مدل‎‍سازی ریاضی چندهدفه برای انتخاب شیوۀ انتقال تکنولوژی در صنعت باتری‌سازی خودرو

نوع مقاله : مقاله پژوهشی- فارسی

نویسندگان

1 دکتری گروه مدیریت انتقال تکنولوژی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

2 استاد دانشکده مهندسی صنایع، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

3 دکتری گروه مدیریت تکنولوژی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران

4 کارشناس ارشد گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

موفقیت در جهان امروز، به استفاده از تکنولوژی وابسته است. یکی از زمینه‌های اعمال مدیریت تکنولوژی، که مستلزم این جامع‌نگری و دورنگری است، انتقال تکنولوژی است. با توجه به اینکه بیشترین سهم تجارت فناوری جهان در دست شرکت‌های چندملیتی کشورهای صنعتی است، بنابراین موضوع انتقال تکنولوژی در زمرۀ یکی از پراهمیت‌ترین و مشکل‌ترین تصمیمات اقتصادی محسوب می‌شود؛ از این ‌رو در این تحقیق، یک مدل جدید چندهدفه برای انتخاب شیوۀ انتقال تکنولوژی در صنعت باتری‌سازی خودرو پیشنهاد شده است. ابتدا شیوه‌های انتقال تکنولوژی، با استفاده از روش اولویت ترتیبی وزن­دهی ‌و سپس از­طریق ارائۀ یک مدل برنامه‌ریزی ریاضی چندهدفه، شیوه‌های بهینۀ انتقال تکنولوژی برای هر یک از کارخانه‌ها مشخص ‎‍شد. مدل پیشنهادی نیز با استفاده از روش اپسیلون-محدودیت تکامل‌یافته و نسخۀ دوم الگوریتم تکاملی مبتنی بر قوت پارتو (SPEA-II) حل شد. نتایج حاصل­شده نشان می­دهد روش‌های سرمایه‌گذاری مشترک، تحقیق و توسعۀ مشترک و سرمایه‌گذاری مستقیم خارجی، از عملکرد بهتری نسبت­به دیگر روش‎‍های انتقال تکنولوژی در صنعت باتری برخوردارند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Sustainable Multi-Objective Mathematical Modeling for Selecting a Technology Transfer Method in the Automotive Battery Industry

نویسندگان [English]

  • Amir Hossein Latifian 1
  • Reza Tavakkoli-Moghaddam 2
  • Masoud Latifian 3
  • Mahdi Kashani 4
1 Department of Technology Transfer Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
2 School of Industrial Engineering, College of Engineering, University of Tehran, Tehran, Iran
3 Department of Technology Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran
4 Department of Industrial Management, Science and Research Branch, Islamic Azad University, Tehran, Iran
چکیده [English]

Purpose: In today's world, characterized by scientific advancements and the complexity of technological processes, collaboration has become a crucial aspect of organizational strategy and public policies for technology development. Success in the modern era hinges on technology. Technology transfer is a domain that applies technology management, necessitating both comprehensiveness and foresight. This study introduces a novel sustainable multi-objective model for selecting the technology transfer method in car battery manufacturing. 
Design/methodology/approach: This study is primarily practical, as it focuses on implementing the model within a specific industry. Regarding research methods, it employs survey and descriptive research techniques. However, due to its typology and inherent nature, this research is classified as hybrid, utilizing a range of suitable qualitative approaches. The initial step involves calculating the importance coefficient of technology transfer methods in the automotive battery sector using the ordinal priority approach, gathering experts’ opinions through a survey. Subsequently, the appropriate technology transfer method is identified using a multi-objective mathematical model.
Findings: According to the results, joint venture approaches, direct foreign investment, and co-research and development have demonstrated superior performance compared to other evaluation criteria. The findings indicate that joint ventures should be prioritized for companies aiming to develop and compete in the global market. This approach enables companies to enhance their operations, modernize production strategies, boost productivity, and expand production capacity through the direct and ongoing support of larger firms. Consequently, a foundation for increasing capacity and production rates will be established. The low ranking of training methods is another significant finding. It suggests that experts believe training methods will not positively impact the company's competitive position or production capacity, in addition to requiring substantial time investment. The effectiveness of strategies such as training, hiring, and resource exchange remains uncertain. Finally, to reduce fixed costs, risks, and potential job losses associated with the transfer of new technology, a multi-objective optimization model utilizing the meta-heuristic algorithms SPEA II and AECM, which was effectively implemented in eight automotive battery manufacturers, is proposed.
Research limitations/implications: Technology transfer is one of the most fundamental issues in technology, and its implementation significantly impacts the processes, cycles of technology and innovation, and wealth creation in developing countries. This intricate process can become a challenge without adequate knowledge. Therefore, technology must either be transferred or created, which entails high costs and extended timeframes that are complicated by the rapid pace of technological advancement. The adaptability, effectiveness, and development of technology for acquiring technical knowledge are critical factors in the technology transfer process. The current research lays the groundwork for identifying the appropriate technology transfer method in the car battery industry, providing substantial assistance to companies in updating technology, enhancing diversity and production capabilities, and competing effectively with both domestic and foreign competitors.
Practical implications: Developing countries can draw valuable lessons in technological and industrial development from the successful experiences of certain industrialized and recently industrialized nations, particularly those in East Asia and Latin America. Based on these successful experiences, the broad acquisition and transfer of appropriate modern technologies into these countries would enhance their productivity and lead to rapid industrial development.
Originality/value: This research evaluates technology transfer methods in the automotive battery industry under conditions of uncertainty using a multi-objective optimization model. The objectives include minimizing the fixed costs of technology transfer, the risks associated with technology transfer, and the number of jobs lost due to technology transfer. The application of the meta-innovative solution distinguishes this study from other research conducted in the field.

کلیدواژه‌ها [English]

  • Technology transfer
  • Multi-objective mathematical optimization
  • Strength Pareto evolutionary algorithm
  • Car battery manufacturing

اصل مقاله

a.               1- مقدمه

جهانی‌شدن، همراه با توسعۀ فناوری، تأثیر فوق‌العاده‌ای بر رقابت‌پذیری ملی داشته است. این تحولات بر استراتژی‌ها، تاکتیک‌ها و تصمیمات عملیاتی سازمان‌ها تأثیر می‌‎‍گذارند. توجه به کاربردهای انتقال و تجاری‏سازی فناوری، به‏عنوان یک مسئله حیاتی در بازار جهانی رقابتی بسیار مهم است (Lee et al., 2018). با توجه به اینکه در کشورهای جهان سوم، نرخ تولید فناوری بسیار پایین است، بنابراین به‌منظور ارتقای محصولات و توسعه در این کشورها، به واردات تکنولوژی از کشورهای پیشرو نیاز است (Bertsch, 1992). مدیریت تکنولوژی، رقابت‌های دائمی را برای شرکت‌ها پیشنهاد می‌دهد که این به افزایش هزینه و پیچیدگی محصولات و خدمات منجر می‏شود (Buzás, 2019 Günsel, 2015;). در‏واقع تغییرات و فرایندهای جهانی به‌طور عمده، به توسعه و نوآوری تکنولوژی‌های جدید منجر می‏شود و بیش از 50درصد از محصولات جدید و فرایندهای آن با عنوان انتقال تکنولوژی، پیش‌زمینۀ مهمی از‏نظر عملی و تئوری دارد (Otero et al., 2023). مطالعات اخیر، اهمیت بالای تحقیق و توسعۀ خارجی را برای رشد بهره‌وری داخلی، به‌عنوان یکی از عوامل جهانی افزایش انتقال تکنولوژی در بین کشورها و به‌خصوص در بین کشورهای توسعه‌‏یافته را نشان می‌دهد که به توسعۀ یکدیگر منجر می‌شود. از طرفی نیز پیش‌بینی بلندمدت فناوری و رشد اقتصادی برای کشورهای در حال ‌توسعۀ آسیایی (نظیر ایران، پاکستان، هند و ...) بسیار مهم است (Hsiao & Liu, 2012).

