور تفاضلی برای تولید جواب‌های جدید بهره میگیرد که این اپراتور باعث مبادلۀ اطلاعات بین اعضای جمعیت می‌شود. یکی از مزایای این الگوریتم، داشتن حافظه است که اطلاعات جواب‌های مناسب در جمعیت فعلی را حفظ می‌کند. دیگر مزیت این الگوریتم، به مرحلۀ انتخاب آن مربوط است. در این الگوریتم، همۀ اعضای یک جمعیت شانس مساوی برای انتخاب‌شدن به‌عنوان یکی از والدین را دارند (منصوری و ترابی، 1394).
نتایج همۀ روش‌های به‌کار گرفته‌شده، براساس جذر میانگین مربعات خطا[lix] و خط رگرسیون[lx] با هم مقایسه می‌شود. RMSE دقت و اعتبار داده‌ها را نشان میدهد و از رابطۀ (4) محاسبه می‌شود (معماریان فرد و بیگی هرچگانی، 1388)
|
(4) |
|
RMSE، یک ابزار خوب برای مقایسۀ مجموعهای از دادههاست و تفاوت‌های مجزا را در یک عدد، جمعآوری می‌کند. هرچقدر مقدار RMSE کمتر باشد، روش استفاده‌شده خطای کمتری دارد. در رابطۀ فوق، At مقادیر هدف (مقادیر واقعی) و Ft مقادیر خروجی (مقادیر پیشبینیشده توسط مدل) است. R، خط رگرسیون بین مقادیر خروجی و هدف را نشان میدهد. هرچقدر مقدار R بیشتر باشد، دقت روش استفاده‌شده برای پیشبینی بیشتر خواهد بود.
همانطور که در جدول 2 مشاهده می‌شود، مدیران ارشد شرکت‌های ایرانخودرو و سایپا، ابتدا باید براساس معیارهای مرتبط با هر مقوله، تأمین‌کنندگان منتخب را با عددی بین 0 تا 100 ارزیابی میکردند؛ سپس، براساس ارزیابی انجام‌شده و وزن یا اهمیتی که به‌طور ذهنی برای هرکدام از معیارها در نظر میگیرند، یک نمره بین 0 تا 100 برای مقولۀ مدنظر از تأمین‌کنندگان منتخب نیز پیشبینی میکردند. درنهایت، براساس ارزیابی انجام‌شده از چهار مقوله و وزن یا اهمیتی که به‌طور ذهنی برای هرکدام از مقوله‌ها در نظر میگیرند، یک نمره بین 0 تا 100 برای SD، از تأمین‌کنندگان منتخب نیز پیشبینی میکردند. شایان ذکر است، با توجه به اینکه هرکدام از مدیران، دادههای مربوط به تأمینکنندگانی را تکمیل میکردند که با آنها در تعامل بودند و یا آشنایی داشتند، برای تکمیل 10 جدول که مدنظر پژوهشگران بود، براساس نظرات حدود 30 الی 40 مدیر، برای 53 تأمینکنندۀ منتخب، دادههای مزبور گردآوری شد. در ادامه، یک نمونه از یک رشته جواب آمده است. نشان‌دهندۀ نمرۀ تأمین‌کننده، در معیار j مربوط به مقولۀ i است.
|
|
|
در بالا یک کروموزوم تصادفی با 17 ژن (معیارهای مرتبط با SD) نشان داده شده است. الی مربوط به معیارهای مقولۀ اول، الی مربوط معیارهای به مقولۀ دوم، الی مربوط به معیارهای مقولۀ سوم و الی مربوط به معیارهای مقولۀ چهارم است. اگر بخواهیم رشتۀ جواب را برای مقوله‌ها به‌طور جداگانه بنویسیم، باید ژن‌های مربوط به هرکدام از مقوله‌ها را در یک کروموزوم جداگانه بنویسیم. به‌عنوان مثال، برای مقولۀ اول به‌صورت زیر خواهد بود:
|
|
|
7-3- رویۀ تحلیل حساسیت مقوله‌ها و پیشنهاد فعالیت‌های مناسب برای SD
برای تحلیل حساسیت مقولههای چهارگانه و تعیین میزان اهمیت آنها در SD، از رویهای استفاده میکنیم که رضایی و آرت[lxi](2013) در مطالعهشان به کار بردهاند.
