پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,877 |
| تعداد مقالات | 15,278 |
| تعداد مشاهده مقاله | 43,731,783 |
| تعداد دریافت فایل اصل مقاله | 17,564,049 |
بررسی تأثیر دستمزد بر بهره وری نیروی انسانی ازطریق تکنیک های داده کاوی (مطالعۀ موردی: شرکت توزیع برق استان یزد) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| پژوهش در مدیریت تولید و عملیات | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 4، دوره 17، شماره 1 - شماره پیاپی 44، فروردین 1405، صفحه 51-68 اصل مقاله (1.91 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی- فارسی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/pom.2026.143121.1587 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مهدی نخعی نژاد* 1؛ پریسا زارع2 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، شهر یزد، کشور ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| منبع اصلی توسعۀ اقتصادی، بهبود بهرهوری است. از گذشته تاکنون، سازمانها و مؤسسات به ارتباطبخشی میان دستمزد و عملکرد نیروی کار توجه کردهاند و این مسائل ازجمله عوامل مؤثر در ارزیابی نیروی کار بهرهوری به شمار میرفته است. عوامل متعددی بر بهرهوری نیروی کار مؤثرند؛ ازجمله این عوامل، به تأثیر دستمزد بر بهرهوری نیز اشاره میشود. تحقیقات پیشین حاکی از تأثیر مستقیم و مثبت دستمزد بر بهرهوری است. تاکنون پژوهشهای متعددی در زمینۀ رابطۀ دستمزد و بهرهوری نیروی کار انجام و مدلهای متعددی از رابطۀ دو متغیر مذکور ارائه شده است. در پژوهش حاضر، در ابتدا پیشینۀ نظری و عملی رابطۀ دستمزد و بهرهوری مرور و با استفاده از متدولوژیهای استاندارد دادهکاوی، شامل انتخاب ویژگی به کمک الگوریتم فیلتر دادهها و الگوریتم درخت تصمیم C5.0 و همچنین مقایسۀ نتایج این الگوریتم درخت تصمیم با شبکۀ عصبی مصنوعی، ویژگیهای مؤثر در دستمزد نیروی نصب و تست کنتور به کمک بهرهوری شناسایی و بررسی شده است. با توجه به نتایج استخراجشده از پژوهش، فعالیتهای بازدید فنی، وصول مطالبات، تعویض کلید و کنتور سه فاز، اهمیت زیادی در دستمزد نیروی کار و درنتیجه بهرهوری نیروی نصب و تست کنتور دارد. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| بهره وری؛ درخت تصمیم؛ دستمزد؛ شبکۀ عصبی مصنوعی؛ داده کاوی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
1- مقدمه در دنیای امروزی، رقابت براساس بهرهوری، فلسفهای مبتنی بر استراتژی بهبود عملیات و هدف مشترک تمام افراد سازمان برای حرکت رو به جلو سازمان است (Hassannejad et al., 2023). امروزه توجه به بهرهوری نیروی کار، اهمیت بسیاری دارد. متداولترین مفهوم بهرهوری، بهرهوری عامل کار است و هنگامی که از بهرهوری بدون شرح اضافه سخن گفته میشود، هدف اشاره به بهرهوری نیروی انسانی است (اجتماعی). در سنجش بهرهوری عامل کار، حجم فیزیکی محصول تولیدشده یا ارزش پولی آن بهازای هر واحد نیروی کار صرفشده تعیین میشود. زمانی که خروجی حاصل چندین کار باشد، صورت کسر به صورت حجم فیزیکی کل محصول به زمان صرفشده گروه برای کل فعالیتها در بازۀ زمانی مدنظر بیان میشود. در سدۀ اخیر، پژوهشگران عواملی مانند عوامل سازمانی، فردی، انگیزشی، محیط کار و عوامل اقتصادی را بررسی کردهاند که بر میزان بهرهوری نیروی انسانی تأثیر دارد؛ ازجمله این عوامل، به بررسی تأثیر سیستم پرداخت و دستمزد بر بهرهوری نیروی انسانی اشاره میشود که بسیار کانون توجه محققان بوده است (Ozturk et al., 2020). همانگونه که در پژوهشها ذکر شده است، ارتباط مستقیم و مثبتی بین دستمزد و بهرهوری فرد در بسیاری از مقالات مشاهده میشود (Kumar et al., 2012). در مقابل، تعدادی از نتایج پژوهشها حاکی از نبود رابطه بین دستمزد و بهرهوری است (Das et al., 2017). تفاوت در کشور و سطح شغلی، دلیل تفاوت در نتایج است؛ بنابراین با توجه به میزان اهمیت بهرهوری نیروی انسانی و وجود رویکردهای متفاوت دربارۀ رابطه با دستمزد، هدف پژوهش حاضر، بررسی رابطۀ بین دستمزد و بهرهوری نیروهای نصب و تست لوازم اندازهگیری براساس تکنیکهای اقتصادسنجی و میانگینگیری و بررسی میزان همبستگی آنها در شرکت توزیع برق استان یزد، از ماه فروردین 1402 الی خرداد 1403 است. درنهایت، فعالیتهای مؤثر در بهرهوری، که بر دستمزد نیروی انسانی تأثیر بسزایی دارد، به کمک تکنیکهای دادهکاوی یافت و بررسی میشود. در همین راستا، مطالعۀ حاضر از شش بخش تشکیل شده است. در ابتدا مقدمه و پیشینۀ پژوهش در ایران و خارج از کشور ارائه و در ادامه در بخش روش تحقیق، روش کلی پژوهش بررسی میشود. بخش سوم با عنوان مطالعۀ کاربردی شرکت توزیع برق و گروه هدف، تجزیه تحلیل میشود؛ سپس در بخش چهارم، یافتههای پژوهش بیان میشود که حاصل پیادهسازی روش تحقیق بر دادههاست. در ادامه، نتایج حاصل از یافته در بخش پنجم و ششم با عنوان بحث و نتیجهگیری تحلیل و بررسی قرار میگیرد و درنهایت پس از جمعبندی و ارائۀ نتایج کلی حاصل از پژوهش و محدودیتهای موجود در پژوهش حاضر، تحقیقات آتی بیان میشود. 