انتقال فناوری، فرآیندی است که برای دستیابی به پیشرفت شرکت‌ها یا کشورها در زمینه‌های مختلف از‏جمله رقابت‌پذیری و سود مالی اتفاق می‌افتد (Bigliardi et al., 2015 Hsu et al., 2015;). این مفهوم به نقل از ادارۀ ثبت اختراعات اروپا عبارت است حرکت فناوری و یا دانش فنی از یک شخص یا سازمان، به شخص یا سازمان دیگر، با هدف تبدیل تحولات نوآورانه به محصولات قابل فروش (Bozeman et al., 2015). این انتقال‏ به‏دلیل فشار فناوری (از‏طریق تحقیق) یا کشش بازار (از‏طریق صنعت) است. دامنۀ بین‌المللی تجاری‌سازی فناوری ممکن است شامل کشورهای توسعه‌یافته، کشورهای در حال ‌توسعه و دیگر کشورهای دارای گذار اقتصادی باشد (Ravi & Janodia, 2021). انتقال فناوری در به دست آوردن مزیت در زمان، هزینه و سهم بیشتری از بازار و در‏نتیجه بهبود بهره‏وری، ‏به شرکت‌ها کمک می‏کند (Huong & Hieu, 2025).

 

شکل 1- تجارت مالکیت معنوی (واردات به میلیارد دلار)

Fig. 1- Trade in intellectual property (imports in US$ billions)

 

شکل 2- تجارت مالکیت معنوی (صادرات به میلیارد دلار)

Fig. 2- Trade in intellectual property (exports in US$ billions)

همان‏طور که در شکل‎‍های‎‍ 1 و 2 نشان داده شده است، رشد سریع اقتصادی چین با سرعت بالا، به‏واسطۀ سرمایه‏گذاری برای کسب مالکیت معنوی فناوری از 1.3 میلیارد دلار (آمریکا) در سال 2000 تا 13 میلیارد دلار در سال 2010 و حدود 47 میلیارد دلار در سال 2021 حاصل شده است.

با توجه به رشد سریع، این موضوع تعجب‏آور نیست که تولید با تکنولوژی بالا (مانند خودرو، کامپیوتر، تلفن همراه و داروسازی) و خدمات با ارزش افزودۀ بالا (مانند تجارت الکترونیک، فین‏تک، رایانش ابری، فناوری‏های انرژی پیشرفته و غیره)، همه به برخی از فناوری‏های توسعه‏یافته در جاهای دیگر بستگی دارد. همان‏طور که چین به یک تولیدکنندۀ عمده تبدیل می‏شود، سطح واردات فناوری آن به سطح ایالات متحده رسیده است.

با توجه به اینکه بیشترین سهم تجارت فناوری جهان در دست شرکت‌های چند‏ملیتی کشورهای صنعتی است، بنابراین موضوع انتقال فناوری در زمرۀ یکی از پراهمیت‌ترین و مشکل‌ترین تصمیمات اقتصادی برای کشورهای در حال ‌توسعه محسوب می‌شود. با این‌ حال، تنها در صورتی ‌که عوامل این انتقال به‌صورت علمی و صحیح انجام شود،‏ عاملی در جهت حل بحران‌های اقتصادی و ارتقای استانداردهای زندگی قلمداد می‏شود. بر همین اساس و به‌منظور دستیابی به هدف مذکور، انتقال فناوری در صنایع مختلف، به‌ویژه صنعت باتری‌سازی در چند سال اخیر، متداول بوده است (Li & Yuan, 2022).

بنابراین هدف از این پژوهش، ارائۀ رویکردی دومرحله‌ای برای انتخاب شیوه‌های انتقال تکنولوژی در صنایع باتری‌سازی خودرو است. در مرحلۀ اول، ضریب اهمیت شیوه‌های انتقال تکنولوژی در صنایع باتری‌سازی خودرو با استفاده از روش اولویت ترتیبی تعیین می‏گردد؛ سپس یک مدل برنامه‌ریزی ریاضی چندهدفۀ جدید با در نظر گرفتن اهداف کمینه‏سازی هزینه‎‍ها، کمینه‏سازی ریسک انتقال تکنولوژی و کمینه‏سازی تعداد شغل‎‍های از دست رفتۀ ناشی از انتقال تکنولوژی، برای انتخاب شیوه‌های بهینه پیشنهاد می‌شود. در‏نهایت به‏دلیل چندهدفه‏بودن مدل پیشنهادی، از رویکرد محدودیت-اپسیلون تقویت‏شده[i] و نسخۀ دوم الگوریتم تکاملی مبتنی بر قوت پارتو[ii] برای حل مدل ریاضی و مقایسۀ نتایج بهره‏ گرفته خواهد شد.

در ادامه، ساختار پژوهش به شرح زیر تقسیم‌بندی شده است: بخش دوم، پیشینۀ پژوهش را مرور می‏کند، بخش سوم، رویکرد دومرحله‌ای پیشنهادی پژوهش را شرح می‌دهد، بخش چهارم دربارۀ نتایج محاسبات بحث می‏کند و درنهایت در بخش پنجم نیز، نتیجه‌گیری کلی و برخی پیشنهاد‌ها برای تحقیقات آتی ارائه می‌شود.

b.               2- پیشینۀ تحقیق

                         i.            در این بخش، مبانی نظری، پیشینۀ پژوهش و همچنین شکاف تحقیق بررسی می‌شود.

c.                2-1- صنعت باتری‌سازی

بدون شک یکی از مهم‌ترین ساخته‌های بشر، باتری است. بسیاری از صنایع مهم جهان، که کالاها و محصولات مورد نیاز انسان و جوامع پیشرفتۀ امروزی را تولید می‌کنند، به‌منظور تداوم تولید و استمرار فعالیت‌هایشان به این محصول صنعتی وابسته‌اند. امروزه صنعت باتری‌ها به تجارت بزرگی تبدیل ‌شده است تا جایی که مؤسسۀ باتل مموریال[iii] آمریکا پیش‌بینی کرده است که باتری‌ها، رتبۀ دوم از میان 10 فنّاوری کلیدی را دارند که در 20 سال آینده، تجارت بین‌المللی را شکل خواهند داد (Huang et al., 2023). در این عصر، به‏حدی به این محصول صنعتی نیاز است که از ساده‌ترین وسایل ضروری زندگی تا پیچیده‌ترین تجهیزات فضایی و تحقیقاتی به انواع گوناگون باتری‌ها وابسته‏اند.

d.               2-2- انتقال تکنولوژی

انتقال فناوری به روشی گفته می‌شود که طی آن مؤسسات تحقیقاتی دولتی، فناوری‌های جدید‏ توسعه داده شده را به شرکت‌های خصوصی انتقال می‏دهند و تلاش می‌کنند تجاری‌سازی فناوری‌های منتقل‌شده را تحریک و ارتقا‏ دهند. هدف اصلی این روش، افزایش آگاهی عمومی از چنین فناوری‌هایی برای تقویت رقابت صنعتی و فناوری است که به سهم خود، به افزایش رقابت‌پذیری در سطح ملی منجر می‌شود (Lee et al., 2018 Kasperson, & Kasperson, 2022;). این مفهوم از مقولۀ مدیریت نوآوری و تحقیق و توسعه نشأت گرفته و با مطرح‏شدن انتقال فناوری میان کشورهای توسعه‌یافته و در حال ‌توسعه، طرح ابعاد حقوقی و قراردادی آن برجسته‌تر شده است (Majidpour, 2017). در نظر گرفتن شرایط کشور و صنعت بهره‏بردار در انتقال تکنولوژی، زمینۀ رقابتی حضور صنعت را در بازار‏ فراهم می‏کند. یکی از ابزارهای مهم برای صنعتی‏سازی کشورهای در حال توسعه، استفاده از فناوری‏های پیشرفتۀ کشورهای صنعتی است؛ به‏طوری که کشورهای زیادی که اکنون از آنها با عنوان کشورهای پیشرفته یاد می‏شوند، مزایای زیادی از انتقال تکنولوژی به دست آورده‏اند (Christensen et al., 2015).

e.                2-3- مرور پیشینۀ پژوهش

مطالعات تجربی در زمینۀ انتقال فناوری و عملکرد نوآورانه برای کشورهای در حال‌ توسعه بسیار کم است
(Lee et al., 2018 Amirghodsi et al., 2022). انتقال تکنولوژی از مباحث داغ در بین محققان است و تحقیقات اندکی در این رابطه انجام ‌شده است که هرکدام از یک بعد به قضیه نگریسته‌اند. در ادامه در جدول 1، به خلاصۀ بررسی پژوهش‌های پیشین مرتبط با موضوع تحقیق پیشنهادی در سال‌های اخیر ازنظر نوع مسئله، روش حل و روش‎‍های استفاده‏شده، اشاره شده است.

