محمدرضا روشن سروستانی

گاهی اوقات از SSC SUPPLY CHAIN MANAGEMEN SUSTAINABLE (به معنای در نظر گرفتن همزمان عملکرد اقتصادی، اجتماعی و زیست محیطی)( یا مدیریت زنجیره تامین پایدار) به عنوان مدیریت زنجیره تامین حلقه-بسته یا مدیریت زنجیره تامین سبز تعبیر می شود. زنجیره تامین حلقه-بسته آن دسته از زنجیره های تامینی هستند که در آن از اقلام، زمانی که آن ها دیگر مطلوب نیستند یا دیگر نمی توانند مورد استفاده قرار گیرند مراقبت می شود. زنجیره تامین حلقه بسته متشکل از یک زنجیره رو به جلو و یک زنجیره تامین معکوس می باشد. در ساختار رو به جلو شبکه شامل سه سطح تامین کنندگان، کارخانه ها و مراکز توزیع و در برگشت شامل سه سطح مراکز جمع آوری، تعمیر و اسقاط است. در زنجیره رو به جلو مواد خام به محصولات جدید تبدیل و توزیع شده و به وسیله مشتریان استفاده می شود. در زنجیره تامین معکوس، محصولات مصرف شده بازیافت و مجدداً استفاده، تعمیر یا ساخته می شوند (سیمپسون و همکاران، 2007( هدف اصلی زنجیره تامین حلقه-بسته افزایش حداکثر سود آوری اقتصادی از محصولاتی است که دوره عمرشان به پایان رسیده است در حالی که SSCM نیازمند هماهنگی ابعاد اقتصادی، اجتماعی و زیست محیطی می باشد. در این تحقیق (ارایه یک مدل ریاضی و برنامه ریزی ریاضیاتی قطعی زنجیره تامین مستقیم ومعکوس چند محصولی همراه با مراکز تامین کننده ) مدلی منسجم از شبکه لجستیکی مستقیم / معکوس )حلقه بسته( به صورت یکپارچه و به منظور جلوگیری از زیر بهینگی ناشی از طراحی های جداگانه فرایندهای رو به جلو و بازگشتی برای محصولات دارای کیفیت به همراه ویژگی های مختلف و با یک ساختار منظم ارائه می شود. رشد جمعیت و افزایش گسترده مصرف در دنیا ، شبکه های زنجیره تامین به شبکه های بسیار بزرگی تغییر شکل داده اند و تمام اجزای مربوط به این شبکه های عظیم سبب ایجاد مشکلات جدی زیست محیطی شده اند. مدیریت زنجیره تامین پایدار در زمره مباحث جدید و نوظهور در عرصه تولید و عملیات است. شرکت ها باید با بکارگیری زنجیره تامین پایدار نسبت به بهبود عملکرد زیست محیطی و اجتماعی در کنار عملکرد اقتصادی اهتمام ورزندزنجیره تامین، یکی از مهمترین دغدغه های بسیاری از دولت هاست چه بسا هر محصول حین استفاده و سپری نمودن دوره عمر باید بازیافت یا منهدم یا جهت استفاده مجدد به زنجیره تامین بازگردد ، در این تحقیق سعی ما بر آن است که یک مدل برنامه ریزی ریاضی زنجیره تامین مستقیم و معکوس شامل مراکز تامین کننده ، تولید، توزیع و جمع آوری ، مشتری ، بازیافت و انهدام بسط و توسعه داده و تابع هدف این مدل ریاضی به قسمی است که کل هزینه زنجیره تامین از تولید تا توزیع و بازیافت یا انهدام حد اقل گردد. در این مدلسازی ریاضی همچنین یک مقدار جریمه جهت براورده نشدن سفارشات مشتریان در نظر گرفتیم همچنین همراه با کاهش کل هزینه زنجیره تامین سبز به دنبال مکان یابی تسهیلات تولید و انهدام به قسمی که کل هزینه زنجیره تامین کمینه گردد می باشیم .

گسترش کاربردهای تلفن همراه می تواند منجر به توسعه سپرده های بانکی شود، چراکه رفتار سپرده گذار ممکن است از تغییر میزان هزینه های انتقال و مشکلات نمایندگی ناشی از توسعه امور مالی اینترنتی، تاثیر پذیرد.در این مقاله، به بررسی این مسئله پرداحته می شود که انضباط بازار بانکی و روش های توسعه امور مالی اینترنتی تا چه میزان بر بهبود نظام بانکداری تاثیر می پذیرد.همچنین بررسی خواهد شد که آیا تاثیر امور مالی اینترنتی بر بهبود نظام بانکداری ناهمگن تغییر خواهد کرد یا خیر.بانک ها به عنوان موسسات اقتصادی همواره به دنبال تحقیق توقعات و نیازهای مشتریان خود می باشند .فناوری اطلاعات با تسهیل ارتباط با مشتریان و افزایش سرعت و اثربخشی آن، زمینه بهبود عملکرد و نوآوری در ارایه خدمات را فراهم می کند.از طرفی، توسعه امور مالی اینترنتی با فراهم آوردن امکان دسترسی مشتریان به خدمات بانکی با استفاده از واسطه های ایمن و بدون حضور فیزیکی منجر به بهبود نظام بانکداری می شود و عوامل فنی، فرهنگی، حقوقی، مدیریتی و مالی در توسعه ی بانکداری الکترونیکی تاثیرگذار می باشد.هدف این تحقیق، بررسی نقش گسترش کاربردهای تلفن همراه با نقش میانجی تاثیرات فرهنگی بر بهبود نظام بانکداری اینترنتی می باشد.جامعه آماری این تحقیق از منظر کلیه مراجعه کنندگان به نظام بانکداری الکترونیک در شهر تهران مورد بررسی قرار می گیرد.لذا همه مشتریانی که از سیستم بانکداری الکترونیک در شهر تهران استفاده می نمایند را شامل می شود.هدف این تحقیق کمک به رفع عوامل محدود کننده و موانع بانکداری الکترونیک و کمک به تقویت عوامل مثبت و محرک بانکداری الکترونیک در اثربخشی نظام مدیریت ارتباط با مشتریان می باشد و نتایج تحقیق نشان می دهد عواملی نظیر: گسترش کاربردهای تلفن همراه، پرداخت و تسویه، تخصیص منابع، مدیریت ریسک و کانال شبکه بر بهبود نظام بانکداری موثر است.لذا به ذینفعان پیشنهاد می گردد که در جهت استقرار و استفاده مناسب از بانکداری الکترونیکی در فرایند بانکی تلاش نمایند.

یکی از بهترین استراتژی های بازاریابی در شبکه های اجتماعی، بازاریابی ویروسی است. هدف از بازاریابی ویروسی در شبکه های اجتماعی، انتشار سریع اطلاعات است. با شکل گیری شبکه های اجتماعی مجازی، ایجاد شبکه های گسترده تر و وسیع تری ورای مرزهای جغرافیایی موجب ایجاد بستری عظیم تر از ساختار شبکه ای است. اهمیت این موضوع به اندازه ای است که بسیاری از شرکت ها درکسب و کارهای مختلف به دلیل عدم همسویی با رشد فناوری به ناچار منهدم شده اند. لذا اهمیت پرداختن به این امر در جامعه رو به رشد ما بسیار بالا و حیاتی می باشد. در این مقاله سعی شده تا با ارایه جنبه های پر اهمیت و تاثیرگذار شبکه های اجتماعی، مولفه های بازاریابی ویروسی را در جهت پیشرفت آن ها ارزیابی کرده و به ارایه مدلی جهت سنجش آن بپردازیم تا سازمان ها و شرکت های تجاری که از بازاریابی ویروسی بهرمند هستند بتوانند تاثیر پیشرفت شبکه های اجتماعی را در تبلیغات، جذب مشتری و به طور کلی در فروش و سودآوری خود مورد سنجش قرار داده و با تقویت مولفه های اجتماعی بیان شده در مقاله، تاثیرات آنها را افزایش دهند.

هدف ازاین پژوهش پیش بینی مدل خود توضیح کسری جمعی میانگین متحرک ARFIMA در شاخص صنعت بانکی , بورس اوراق بهادار تحلی ل وض عیت ب ازدهی شاخص صنعت بانکی و بررسی وجودحافظه بلندمدت درشاخص صنعت بانکی دربورس اوراق به ادارب ا استفاده پیش بینی مدل خود توضیح کسری جمعی میانگین متحرک. دراین مقاله با استفاده از داده های صنعت بانکی از تاریخ یک خرداد نود و دو الی یک مرداد نود و شش استفاده شد. نتایج ح اکی از آن بود که متوسط نرخ بازدهی شاخص بانکی معادل ۰.۰۱۵ بوده و بیشترین و کم ترین نرخ بازدهی شاخص بانکی به ترتیب ۱۰.۳ و۸.۳- هست . یافته های پژوهش دررابطه بامدل سازی شاخص هم بیانگرای ن بود که شاخص صنعت بانکی بورس دارای حافظه بلندمدت بوده و از یک فرآیند (١٠٤٨١)ARFIMA (در یک تقسیم بندی کلی روش های پیش بینی در سری های زمانی را می توان به دو دسته خطی و غیرخطی تقسیم کرد. پرکاربردترین روش پیش بینی خطی، روش ARFIMA است. در سال های اخیر روش جدیدتری بر مبنای روش ARFIMA ابداع شده است که ARFIMA نام گذاری شده است. این روش ها در جهت پیش بینی و شناسایی ساختار گذشته سری های زمانی با کمترین خطا استفاده شده اند.) پیروی می کند،لذاحافظه بلندمدت صنعت بانکی ب ورس دارای درج ه جمع ی ۰.۴۸ هس ت . همچنی ن مقایسه آماره های مرسوم بیانگربرتری مدل انتخابی نسبت به مدل رقیب ARFIMA بود. الگ وی انتخ ابی ازقدرت پیش بینی بالایی برخوردارهست که می تواندبرای سرمایه گذاران بازاربورس درراس تای اه داف مالی و انتخاب سبد سهام مفید باشد. حال آنکه، در بین مدل های واریانس ناهمسان شرطی که در این مطالعه مورد بررسی قرار گرفته، بر اساس معیارهای اطلاعات (آکائیک و شوارتز) مدل ARFIMA(1,2)-FIGARCH(BBM) به عنوان بهترین مدل برای مدل سازی نوسان های بازدهی بورس در دوره مورد بررسی، انتخاب شده است. مقایسه عملکرد پیش بینی مدل ARFIMA با مدل ARFIMA ، نشان می دهد که مدل ARFIMA از قدرت پیش بینی کنندگی بالاتری برخوردار است.

داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسئله ای حل شود. این روش بر روی حجم زیادی از داده ها کار می کند و تحلیل مورد نیاز را انجام می دهد، در نهایت یک سری الگوهای تکرارشونده استخراج می شود که می تواند برگ برنده باشد. سپس نوبت به پیدا کردن ارتباطات بین الگوهای مختلف است و در نهایت یک سری راه حل های مهم در این چالش وارد می شوند.ابزار ها ، دستگاه ها و تجهیزات گوناگون در شرکت ها، همواره به عنوان یکی از مهم ترین سرمایه های کارخانه ها به شمار می آید؛ بنابراین با توجه به اینکه هزینه های خرید، نت (نگهداری و تعمیرات) تجهیزات بسیار گران و پرهزینه است و بخش عمده ای از سرمایه ثابت و هزینه های عملیاتی شرکت ها را تشکیل می دهند؛ طبیعی است که یکی از دغدغه های اساسی برای مدیران ارشد در چگونگی به کارگیری و نگهداری بهینه این تجهیزات باشد.تحقیق حاضر (پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی ) به دنبال پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی بود. برای اینکار اطلاعات 50 ماشین ابزار به عنوان نمونه آماری در مدت زمانی مشخص جمع اوری گردید و مورد تجزیه و تحلیل قرار گرفت.در این تحقیق با استفاده از سه تکنیک شبکه عصبی مصنوعی، رگرسیون و درخت تصمیم به پیش بینی زمان خرابی تجهیزات ساختمانی پرداخته شد. متغیرهای ورودی شامل نوع خرابی، تعداد ساعات خرابی، زمان توقف، فاصله بین خرابیها،زمان تعمیر به ساعت و زمان خرابی دستگاه بود. با استفاده از تکنیک شبکه عصبی معادله رگرسیونی یافته شد که با فاصله تقریبا زیاد تغییرات در متغیر وابسته را پیش بینی می کرد. ضریب تعیین بدست آمده برای کل شبکه عصبی مقدار 18 درصد را نشان می دهد که اعتبار بالائی را نشان نمی داد. در بخش درخت تصمیم با استفاده از ند و شاخه و برگ درخت تصمیمی بدست آمد که شرایط را با توجه به مقادیر هریک از متغیرهای تصمیم نشان می داد. در بخش رگرسیون ضریب تعیین 0.98 بدست آمد که نشانگر اعتبار بالای مدل رگرسیون بود ضمن اینکه آماره F و تحلیل واریانس نشانگر معنی داری کلی مدل رگرسیون بود اما زمانی که ضرائب رگرسیون بدست می آید دو متغیر X3 و X5 به دلیل آنکه سطح معنی داری آنها بیش از 0.05 بود و این نشان می داد که آنها در سطح اطمینان 95 درصد بی معنی بودند لذا از مدل خارج شده و صرفا سه متغیر X1و X2 و X4 در معادله رگرسیون قرار داده شدند. نتیجه حاصل نشانگر فاصله بسیار کم بین مدل رگرسیون با حذف دو متغیر x3 و x5 بود و می توان گفت مدل رگرسیون در این تحقیق بهتر می تواند پیشگوی زمان خرابی تجهیزات باشد.