2- مرور پیشینه یکی از منابع درخور توجه، منابع انسانی است و توجه به بهرهوری نیروی انسانی، اهمیت بسیاری دارد. بهرهوری به معنای میزان اثربخشی و کارایی نیروی کار در انجام وظایف سازمانی و استفادۀ بهینه از مهارتها و تواناییها برای دستیابی به نتایج بهتر است (Shakour shahabi et al., 2009). در همین راستا، پژوهشهایی با هدف بررسی رابطۀ بین دستمزد و بهرهوری انجام شده است. گودرزی و عطایی[i] (2010)، رابطۀ دستمزد و بهرهوری نیروی انسانی را در دانشگاه بررسی کردهاند. نتایج پژوهش، رابطۀ مستقیم و مثبت بین دستمزد و بهرهوری نیروی کار را نشان میدهد. در پژوهشی دیگر، مؤتمنی و همکاران[ii] (2016) رابطۀ دستمزد و بهرهوری صنایع کارخانهای ایران را بررسی کردهاند. نتایج پژوهش نشان میدهد که در صنایع دارای سرمایۀ انسانی بالا، افزایش دستمزد به بهبود بهرهوری منجر میشود؛ اما در صنایعی که سرمایۀ انسانی پایینی دارند، رابطهای بین دستمزد و بهرهوری مشاهده نشده است. شکور شهابی و همکاران[iii] (2009)، تأثیرات مؤلفههای کیفی را بر شاخصهای دستمزد و بهرهوری نیروی کار معادن کشور بررسی کردهاند. براساس یافتههای تحقیق، تأثیر مثبت مؤلفههای سطح حقوق و مزایا و سطح دانش نیروی کار بر ارتقای بهرهوری در معادن کشور مشهود است و درنتیجه ارتقای سطح مهارت نیروی کار، بدون در نظر گرفتن عوامل انگیزشی دیگر، از قبیل افزایش حقوق و دستمزد، تأثیر مثبتی بر ارتقای بهرهوری نیروی کار ندارد. حسننژاد و همکاران[iv] (2023)، تأثیر دستمزد و تورم را بر بهرهوری نیروی کار در کشورهای منتخب در حال توسعه، با استفاده از تکنیک اقتصادسنجی مارکوف سوئیچینگ در 15 کشور منتخب در حال توسعه، طی بازۀ زمانی 2006 الی 2017 بررسی کردند. نتایج حاکی از تأثیر منفی تورم و تأثیر مثبت دستمزد بر بهرهوری نیروی کار، در هر دو رژیم (رونق و رکود) است. ازوجی و امینی[v] (2009) نیز، رابطۀ دستمزد و بهرهوری نیروی کار را در صنایع ایران و به کمک مدل ARDL تحلیل و بررسی کردهاند. نتایج نشان میدهد دستمزد و میزان سابقۀ کاری افراد بر بهرهوری تأثیر مثبت دارد. کازرونی و سجودی[vi] (2007)، نقش بهرهوری را در تعیین سطح دستمزد نیروی کار در بخش صنعت ایران، با استفاده از مدل چانهزنی دستمزد و به کمک دادههای تلفیقی بررسی کردهاند. نتایج حاصل از این پژوهش، حاکی از تأثیر مثبت بهرهوری و دستمزد و همچنین جایگزین بر دستمزد است. نونژاد و همکاران[vii] (2021)، رشد بهرهوری نیروی کار را در ایران با استفاده از الگوریتم فراابتکاری ژنتیک دو هدفه، بهصورت جامع تحلیل کردند. براساس نتایج حاصل، با استفاده از منطق انتخاب ویژگی در دادهکاوی، از میان بیست متغیر، دوازده متغیر حذف شدند. طبق نتایج شاخص گارسن، در میان آنها سرمایۀ انسانی، دستمزد نیروی کار و کنترل فساد، بیشترین تأثیر را بر رشد بهرهوری نیروی کار داشته و متغیرهای حاکمیت قانون، تحقیق و توسعه و انباشت سرمایۀ فیزیکی کمترین تأثیر را بر رشد بهرهوری نیروی کار گذاشتهاند. در پژوهشی دیگر، فیضپور و شمس اسفندآبادی[viii] (2019) ، رابطۀ دستمزد و بهرهوری را در صنایع تولیدی ایران، با راهبرد رونق تولید و با استفاده از دادههای تلفیقی و روش حداقل مربعات تعمیمیافتۀ عملی بررسی کردهاند. نتایج حاکی از آن است که دستمزد بهصورت مثبت و معنیداری از بهرهوری نیروی کار تأثیر میپذیرد و بر آن تأثیر میگذارد. مولایی و شهاب[ix] (2017)، عوامل مؤثر بر بهرهوری را در صنایع بزرگ و کوچک و با استفاده از روش رگرسیون پانل دیتا، بررسی کردند و نتیجه گرفتند که تأثیر دستمزد بر بهرهوری نیروی کار مثبت و تأثیر آن در صنایع کوچک بیشتر از صنایع بزرگ است. علاوه بر پژوهشهای داخل کشور، تحقیق و مدلسازیهای متعددی دربارۀ تأثیر دستمزد بر بهرهوری نیروی کار انجام شده است؛ بهگونهای که بسیاری از این پژوهشها، مبنای ادامۀ پژوهشهای داخلی شده است. ییلدریم[x] (2015)، رابطۀ دستمزد و بهرهوری را در صنایع تولیدی کشور ترکیه و با استفاده از آزمون علیت گرنجر و همجمعی بررسی کرد. نتایج پژوهشها حاکی از نبود رابطۀ معنادار بین دستمزد و بهرهوری است. در پژوهشی دیگر ژوه و ونگ[xi] (2010)، رابطۀ دستمزد، بهرهوری و بیکاری را با استفاده از تکنیکهای مدلسازی همانباشتگی چندمتغیره و تصحیح خطا در کشور مالزی بررسی کردند. نتایج نشاندهندۀ تأثیر بلندمدت بهرهوری نیروی کار در تعیین دستمزد واقعی است. دیتراسکی[xii] (2016) رابطۀ دستمزد و بهرهوری نیروی کار را با استفاده از روش ARDL در کشورهای بلغارستان و رومانی بررسی کرد. اوزتورک و همکاران[xiii] (2020) نیز، میزان تأثیر دستمزد بر بهرهوری نیروی کار را در صنعت ساخت و ساز نیوزلند بررسی کردند. آنها با استفاده از آزمون همانباشتگی جوهانسون، برای بررسی رابطۀ بلند بین دستمزد و بهرهوری پژوهش کردند. نتایج حاکی از تأثیر مستقیم و مثبت دستمزد بر بهرهوری نیروی کار است. داس و همکاران[xiv] (2017) رابطۀ اشتغال، دستمزد و بهرهوری را در کشور هند بررسی