                                                                                          i.            جدول 1- خلاصۀ پیشینۀ پژوهش

1. Table 1- Summary of the literature

رفرنس

سال

نوع مسئله

روش حل

روش/متدولوژی/رویکرد

بهینه‌سازی ریاضی

تئوری تصمیم

بهینه‌سازی ریاضی

تحلیل آماری

دیگر موارد

قطعی

تئوری تصمیم

ابتکاری

فراابتکاری

امیرقدسی و همکاران[iv]

2020

 

 

 

روش بهترین-بدترین، تحلیل فرآیند شبکه‏ای، برنامه‏ریزی آرمانی

لوویو و دایم[v]

2020

 

 

 

 

 

تحلیل سلسله‏مراتبی (AHP)

امینی و همکاران[vi]

2020

 

 

 

 

 

تحلیل سلسله‏مراتبی

چو و شنکویا[vii]

2020

 

 

 

 

 

تحلیل رگرسیون

داهویی و همکاران[viii]

2021

 

 

 

 

روش ویکور، روش ماباک، مدل برنامه‌ریزی ریاضی چندهدفه مختلط عدد صحیح

لطیفیان و همکاران[ix]

2022

 

 

 

 

روش دیمتل، روش بهترین-بدترین، مدل برنامه‌ریزی ریاضی چندهدفه مختلط عدد صحیح

قاسم‏زاده و همکاران[x]

2022

 

 

 

 

 

دیمتیل و تحلیل فرآیند شبکه‏ای

شانه‏ای[xi]

2023

 

 

 

 

 

تحلیل سلسله‏مراتبی

مهری‏نژاد و همکاران[xii]

2023

 

 

 

 

 

نظریۀ داده‏بنیاد

بیات ترک و همکاران[xiii]

2023

 

 

 

 

 

تحلیل سلسله‏مراتبی

رضایی و همکاران[xiv]

2024

 

 

 

 

 

تاپسیس

ترن و همکاران[xv]

2024

 

 

 

 

 

دیمتیل فازی

پژوهش پیشنهادی

-

 

 

 

روش اولویتی ترتیبی، مدل برنامه‌ریزی ریاضی چندهدفه مختلط عدد صحیح

f.                3- رویکرد ترکیبی دومرحله‌ای پیشنهادی

در این بخش، تعاریف اساسی مربوط به رویکرد ترکیبی دو‏مرحله‌ای پیشنهادی به‏طور خلاصه بیان می‎‍شود.

g.               3-1- روش اولویت ترتیبی

 روش اولویت ترتیبی[xvi]، یکی از جدیدترین روش‌های تصمیم‌گیری چندمعیاره است که توانایی حل مسائل انفرادی و گروهی را حتی در شرایطی که داده های ورودی ناقص هستند را دارد‏. این روش با بهره‌گیری از رویکرد برنامه‌ریزی خطی به‌گونه‌ای طراحی شده است که به بی‎‍مقیاس‏سازی داده‌ها، روش‌های میانگین‌گیری برای تجمیع نظرات خبره‌ها، ماتریس مقایسات زوجی و ... نیازی ندارد. عطایی و همکاران[xvii] (2020) در پژوهشی برای اولین بار، روش اولویت ترتیبی را معرفی کردند. ‏

برای توضیح مراحل روش اولویت ترتیبی، ابتدا باید متغیرها، پارامترها و مجموعه‌ها را بشناسیم. این اطلاعات در جدول 2 بیان شده است (Ataei et al., 2020).

                                                                     i.            جدول 2- مجموعه‌ها، متغیرها و پارامترهای روش OPA

1. Table 2- Sets, variables and parameters of the OPA method

اندیس‌ها

 

خبره‏ها

 

 

معیارها

گزینه‏ها

متغیرها

Z

تابع هدف

 

وزن شاخص jام توسط شخص خبرۀ iام در رتبۀ rام

 

به‏طور کلی مدل ریاضی خطی روش اولویت ترتیبی برای تعیین ضرایب وزنی شیوه‌های انتقال تکنولوژی در صنعت باتری‌سازی خودرو، به شرح زیر بیان می‌شود:

 

s.t.

 

 

 

 

(1)

در‏نهایت نیز وزن شیوه‌های انتقال تکنولوژی از‏طریق رابطۀ (2) تعیین می‌شود:

 

(2)

 

 

h.               3-2- مدل ریاضی پیشنهادی

در این بخش با بررسی پیشینۀ موضوع و بررسی کارهای پژوهشی انجام‏شده، مشاهده می‎‍شود که ارائۀ یک مدل ریاضی برای مسئلۀ انتقال تکنولوژی، یک ضرورت در نظر گرفته شده است. مدل پیشنهادی بر مبنای توسعۀ مدل ارائه‏شده در پژوهش لطیفیان و همکاران (2022) است. مفروضات مدل ریاضی ارائه‌شده به شرح ذیل است:

 

 

مفروضات

به‌طورکلی مفروضات مدل پیشنهادی به شرح زیر بیان می‌شود:

  • روش‌های انتقال تکنولوژی به دو دستۀ داخلی و خارجی تقسیم می‌شوند؛
  • انتقال تکنولوژی با استفاده از هریک از روش‌های داخلی و خارجی دارای هزینه‌های ثابتی است؛
  • تکنولوژی‌های انتقال‌یافته از مبدأ خارجی با استفاده از روش‌های انتقال خارجی، ازطریق روش‌های داخلی و بومی‌سازی‏شده به نقاط نهایی یا کارخانه‌ها انتقال می‌یابند؛
  • انتقال تکنولوژی در کارخانه‌ها و ظهور تکنولوژی‌های جدید سبب از دست رفتن یا پایان‏یافتن برخی از مشاغل موجود می‌شود (Ten B‏erge et al., 2020)؛
  • انتقال تکنولوژی دارای ریسک‌های سیاسی- اقتصادی و اجتماعی است؛
  • ضریب اهمیت هریک از روش‏های انتقال با استفاده از روش اولویت ترتیبی در نظر گرفته می‏شود؛
  • انتقال تکنولوژی از منبع خارجی، ازطریق یک کشور توسعه‌یافته انجام می‏شود؛
  • بیشتر تکنولوژی‌ها به‌صورت نوآورانه و تکنولوژی‌های سطح بالا در نظر گرفته شده‌اند.

 

مجموعه‌ها

 

روش‌های موجود انتقال تکنولوژی مدنظر از کشور مبدأ خارجی منبع خارجی.

 

نقاط نهایی (واحدهای صنعتی، کارخانه‌ها یا شهرک‌های صنعتی) کاندیدا برای استفاده یا به‌کارگیری تکنولوژی مدنظر.

 

روش‌های بومی‌سازی‏شده برای انتقال تکنولوژی مدنظر از نقطۀ مرکزی مبدأ داخلی.

 

تعداد انواع تکنولوژی‌های موجود برای انتقال.

