فرناز برزین پور

"با توجه به جایگاه ویژه مدیریت دانش در سازمانهای امروزی و با توجه به این واقعیت که مدیریت دانش در گذر زمان و به شکل تدریجی کامل می شود؛ سازمانها و محققان بسیاری به ارائه الگوهای بلوغ مدیریت دانش(1) پرداخته اند. هر چند که از جنبه های مختلف بر بسیاری از این الگوها ایراداتی وارد شده و بررسی هایی در مورد آنها انجام شده است؛ اما این بررسی ها؛ به طور عمده موردی بوده و در دامنه محدودی از الگوها انجام شده، فاکتورهای محدودی را در نظر داشته و حتی در مواردی نیز تنها به بیان نقاط اشتراک و مشخصه های ظاهری الگو بسنده کرده اند. این در حالی است که به منظور توسعه الگوهای بلوغ، لازم است تا بررسی جامعی روی الگوها صورت گیرد و الزامات توسعه این الگوها درک شود. از این رو و به منظور پوشش این خلا، اطلاعات مربوط به الگوهای مختلف مورد مطالعه عمیق و کیفی قرار گرفته، ضمن ارائه طبقه بندی الگوها بر اساس ویژگی هایی، همچون: میزان انعطاف پذیری، ساختار / توالی بلوغ، تمرکز بر ذی نفعان مختلف و جامعیت در نواحی کلیدی؛ این موارد در غالب سه دسته ویژگی عمومی، ساختاری و کاربردی/ قابلیتی قرار گرفته و موارد مورد اشاره در دسته کاربردی/ قابلیتی به عنوان الزامات کلان الگوهای بلوغ دانش معرفی شده اند. در نهایت با تحلیل نتایج و مقایسه های انجام شده، پیشنهادات و الزاماتی ارائه شده است که می تواند در راستای توسعه الگوهای بلوغ مدیریت دانش راهگشا باشد."

از زیرمجموعه های اساسی حوزه سلامت، می توان به پیوند اعضا اشاره کرد که در بسیاری از مواقع تنها راه درمان برای بیماری های لاعلاج و کشنده محسوب می شود. طراحی و ارزیابی سیاست های عادلانه و کارای تخصیص و توزیع اعضای پیوندی یکی از پیچیده ترین مشکلات تصمیم گیری در سطح برنامه ریزی کوتاه مدت است؛ از این رو در این پژوهش، یک مدل ریاضی چند دوره ای برای تخصیص اعضا پیوندی که از اهداکنندگان مرگ مغزی فراهم می شود، با درنظرگرفتن تغییر وضعیت سلامتی بیماران، ارائه شده است. مدل چندهدفه، علاوه با افزایش بقای کل و افزایش توجه به نیاز پزشکی بیماران، به منظور کاهش هزینه های حمل و نقل در جهت توازن بین کارایی و برابری برای انتخاب مناسب ترین گیرنده ارائه می شود؛ سپس مدل با استفاده از برنامه ریزی آرمانی فازی اولویت بندی شده، حل می شود. در پایان، برای اثبات کارایی و کاربردی بودن مدل ارائه شده نتایج آن با استفاده از داده های شبکه پیوند اعضا مورد تحلیل و ارزیابی قرار گرفته است.

داده های با تناوب بالا نوع خاصی از نامانایی دارند که به آن نامانایی کسری گفته می شود. این ویژگی سبب پدیدآمدن حافظه بلندمدت در سری های زمانی مالی با تناوب بالا می شود. در این نوشتار ابتدا وجود حافظه بلندمدت در سری زمانی صنعت سیمان بررسی شده و وجود آن در سطح اطمینان بالایی توسط دو آزمون R/S و GPH تأیید می شود. در ادامه، دقت مدل های پیش بینی سری های زمانی مالی نظیر، ARMA و GARCH که ویژگی حافظه بلندمدت را در مدل سازی سری زمانی در نظر نمی گیرند و مدل هایی مثل ARFIMA و FIGARCH، که این ویژگی را مدنظر قرار می دهند، با روش نوین فراابتکاری ارایه شده که ترکیبی از الگوریتم جستجوی هارمونی و سری های زمانی فازی وزن دار می-باشد به روش پنجره غلتان و با استفاده از معیار ریشه میانگین توان دوم خطاها (RMSE) در بازه های زمانی مختلف مورد مقایسه قرار می گیرد. نتایج حاصل نشان می دهند که روش فراابتکاری ارایه شده در تمامی بازه های زمانی نتیجه بهتری از مدل های متداول اقتصادسنجی ارایه می دهد.