گام اول: پس از به‌دست آوردن نمرۀ نهایی تأمین‌کنندگان با استفاده از سیستم فازی- عصبی مناسب، مقولۀ اول را از ورودی‌های سیستم حذف میکنیم. گام دوم: قدرمطلق تغییرات نمرۀ نهایی همۀ تأمین‌کنندگان را محاسبه میکنیم. گام سوم: متوسط قدرمطلق تغییرات نمره‌های نهایی تأمین‌کنندگان را به دست میآوریم. گام چهارم: برای همۀ مقوله‌ها، گام‌های فوق را تکرار میکنیم. گام پنجم: اعداد به‌دست‌آمده از گام سوم را به‌صورت نزولی مرتب میکنیم. این عمل موجب اولویتبندی مقولههای مختلف ازلحاظ میزان اثرگذاری در SD می‌شود. گام ششم: با توجه به میزان اهمیت مقولههای مختلف، فعالیت‌های مناسب برای توسعۀ آنها پیشنهاد می‌شود. شایان ذکر است، برای پیشنهاد فعالیت‌های مناسب، از فعالیت‌های شناسایی‌شده توسط الفت و همکاران (2019) استفاده می‌شود که در جدول 5 آمده است،.
جدول5- ابعاد، مقوله‌ها و فعالیت‌های مرتبط با SD (الفت و همکاران، 1398)
|
|
ابعاد |
مقوله‌ها |
فعالیت‌های مرتبط |
|
توسعۀ تأمین‌کننده |
قابلیت‌های درونی |
ملموس |
ارزیابی قابلیت‌های ملموس تأمین‌کننده و بازخور نتایج |
|
ایجاد استانداردهای کیفی بهروز (فشار رقابتی) |
|||
|
کاهش پایۀ تأمین (کاهش تعداد تأمین‌کنندگان) |
|||
|
بخشبندی تأمین‌کنندگان به‌منظور توسعۀ آنها |
|||
|
ایجاد مشوق‌ها براساس بهبود طراحی و طرح‌های جدید |
|||
|
سرمایهگذاری و درگیری مستقیم در عملیات تأمین‌کننده |
|||
|
ناملموس |
ارزیابی قابلیت‌های ناملموس تأمین‌کننده و بازخور نتایج |
||
|
آموزش و بهروزکردن تأمین‌کننده |
|||
|
تشکیل تیم SD به‌طور مشترک |
|||
|
ایجاد شبکههای دانشی و یادگیری |
|||
|
اخذ تعهدات مالی و غیرمالی برای اجرای برنامههای SD |
|||
|
ایجاد مکانیزم‌هایی برای اعتماد داشتن به یکدیگر |
|||
|
افزایش انتظارات عملکردی از تأمین‌کننده و انتقال شفاف آنها |
|||
|
قابلیت‌های بیرونی |
روابط |
ارزیابی روابط تأمین‌کننده و بازخور نتایج |
|
|
تسهیم به‌موقع اطلاعات با یکدیگر |
|||
|
انعقاد قراردادهای بلندمدت با تأمین‌کننده و گسترش آنها |
|||
|
هماهنگ‌کردن فرآیندها، اهداف و اقدامات با یکدیگر |
|||
|
تعیین اهداف بلندمدت و چالشی به‌طور مشترک |
|||
|
ایجاد ارتباطات همکارانه و یا شراکت |
|||
|
به‌کارگیری ابزارهای ارتباطی مناسب |
|||
|
توسعۀ استراتژی‌های همکاری در سطح زنجیرۀ تأمین |
|||
|
ترویج فرهنگ رقابتی بین زنجیرههای تأمین |
|||
|
پاسخگوکردن زنجیرۀ تأمین |
|||
|
محیطی |
ارزیابی عملکرد محیطی تأمین‌کننده و بازخور نتایج |
||
|
تسهیم اطلاعات محیطی، اخلاقی و مسئولیت اجتماعی |
|||
|
اخذ گواهینامههای محیطی و اجتماعی |
|||
|
تدوین برنامههای بهبود کیفیت زندگی جوامع هدف |
|||
|
تدارکات سبز و هوشیارانۀ محیطی |
|||
|
فعالیت‌های لجستیک معکوس |
|||
|
تلاش‌های مشترک برای بهبود عملکرد پایداری |
در این بخش، ابتدا نتایج سیستم‌ها طراحی و بهینه شده است؛ سپس، نتایج تحلیل حساسیت و فعالیت‌های پیشنهادی مناسب برای توسعۀ تأمین‌کنندگان آورده می‌شود. برای جلوگیری از افزایش حجم مقاله، در بخش 1-4، فقط نتایج 18 سیستم برای مقولۀ توسعۀ قابلیت‌های ملموس طراحی و تنظیم شده و در جداول 6 و 7 نیز فقط محاسبات مربوط به سه تأمینکنندۀ اول و تأمینکنندۀ آخر برای نمونه آورده شده است.