پارامترهای مدل

 

هزینۀ ثابت انتقال تکنولوژی نوع  با استفاده از روش نوع  برای منبع خارجی به هلدینگ مرکزی.

 

میزان ریسک سیاسی – اقتصادی – جغرافیایی مربوط به انتقال تکنولوژی نوع  با روش ام برای منبع خارجی.

 

میزان ریسک سیاسی – اقتصادی – جغرافیایی مربوط به انتقال تکنولوژی نوع  با روش   به کارخانه یا نقطۀ نهایی .

 

ضریب اهمیت انتقال تکنولوژی با استفاده از روش‏های خارجی  به دست آمده با روش OPA.

 

ضریب اهمیت انتقال تکنولوژی با استفاده از روش‏های داخلی و بومی‏سازی‏شده به دست آمده با روش OPA.

 

هزینۀ ثابت انتقال تکنولوژی نوع  به روش  به نقطۀ تقاضا یا نقطۀ نهایی  (کارخانه یا واحد صنعتی ).

 

تعداد شغل‌های از دست ‌رفتۀ ناشی از انتقال تکنولوژی نوع  با روش .

 

تعداد شغل‌های از دست ‌رفته با انتقال تکنولوژی نوع  با روش  در نقطۀ نهایی (کارخانه)  .

 

میزان بودجۀ در دسترس برای انتقال تکنولوژی نوع  با روش  برای منابع خارجی.

 

میزان بودجۀ در دسترس برای انتقال تکنولوژی نوع  با روش‌های داخلی  به نقاط نهایی (کارخانه‌ها)  .

 

حد مجاز تعداد شغل‌های مورد انتظار به پایان رسیده برای انتقال تکنولوژی نوع  با روش  به نقطۀ نهایی یا کارخانه .

متغیرهای تصمیم

 

اگر انتقال تکنولوژی نوع  با روش ام برای منبع خارجی به کار رود، برابر با 1 و در غیر این صورت برابر با صفر.

 

اگر تکنولوژی نوع  با روش ام بومی‌سازی‏شده (منبع داخلی) برای انتقال به نقطۀ نهایی (کارخانه یا واحد صنعتی ام) به کار رود، 1 و در غیر این صورت صفر است.

 

تابع هدف و محدودیت‌ها

(3)

 

(4)

 

(5)

 

 

s.t.

(6)

 

(7)

 

(8)

 

(9)

 

(10)

 

(11)

 

مدل ارائه‌شده، یک مدل بهینه‌سازی چندهدفه است، تابع هدف اول (معادلۀ 3)، حداقل‏سازی هزینه‌های ثابت انتقال تکنولوژی از منبع خارجی به هلدینگ مرکزی یا واحد انتقال تکنولوژی شرکت با استفاده از روش‌های خارجی و سپس هزینه‌های انتقال تکنولوژی از هلدینگ مرکزی به کارخانه‌های نهایی را با استفاده از روش‌های بومی‌سازی‏شده و داخلی بررسی می‏کند. تابع هدف دوم (معادلۀ 4)، به‏دنبال حداقل‏سازی ریسک انتقال تکنولوژی از منبع خارجی به هلدینگ مرکزی با استفاده از روش‌های خارجی و سپس انتقال تکنولوژی‌ها با روش‌های داخلی بومی‌سازی‏شده به کارخانه‌های نهایی است. تابع هدف سوم (معادلۀ 5)،‏ حداقل‏سازی تعداد شغل‌های از دسته رفته را به‏سبب انتقال تکنولوژی‌های جدید به کارخانه یا واحدهای صنعتی بررسی می‏کند.

محدودیت اول (معادلۀ 6)، محدودیت بودجه را برای انتقال تکنولوژی‌هایی با مبدأ خارجی با استفاده از روش‌های مربوطه بیان می‏کند. محدودیت دوم (معادلۀ 7)، بیانگر محدودیت بودجه برای کارخانه یا واحدهای صنعتی برای انتقال تکنولوژی‌های مدنظر است که به ازای هر کارخانه یا واحد صنعتی، مقادیر متفاوتی در نظر گرفته شده است (با توجه به میزان فروش، درآمد و دیگر فاکتورهای تأثیرگذار که با واحد مرکزی یا هلدینگ مرکزی تعیین می‌شود). محدودیت سوم (معادلۀ 8) تضمین‌کنندۀ این مورد است که با توجه به مسائل و فشارهای سیاسی و اجتماعی و مسئولیت‌پذیری صاحبان صنایع برای ایجاد شغل و توسعه، تعداد شغل‌های از بین رفتۀ ناشی از انتقال تکنولوژی به کارخانه و واحدهای صنعتی از حد مجاز از پیش تعیین ‌شده‌ای تخطی نکند. محدودیت چهارم (معادلۀ 9)، بیانگر تعادل انتقال تکنولوژی ازطریق به‌کارگیری روش‌های داخلی و خارجی است. محدودیت پنجم (معادلۀ 10)، بیانگر این مورد است که حداقل یکی از روش‌های انتقال تکنولوژی برای منبع خارجی به کار رود. محدودیت ششم (معادلۀ 11)، بیانگر نوع متغیرهای تصمیم مسئله است که هر دو از نوع باینری‏اند.

i.                 3-3- رویکرد حل مدل پیشنهادی

با عنایت به اینکه مدل ریاضی ارائه‏شده، یک مدل بهینه‏سازی چندهدفه‏ و به‏دنبال بهینه‏کردن اهداف متناقض یا اهدافی است که به نوعی با یکدیگر در رقابت‏اند، از این رو استفاده از روش‏های دقیق برای حل مسائل پیچیده و بزرگ به‏علت زمان‏های اجرای طولانی منطقی نیست و بنابراین از روش‏های فراابتکاری برای حل مسئله استفاده می‏شود.

 در این بخش، گام‌های مربوط به روش‌های حل مدل پیشنهادی ارائه شده است.

j.                 3-3-1- روش‎‍محدودیت-اپسیلون تقویت‏شده

ماوروتاس[xviii] در سال 2009، نسخۀ بهبود‏یافته‌ای را از حل رویکرد محدودیت-اپسیلون تقویت‏شده در مقایسه با روش محدودیت سنتی ارائه کرد. گام‎‍های محدودیت-اپسیلون تقویت‏شده به شرح ذیل است (Huy et al., 2023):

گام 1: یکی از توابع هدف، به‏عنوان تابع هدف اصلی انتخاب می‏شود؛

گام 2: هر دفعه با لحاظ‏کردن یکی از تابع‎‍های هدف، مسئله حل و مقدار بهینۀ هر تابع هدف به دست می‌آید.

گام 3: در این روش بهترین و بدترین مقدار برای تابع هدف براساس معادلات 12 و 13، با استفاده از روش لکسیکوگراف، محاسبه می‏شود؛ به این‌ صورت که بهترین مقدار تابع هدف اول برابر مقدار بهینۀ آن در حالت بهینه‌سازی مسئله با در نظر گرفتن تابع هدف به‌صورت انفرادی است. در ادامه با بهینه‌سازی تابع هدف دوم، با این محدودیت که تابع هدف اول در مقدار بهینۀ خود باقی بماند، بدترین مقدار تابع هدف دوم تعیین می‌شود. این کار تا بهینه‌سازی تمام توابع هدف ادامه می‌یابد و با این روش، بازۀ هر تابع هدف تعیین می‎‍شود.

(12)

 

(13)

 

گام 4: بازۀ بین دو مقدار بهینۀ توابع فرعی، به تعداد از قبل مشخص‌ شده‌ای  تقسیم می‏شود و یک جدول مقادیر برای اپسیلون‌ها به دست می‌آید.