کردند. آنها به کمک بررسی روند دادهها و میزان همبستگی آنها در سری زمانی، به نبود رابطه بین دستمزد و بهرهوری رسیدند. ویکفورد[xv] (2004)، رابطۀ بهرهوری و دستمزد را در آفریقای جنوبی، با استفاده از تکنیکهای اقتصادسنجی زمانی بررسی کرد. نتایج حاکی از ارتباط بین بهرهوری و دستمزد در رابطۀ تعادلی بلندمدت است. کومار و همکاران[xvi] (2012) در پژوهشی، رابطۀ دستمزد و بهرهوری نیروی انسانی را با استفاده از روش آزمون علیت گرنجر، همانباشتگی و آزمون تغییر ساختاری تحلیل کردند. آنها نتیجه گرفتند که افزایش در دستمزد، باعث افزایش در بهرهوری میشود. محمدزاده و همکاران[xvii] (2020)، میزان بهرهوری مدل فرآیند خدمات مددکاری و توانمندسازی را با استفاده از تکنیکهای دادهکاوی بررسی کردند. بر این اساس، دقت مدل پیشبینی به روشهای رافست 86/0، درخت تصمیم 8/0، تئوری بیز 7/0 و شبکههای عصبی مصنوعی 85/0 از پژوهش استخراج شد. بسیاری پژوهشگران در حوزۀ مقایسۀ الگوریتمهای درخت تصمیم تحقیق کردهاند. لستاری و همکاران[xviii] (2024) ، تفاوت عملکرد الگوریتمهای درخت تصمیم C5.0 و CART را در طبقهبندی سکتۀ مغزی ارزیابی کردهاند. بر این اساس، دقت الگوریتم CART نسبتبه الگوریتم C5.0 بالاتر است، اما ارزش فراخوانی کمتری دارد. بهطور میانگین از مقایسۀ نتایج حاصل از دو الگوریتم، تفاوت خاصی بین این دو روش مشاهده نشد. ژارماگاموتوگ و همکاران[xix] (2019)، الگوریتمهای درخت تصمیم قدیمی و جدید را مقایسه کردهاند. طبق نتایج، C5.0 دقت بالاتری نسبتبه دیگر الگوریتمهای موجود در دستیابی به نتایج دارد. در پژوهشی مشابه، رامان[xx] (2024) با مقایسۀ درختهای تصمیم نتیجه گرفت که c5.0 یک نوع درخت تصمیمگیری تکمتغیره و غیر باینری و بهبودیافتۀ الگوریتم درخت تصمیم c4.5 است و نسبتبه دیگر الگوریتمهای درخت تصمیم دقت بالاتری دارد. لی و جانسون[xxi] (2019)، بهرهوری به کمک الگوریتم درخت تصمیم c5.0را اندازهگیری کردند. یکی از دلایل اصلی استفاده از این درخت تصمیم در این پژوهش، مدیریت هدفمند و صحیح دادههای پرت و نامتعادل و ارائۀ پیشبینی با دقت بالاست. در جدول (1)، پیشینۀ پژوهشی موضوع بیان شده است. i. جدول1- پیشینۀ پژوهش موضوع1. Table1- Literature review on the subject
متأسفانه در حوزۀ بررسی رابطۀ بهرهوری و دستمزد، با وجود تعداد چشمگیر پژوهش، روشهای تحقیق در بیشتر مواقع آزمون همانباشتگی جوهانسون و مدل معادلات ساختاری بوده و تنوع در روش تحقیق، مشاهده نشده است. اهمیت این پژوهش، وجود پویایی در روش انتخابی است و توجه به این موضوع، با توجه به موقعیت پیش رو، به اتخاذ تصمیم منجر میشود. در برخی از پژوهشهای انجامشده در بررسی رابطۀ میان دستمزد و بهرهوری، مدل معادلات ساختاری به کار رفته است (Shayesteh et al., 2024). دیگر روشهای ارائهشده، عیوب زیادی دارند؛ ازجمله روش مارکوف که ایستاست و با گذر زمان باید مجدد ارائه شود. الگوریتم ژنتیک ازجمله روشهای بسیار کاربردی و مفید است؛ اما معادلات پیچیدهای دارد و همانگونه که مشهود است، این روش فراابتکاری است و اگرچه سرعت بالایی دارد، ممکن است جواب بهینهای ارائه ندهد. روش حداقل مربعات، همانباشتگی جوهانسون و مدل معادلات ساختاری بر پایۀ ریاضیاتاند و جوابهای منطقی ارائه میدهند؛ اما بنابر نظر یو و همکاران[xxiv] (8201)، پیشبینی مدل معادلات ساختاری با شبکۀ عصبی مصنوعی و درخت تصمیمهایی یکسان و برابر است که تعداد متغیرهایش کم باشد. افزایش تعداد متغیرها و روابط میان آنها، باعث نرسیدن به جواب در مدل معادلات ساختاری میشود و رسیدن به پاسخ در شبکۀ عصبی با همان دقت، سریعتر است. در پژوهش حاضر، با توجه به جامعۀ آماری منتخب که نیروهای نصب و تست کنتور در شرکت توزیع برق استان یزد هستند و نوع کاری که دارای تنوع بسیار بالایی است و 24 متغیر دارد، الگوریتم درخت تصمیم، بنابر نظر لی و جانسون (2019) و مدل c5.0 با توجه به مزایا و دقت بالای آن، در پیشبینی انتخاب شد؛ ازجمله نوآوریهای این پژوهش، استفاده از الگوریتم تصمیم c5.0 است که تاکنون دربارۀ این روش برای ارزیابی رابطۀ بین دستمزد و بهرهوری تحقیق نشده است. همچنین این پژوهش با در نظر گرفتن جامعۀ آماری جدید، که تاکنون در هیچیک از مقالات و پژوهشها به آن توجه نشده است، یکی از ابداعات این پژوهش است. شایان ذکر است رابطۀ میان دستمزد و بهرهوری در بیشتر موارد به کمک مدل معادلات ساختاری و آزمون همانباشتگی جوهانسون ارزیابی و به بررسی درخت تصمیم و شبکۀ عصبی مصنوعی، که ازجمله پژوهشهای بهروز در جهان است، بسیار توجه شده است. دقت نتیجۀ این پژوهش درنهایت با دقت نتیجۀ حاصل از روش شبکۀ عصبی مصنوعی مقایسه و مدل منتخب ازنظر دقت بیان میشود. 1-3- مبانی نظری یکی از مفاهیم اساسی در سنجش بهرهوری، بهرهوری عامل منفرد یا جزئی است. در این نوع، مدلهای اندازهگیری منحصراً برحسب هریک از عوامل منفرد ارائه میشود. متداولترین مفهوم بهرهوری، بهرهوری نیروی انسانی نام دارد. مدل پایه برای بهرهوری نیروی انسانی، براساس فرمول (1) است.