براساس جدول4 این سیستم، شامل 5 معیار به‌عنوان ورودی و یک خروجی به نام قابلیت‌های ملموس است. نتایج سیستمهای استنتاج عصبی-فازی برای این مقوله به شرح جدول6 است:
جدول6- نتایج ترکیب‌های مختلف روش‌های طراحی و تنظیم مقولۀ قابلیت‌های ملموس برای دادههای تست
|
سی-میانگین فازی |
خوشهبندی کاهشی |
منقطعسازی شبکۀ ای |
روش طراحی
روش بهینه‌سازی |
|
RMSE=0/023 R=0/99261 |
RMSE=0/028 R=0/98941 |
RMSE=0/011 R=0/86204 |
هیبرید |
|
RMSE=0/021 R=0/99362 |
RMSE=0/022 R=0/99369 |
RMSE=0/024 R=0/99223 |
پسانتشار |
|
RMSE=0/019 R=0/99507 |
RMSE=0/033 R=0/98546 |
RMSE=0/019 R=0/15741 |
کلونی مورچگان |
|
RMSE=0/019 R=0/99507 |
RMSE=0/033 R=0/98546 |
RMSE=0/19 R=0/13137 |
تکامل تفاضلی |
|
RMSE=0/019 R=0/99507 |
RMSE=0/033 R=0/98569 |
RMSE=0/19 R=0/21653 |
ژنتیک |
|
RMSE=0/024 R=0/99241 |
RMSE=0.036 R=0/98634 |
RMSE=0/19 R=0 |
توده‌ای ذرات |
براساس مقدار R، ترکیب‌های FCM-ACO، FCM-DE و FCM-GA نتایج بهتری به دست داده است؛ بنابراین، یکی از آنها به‌دلخواه انتخاب می‌شود. در اینجا ما ترکیب FCM-GA را انتخاب میکنیم و در ادامه، شکل‌های مربوط به این ترکیب را میآوریم.
در شکل 3، نمودار اول که در قسمت بالای شکل آمده است، مقادیر خروجی ترکیب استفاده‌شده (Outputs) و مقادیر هدف (Targets) را با یکدیگر مقایسه می‌کند. مقادیر خیلی نزدیک به یکدیگر است که نشان‌دهندۀ دقت ترکیب استفاده‌شده برای پیشبینی است. به‌منظور مشخص‌شدن نقاط مربوط به داده‌ها، این نمودار مجدداً در شکل 4 نمایش داده شده است.
نموداری که در وسط و سمت چپ شکل3 قرار دارد، مقادیرخطاها را در داده‌ها نشان میدهد که از اختلاف بین مقادیر خروجی و هدف به دست میآید. نمودار وسط و سمت راست، توزیع مربوط به خطاها را نشان میدهد و هرچقدر به توزیع نرمال نزدیک‌تر باشد، نشان‌دهندۀ دقت بیشتر ترکیب استفاده‌شده است. نمودار پایین، خط رگرسیون بین مقادیر خروجی و هدف را نشان میدهد که هرچقدر مقدار R مربوط به این نمودار بیشتر باشد، دقت ترکیب استفاده‌شده برای پیشبینی بیشتر خواهد بود. سیستم FCM-GA از طریق FCM طراحی و با GA تنظیم شده است که شامل 61 قاعده است (شکل‌های 5 و 6). در شکل 5 قواعد 1 تا 30 نمایش داده شده است. برای به‌دست آوردن نمرۀ تأمین‌کنندگان در قابلیت‌های ملموس، میانگین نمره‌ها را در معیارهای مرتبط به این سیستم وارد کرده‌ایم و خروجی آن را، در ستون نمرۀ قابلیت‌های ملموس جدول6 ثبت میکنیم.