(14)

 

گام 5: هر بار با در نظر گرفتن هریک از مقادیر اپسیلون، مسئله با تابع هدف اصلی حل می‌شود؛ به این صورت که محدودیت‌های مربوط به توابع هدف فرعی با استفاده از متغیرهای مناسب کمبود یا مازاد به‌صورت محدودیت‌های مساوی تبدیل‏ و با در نظر گرفتن ضریب دلتا  تا  برای این متغیرهای مازاد یا کمبود، مسئله حل‏ و جواب‌های کارا تولید می‏شود. مسئلۀ جدید به‌صورت زیر تعریف می‌شود:

(15)

 

 

 

 

 

گام 6: در‏نهایت جواب‌های پارتویی یافته‏شده گزارش می‌شود.

k.               3-3-2- نسخۀ دوم الگوریتم بهینه‌سازی مبتنی بر قوت پارتو

نسخۀ دوم الگوریتم بهینه‌سازی مبتنی بر قوت پارتو (SPEA-II)، یک نسخۀ پیشرفته از الگوریتم بهینه‌سازی تکاملی چندهدفه SPEA است که یکی از معروف‌ترین و پرکاربردترین الگوریتم‌ها در جهت بهینه‌سازی است و به‌طور گسترده‌ای، در برنامه‌های دنیای واقعی، علمی و مهندسی به کار می‏رود. چارچوب کاری الگوریتم SPEA-II در ادامه تشریح می‌شود (Liu & Zhang, 2019):

: حداکثر اندازۀ آرشیو پاسخ‌های نامغلوب E

: اندازۀ جمعیت

K: پارامتر محاسبۀ تراکم .

گام 1: یک جمعیت از پاسخ‌های اولیه  ایجاد کنید و قرار دهید  .

گام 2: برازندگی هر پاسخ  در مجموعۀ  را به‌صورت زیر محاسبه کنید.

زیرگام 1-2- ابتدا برازندگی خام پاسخ  را از رابطۀ زیر محاسبه کنید:

(16)

 

‏در این رابطه، علامت  به معنای آن است که j بر پاسخ  غلبه می‎‍کند. همچنین  مقدار قوت پاسخ را نشان می‌دهد که در واقع تعداد پاسخ‌هایی است که ازطریق i مغلوب می‌شود.

زیرگام 2-2- تراکم پاسخ  را به‌صورت معادلۀ زیر محاسبه کنید:

(17)

 

‏در این رابطه  فاصلۀ بین پاسخ  و امین همسایگی نزدیک به آن است.

زیرگام 3-2- نهایتاً مقدار برازندگی از جمع مقدار برازندگی خام و تراکم پاسخ  به دست می‌آید.

(18)

 

گام 3: تمام پاسخ‌های نامغلوب موجود در مجموعۀ  را به  کپی کنید. ممکن است دو حالت رخ دهد:

حالت اول: اگر   ، به تعداد  پاسخ با روش تکراری حذف پاسخ با معیار ، حذف می‎‍شود. در واقع پاسخی که حداقل فاصلۀ  را از دیگر پاسخ‌ها دارد، در ابتدا حذف می‎‍شود. با این‌ حال، اگر چند پاسخ دارای حداقل فاصله باشند، دومین کمترین فاصله ‏مشخص و به همین صورت، ‏پاسخ‌های اضافی حذف می‏شود (این معیار باعث می‌شود که پاسخ‌های مشابه یا نزدیک به هم، که اهمیتی در تراکم پاسخ‌ها ایجاد نمی‌کنند، حذف شو‏ند).

حالت دوم: اگر  ، به تعداد ، پاسخ مغلوب‏شده بر‏اساس مقادیر برازندگی آنها از مجموعۀ  به مجموعۀ  می‎‍یابد.

گام 4: اگر شرایط خاتمه فراهم شده باشد، الگوریتم متوقف می‏شود و پاسخ‌های  را برمی‌گرداند.

گام 5: با استفاده از روش رقابت دوتایی، والدین از مجموعۀ  انتخاب می‎‍شود.

گام 6: اپراتورهای ترکیب و جهش بر‏ والدین به کار برده و به تعداد  فرزند تولید می‎‍شود. فرزندان در مجموعۀ  کپی ‏و به مقدار شمارنده یک واحد اضافه می‎‍شود  و سپس به گام 2 بازگشت می‎‍شود.

l.                 4- مطالعۀ موردی و یافته‏ها

در این بخش نتایج حاصل از اجرای رویکرد ترکیبی به شرح زیر گزارش شده است.

m.              4-1-تعیین رتبۀ شیوه‌های انتقال تکنولوژی: روش OPA

در این مرحله، نظرات خبرگان در رابطه با شیوه‏های انتقال تکنولوژی در صنعت باتری‏سازی خودرو جمع‎‍آوری می‎‍شوند. به همین منظور براساس پرسش‏نامۀ مربوطه، رتبۀ شیوه‏ها به ازای هر خبره تعیین شد که مطابق با جدول بخش پیوست گزارش شده است. منظور از شیوه‌های انتقال تکنولوژی، مجموعه‌ای از فعالیت‌ها در شرایطی تعریف شده است که طی آن، فناوری موردنیاز متقاضی، در ازای جلب رضایت عرضه‌کننده، در اختیار او قرار می‌گیرد. روش‌های انتقال تکنولوژی، با توجه به فناوری‏ تقاضاشده و نحوۀ انتقال، متفاوت و در بعضی از موارد بسیار متنوع است. روش‌های انتقال در نظر گرفته شده در این پژوهش، برای ارزیابی مطابق با جدول 2 بیان شده است (Latifian et al., 2022).

پس از دستیابی به نظرات خبرگان در رابطه با شاخص‎‍ها، پارامترهای ورودی مدل روش اولویت ترتیبی (معادلۀ 1 و 2) در نرم‏افزار GAMS وارد و پس از حل مدل مطابق با جدول 3، ضرایب وزنی شیوه‌های انتقال تکنولوژی برای ورود به مدل چندهدفه پیشنهادی گزارش می‎‍شود.

                                                           i.            جدول 3- شیوه‌های انتقال تکنولوژی در صنایع باتری‌سازی خودرو

1. Table 3- Methods of technology transfer in automotive battery industries

ضریب اهمیت

شیوه‌های انتقال تکنولوژی

نماد

0214/0

حق خرید امتیاز

A1

0134/0

آموزش و تحصیل

A2

2380/0

سرمایه‌گذاری مشترک

A3

0162/0

مهندسی معکوس

A4

0382/0

استخدام و تبادل نیروی انسانی

A5

0632/0

روش فرانشیز

A6

0644/0

تحت لیسانس

A7

2142/0

تحقیق و توسعۀ مشترک

A8

1057/0

تأمین از بیرون

A9

1247/0

سرمایه‌گذاری مستقیم خارجی

A10

n.               4-2- تخصیص بهینۀ شیوه‌ها: حل مدل ریاضی پیشنهادی

از‏طریق حل یک مدل برنامه‌ریزی ریاضی، مجموعۀ شیوه‌های انتقال تکنولوژی به هر تولیدکننده تخصیص داده می‌شود. شایان‏ ذکر است که در این پژوهش، هشت مجموعۀ تولیدکننده در صنعت باتری‏سازی، یعنی‏ صبا باتری، برنا باتری، پاسارگاد باتری، دورنا باتری ارس،‏ سپاهان باتری،‏ آذر باتری،‏ نیرو گستران خراسان و وایا باتری در نظر گرفته شدند. در ادامه، مسئلۀ دنیای واقعی موردی با استفاده از روش‌های محدودیت-اپسیلون تقویت‏ شده و الگوریتم SPEA-II حل و این دو روش مقایسه شده است. در راستای حل مدل مقدار پارامترها برای مسئلۀ موردی به شرح جدول 4 ارائه شده است.

                                                                                          i.            جدول 4- اطلاعات ورودی مدل

1. Table 4- Model input data

 

در بازۀ [9000000000؛ 1000000000] در نظر گرفته شده است – بر مبنای تومان

 

مقدار آن در بازۀ [1,0] در نظر گرفته شده است.

 

مقدار آن در بازۀ [1,0] در نظر گرفته شده است.

 

مطابق با جدول 3.

 

مطابق با جدول 3.