در فرمول (1)، بهرهوری نیروی انسانی، Q مقدار تولید هر محصول، K ضریب تبدیل و L مقدار نیروی انسانی را نمایش میدهد. بهرهوری به اشکال متفاوتی محاسبه میشود. دادهکاوی یکی از انواع روشهایی است که امروزه توجه بسیاری به آن شده است. در دادهکاوی، روابط پنهان و الگوهای موجود بین اطلاعات پایگاه داده بررسی و سنجش میشود. در پژوهش حاضر، هدف اصلی بررسی تأثیر دستمزد بر بهرهوری نیروی انسانی است. اجرای هر فرایند دادهکاوی بر دو گام استوار است: پیشپردازش دادهها و مدلسازی. زمان و نوع فعالیتهای لازم برای اجرای گام اول، اقتضایی و به ساختار مجموعه داده و همخوانی آن با اهداف تحقیق متکی است (Tavakoli et al., 2011). در گام دوم به کمک روشهای متعدد موجود در دادهکاوی، مدلسازی انجام میشود. فلدرز و همکاران[xxv] (2000)، شش گام اصلی در فرایند دادهکاوی را به ترتیب تعریف مسئله، کسب دانش، انتخاب دادهها، پیشپردازش و آمادهسازی دادهها، تحلیل و تفسیر و درنهایت گزارش و کاربری بیان کرد. یکی از کاربردیترین الگوریتمهای تصمیمگیری، «درخت تصمیم» نام دارد. این الگوریتم، قانون را تولید میکند؛ در حالی که در شبکۀ عصبی مصنوعی، چنین چیزی ممکن نیست. در الگوریتم درخت تصمیم، پس از آمادهسازی دادهها، الگوریتم روی دادۀ پردازششده بررسی میشود. کارایی الگوریتمهای دادهکاوی ازلحاظ متفاوتی بررسی میشود و در این پژوهش ازنظر دقت و صحت دادهها بررسی شد. روند کلی الگوریتم به این صورت است که دادهها به دو قسمت ساخت مدل و آزمایش مدل تقسیم میشوند، آنگاه بهطور چرخشی یک قسمت دیگر از این تقسیمبندی برای ساخت مدل و بخش دیگر برای آزمایش مدل، سنجیده میشوند. این فرایند تا زمانی ادامه دارد که تمامی قسمتها در مرحلۀ آزمون مدل استفاده شوند. از شبکههای عصبی نیز، که یکی از الگوریتمهای کاربردی در حل مسائل پیچیده است، شامل متغیرهای زیادی میشود و تصمیمگیری دربارۀ آن مشکل است، استفاده میشود. شبکههای عصبی براساس نوع داده، در دو سبک رگرسیون و یا طبقهبندی استفاده میشود. هر شبکۀ عصبی در ابتدا دارای یک لایۀ ورودی است که هر گره در این لایه، معادل یکی از متغیرهای پیشبینی است. در این الگوریتم نیز به مانند الگوریتم درخت تصمیم، دادهها به دو دستۀ آموزش و آزمون تقسیم میشوند و سیستم به تناسب دادههای آموزش، روابط میان ورودی و خروجیها را کشف میکند. ماتریس اغتشاش، که خروجی الگوریتم بیان میشود، مبنای اندازهگیری کیفیت یک الگوریتم طبقهبندی است. دو معیار بررسیشده در این تحقیق، دقت و صحت نتایج است که درنهایت معیار این دو الگوریتم با یکدیگر مقایسه میشوند. در معیار دقت، نسبت دادههای درست و نادرست واقعی، که الگوریتم بهدرستی آن را بازیابی کرده است، تمام دادههای درست و نادرست را ارزیابی میکند. معیار صحت، برابر با دادههای صحیحی است که نسبت به تمام دادههای واقعی (که ارطریق الگوریتم درست بازخوانی شده است)، بهدرستی با الگوریتم بازخوانی شده است. 2-3- روش اجرای پژوهش برای بررسی وجود رابطۀ مابین بهرهوری و دستمزد پس از نرمالسازی دادهها، بررسی وجود همبستگی میان بهرهوری و دستمزد بررسی میشود که در این پژوهش براساس نوع دادهها، از ضریب پیرسون استفاده میشود. در ادامه، پژوهش به کمک ماشین انتخاب ویژگی، که یکی از روشهای پیشپردازش دادهها عنوان میشود، به کار میرود. با توجه به آنکه هدف، بررسی تأثیر دستمزد بر رفتار بهرهوری نیروی انسانی است، بنابراین بیشترین فعالیتی که بر دستمزد افراد تأثیرگذار است، به کمک تکنیک فیلتری به کار میرود که یکی از روشهای کاربردی در حوزۀ دادهکاوی محسوب میشود؛ سپس از درخت تصمیم C5که بهبودیافته از درخت تصمیم C4.5 است، برای آنالیز تصمیم، مدلسازی انجام میشود. در این پژوهش، الگوریتم درخت تصمیم C5.0 انتخاب شد؛ زیرا نسبتبه الگوریتمهای همخانواده مانندCART ، CHAID و C4.5 دقت بالاتری در دادههای عملیاتی نامتعادل دارد، توانایی شناسایی ویژگیهای با اهمیت بالا را ازطریق نرخ بهره دارد، با استفاده از هرس صعودی، خطای ناشی از نویز را کاهش میدهد و در دادههای واقعی حوزۀ خدمات، عملکرد بهتر آن نسبتبه مدلهای کلاسیک گزارش شده است (Lee & Johnson, 2019). روش انتخاب ویژگی به کمک فیلتر، یک روش آماری است که به کمک آزمون کای دو و محاسبۀ امتیازات ضریب همبستگی، برای امتیازدهی به هر ویژگی استفاده میشود. در روش فیلتر، از هیچ تابع دستهبندی استفاده نمیشود. این روش، یک روش از پیش منتخب مستقل از الگوریتم یادگیری ماشین است که از سرعت اجرای بالا و امکان مقایسۀ مستقیم تأثیر ویژگیها بر یکدیگر برخوردار است. روش فیلتر به این صورت است که برای هر ویژگی، یک رتبه اعتبار محاسبه میشود و سپس رتبهها مرتب و ویژگیهای با کمترین رتبه حذف میشوند؛ سپس نتایج زیرمجموعهای از ویژگیها بهعنوان ورودی به یک سیستم طبقهبندی داده میشود (Yazdanian & Mahmoudian, 2016). در ادامه، ویژگی با توجه به امتیازات کسبشده، بیشترین تأثیر را بر بهرهوری نیروی انسانی میگذارد و در یک کلاسه قرار میگیرد. درخت تصمیم شبیه فلوچارتی است که از گره برگ و گره ریشه تشکیل شده است. گره ریشه در رأس درخت و گره برگ همان دستهها و شاخههای درخت است. درخت تصمیم یکی از ابزارهای رایج در تصمیمگیری و پیشبینی به کمک دادهکاوی است. در این پژوهش، از الگوریتم درخت تصمیم C5.0 استفاده میشود. این الگوریتم نسبتبه دیگر درختهای تصمیم مشابه، برای دادههای نویزدار کمتر اریب میدهد و استفاده از روش بوستینگ، عملکرد آن را بالا میبرد. مزایای الگوریتم درخت تصمیم، سرعت بالا، کارایی حافظه، وزندهی و غربالسازی است. در این پژوهش، از شبکۀ عصبی پرسپترون چندلایه استفاده شد. ساختار شبکه شامل یک لایۀ ورودی (متناسب با متغیرهای ورودی)، یک لایۀ پنهان و یک لایۀ خروجی بود. انتخاب تعداد نورونها در لایۀ پنهان براساس روش آزمونوخطا انجام شد تا کمترین خطا و بیشترین دقت حاصل شود. دادهها با نسبت 70٪ برای آموزش و 30٪ برای آزمون تقسیم شدند. همچنین از تابع فعالسازی پیشفرض نرمافزار سیگموئید و روش بهینهسازی استاندارد نزول گرادیانی استفاده شد. معیار توقف آموزش نیز، حداقل تغییر خطا در طی تکرارها بود. پژوهش