|
|
شکل3- نتایج ترکیب FCM-GA برای قابلیت‌های ملموس
شکل4- مقایسۀ مقادیر خروجی ترکیب استفاده‌شده (Outputs) و مقادیر هدف (Targets)
شکل 5- شبکۀ عصبی FCM-GA برای پیشبینی نمرۀ قابلیت‌های ملموس
شکل 6- سیستم FCM-GA برای پیشبینی نمرۀ قابلیت‌های ملموس
برای مقولۀ توسعۀ قابلیت‌های ناملموس ترکیب FCM-ACO، برای مقولۀ توسعۀ یه روابط ترکیب FCM-GA، برای مقولۀ توسعۀ قابلیت‌های محیطی نیز ترکیب FCM-GA و برای SD ترکیب FCM-ACO انتخاب و نمره‌های تأمین‌کنندگان برای آنها پیشبینی شده است. در جدول 7 نمره‌های تأمین‌کنندگان در چهار مقوله و SD آمده است.
جدول7- نمره‌های تأمین‌کنندگان منتخب در مقوله‌ها و SD
|
میانگین نظرهای خبرگان دربارۀ SD |
SD
|
قابلیت‌های محیطی |
روابط |
قابلیت‌های ناملموس |
قابلیت‌های ملموس |
تأمین‌کنندگان |
|
0/46250 |
0/466 |
0/402 |
0/26 |
0/543 |
0/775 |
S1 |
|
0/51250 |
0/57 |
0/436 |
0/94 |
0/423 |
0/345 |
S2 |
|
0/575 |
0/787 |
0/69 |
0/549 |
0/645 |
0/72 |
S3 |
|
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
|
0/5875 |
0/611 |
0/579 |
0/579 |
0/591 |
0/486 |
S53 |
در ستون آخر، میانگین نظرهای مدیران دربارۀ 53 تأمینکنندۀ منتخب محاسبه شده است. با استفاده از نرم‌افزار اکسل، همبستگی بین آنها و نمرۀ پیشبینیشده توسط سیستم استنتاج عصبی-فازی محاسبه و مقدار آن 843/0 به دست آمد که نشان‌دهندۀ دقت خوب سیستم استنتاج عصبی-فازی طراحی شده است.
پس از طراحی سیستمهای استنتاج عصبی-فازی مناسب برای مقوله‌ها و SD، طبق گام‌های گفته‌شده در بخش 3-6تحلیل حساسیت مقوله‌ها انجام می‌شود. درجدول8 اطلاعات مربوط به تحلیل حساسیت آمده است.
جدول8- نمرهای SD بدون مقولههای مختلف و میانگین قدرمطلق تغییرات نمره‌ها برای آنها
|
قدرمطلق تغییرات
|
نمرۀ SD بدون قابلیت‌های محیطی |
قدرمطلق تغییرات
|
نمرۀ SD بدون مقولۀ روابط |
قدرمطلق تغییرات
|
نمرۀ SD بدون قابلیت‌های ناملموس |
قدرمطلق تغییرات
|
نمرۀ SD بدون قابلیت‌های ملموس |
تأمین‌کنندگان |
|
0/201 |
0/265 |
0/135 |
0/331 |
0/281 |
0/185 |
0/36 |
0/106 |
S1 |
|
0/218 |
0/352 |
0/134 |
0/436 |
0/219 |
0/351 |
0/16 |
0./41 |
S2 |
|
0/345 |
0/442 |
0/284 |
0/503 |
0/334 |
0/453 |
0/334 |
0/453 |
S3 |
|
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
. . . |
|
0/29 |
0/321 |
0/3 |
0/311 |
0/307 |
0/304 |
0/226 |
0/385 |
S53 |
|
0/29607 |
|
0/234868 |
|
0/274273 |
|
0/241672 |
|
میانگین |
با توجه به نتایج جدول8، مقولۀ توسعۀ قابلیت‌های محیطی، حساس‌ترین مقولۀ SDاست؛ زیرا میانگین قدرمطلق تغییرات نمره‌های SD برای آن بیشترین است. رتبۀ دوم، به مقولۀ توسعۀ قابلیت‌های ناملموس مربوط است. رتبۀ سوم و چهارم ازلحاظ حساس‌بودن، به‌ترتیب مربوط به توسعۀ قابلیت‌های ملموس و توسعۀ روابط است. این نتایج نشان میدهد در صنعت خودروی ایران، توسعۀ قابلیت‌های محیطی تأمین‌کنندگان، نسبت‌به سه مقولۀ دیگر اثر بیشتری بر توسعۀ آنها دارد و به آن معنی است که تولیدکنندگان صنعت خودروسازی ایران برای توسعۀ تأمین‌کنندگان خود، ابتدا باید فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی را به کار گیرند، طبق نتایج جدول 4 این فعالیت‌ها، شامل ارزیابی عملکرد محیطی تأمین‌کننده و بازخور نتایج، تسهیم اطلاعات محیطی، اخلاقی و مسئولیت اجتماعی، اخذ گواهینامههای محیطی و اجتماعی، تدوین برنامههای بهبود کیفیت زندگی جوامع هدف، تدارکات سبز و هوشیارانۀ محیطی، فعالیت‌های لجستیک معکوس و تلاش‌های مشترک برای بهبود عملکرد پایداری است.