 

در بازۀ [2000000000 , 500000000] در نظر گرفته شده است – بر مبنای تومان

 

در بازۀ [100, 50] در نظر گرفته شده است – بر مبنای نفر

 

در بازۀ [100, 50] در نظر گرفته شده است – بر مبنای نفر

 

برابر با 1500000000 تومان در نظر گرفته شده است.

 

در بازۀ [18000000000, 10000000000] در نظر گرفته شده است – بر مبنای تومان

 

در بازۀ [100, 50] در نظر گرفته شده است – بر مبنای نفر

 

در مسئلۀ موردی حل‏شده، تعداد هشت کارخانه (واحد صنعتی)‏ بررسی شده است، همچنین تعداد روش‎‍های موجود برای انتقال تکنولوژی از منبع خارجی به هلدینگ مرکزی برابر با 5 (روش‌های حق خرید امتیاز، سرمایه‏گذاری مستقیم خارجی، تحت لیسانس، تأمین از بیرون و سرمایه‏گذاری مشترک)، تعداد روش‏های داخلی بومی‏سازی‏شده برای انتقال تکنولوژی به نقاط نهایی یا کارخانه‏ها برابر با 5 (روش‌های آموزش و تحصیل، مهندسی معکوس، استخدام و تبادل نیروی انسانی، روش فرانشیز و تحقیق و توسعۀ مشترک)، تعداد انواع تکنولوژی‏های موجود برای انتقال نیز برابر با 5 در نظر گرفته شده است.

پس از حل مدل با استفاده از روش محدویت اپسیلون بهبود‏‏یافته، جبهۀ نهایی به‏صورت شکل 3 ارائه شده است؛ سپس مدل ارائه‏شده با استفاده از الگوریتم SPEA-II ارائه‏شده حل شده است، جبهۀ الگوریتم در شکل 4 آورده شده است.

 

شکل 3- جبهۀ پارتو بهینۀ روش AECM از حل مدل

Fig. 3- Pareto-optimal front the AECM method of solving the model

 

شکل 4- جبهۀ پارتو مربوط به الگوریتم SPEA-II از حل مدل

Fig. 4- Pareto front related to the SPEA-II algorithm of solving the model

پس از حل مدل مربوط به مسئلۀ موردی‏ مطالعه‏شده، مقدار نتایج زیر برای متغیرهای تصمیم مسئله حاصل و در جداول 5 و 6 نمایش داده شده است.

                                               ii.            جدول 5- چگونگی انتقال تکنولوژی  با روش خارجی ام به هلدینگ مرکزی

1. Table 5- How to transfer the technology t to the central holding using the external method i

روش ( )

تکنولوژی ( )

3

4

3
 

1

  

1

a

2

a

2
 

3

  

3

a

4

a

4

a

5

a

5

                                               iii.            جدول 6- چگونگی انتقال تکنولوژی  با روش بومی ام به واحد صنعتی ام

1. Table 6- How to transfer the technology t to the industrial unit j with the local method k

کارخانه ( )

روش ( )

تکنولوژی  ( )

1

3

5

1

 

1

1

  

1

1

 

2

1

  

1

2

 

3

4

 

4

3

a

4

3

a

3

4
 

5

1

 

1

5

 

همچنین مقدار توابع هدف دو روش محدودیت اپسیلون و الگوریتم SPEA-II در جدول 7 نمایش داده شده است‏.

                                                                iv.            جدول 7- مقایسۀ نتایج توابع هدف براساس روش‏های حل

1. Table 7- Comparing the results of objective functions based on solution methods

روش محدودیت-اپسیلون تقویت‏شده

تابعه هدف اول

تابعه هدف دوم

تابعه هدف سوم

1568338000

214/0

323/20

الگوریتم SPEA-II

تابعه هدف اول

تابعه هدف دوم

تابعه هدف سوم

1584020138

2172/0

729/20

خطا

تابعه هدف اول

تابعه هدف دوم

تابعه هدف سوم

%00/1

50/1%

%00/2

o.               4-3- تحلیل حساسیت

عملکرد الگوریتم‌های چند هدفه، از عملکرد الگوریتم‏های تک‏هدفه بسیار پیچیده‏تر است و با توجه به معیارهای ارائه‏شده، یک شاخص ارزیابی‏ برای بررسی جواب‏های حاصل از الگوریتم‏های ارائه‏شده کافی نیست. به‏طور کلی یک جواب ارائه‏شده ازطریق الگورریتم‌های چندهدفه، باید سه ویژگی داشته باشد:

  • فاصلۀ بین مجموعه جواب‏های غالب حاصل از مسئله توسط الگوریتم، با مجموعه پارتو بهینه کمینه باشد؛
  • نحوۀ توزیع جواب‏های پارتو به‏صورت یکنواخت باشد؛
  • جواب‏های حاصل‏شده به‏صورت گسترده، بخش زیادی از مقادیر هریک از توابع هدف را پوشش دهند.

بنابراین به‏منظور تحلیل حساسیت الگوریتم، شاخص‏های ذیل تعریف شد:

  • فاصله از نقطۀ ایده‏آل[xix]

مقدار این شاخص برابر است با فاصلۀ نقاط پارتو الگوریتم‏ بررسی‏شده از نقطۀ ایده‏آل، این معیار که برای اندازه‌گیری میزان نزدیکی به سطح بهینۀ‏ پارتو واقعی‏ به ‎‍کار می‎‍رود و از رابطۀ زیر محاسبه می‌شود:

(19)

 

در این رابطه ، تعداد جواب‌ها در مجموعه بهینۀ پارتو است و ، فاصلۀ اقلیدسی هر عضو از مجموعۀ پارتو از نقطۀ ایده‎‍آل است که از رابطۀ زیر محاسبه می‌شود:

(20)

 
  • شاخص پراکندگی[xx]

این شاخص وسعت جواب‏های پارتو یک الگوریتم را نشان می‏دهد و با رابطۀ 21 محاسبه می‏شود. هر‏چه شاخص DM بیشتر باشد، الگوریتم بهتر است:

(21)

 

-          شاخص فاصله[xxi]

این شاخص یکنواختی توزیع جواب‏های پارتو در فضای حل را نشان می‏دهد، نحوۀ محاسبۀ این شاخص مطابق رابطۀ ذیل است:

(22)

 

 محاسبۀ شاخص فوق در فضای سه بعدی به‏دلیل پیچده‏شدن نحوۀ محاسبه برای تعیین نقاط پارتوی کناری، زمانبر است.

در ادامه با توجه به شاخص‏های معرفی‏شده، 15 مسئله با ابعاد مختلف‏ با روش حل دقیق (اپسیلون محدودیت بهبود‏یافته) و الگوریتم پیشنهادی SPEA-II حل و برای بررسی کیفیت و کارایی الگوریتم پیشنهادی، نتایج از‏طریق میانگین خطا مطابق شکل‏های 5 الی 7 تحلیل شد.

 

شکل 5. نتایج عددی الگوریتم پیشنهادی SPEA-II و روش اپسیلون محدودیت بهبود‏یافته – شاخص SM

Fig. 5- Numerical results of the proposed SPEA-II algorithm and the augmented epsilon-constraint method – SM index

                        i.           

شکل 6. نتایج عددی الگوریتم پیشنهادی SPEA-II و روش اپسیلون محدودیت بهبود‏یافته – شاخص DM

Fig. 6- Numerical results of the proposed SPEA-II algorithm and the augmented epsilon-constraint method – DM index

                       ii.           

