مطالب مرتبط با کلیدواژه

ماتریس علاقه - قدرت


۱.

تحلیل ارتباطات ذی نفعان در پروژه تقاطع با روگذرهای غیرهم سطح در شهر ارومیه با استفاده از ماتریس علاقه-قدرت و تحلیل شبکه اجتماعی(مقاله علمی وزارت علوم)

کلیدواژه‌ها: توسعه شهری ذی نفعان ماتریس علاقه - قدرت تحلیل شبکه های اجتماعی

حوزه‌های تخصصی:
تعداد بازدید : ۴۱۲ تعداد دانلود : ۳۳۱
پروژه های توسعه شهری به دلیل ارتباط مستقیم با مردم شهر و همچنین سایر ذی نفعان، معارضان مختلفی پیدا می کنند که توجه به مدیریت ذی نفعان در موفقیت آنها امری کلیدی است. در این راستا، شناسایی دقیق و کامل ذی نفعان و شناسایی اولویت و اهمیت آنها برای مدیریت موفق تر آنها از اهمیت خاصی برخوردار است. در تحقیق پیش ِ رو، با بهره جستن از ماتریس علاقه_قدرت به عنوان روشی تجربه گرا و همچنین تحلیل شبکه های اجتماعی به عنوان روشی خردگرا، اولویت بندی و ارتباطات ذی نفعان در یک پروژه احداث تقاطع چند روگذر غیرهمسطح در شهر ارومیه بررسی شده است. در این تحقیق کیفی که با استفاده از استراتژی تک نمونه موردی انجام شده، برای گردآوری داده ها از بررسی اسناد و مدارک پروژه و مصاحبه های نیمه ساختاریافته استفاده شد. برای انتخاب و مصاحبه با نمونه های مورد بررسی در جامعه آماری این تحقیق که مهم ترین ذی نفعان درگیر در انجام پروژه هستند، روش نمونه گیری هدفمند و تکنیک گلوله برفی به کار گرفته شد که درنهایت 17 ذی نفع برای پروژه شناسایی شدند. تحلیل داده ها با کمک ماتریس علاقه_قدرت (با استفاده از تکنیک طوفان فکری) و نرم افزار NodeXL (برای تحلیل شبکه اجتماعی) صورت پذیرفت و نشان داد که ذی نفعان اصلی در ماتریس علاقه_قدرت، به ترتیب شهرداری، مردم، شورای شهر و ساکنان محلی هستند. همچنین شرکت آب و فاضلاب، اداره برق و مخابرات دارای کمترین علاقه و قدرت در پروژه هستند. این در حالی است که در روش تحلیل شبکه های اجتماعی، مردم، شهرداری، شورای شهر و پیمانکار، دارای بیشترین اولویت و تأمین کنندگان، محیط زیست و شرکت نفت، دارای کمترین اولویت شناخته شدند. مقایسه یافته های هر دو روش تجربه گرا و خردگرا در بخش شناسایی مهم ترین ذی نفعان با هم همگرایی زیادی دارند ولی در قسمت شناسایی کم اهمیت ترین ذی نفعان با هم تفاوت هایی دارند و چنین نتیجه گیری می شود که مؤثرترین روش واحد شناسایی و اولویت بندی ذی نفعان در پروژه های توسعه شهری وجود ندارد و استفاده از روش های تجربه گرا در کنار روش های خردگرا می تواند در شناسایی، اولویت بندی و مدیریت ذی نفعان، به عنوان مکمل یکدیگر باشند و نواقص همدیگر را تا حدودی پوشش دهند. همچنین ذی نفعان مردم، شورای شهر و شهرداری برای برقراری ارتباط بین تمامی ذی نفعان، مهم ترین نقش را دارند. از نظر قدرت ارتباط نیز سازمان وزارت اطلاعات در مجاورت پروژه، بیشترین قدرت را در پروژه دارد. مدت زمان پاسخ گویی بین ذی نفعان و تناوب این پاسخ گویی نیز نسبتاً نامطلوب است. نتایج این تحقیق می تواند به دست اندرکاران پروژه های توسعه حمل ونقل شهری که حجم زیادی از ذی نفعان در آنها دخیل اند، برای مدیریت هرچه موفق تر آنها کمک کند.
۲.

تحلیل نقش و جایگاه ذی نفعان اکوسیستم هوش مصنوعی در صنعت خودروسازی ایران(مقاله علمی وزارت علوم)

کلیدواژه‌ها: هوش مصنوعی اکوسیستم فناوری ذی نفعان خودروسازی ماتریس علاقه - قدرت

حوزه‌های تخصصی:
تعداد بازدید : ۶ تعداد دانلود : ۷
صنعت خودروسازی، به عنوان خط مقدم انقلاب فناورانه، با ادغام فناوری هوش مصنوعی (AI) در حال تحول عمیقی است. هوش مصنوعی و کاربست آن در این صنعت تبدیل به یک اکوسیستم فناوری پیچیده ای شده است که ذی نفعان زیادی را در برمی گیرد. هدف این پژوهش شناسایی و تحلیل جایگاه و نقش ذی نفعان اکوسیستم هوش مصنوعی در صنعت خودروسازی در ایران است. بدین منظور، فهرستی از ذی نفعان اکوسیستم هوش مصنوعی در گام اول تهیه شد. در گام بعدی، جایگاه و نقش ذی نفعان تحلیل گردید. برای جمع آوری داده ها درمورد جایگاه ذی نفعان از ماتریس علاقه - قدرت استفاده شد که در طی آن پرسش نامه ای با 48 گویه طراحی و توسط ۳۶ متخصص و کارشناس تکمیل گردید. بر اساس یافته ها، ذی نفعان این اکوسیستم در دو سطح کلان و خرد دسته بندی و با استفاده از ماتریس علاقه - قدرت در چهار گروه طبقه بندی شده اند: ذی نفعان کلیدی (باعلاقه و قدرت بالا)، ذی نفعان زمینه ساز (باقدرت بالا و علاقه کم)، ذی نفعان تابع ( با قدرت کم و علاقه بالا) و ذی نفعان عوام ( باقدرت و علاقه پایین). نتایج نشان می دهد که نهادهای دولتی، مراکز تحقیقاتی، و خودروسازان در زمره ذی نفعان کلیدی قرار دارند، درحالی که نهادهای مالی و برخی تأمین کنندگان در گروه زمینه سازها جای می گیرند. کاربران نهایی، از جمله مصرف کنندگان و رانندگان، به عنوان ذی نفعان تابع محسوب می شوند، درحالی که رسانه ها و برخی سازمان های نظارتی در دسته عوام قرار دارند. این طبقه بندی می تواند به سیاست گذاران و صنعتگران در بهینه سازی تعاملات و توسعه پایدار اکوسیستم هوش مصنوعی در صنعت خودروسازی کمک کند.