همانطور که گفته شد، اولویت دوم برای توسعۀ تأمین‌کنندگان، توسعۀ مقولۀ قابلیت‌های ناملموس است. طبق نتایج جدول 4، فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی این قابلیت‌ها و بازخور نتایج، آموزش و بروزکردن، تشکیل تیم SD و... است.
اولویت سوم، توسعۀ مقولۀ قابلیت‌های ملموس است که شامل قابلیت‌هایی مثل قابلیت کیفیتی، قابلیت تکنولوژیکی و... است. فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی قابلیت‌های ملموس و بازخور نتایج، فشار رقابتی، کاهش پایۀ تأمین و... است.
آخرین اولویت مربوط به توسعۀ مقولۀ روابط است. فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی روابط و بازخور نتایج، تسهیم به‌موقع اطلاعات با یکدیگر، انعقاد قراردادهای بلندمدت با تأمین‌کننده و گسترش آنها، هماهنگ‌کردن فرآیندها و... است.
با توجه به نتایج به‌دست‌آمده از تجزیه‌وتحلیل داده‌ها برای هر مقوله و SD، دریافتیم که در همۀ آنها روش‌های غالب برای تنظیم سیستمهای استنتاج فازی-عصبی، روش‌های بهینه‌سازی تکاملی بوده است. این یافته نشان میدهد برای دادههای این پژوهش، روش‌های بهینه‌سازی تکاملی به‌منظور تنظیم سیستم استنتاج عصبی-فازی مناسب است. این یافته بیانگر این نیست که روش‌های بهینه‌سازی تکاملی همواره و برای همۀ مسائل، نسبت‌به روش‌های سنتی غالب است.
جدول8 نشان میدهد روش بهینه‌سازی ACO در همۀ سیستم‌ها، روش بهینه‌سازی DE در چهار سیستم، روش بهینه‌سازی GA در دو مقوله، به‌عنوان روش‌های غالب شناسایی شد؛ اما روش بهینه‌سازی PSO در هیچ‌کدام از مقوله‌ها غالب نبود. این یافته نشان میدهد برای دادههای این پژوهش، اولویتبندی روش‌های بهینه‌سازی تکاملی به‌صورت است. مقایسۀ دو الگوریتم بهینه‌سازی، به بررسی‌های زیادی نیاز دارد. هر الگوریتم در دستۀ خاصی از مسائل، خوب جواب خواهد داد. پیداکردن این دسته برای هر الگوریتم نیز به بررسی زیادی نیاز دارد؛ البته نتیجهگیریهایی در حد کلی دربارۀ آنها می‌توان داشت؛ ولی درنهایت، باید بررسی را به مسئلۀ مدنظر محدود کرد؛ حتی مسائلی وجود دارد که در آنها، جستجوی غیرهوشمند تصادفی، جوابی بهتر از الگوریتم‌های هوشمند و روش‌های بهینه‌سازی تکاملی میدهد. درهرصورت، تنها نکتهای که می‌توان با قوت تمام و با پشتوانۀ علمی بیان کرد؛ این است که، هیچ الگوریتمی برای تمام مسائل بهینه‌سازی بهترین نیست. برتری یک الگوریتم در تعداد زیادی از توابع باید یررسی شود. نکتۀ دیگر، نسخههای الگوریتم‌ها است؛ بهترین کار این است که، دو نسخه، از ساختار برنامهنویسی مشابهی برخوردار باشد؛ یعنی مثلاً نسخههای استاندارد دو الگوریتم با هم مقایسه شود؛ نه اینکه یک نسخۀ بهبودیافته از یک الگوریتم با نسخۀ استاندارد دیگری مقایسه شود.
جدول9- وضعیت روش‌های بهینه‌سازی برای مقولههای مختلف و SD
|
PSO |
GA |
DE |
ACO |
روش بهینه‌سازی مقوله |
|
خیر |
بله |
بله |
بله |
توسعۀ قابلیت‌های ملموس |
|
خیر |
خیر |
بله |
بله |
توسعۀ قابلیت‌های ناملموس |
|
خیر |
بله |
بله |
بله |
توسعۀ روابط |
|
خیر |
خیر |
خیر |
بله |
توسعۀ قابلیت‌های محیطی |
|
خیر |
خیر |
بله |
بله |
SD |
نمره‌های به‌دست‌آمده از سیستمهای استنتاج عصبی-فازی نشان میدهد، تعداد تأمینکنندگانی که در توسعۀ قابلیت‌های ملموس نمرۀ قابل قبولی را کسب کردهاند؛ تقریباً برابر با تعداد تأمینکنندگانی است که در این مقوله نمرۀ قابل قبولی را کسب نکردهاند. تعداد تأمینکنندگانی که در مقولههای توسعۀ قابلیت‌های ناملموس و توسعۀ قابلیت‌های محیطی نمرۀ قابل قبولی گرفتهاند (نمرۀ بالاتر از 5/0)، بیشتر از تعداد تأمینکنندگانی است که در این مقوله‌ها نمرۀ قابل قبولی نگرفتهاند. این نسبت دربارۀ مقولۀ توسعۀ روابط، برعکس است (جدول10). این موضوع میتواند بیانگر این باشد که تأمین‌کنندگان صنعت خودروسازی ایران، درزمینۀ توسعۀ قابلیت‌های ناملموس و محیطی، توسعهیافتهتر از مقولههای ملموس و روابط‌اند.
جدول 10- تعداد تأمین‌کنندگان با نمره‌های قابل‌قبول و غیرقابل‌قبول در مقولههای محتلف
|
مقوله‌ها |
تعداد تأمین‌کنندگان با نمرۀ قابل‌قبول (بیشتر از 5/0) |
تعداد تأمین‌کنندگان با نمرۀ غیرقابل‌قبول (کمتر از 5/0) |
|
توسعۀ قابلیت‌های ملموس |
27 |
26 |
|
توسعۀ قابلیت‌های ناملموس |
33 |
20 |
|
توسعۀ روابط |
24 |
29 |
|
توسعۀ قابلیت‌های محیطی |
38 |
15 |
در این پژوهش با استفاده از تحلیل حساسیت، مقولههای چهارگانه اولویتبندی شد. میانگین قدرمطلق تغییرات نمره‌های SDبرای مقولههای چهارگانه نشان میدهد مقولۀ توسعۀ قابلیت‌های محیطی، حساس‌ترین مقولۀ توسعۀ تأمین‌کننده است. مقولههای توسعۀ قابلیت‌های ناملموس، توسعۀ قابلیت‌های ملموس وتوسعۀ روابط به‌ترتیب در رتبههای دوم، سوم و چهارم قرار دارد. این نتایج نشان میدهد خبرگان در ارزیابی تأمین‌کنندگان، اهمیت و وزن بیشتری برای مقولۀ توسعۀ قابلیت‌های محیطی در نظر گرفتند. با توجه به اینکه نمرۀ SD براساس نمرۀ مقولههای چهارگانه به دست آمده است، تحلیل حساسیت در سطح مقوله‌ها انجام شده است. این یافته همچنین تولیدکنندگان و تأمین‌کنندگان صنعت خودروی ایران را ابتدا به فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی و سپس فعالیت‌های مرتبط با توسعۀ سه مقولۀ دیگر تشویق می‌کند.
در این پژوهش با کمک مدیران شرکت‌های ایرانخودرو و سایپا، 53 تأمین‌کننده از تأمین‌کنندگان گروه‌های تزئینات، تعلیق، استاندارد و مکانیزم‌ها، الکترونیک، موتوری، بدنه و تهویه انتخاب شدند که در سطوح 1 و 2 قرار داشتند. تأمین‌کنندگان منتخب، براساس معیارهای نهایی‌شده توسط مدیران ایرانخودرو و سایپا، با نمرهای بین 0 تا 100 ارزیابی شدند؛ سپس براساس نتایج ارزیابی مدیران از 53 تأمینکنندۀ منتخب، برای هرکدام از مقولههای چهارگانه و توسعۀ تأمین‌کننده، 18 سیستم فازی-عصبی طراحی و تنظیم شد. با مقایسۀ نتایج حاصل از 18 سیستم فازی-عصبی، بهترین ترکیب انتخاب و براساس آن نمرۀ تأمین‌کنندگان در هر مقوله و توسعۀ تأمین‌کننده پیشبینی شد. تحلیل حساسیت در سطح مقوله‌ها انجام شد. نتایج تحلیل حساسیت به اولویتبندی مقولههای چهارگانه به‌صورت محیطی، ناملموس، ملموس و روابط منجر شد. براساس فعالیت‌های نهایی‌شده در بخش اول، فعالیت‌های مناسب برای توسعۀ تأمین‌کنندگان در سطح صنعت خودروسازی پیشنهاد شد.
یکی از نقاط قوت این پژوهش، پیشنهاد فعالیت‌های مناسب با توجه به نتایج مقایسه و اولویتبندی حاصل از تحلیل حساسیت است. براساس نتایج مقایسۀ الگوریتم‌ها، به مدیران صنعت خودروسازی ایران پیشنهاد می‌شود ترجیحاً از سیستم استنتاج عصبی-فازی که با ACO تنظیم شده است، برای پیشبینی میزان توسعهیافتگی تأمین‌کنندگان خود استفاده کنند؛ زیرا در همۀ سیستمهای طراحیشده، به‌عنوان سیستم برتر (با خطای کمتر) شناسایی شده است. برای پیشبینی میزان توسعهیافتگی تأمین‌کنندگان نیز فقط کافی است که ابتدا تأمین‌کنندگان خودشان را براساس معیارهای مرتبط با SD ارزیابی و نمرۀ مربوط را در سیستم طراحیشده وارد کنند. براساس خروجی به‌دست‌آمده که به‌صورت یک عدد قطعی است، تولیدکنندگان میتوانند، دربارۀ فعالیت‌های مرتبط توسعۀ آن تأمین‌کننده یا مجموعهای از تأمین‌کنندگان مشابه، تصمیم مناسب را بگیرند. براساس نتایج حاصل از تحلیل حساسیت، به مدیران صنعت خودروسازی ایران پیشنهاد می‌شود فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی تأمین‌کنندگان را در اولویت قرار دهند. این فعالیت‌ها شامل ارزیابی عملکرد محیطی تأمین‌کننده و بازخور نتایج، تسهیم اطلاعات محیطی، اخلاقی و مسئولیت اجتماعی، اخذ گواهینامههای محیطی و اجتماعی، تدوین برنامههای بهبود کیفیت زندگی جوامع هدف، تدارکات سبز و هوشیارانۀ محیطی، فعالیت‌های لجستیک معکوس و تلاش‌های مشترک برای بهبود عملکرد پایداری است.
هر پژوهش علمی، معمولاً موجب پیشرفت و توسعۀ یک موضوع در جنبۀ تئوری یا جنبۀ تجربی و اجرایی و یا در هر دو جنبه می‌شود؛ اما می‌توان گفت، هیچ پژوهشی وجود ندارد که عاری از هر نوع محدودیتی باشد. این پژوهش توانسته است، جزء اولین پژوهش‌های داخلی باشد که ننایج الگوریتم‌های فراابتکاری سازگار با سیستمهای عصبی-فازی را در موضوع SD با یکدیگر مقایسه کند؛ به علاوه اینکه، در جنبۀ اجرایی نیز فعالیت‌های مناسب برای SD را به تولیدکنندگان صنعت خودرو پیشنهاد می‌کند؛ اما همانند هر پژوهش دیگری محدودیت‌هایی دارد که در ادامه به آنها اشاره خواهد شد.
در این پژوهش عوامل کلان، مانند عوامل سیاسی، اجتماعی، اقتصادی، فرهنگی و... در نظر گرفته نشده است. پژوهش‌های آینده میتواند با درنظر گرفتن این عوامل، شناسایی معیارها، فعالیت‌های مرتبط با آنها، اضافه‌کردن آنها به معیارها و فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی تأمین‌کننده انجام شود. این امر موجب توسعۀ موضوع SD خواهد شد.
در این پژوهش، همۀ گروه‌های تأمین‌کنندگان (تزئینات، موتوری، استانداردها و مکانیزم‌ها، تهویه، تعلیق، بدنه و الکترونیک) و همۀ سطوح آنها با همدیگر، ارزیابی و تحلیل شده است؛ اما ممکن است نوع گروه و سطح تأمین‌کننده در نحوۀ توسعۀ آن یا به‌کارگیری فعالیت‌های مناسب برای SD، اثر داشته باشد. پیشنهاد می‌شود پژوهش‌های آینده، با تفکیک نوع و سطح تأمین‌کنندگان برای توسعۀ موضوع SD تلاش کند.
در این پژوهش براساس نظر مدیران دربارۀ تأمین‌کنندگان منتخب، سیستمهای استنتاج فازی-عصبی طراحی شد. پژوهش‌های آینده میتواند فارغ از انتخاب تأمین‌کنندگان، ابتدا براساس نظر مدیران صنعت مطالعه‌شده، سیستم مناسب را طراحی کند و سپس دادههای گردآوری‌شده دربارۀ تأمین‌کنندگان مختلف را براساس آن سیستم تجزیه‌وتحلیل کند.
با توجه به اینکه در این پژوهش، همۀ الگوریتم‌های تکاملی برای بهینه‌سازی شبکههای طراحیشده به کار گرفته نشده است، پیشنهاد می‌شود پژوهش‌های آینده ضمن امکانسنجی الگوریتم‌های تکاملی دیگر، به‌منظور سازگاری با سیستمهای استنتاج فازی-عصبی، از آنها برای بهینه‌سازی استفاده کند و نتایج آنها را با نتایج حاصل از الگوریتم‌های استفاده‌شده در این پژوهش و همچنین با یکدیگر مقایسه کند.
[i] Supplier Development(SD)
[ii] Yang
[iii] Chavhan
[iv] Chen
[v] Sako
[vi] Wouters
[vii] Talluri
[viii] Humphreys
[ix] Nagati &Rebolledo
[x] Wagner
[xi] Leenders
[xii] Shahzad
[xiii] Bache
[xiv] Krause &Scannell
[xv] Abdullah & Maharjan
[xvi] Sánchez
[xvii] Wagner
[xviii] Modi & Mabert
[xix] Batson
[xx] Chidambaranathan
[xxi] Govindan
[xxii] Ghijsen
[xxiii] Arroyo-López
[xxiv] Marksberry
[xxv] Asare
[xxvi] Blonska
[xxvii] Praxmarer
[xxviii] Kumar& Routroy
[xxix] Khan & Nicholson
[xxx] Blome
[xxxi] Aʇan
[xxxii] Kumar
[xxxiii] Akman
[xxxiv] Lawson
[xxxv]Sancha
[xxxvi] Awasthi& Kannan
[xxxvii] Friedl
[xxxviii] Salimian
[xxxix] Mizgier
[xl] Yawar & Kauppi
[xli] Ragers
[xlii] Jeo
[xliii] Benton
[xliv] Wilding
[xlv] Fan
[xlvi] Tran
[xlvii] Grid Partitioning
[xlviii] Subtractive Clustering
[xlix] Fuzzy c-Means(FCM)
[l] Hybrid
[li] Back Propagation(BP)
[lii] Ant Colony Optimization(ACO)
[liii] Genetic Algorithm(GA)
[liv] Particle Swarm Optimization) PSO)
[lv] Differential Evolution(DE)
[lvi] Jang
[lvii] Guan
[lviii] Riechmann
[lix] Root-Mean Square Error(RMSE)
[lx] Regression(R)
[lxi] Ortt
)