شکل 7- نتایج عددی الگوریتم پیشنهادی SPEA-II و روش اپسیلون محدودیت بهبود‏یافته – شاخص MID

Fig. 7- Numerical results of the proposed SPEA-II algorithm and the augmented epsilon-constraint method – MID

p.               5- بحث

انتقال تکنولوژی یکی از اساسی‌ترین مباحث در فناوری است و چگونگی اجرای آن نقش بسیار مهمی‏ در فرآیند، چرخۀ فناوری، نوآوری و همچنین خلق ثروت در جوامع در حال ‌توسعه دارد. انتقال تکنولوژی، فرایند پیچیده و دشواری است که چنانچه بدون مطالعه و بررسی لازم انجام شود، نه‏تنها مفید نخواهد بود،‏ ممکن است علاوه بر هدر‏رفتن سرمایه و زمان، به تضعیف تکنولوژی ملی هم بیانجامد. موضوع بسیار مهم در انتقال تکنولوژی، قابلیت تطبیق، اثربخشی و توسعه برای فراگیری دانش فنی آن است.

همان‏طور که از جدول 3 نتیجه می‌شود، روش‌های سرمایه‌گذاری مشترک، تحقیق و توسعۀ مشترک و سرمایه‌گذاری مستقیم خارجی، بهترین عملکرد را نسبت‏به دیگر شاخص‌های ارزیابی به دست آورده‏ و‏ بیانگر آن است که اگر شرکتی (در حوزۀ تولید باتری) به‏دنبال رقابت در بازار جهانی است و قصد دارد تا در مسیر توسعه و پیشرفت گام بردارد، روش سرمایه‌گذاری مشترک، بالاترین اهمیت را دارد؛ زیرا‏ با کمک و همکاری مستقیم و مداوم شرکت‌های بزرگ، بهبود در کسب ‌و کار خود به وجود می‏آورد، به‏سمت مدرن‏شدن شیوه‌های تولید، افزایش بازدهی و توان تولید پیش می‏رود و در‏نتیجه زمینۀ افزایش ظرفیت و نرخ تولید در کسب ‌و کار را فراهم می‏کند. از دیگر نتایج درخور ‌توجه، به رتبۀ پایین روش آموزش و تحصیل اشاره می‏شود. این موضوع بیانگر این است که کارشناسان شرکت‌های مربوطه معتقدند‏ روشی مانند آموزش و تحصیل، علاوه بر اینکه زمان زیادی را برای انتقال موفق فناوری صرف می‏کند، نتایج آن چندان موجب بهبود وضعیت رقابتی و بهبود ظرفیت تولید شرکت نمی‌شود. آنها در موفق‏بودن روش‌های آموزش، تحصیل، استخدام و تبادل نیروی انسانی دارای تردیدند. مقایسۀ دو جبهۀ پارتو (شکل‏های 1 و 2) و اطلاعات جدول 7،‏‏ تطابق بالای جواب‏های به دست آمده را در جبهه‏ها نشان می‏دهد، این امر بیانگر این مورد است که الگوریتم استفاده‏شده دارای عملکرد مناسب و پذیرفتنی است.

مقالۀ حال حاضر در مقایسه با دیگر تحقیقات انجام‏شده، به‏دلیل ارزیابی شیوه‏های انتقال تکنولوژی در صنایع باتری‏سازی خودرو در شرایط عدم قطعیت و با استفاده از تکنیک‏های تصمیم‏گیری چند معیارۀ ترکیبی، به‏کارگیری مدل بهینه‌سازی ریاضی برای تخصیص بهترین شیوۀ انتقال تکنولوژی، لحاظ‏کردن پارامترهای مهمی نظیر ریسک، هزینه و اشتغال در مدل و استفاده از روش‏های تصمیم‏گیری چند معیاره و فرا‏ابتکاری، تا حدود زیادی به شرایط واقعی و کاربردی نزدیک می‏شود و در زمرۀ پژوهش‏های قابل استفاده و کاربردی در صنعت است.

q.               6- نتیجه‏گیری

به‏‌طور کلی کشورهای در حال‌ توسعه، درس‌های پرارزشی از تجربۀ موفقیت‌آمیز بعضی از کشورهای صنعتی و تازه صنعتی شده، به‏خصوص کشورهای واقع در شرق آسیا و آمریکای لاتین در امر توسعۀ تکنولوژی و صنعتی می‏گیرند. تجربۀ موفقیت‌آمیز این کشورها نشان داده است که فراگیری و انتقال گستردۀ تکنولوژی‌های مناسب و مدرن به این کشورها، آنها را قادر می‌کند تا بر بهره‌وری خود بیفزایند و در‏نتیجه به توسعۀ سریع صنعتی این کشورها منجر شده است. در این پژوهش، تلاش شد با پیروی از اصول و چارچوب نظری و پژوهشی، مدلی ارائه شود که در آن عوامل مؤثر بر شیوه‌های انتقال تکنولوژی، با هدف بهبود عملکرد شرکت تبیین شود. به همین منظور در ابتدا با بررسی پژوهش‌های داخلی و خارجی، مجموعه‌ای از 23 عامل در چهار دسته عوامل اقتصادی، فنی، مدیریتی و تجاری شناسایی شد و سپس با استفاده از رویکرد دلفی فازی، غربالگری و براساس نظرات یک کمیتۀ خبره از کارشناسان و استادان حوزۀ باتری بومی‏سازی شدند. در ادامه با به‏کارگیری روش دیمتل فازی، بهترین و بدترین عامل ازطریق بررسی میزان تأثیرپذیری و تأثیرگذاری عوامل نسبت‏به یکدیگر تعیین و سپس از روش بهترین-بدترین به‏منظور تعیین وزن مؤثر هر عامل و اولویت‌بندی روش‌های انتقال تکنولوژی استفاده شد. در‏نهایت یک مدل بهینه‏سازی چند هدفه با اهدف حداقل‏سازی هزینه‏های ثابت انتقال تکنولوژی، حداقل‏سازی ریسک انتقال تکنولوژی و حداقل‏سازی تعداد شغل‏های از دست رفته به‏سبب انتقال تکنولوژی‏های جدید پیشنهاد شد که با استفاده از روش اپسیلون-محدودیت تکامل‌یافته و الگوریتم تکاملی مبتنی بر قوت پارتو (SPEA-II)، به‏طور کارایی حل شده است.

در تحقیقات آتی می‏توان از سایر رویکردهای تصمیم‌گیری چند معیاره در سایر محیط‌های عدم قطعیت نظیر فازی شهود، اعداد Z و غیره استفاده و نتایج حاصله را با یکدیگر مقایسه نمود. همچنین می‏توان برخی از ورودی‌های مدل ریاضی پیشنهادی را در شرایط عدم قطعیت در نظر گرفت و جهت برخورد با آن از برنامه‌ریزی فازی، آرمانی و یا برنامه‌ریزی آنالیز استوار بهره گرفت.

 

[i] Augmented Epsilon Constraint Method (AECM)

[ii] Strength Pareto Evolutionary Algorithm 2 (SPEA2)

[iii] Battelle Memorial Institute

[iv] Amirghodsi et al.

[v] Lavoie & Daim

[vi] Amini et al.

[vii] Cho & Shenkoya

[viii] Dahooie et al.

[ix] Latifian et al.

[x] Ghasemzadeh et al.

[xi] Shanei

[xii] Mehrinejad et al.

[xiii] Bayat Turk et al.

[xiv] Rezaei et al.

[xv] Tran et al.