حاضر، دادههای مربوط به فعالیت خود را در طی 15 ماه در سالهای 1402 و 1403 از نیروهای برقکار جمعآوری کرد. دادههای استفادهشده در این پژوهش، مربوط به 45 نفر از نیروهای نصب کنتور در بازۀ زمانی فروردین 1402 الی خرداد ماه 1403 است. دادهها بهصورت ماهانه ارائه شده است. بهدلیل وجود مشکلاتی اعم از تغییرات و نوسانات در ماهها بهدلیل وجود پیکبار، مصرف و تعداد افراد درخواستدهندۀ کنتور و عوامل مؤثر بر نصب و تست کنتور با توجه به بار مصرفی، بهرهوری و دستمزد نوسان دارد؛ بنابراین میانگین دستمزد و بهرهوری سنجش شده است. در این پژوهش، طبقهبندی متغیر دستمزد براساس میانگین دستمزدهای ثبتشده انجام شد؛ به این صورت که رکوردها در سه سطح پایینتر از میانگین، حدود میانگین و بالاتر از میانگین دستهبندی شدند. دلیل استفاده از این روش، ماهیت دادهها و محدودیت در تعداد نمونه بود. اطلاعات پژوهشی حاضر، در پایگاه دادۀ اطلاعات شرکت توزیع برق موجود بوده و بهدلیل محرمانگی، برخی از اطلاعات متغیرهای شغلی و فردی نیروها استخراج شده است. شایان ذکر است، جلسات متعددی با خبرگان دربارۀ نحوۀ محاسبه کمی هریک از فعالیتها، که بهوسیلۀ زمانسنجی و کارسنجی محاسبه شده است، برگزار شد. 4- مطالعۀ کاربردی شرکت توزیع برق استان یزد در راستای خدمترسانی و توزیع صحیح انرژی برق در سراسر استان، سالانه نیروهای متعددی را برای خدمترسانی به سراسر نقاط استان ارسال میکند. بخش منابع انسانی شرکت مذکور بهجهت خدمترسانی با سرعت و دقت بالاتر، نقش بسزایی در جذب و نگهداشت نیروهای انسانی دارد؛ بنابراین بخش منابع انسانی شرکت برق استان با برنامهریزی صحیح، تعداد نیروی لازم در هر حوزه را پس از گزینشها و آزمونهای متعدد بهجهت اهمیت حوزۀ خدمترسانی به کار میگیرد. یکی از این حوزهها، نیروهای نصب کنتور هستند. این افراد فعالیتهای متعددی را انجام میدهند. هدف پژوهش حاضر، بررسی تأثیر دستمزد بر رفتار بهرهوری فرد در طی ماه فروردین سال 1402 الی خرداد ماه سال 1403 است. ابتدا وجود رابطۀ بین بهرهوری نیروی انسانی و دستمزد و سپس بهرهوری هریک از نیروهای نصب کنتور و اولویتدهی در اهمیت هریک از آنها در تعیین حقوق و دستمزد نیروی انسانی بررسی میشود. 4-1- یافتهها در ابتدا ویژگیهای مؤثر بر بهرهوری نیروی انسانی و دستمزد دریافتی ماهانۀ افراد بررسی میشود. با توجه به اهمیت بررسی تأثیر فعالیت پررنگ در بهرهوری نیروی انسانی، از متغیرهای سابقۀ کاری، تأهل، مدرک تحصیلی و غیره صرفنظر شده است. در جدول (2)، متغیرهای استفادهشده بیان و ویژگیهای پژوهششده در فعالیتهای مأموران نصب و تست کنتور ذکر شده است. این متغیرها، عوامل مؤثر بر بهرهوری نیروی انسانی برقکار نصب و تست کنتور است که متغیرها از سوی مهندسان و متخصصان این حوزه، پس از ارزیابی افراد و زمانسنجی و کارسنجی در محل فعالیت، استخراج شد. بنابر نظر متخصصان پس از کارسنجی، ضریب تبدیل هریک از متغیرها بهصورت میانگین نظرات کل خبرگان، که تیم متخصص متشکل از 12نفر اعم از ناظرین نصب، بازدید فنی و بازدید محل، کارشناس و سرپرستان نصب، رئیس نظارت بر مشترکان و مدیران حوزۀ مشترکاناند، محاسبه و برای اندازهگیری بهرهوری نیروهای انسانی حوزۀ پژوهشی، بررسی شد.
ii. جدول2- ویژگیهای پژوهششده در فعالیتهای مأموران نصب و تست کنتور1. Table2-: Researched characteristics in the activities of meter installation and testing officers
در ادامه تحلیل توصیفی دادهها و متغیرها در جدول (3) بیان شده است. iii. جدول3- تحلیل توصیفی دادهها1. Table3- Descriptive data analysis
براساس فرمول (2)، بهرهوری بهصورت زیر محاسبه میشود. در این رابطه، مجموع میانگین متغیرهای مؤثر بر بهرهوری براساس ضریب تبدیل محاسبه و بر تعداد نفرات تقسیم شده است.
بهمنظور انجام تجزیه و تحلیل، ابتدا دادههای خام در نرمافزار Excel جمعآوری و پاکسازی شدهاند و درنهایت با ورودی به نرمافزار SPSS، وجود رابطه میان دستمزد و بهرهوری سنجش شده است؛ سپس برای بررسی بیشترین تأثیر فعالیت در حال انجام بر بهرهوری نیروی انسانی، درنهایت بر حقوق و دستمزد نیروی انسانی، اطلاعات در SPSS Modeler برای ایجاد مدل و الگوریتم درخت تصمیم، فرآیند دادهکاوی و تجزیه و تحلیل آماری، استفاده شده است. اطلاعات استخراجشده حاوی اطلاعات 45 نیروی برقکار در 24 متغیر در 15 ماه است که درمجموع 1055 داده و 25 داده مفقودشده و پرت وجود داشت. به کمک یکی از تکنیکهای پاکسازی در دادهکاوی بهعنوان series mean دادههای مفقودشده براساس دادههای آن ستون شاخصه پر و جایگزین میکند. دربارۀ دادههای پرت نیز ازطریق جلسه با خبرگان و مشورت با صاحبنظران، ثبت دادۀ اشتباه و منجرشده به این اتفاق، بیان شده است. نرمالسازی دادهها و میانگینگیری از دادهها در بازۀ زمانی مذکور و با توجه به آنکه تمام دادههای کمی فاصلهایاند، از ضریب پیرسون استفاده میشود. براساس خروجی نرمافزار SPSS، ضریب پیرسون همبستگی بهرهوری و دستمزد برابر با 9/0 است. با توجه به آنکه ضریب پیرسون مثبت و بزرگتر از 5/0 و نزدیک به 1+ است، بنابراین دستمزد رابطۀ مستقیم و شدیدی با بهرهوری نیروی انسانی دارد. حال برای بررسی فعالیت مؤثر در دستمزد نیروی انسانی بر بهرهوری نیروی انسانی، استفاده از ماشین انتخاب ویژگی به روش فیلتر مناسب است. با هدف بررسی و طبقهبندی ویژگیها، در جدول (4) از روش همبستگی پیرسون استفاده میشود. طبقهبندی فعالیتهای اهم و مؤثر بهرهوری نیروی کار در دستمزد، در جدول (4) انجام شده است و براساس آن، بازدید فنی و وصول مطالبات، بیشترین اهمیت و تعویض کنتور سهفاز، قطع و وصل کنتور اهمیت نسبی و جمعآوری ناشی از تبدیل، کمترین اهمیت را دارند. iv. جدول4- طبقهبندی فعالیتهای اهم و مؤثر بهرهوری نیروی کار در دستمزد1. Table4- Classification of activities that affect labor productivity in wages
اکنون به کمک طبقهبندی متغیرهای بااهمیت و اولویتدار به کمک فیلتر، درخت تصمیم مدلسازی میشود. ابتدا دادهها به دو بخش دادههای آموزش (70درصد) و آزمون (30درصد) تقسیم میشوند. متغیر دستمزد، متغیر هدف (وابسته) و متغیرهای اولویتدهیشده به روش فیلتر، بهعنوان متغیرهای مستقل یا ورودی برای درخت تصمیم C5.0 استفاده میشود. افزونی دقت این الگوریتم نسبتبه دیگر الگوریتمهای درخت تصمیم، در پژوهشهای لی و جانسون (2019)، تأیید شده بود. این الگوریتم با ایجاد درختی پر و هرس متفاوت، دادهها را به زیرمجموعههایی شامل رکورد همگنتر از والد انجام میدهد. در این نوع درخت تصمیم، تقسیم نمونهها براساس فیلد با اولویت اطلاعاتی بهره میگیرد. الگوریتم تصمیمC5.0 ، از هرس درخت بهصورت افزایشی و صعودی کمک میگیرد تا خطای ناشی از طبقهبندی نویز را در دادههای آموزشی کاهش دهد. در جدول 5، صحتسنجی و دقت مدل الگوریتم تصمیمc5.0 بررسی و ماتریس سردرگمی نمایش داده شده است که برای سنجش دقت پیشبینی مدل استفاده میشود. طبق این جدول، صحت درخت تصمیم با 12/94درصد و دقت درخت تصمیم در پیشبینی 8/81 درصد است. v. جدول5- صحتسنجی و دقت مدل الگوریتم تصمیمc5.01. Table5- Validation and accuracy of the decision algorithm model c5.0
شبکۀ عصبی مصنوعی نیز یکی از تکنیکهای دادهکاوی است که امروزه پژوهشگران و محققان بهشدت به آن توجه میکنند. هر شبکۀ عصبی شامل یک لایۀ ورودی است که هر گره در این لایه، معادل یکی از متغیرهای پیشبینیکننده است. در این الگوریتم نیز به مانند درخت تصمیم، پس از بررسی همبستگی براساس روابط پنهان میان لایهها، نتیجه بیان میشود. بر این اساس، دادهها به دو دستۀ آموزش و تست به نسبت 70 به 30درصد تقسیم میشود. در جدول(6)، صحتسنجی و دقت مدل شبکۀ عصبی مصنوعی انجام شده است. طبق نتایج حاصل از این الگوریتم در این جدول، دقت دادهها در شبکۀ عصبی مصنوعی بالاتر و نتایج مطمئن است. vi. جدول6- صحتسنجی و دقت مدل شبکۀ عصبی مصنوعی1. Table 6- Validation and accuracy of the ANN model
درنهایت براساس اعمال انجامشده و تحلیل دادهها، یافتهها به شرح ذیل است: 1) میانگین و واریانس دستمزد با شاخصهای بهرهوری رابطۀ مثبت دارد و این رابطه در صنعت برق استان یزد پررنگ است. 2) فیلتر ویژگیها و پیادهسازی الگوریتم درخت تصمیم مشخص کرد که متغیرهای بازدید فنی، تعویض کلید سهفاز، وصول مطالبات، تعویض کنتور سهفاز و قطع و وصل برق در میان فعالیتهای حوزۀ نیروهای انسانی بخش نصب و تست لوازم اندازهگیری بیشترین تأثیر را بر مدل پیشبینی دارند؛ در حالی که دیگر متغیرها اثر چندانی نداشتند. 3) طبق نتایج حاصل از مدلسازی در فعالیتهای کماهمیتتر، وصول مطالبات بزرگتر از 48 در میان فعالیتهای بهرهوری نیروی کار، بیشترین تأثیر را در حقوق دریافتی ماهانه دارد. در صورتی که وصول مطالبات کمتر از 48 باشد، مشروط بر تعویض کنتور تکفاز بیش از 16درصد و نصب کنتور سه فاز بیش از 60درصد، به دریافت حقوق در ردۀ بالایی دستمزدها منجر میشود. 4) شاخصهای ارزیابی مدل مانند صحتسنجی و دقت نشان میدهند که انتخاب ویژگیها و الگوریتمها تأثیر درخور توجهی بر کارایی مدل دارد و مهر تأییدی بر نتایج است. 5- بحث پژوهش حاضر با هدف ارزیابی و مقایسۀ نتایج تکنیکهای دادهکاوی در تأثیر بر رابطۀ میان دستمزد و بهرهوری انجام شد. معمولاً در پژوهشها دربارۀ تأثیر عوامل اثرگذار بر بهرهوری نیروی کار بحث شده و فقط رابطۀ میان دستمزد و بهرهوری نیروی کار پژوهشی در حوزۀ دادهکاوی بررسی نشده است. حسننژاد و همکاران (2023) به کمک روش مارکوف سوئیچینگ، نوروزی و همکاران (2021) با استفاده از روش الگوریتم ژنتیک دوهدفه، فیضپور و شمس اسفندآبادی (2019) به کمک روش حداقل مربعات تعمیمیافته، اوزتورک و همکاران (2020) با استفاده از آزمون همانباشتگی جوهانسون، شایسته و همکاران (2024) با استفاده از مدل معادلات ساختاری، رابطۀ دستمزد و بهروری را بررسی کردند. آل عمران و آل عمران[xxvi] (2015)، به کمک تکنیک دادهکاوی و آزمون جوهانسون جسیلیوس و براساس روابط سازمان بهرهوری نتیجه گرفتند معیار دستمزد بر بهرهوری تأثیر مستقیم و مثبتی دارد. با وجود پژوهشهای متعدد در زمینۀ بررسی رابطۀ دستمزد و بهرهوری، همچنان نمیتوان بهطور قطعی تأثیر مستقیم این دو را بر یکدیگر تصدیق کرد؛ زیرا شدت رابطۀ میان دستمزد و بهرهوری به تناسب نوع شغل، کشور و شهر محل سکونت متفاوت است. در برخی از نتایج نیز بهرهوری و دستمزد رابطهای نداشتند. داس و همکاران(2017) در کشور هند، مصداق این نتیجهگیریاند؛ بنابراین با توجه به عدم قابلیت اطمینان بر تأثیر دستمزد بر بهرهوری، نیاز به پژوهش بر این مبحث محسوس بود. از جهتی بررسی رابطۀ میان دستمزد و بهرهوری تاکنون به کمک تکنیک دادهکاوی توجه ویژهای نشده بود؛ بنابراین توجه به بررسی رابطۀ دستمزد و بهرهوری به کمک روشهای دادهکاوی، بسیار ضروری است. معادلات ریاضی بهدلیل منطقیبودن و اتخاذ نتایج در لحظۀ مدلسازی، بنابر شرایط موجود برای تصمیمگیری به کار گرفته میشوند و با گذر زمان و تغییر شرایط، مجدداً به بازنگری و حتی طراحی روابط جدید نیاز دارند؛ اما در تکنیکهای دادهکاوی، که در این پژوهش دربارۀ دو روش درخت تصمیم c5.0 و شبکۀ عصبی مصنوعی بحث شد، پویا هستند و با گذر زمان و تأثیر روابط و شرایط حاکم تعمیمیافتنی و تغییردادنیاند؛ بنابراین دو روش درنهایت امر با یکدیگر مقایسه شدند. اگرچه شبکۀ عصبی مصنوعی تحلیل روابط پنهانی دارد، طبق نتایج دقت آن نسبتبه روش درخت تصمیم بالاتر بوده است. براساس پژوهش حاضر شرایط مصرف برق در جامعه، نتایج این پژوهش به شرکتهای توزیع برق استانهای مشابه دیگر تعمیم داده میشود؛ اما با توجه به شرایط مصرف انرژی برق در استانهای دیگر، ممکن است شرایط تصمیمگیری در استانهای دیگر تغییر کند و تصمیم بنابر شرایط آن اتخاذ شود؛ اما در استان یزد، این الگوریتم تصمیمگیری مطمئن است و براساس این شرایط، حقوق نیروهای برقکار نصب و تست کنتور را براساس میزان بهرهوری آنها محاسبه میکند. با توجه به صرفنظر از میزان سابقهکاری افراد، جنسیت، تأهل، تعداد فرزندان و همچنین تأثیر عوامل اقتصادی مانند تورم و یا عوامل روانشناختی مانند رضایت شغلی، تعهد و غیره نیز، بر رابطۀ بهرهوری و دستمزد نیز ارزیابی میشود. همچنین در پژوهش حاضر از روش فیلتر برای طبقهبندی ویژگیها استفاده شده است که پیشنهاد میشود روشهای دیگر پیشپردازش داده و طبقهبندی ویژگیها مانند رپر، لفاف و غیره پژوهش شود. همچنین به تناسب نوع موضوع، الگوریتم C5.0انتخاب شد؛ اما پیشنهاد میشود از الگوریتمهای درخت تصمیم دیگر مانند CHAID و غیره نیز مدلسازی و درنهایت دقت، AUC و مقدارF در مدلهای هر الگوریتم با یکدیگر مقایسه شوند. همچنین ترکیب شبکۀ بیزین و انواع الگوریتم درخت تصمیم برای انجام پژوهشهای آتی پیشنهاد میشود. همچنین پیشنهاد میشود از دیگر روشهای دادهکاوی مانند ماشین بردار پشتیبان استفاده و با نتایج حاصل از این پژوهش مقایسه شود. با توجه به آنکه پژوهش حاضر بهدلیل محدودیت پژوهش در بازۀ یکساله بررسی شده است، پیشنهاد میشود در دیدگاه بلندمدت نتایج ارزیابی شود. پیشنهاد میشود بهجهت ارزیابی تأثیر دستمزد بر بهرهوری نیروی کار در برقکاران، این پژوهش در صنعت آب و برق نیز انجام و با سازمانهای مشابه در کشور و یا شهرهای متفاوت مقایسه شود. همچنین در صنایع، شاخصهای مؤثر بر بهرهوری نیروی کار در هر حوزه به همین صورت مشخص و در صنایع مختلف با اندازۀ سرمایۀ انسانی متفاوت مقایسه و ارزیابی شود.
6- نتیجهگیری در پژوهش حاضر در ابتدا به کمک نرمافزار SPSS، رابطۀ میان بهرهوری نیروی انسانی و دستمزد مستقیم و مثبت ارزیابی و در ادامه با استفاده از نرمافزار SPSS Modeler و طبقهبندی فعالیتهای با اهمیت و کماهمیت نتیجهگیری شد که بازدید فنی، تعویض کلید سهفاز، وصول مطالبات، تعویض کنتور سهفاز و قطع و وصل برق در میان فعالیتهای حوزۀ نیروهای انسانی بخش نصب و تست لوازم اندازهگیری اهمیت بسزایی در شرکت توزیع برق استان یزد دارد. در پژوهش حاضر براساس 24 متغیر تصمیم و مدلسازی به کمک الگوریتم درخت تصمیم C5.0، وصول مطالبات بزرگتر از 48 در میان فعالیتهای بهرهوری نیروی کار، بیشترین تدثیر را در حقوق دریافتی ماهانه دارد. در صورتی که وصول مطالبات کمتر از 48 باشد، مشروط بر تعویض کنتور تکفاز بیش از 16درصد و نصب کنتور سهفاز بیش از 60درصد، به دریافت حقوق در ردۀ بالایی دستمزدها منجر میشود. براساس نتایج حاصل در نرمافزار مذکور، الگوریتم تصمیم c5.0 با صحت 12/94درصد و دقت 8/81درصد تأیید میشود. این پژوهش نیز به کمک الگوریتم شبکۀ عصبی مصنوعی ارزیابی و براساس نتایج با صحت 05/97درصد و 9/90درصد دقت تأیید شد؛ بنابراین الگوریتم شبکۀ عصبی مصنوعی نسبتبه الگوریتم تصمیم C5.0 دقت و صحت بالاتری دارد. این تحقیق نیز در پی تحقیقات گذشته، نشاندهندۀ قویبودن ابزار شبکۀ عصبی مصنوعی نسبتبه درخت تصمیم در دقت نتایج است. یکی از عیوب شبکۀ عصبی، پنهانبودن روابط میان لایهها برای درک کنش و واکنشهاست. درنهایت این نتایج بهطور مستقیم برای اصلاح نظام پرداخت، اولویتدهی فعالیتها و طراحی مدل پاداشدهی عملکردمحور در شرکت توزیع برق به کار میرود و با اعمال ضریب عملکرد به پرسنل برقکار، معادل ریال در پایان ماه بهعنوان بخش متغیر دستمزد داده میشود. اگرچه توصیه میشود این فعالیتها
[i] Gudarzi & Atai [ii] Motameni et al. [iii] Shakour shahabi et al. [iv] HasanNejad et al. [v] Azvaji & Amini [vi] Kazerouni & sojoudi [vii] Nonezhad et al. [viii] Feizpour & ShamsEsfandabadi [ix] Molaei & Shahab [x] Yildirim [xi] Goh & Wong [xii] Dritsaki [xiii] Ozturk et al. [xiv] Das et al. [xv] Wakeford [xvi] Kumar et al. [xvii] Mohammadzade et al. [xviii] Lestari et al. [xix] Zharmagambetov et al. [xx] Raman et al. [xxi] Lee & Johnson [xxii] Norouzi et al. [xxiii] Shayesteh et al. [xxiv] Yue et al. [xxv] Feelders et al. [xxvi] Alemran & Alemran | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Alemran, R., & Alemran, A. (2015). The effectiveness of wages on labor productivity in Iran (using the Johansen-Jusilius method). Productivit management, 4(35), 65-82. https://www.sid.ir/paper/181863/en. Azvaji, A., & Amini, A. (2009). Analysis and study of the relationship between wages and labor productivity in Iranian industries: an autocorrelated model with distributive breaks. Economic researches of Iran, 12(37), 81-105. https://ijer.atu.ac.ir/article_3549.html. Das, P., Basu, R., & Halder, A. (2017). Employment, wage and productivity: Analysis of trend and causality in Indian manufacturing industries. The Journal of Industrial Statistics, 6(1), 41-56. https://www.semanticscholar.org/paper/Employment-%2C-Wage-and-Productivity-%3A-Analysis-of-in-Das-Halder/adf59aa5d4917ff787fa4709814e61fe5d559f7c?utm_source=direct_link. Dritsaki, C. (2016). Real wages, inflation, and labor productivity: Evidences from Bulgaria and Romania. Journal of economic & financial studies, 4(05), 24-36. https://ideas.repec.org/a/lrc/lareco/v4y2016i5p24-36.html. Feelders, A., Daniels, H., & Holsheimer, M. (2000). Methodological and practical aspects of data mining. Information & Management, 37(5), 271-281. https://doi.org/10.1016/S0378-7206 (99)00051-8. Feizpour, P., & ShamsEsfandabadi, A. (2019). Wages and productivity in Iran's manufacturing industries with the strategy of production boom (Scientific article of the Ministry of Science). Strategic and macro policies, 7(3), 326-345. DOI: 10.32598/JMSP.7.3.1. Gudarzi, M., & Atai, M. (2010). The relationship between wages and productivity of human resources in the university. Azad University research paper, 1(1), 71-76. https://www.researchgate.net/publication/4801716_The_Relationship_Between_Wages_and_Productivity_TAR_Unit_Root_and_TAR_Cointegration_Approach. Goh, S. K., & Wong, K. N. (2010). Analyzing the productivity-wage-unemployment nexus in Malaysia: Evidence from the macroeconomic perspective. International Research Journal of Finance and Economics, 53(8), 145-156. https://research.monash.edu/en/publications/analyzing-the-productivity-wage-unemployment-nexus-in-malaysia-ev/. HasanNejad, A., EskandariSabzi, S., & Moradi, M (2023). The impact of wages and inflation on labor productivity in selected developing countries. Regional economy and development, 30(25), 180-214. DOI:https://doi.org/10.22067/erd.2023.81678.1176. kazerouni, A., & sojoudi, S. (2007). The role of productivity in determining the wage level of labor in the industrial sector of Iran (1376-1382). Economic researches journal, 6(41), 169-187. DOI: https://dorl.net/dor/20.1001.1.00398969.1385.41.6.7.0. Kumar, S., Webber, D. J., & Perry, G. (2012). Real wages, inflation and labour productivity in Australia. Applied economics, 44(23), 2945-2954. DOI:10.1080/00036846.2011.568405. Lee, M., & Johnson, A. (2019). Using a Hybrid Model of DEA and Decision Tree Algorithm C5. 0 to Evaluate the Efficiency of Ports. International Journal of Productivity and Performance Management, 68(5), 805-789. https://koreascience.kr/article/JAKO201922441756739.pdf. Lestari, I., Fitria, D., Syafriandi, S., & Salma, A. (2024). Comparison of the C5. 0 Algorithm and the CART Algorithm in Stroke Classification. UNP Journal of Statistics and Data Science, 2(1), 90-98. https://pdfs.semanticscholar.org/bb1a/caccf79515708f00821d08d15d4dae694d04.pdf. Mohammadzade, M., Esmaeilpour, M., Eslambolchi, A., & soleimanian gharechoupogh, F. (2020). Investigating the efficiency of the process model of employment and empowerment services using data mining techniques. Productivity management, 54(14), 174-206. DOI: https://doi.org/10.30495/qjopm.2020.570541.2139. Molaei, M., & Shahab, A. (2017). Comparison of factors affecting labor productivity in small and large industries in Iran: 1373-1392. Poductivity management, 11(41), 115-144. https://www.sid.ir/fileserver/jf/22013974105.pdf. Motameni, M., Zarooki, Sh., & Bolbol Amiri, B. (2016). The Role of Human Capital on the Wage-Productivity Nexus in Iranian Manufacturing Industries. Economic Growth and Development Research, 6(23), 33-44. DOI: https://dorl.net/dor/20.1001.1.22285954.1395.6.23.2.9. Norouzi, F., Nunezhad, M., Ebrahimi, M., & Khodaparast Shirazi, J. (2021). Investigating the factors affecting productivity growth in Iran using artificial neural network algorithms. Economic Growth and Development Research, 11(42), 58-35. DOI: 10.30473/egdr.2019.48433.5378. Nonezhad, M., Ebrahimi, M., & KHodaparast, S. J. (2021). Comprehensive study on labor productivity growth in Iran, using meta-heuristic methods. Financial Economics. https://journals.iau.ir/article_686297.html. Ozturk, M., Durdyev, S., Aras, O. N., Ismail, S., & Banaitienė, N. (2020). How effective are labor wages on labor productivity? An empirical investigation on the construction industry of New Zealand. Technological and Economic Development of Economy, 26(1), 258-270. https://doi.org/10.3846/tede.2020.11917. Shakour shahabi, R., Kakaki, R., & Ramezani, R. (2009). The Analysis of Qualitative Properties of Mine's LaborForces Effects on Productivity and Wages. Iranian Journal of Engineering Education, 40(10), 127 149. DOI:https://doi.org/10.22047/ ijee.2009.615. Shayesteh, E., Azizi, A., & Ershadi, M.J. (2024). Modeling the relationship between age and salary on the productivity of specialized human resources. System and productiviy Engineering, 4(1), 22-67, DOI:10.22034/msb.2024.2009347.1155. Raman, R., Kumar, V., Pillai, B., Rabadiya, D., Divekar, R., & Vachharajani, H. (2024). Detecting Credit Card Fraud: A Comparative Analysis of KNN, Random Forest, and Logistic Regression Methods. IEEE Journal, 15, 215-230. https://doi.org/10.1109/ICDSIS61070.2024.10594698. Tavakoli, A., Mortazavi, S., Kahani, M., & Hosseini, Z. (2011). Applying the data mining process to predict customer orientation patterns in insurance. Business management perspective, 4(9), 41-55. https://sid.ir/paper/115482/en. Wakeford, J. (2004). The productivity–wage relationship in South Africa: an empirical investigation. Development Southern Africa, 21(1), 109-132. https://www.tandfonline.com/doi/full/10.1080/0376835042000181444. Yildirim, Z. (2015). Relationships among labour productivity, real wages and inflation in Turkey. EconomicResearch-Ekonomska Istraživanja, 28(1), 85-103. https://www.tandfonline.com/doi/abs/10.1080/1331677X.2015.1022401. Yue, W., Wang, Z., Chen, H., Payne, A., & Liu, X. (2018). Machine learning with applications in breast cancer diagnosis and prognosis. Designs, 2(2), 13. https://www.mdpi.com/2411-9660/2/2/13. Zharmagambetov, A., Hada, S. S., Carreira-Perpiñán, M. Á., & Gabidolla, M. (2019). An experimental comparison of old and new decision tree algorithms. System and productiviy Engineering. https://arxiv.org/abs/1911.03054. Yazdanian, N., & Mahmoudian, H. (2016). Analysis of selected features based on filter methods in detecting emotions from speech signals. 7th National Conference of Electrical and Electronic Engineering of Iran. https://civilica.com/doc/459479/. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 358 تعداد دریافت فایل اصل مقاله: 192 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||