[xvi] Ordinal Priority Approach

[xvii] Ataei et al

[xviii] Mavrotas

[xix] Mean Ideal Distance(MID)

[xx] Diversity Metric(DM)

[xxi] Spacing Metric(SM)

مراجع

Amini, E., Baniasadi, M., Vahidi, H., Nematollahi, H., Khatami, M., Amandadi, M., Malekian, L., & Safarpour, H. (2020). Affecting factors of knowledge-based companies using fuzzy AHP model, case study Tehran University Enterprise Park. Journal of the Knowledge Economy, 11(2), 574-592. https://doi.org/10.1007/s13132-018-0554-9.
Ataei, Y., Mahmoudi, A., Faylizadeh, M.R. & Li, D.F. (2020). Ordinal priority approach (OPA) in multiple attribute decision-making. Applied Soft Computing, 86, 105893. https://doi.org/10.1016/j.asoc.2019.105893.
Amirghodsi, S., Bonyadi Naeini, A., & Makui, A. (2020). Dual model for selecting technology and technology transfer method using a combination of the Best-Worst Method (BWM) and goal programing. Scientia Iranica, 29(5), 2628-2646. https://doi.org/10.24200/SCI.2020.53925.3511.
Bayat Turk, A., Kazemian Mohamadabadi, M., & Kazemian Mohamadabadi, A. (2023). Design and presentation of a conceptual model for technology transfer to supply technological products in the localization and domestic manufacturing of oil and gas Industry equipment. Journal of Technology in Entrepreneurship and Strategic Management, 2(4), 154-166.
Bertsch, G.K. (1992). After the revolutions: East-West trade and technology transfer in the 1990s. International Affairs, 68(2), 336. https://doi.org/10.2307/2623242.
Bigliardi, B., Galati, F., Marolla., G., & Verbano, C. (2015). Factors affecting technology transfer offices’ performance in the Italian food context. Technology Analysis & Strategic Management, 27(4), 361-384. https://doi.org/10.1080/09537325.2014.1002464.
Bozeman, B., Rimes, H., & Youtie, J. (2015). The evolving state-of-the-art in technology transfer research: Revisiting the contingent effectiveness model. Research Policy, 44(1), 34-49. https://doi.org/10.1016/j.respol.2014.06.008.
Buzás, N. (2019). Linking industries across the world (1nd ed). From technology transfer to knowledge transfer: an institutional transition. In Linking Industries Across the World, Routledge.
Cho, D.‎‍W., & Shenkoya, T. (2020). Technology transfer: economic factors that influence transferor and transferee’s choice. Technology Analysis & Strategic Management, 32(6), 621-633. https://doi.org/10.1080/09537325.2019.1687873.
Christensen, H.B., Lee, E., Walker, M., & Zeng, C. (2015). Incentives or standards: what determines accounting quality changes around IFRS adoption? European Accounting Review, 24(1), 31-61. https://doi.org/10.1080/09638180.2015.1009144.
Dahooie, J.H., Qorbani, A.R., & Daim, T. (2021). Providing a framework for selecting the appropriate method of technology acquisition considering uncertainty in hierarchical group decision-making: Case Study: Interactive television technology. Technological Forecasting and Social Change, 168, 120760. https://doi.org/10.1016/j.techfore.2021.120760.
Ghasemzadeh, A., Malik Nejad, K., & Masgarani, H. (2022). Investigating Factors Affecting the Success of Technology Transfer with the Resistance Economics Approach in the Oil and Gas Industry Using DEMATEL and ANP. Journal of New Business Attitudes, 3(2), 24-35.
Günsel, A. (2015). Research on effectiveness of technology transfer from a knowledge based perspective. Procedia-Social and Behavioral Sciences, 207, 777-785. https://doi.org/10.1016/j.sbspro.2015.10.165.
Hsiao, C.‎‍T., & Liu, C.‎‍S. (2012). Dynamic modeling of the development of the DRAM industry in Taiwan. Asian Journal of Technology Innovation, 20(2), 277-293. https://doi.org/10.1080/19761597.2012.741396.
Hsu, D.W., Shen, Y.C., Yuan, B.J.C., & Chou, C.J. (2015). Toward successful commercialization of university technology: Performance drivers of university technology transfer in Taiwan. Technological Forecasting and Social Change, 92, 25-39. https://doi.org/10.1016/j.techfore.2014.11.002.
Huang, S., Katipamula, S., & Lutes, R. (2023). An experimental study on round-trip efficiency of a preheating control with a medium office building. Energy and Buildings, 278, 112622. https://doi.org/10.1016/j.enbuild.2022.112622.
Huong, T.‎‍ L., & Hieu, N.T.T (2025). Factors affecting the effectiveness of application and technology transfer activities on the productivity of enterrises in quang ninh province, vietnam. International Journal Profissinal Business Review, Miami, 10, 01-28.
Huy, T.H.B., Dinh, H.T., & Kim, D. (2023). Multi-objective framework for a home energy management system with the integration of solar energy and an electric vehicle using an augmented ε-constraint method and lexicographic optimization. Sustainable Cities and Society, 88, 104289. https://doi.org/10.1016/j.scs.2022.104289.
Kasperson, J.X., & Kasperson, R.E. (2022). Corporate culture and technology transfer, in the social contours of risk. Routledge, 118-143.
Latifian, A.H., Tavakkoli-Moghaddam, R., & Keramati, M. (2022). New framework based on a multi-criteria decision-making model of technology transfer in the Auto-battery manufacturing industry under uncertainty. International Journal of Engineering, 35(10), 2040-2055. https://doi.org/ 10.5829/IJE.2022.35.10A.21.
Lavoie, J.R., & Daim, T. (2020). Towards the assessment of technology transfer capabilities: An action research-enhanced HDM model. Technology in Society, 60, 101217. https://doi.org/10.1016/j.techsoc.2019.101217.
Lee, S., Byong Seon, K., Youngmin, K., Wanki, K., & Wonbin, A. (2018). The framework for factors affecting technology transfer for suppliers and buyers of technology in Korea. Technology Analysis & Strategic Management, 30(2), 172-185. https://doi.org/10.1080/09537325.2017.1297787.
Li, X., & Yuan, X. (2022). Tracing the technology transfer of battery electric vehicles in China: A patent citation organization network analysis. Energy, 239, 122265. https://doi.org/10.1016/j.energy.2021.122265.
Liu, X., & Zhang, D. (2019). An improved SPEA2 algorithm with local search for multi-objective investment decision-making. Applied Sciences, 9(8), 1675. https://doi.org/10.3390/app9081675.
Majidpour, M. (2017). International technology transfer and the dynamics of complementarity: A new approach. Technological Forecasting and Social Change, 122, 196-206. https://doi.org/10.1016/j.techfore.2016.03.004.
Mavrotas, G. (2009). Effective implementation of the ε-constraint method in multi-objective mathematical programming problems. Applied mathematics and computation, 213(2), 455-465.  https://doi.org/10.1016/j.amc.2009.03.037.
Mehrinejad, S., Heydari, T., & Kabaranzad, M.R. (2023). Designing a sustainable building technology transfer Model. Journal of Technology in Entrepreneurship and Strategic Management, 2(3), 141-154.
Otero, C., Manchado, C., & Gomez-Jauregui, V. (2023). A technology transfer case in graphic engineering. in International Joint Conference on Mechanics, Design Engineering & Advanced Manufacturing, Springer.
Ravi, R., & Janodia, M.D. (2021). Factors affecting technology transfer and commercialization of university research in India: a Cross-sectional study. Journal of the Knowledge Economy, 101(1), 1-17. https://doi.org/10.1007/s13132-021-00747-4.
Rezaei, GH., Zebarjad, K., & Kadem Samimi, P. (2024). Investigating barriers to technology transfer between universities and industry using the TOPSIS-method [Conference presentation], 10th International Congress Civil Engineering, Artchitecture and Urban Development.
Shanei, F. (2023). Identification and ranking of factors affecting the success of technology transfer in mapna company (case study: gas turbine project) [Conference presentation], 2nh & 3rd National Conference on New Findings in Management, Psychology and Accounting.
Ten Berge, J., Lippeniyi, Z., Lippe, T.V.D., & Goos, M. (2020). Technology implementation within enterprises and job ending among employees. A study of the role of educational attainment, organizational tenure, age and unionization. Research in Social Stratification and Mobility, 69, 100548. ttps://doi.org/10.1016/j.rssm. 2020.100548.
Tran, T.-H., Nguyen, P.-H., Nguyen, L.-A.T., & Nguyen, T.-H.T. (2024). Understanding the complexities: Interrelationships of critical barriers to university technology transfer in vietnam using T-Spherical fuzzy MCDM approach. IEEE Access, 12, 169683-169719. ttps://doi.org/10.1016/j.rssm.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار