طراحی و تنظیم سیستم‌های توسعۀ تأمین‌‏‏کننده با استفاده ازANFIS و الگوریتم‌های فراابتکاری در صنعت خودرو

• مقدمه

در بازارهای رقابتی، تنها راه غلبه بر رقبا در کاهش هزینه‌‏‏های عملیاتی و بهبود سطح خدمت، توجه هم‌زمان به ملاحظات اقتصادی، زیست‌‏‏محیطی و اجتماعی زنجیرۀ تأمین است (شفیعی و همکاران، 1399). برای ایجاد توان رقابتی در شرکت‌ها، باید توانمندی‌ها و منابع داخلی به فاکتورهایی برای موفقیت سازمان و ایجاد مزیت رقابتی نسبت‌به دیگر رقبا تبدیل شود (الفت و همکاران، 1398). مدیران تأمین، مسئول حفظ یک شبکه‌‏‏ای از تأمین‌‏‏کنندگان توانااند. بسیاری از شرکت‌های خریدار به‌طور فعال، بهبود عملکرد تأمین‌‏‏کننده را از طریق توسعۀ تأمین‌‏‏کننده[i]، حمایت می‌‏‏کنند. SD یک فعالیت تجاری منابع‌‏‏بر بلندمدت است که به تعهد تولیدکنندگان و تأمین‌‏‏کنندگان نیاز دارد (تالوری و همکاران، 2010). SD شامل تلاش‌های شرکت‌های تولیدی، برای بهبود قابلیت‌ها و عملکرد تأمین‌‏‏کنندگانشان است. این تلاش‌‌‌ها می‌‏‏تواند در حوزه‌‏‏های مختلفی، مثل مدیریت کیفیت، توسعۀ محصول و کاهش هزینه، هدف‌گذاری شود (یانگ[ii]، 2011). SD، یک استراتژی همکارانۀ بلندمدت شروع‌شده به‌وسیلۀ یک سازمان خریدار، برای ارتقای عملکرد و یا قابلیت‌های تأمین‌‏‏کننده است؛ به‌طوری ‌که، تأمین‌‏‏کننده قادر است، نیازهای تأمین سازمان خریدار را به روشی اثربخش‌تر و قابل‌اطمینان‌تر برآورده سازد که مزیت رقابتی بیشتری را به خریدار، برای رقابتی‌‏‏ترشدن در بازار می‌‌‏‏دهد (چاوهان[iii] و همکاران، 2012). SD یک فعالیت استراتژیک مرتبط با تأمین‌‏‏کننده است که برای ارتقای سطح عملکرد تأمین‌‏‏کنندگان، به‌منظور ایجاد و حفظ شبکه‌‏‏ای از تأمین‌‏‏کنندگان شایسته طراحی می‌‏‏شود (رضایی و همکاران، 2015). تعریف بازنگری‌شدۀ چن[iv] و همکاران (2015)، از SD به ‌این‌ صورت است؛ « مجموعه‌‏‏ای از فعالیت‌های مدیریت دانش است که یه‌وسیلۀ شرکت‌های خریدار و تأمین‌‏‏کننده انجام می‌‏‏شود و قصد دارد، نیازهای تأمین کوتاه‌‏‏مدت و بلندمدت شرکت‌های خریدار را از طریق تسهیل عملکرد مداوم شرکت تأمین‌‏‏کننده و یا بهبود قابلیت برآورده کند. توسعۀ تأمین‌‏‏کننده ممکن است، فعالیت‌های مدیریت دانش درجۀ اول و همچنین درجۀ دوم را درگیر کند» SD، ‌‏‏به تأمین‌‏‏کنندگان کمک می‌‏‏کند تا قابلیت‌ها و عملکردشان را بهبود دهند و به ‌‏سهم‌ خود، به شرکت خریدار کمک می‌‏‏کند تا کاهش هزینه، بهبود بهره‌‏‏وری، بهبود کیفیت و بهره‌‏‏برداری بهینه از منابع را تحقق بخشد (ساکو^[v]، 2004؛ ووترز^[vi]و همکاران، 2007؛ تالوری^[vii]و همکاران، 2010؛ هامفریز^[viii] و همکاران، 2011). برنامه‌‏‏های SDیک جزء ضروری از مدیریت روابط تأمین‌‏‏کننده است (ناگاتی و ربولدو[ix]، 2013). اجرای موفقیت‌‏‏آمیز مدیریت زنجیرۀ تأمین، مباحث زیادی را درگیر می‌‏‏کند که یکی از مباحث اصلی، SD‌‏‏است.

بعضی از صنایع همچون خودرو، آمادگی شروع حمایتی فعال را برای تأمین‌‏‏کنندگانشان دارند. آنها یک سطح فراوانی از تعهد را برای غلبه بر مسائل عملکردی تأمین‌‏‏کنندگان نشان دادند (واگنر[x]، 2006). خودروها محصولات بسیار پیچیده‌‏‏ای هستند و به درجۀ فراوانی از برونسپاری به تأمین‌‏‏کنندگان، برای مونتاژ نیاز دارند. صنعت خودرو، یکی از وابسته‌‏‏ترین صنایع به تأمین‌‏‏کنندگان است. عمدۀ مشکلات تأمین‌‏‏کنندگان داخلی، به فقدان یک برنامه برای تدوین و اجرای فعالیت‌های مناسب، به‌منظور SD بعد از انتخاب آنها مرتبط است که در طرح‌های SD باید به آن توجه کرد. تحریم‌های چند سال اخیر موجب می‌شود که کیفیت خودروهای داخلی، به‌دلیل کیفیت ضعیف قطعات تولیدی تحت تأثیر قرار گیرد؛ بنابراین، این پژوهش برای کمک به جنبۀ اجرایی SD، چارچوبی را برای SD ارائه می‌‏‏دهد که به‌طور خلاصه در آن، برای هرکدام از مقوله‌‏‏های SDکه الفت و همکاران (2020) ارائه کردند و SD‏‏‏، سیستم‌های استنتاج عصبی-فازی طراحی، تنظیم و مقایسه می‌شود. براساس نتایج مقایسه، مناسب‌ترین سیستم انتخاب شده و نمرۀ تأمین‌‏‏کنندگان در هر مقوله و SD‌‏‏پیش‌‏‏بینی شده است. در پایان با تحلیل حساسیت، مقوله‌‏‏های مرتبط با SD،‌‏‏ به‌منظور جهت‌‌دادن تولیدکنندگان صنعت خودرو در به‌کارگیری فعالیت‌های مرتبط با SD‌‏‏اولویت‌‏‏بندی شد. نتایج این پژوهش، موجب جهت‌‏‏بخشی سرمایه‌‏‏گذاری‌های تولیدکنندگان و درگیری مستقیم آنها در SD خواهد شد. با توجه‌ به اینکه سایپا و ایران‌‏‏خودرو بیشترین سهم بازار را در اختیار دارد، برای بررسی موضوع در جهان واقعی، تأمین‌‏‏کنندگان اصلی و داخلی آنها را انتخاب کردیم.

پژوهش‌های زیادی، SD را در صنعت خودروسازی بررسی کرده است (جدول1) که نشان‌دهندۀ اهمیت زیاد موضوع SD‌‏‏، در صنعت خودروسازی است. ادامۀ مقاله به‌صورت زیر بخش‌‏‏بندی شده است؛ در بخش 2 به‌طور خلاصه، پیشینۀ پژوهش ارائه می‌‏‏شود. در بخش 3، متدولوژی پژوهش را خواهیم داشت. در بخش 4، نتایج و یافته‌‏‏ها خواهد آمد. در بخش 5، بحث و در بخش 6 نتیجه‌‏‏گیری و پیشنهادها خواهد آمد.

• پیشینۀ پژوهش

مفهوم SD را‌‏‏ اولین‌بار، لیندرس[xi] (1966)، برای توصیف تصمیم تولیدکنندگان در ارتقای تعداد تأمین‌‏‏کنندگان، با هدف بهبود عملکرد به وجود آورد؛ سپس این ایده، راهگشای پژوهشگران مدیریت زنجیرۀ تأمین، برای شروع مطالعه در مبادلات پیچیدۀ محصول و تأمین‌‏‏کنندگانشان شد (شهزاد[xii] و همکاران، 2016). جالب توجه است که اقدام SD‌‏‏ در اوایل سال 1900 در آمریکا، زمانی انجام گرفت ‌که فورد بهبود ظرفیت و عملکرد تأمین‌‏‏کنندگانش را خواستار شد (کرایوز و همکاران، 2007). واژۀ SD‌‏‏ در دهۀ 80، با مطالعاتی مثل باچه[xiii] و همکاران (1987) بیان شد. در جدول 1، مهم‌ترین پژوهش‌هایی آمده که SD‌‏‏ را بررسی کرده‌‏‏ است.

جدول1- پیشینۀ پژوهش

از یک ‌سو در مطالعات گذشته از واژه‌‏‏های مختلفی، مثل تلاش‌ها، عناصر، عوامل و استراتژی‌ها برای بررسی SD استفاده شده است و از سویی دیگر، افزایش مطالعات SD در دو دهۀ اخیر، موجب پیدایش و معرفی معیارها و فعالیت‌های جدید برای SD شده است؛ بنابراین، شناسایی و مقوله‌‏‏بندی معیارها و فعالیت‌های مرتبط با SD، در دهۀ جاری و همچنین یکپارچه‌کردن آنها در دو واژۀ معیارها و فعالیت‌های مرتبط با SD و مقوله‌‏‏بندی آنها می‌‏‏تواند برای پژوهشگران این حوزه مفید باشد؛ زیرا شرکت‌ها مایل‌اند وضعیت توسعۀ تأمین‌‏‏کنندگان خود را بسنجند که معیارهای مرتبط با SD می‌‏‏تواند برای آنها مفید باشد؛ از سویی دیگر، می‌خواهند بدانند که معیارهای مرتبط را چگونه توسعه دهند؛ بنابراین، فعالیت‌های شناسایی‌شده می‌‏‏تواند در این زمینه به شرکت‌ها کمک کند. در پژوهش‌های الفت و همکاران (1398 و1399)، معیارها و فعالیت‌های مرتبط با SD در صنعت خودروسازی شناسایی، بومی‌‏‏سازی و مقوله‌‏‏بندی شده ‌‏‏است؛ اما براساس مرور پیشینه، هرکدام از مطالعات، یک یا چند مقوله از مقوله‌‏‏های چهارگانه را بررسی کرده ‌است و هیچ‌کدام از آنها، همۀ این مقوله‌‏‏ها را براساس معیارها و فعالیت‌های مرتبط با SD، با هم مطالعه نکرده است. در این مقاله، با درنظر گرفتن معیارها و فعالیت‌های مرتبط با SD در مقوله‌‏‏های چهارگانه، چارچوبی برایSD در صنعت خودرو ارائه خواهد شد. با توجه‌ به توضیحات داده‌شده، این مقاله از معدود پژوهش‌هایی است (براساس دانش ما جزءِ اولین پژوهش‌های داخلی است) که ضمن طراحی سیستم‌های عصبی-فازی، برای مقوله‌‏‏های چهارگانۀ SD در صنعت خودروسازی و همچنین خود SD، شش روش حل (دو روش معمول و چهار الگوریتم فراابتکاری) برای تنظیم آنها به کار می‌‏‏گیرد که این می‌‏‏تواند، نوآوری بخش به‌کارگیری تکنیک حل مسئله در نظر گرفته شود. در بخش اجرایی و کاربردی‌بودن نیز، می‌‏‏توان به اولویت‌‏‏بندی و پیشنهاد فعالیت‌های مرتبط با SD در صنعت خودروسازی اشاره کرد که با به‌کارگیری یک رویۀ تحلیل حساسیت پنج‌‏‏مرحله‌‏‏ای محقق می‌‏‏شود.

روش‌‏‏شناسی پژوهش

متدولوژی این پژوهش، به سه بخش گردآوری داده‌‏‏ها، طراحی سیستم‌های عصبی-فازی و نحوۀ به‌دست آوردن نمره‌‏‏های SD و رویۀ تحلیل حساسیت و پیشنهاد فعالیت‌های مناسب برای SD تقسیم شده است (شکل1) که در ادامه توضیح داده می‌‏‏شود.

شکل1- خلاصۀ مراحل انجام پژوهش

• گردآوری داده‌‏‏ها

با نظرسنجی از مدیران سایپا و ایران‌‏‏خودرو (شامل مدیران ارشد بخش معاونت برنامه‌‏‏ریزی شرکت‌های ایران‌‏‏خودرو وسایپا بودند که همۀ آنها بالای 10 سال سابقۀ کاری داشته‌اند و حداقل تحصیلات آنها کارشناسی ارشد بوده است)، تأمین‌‏‏کنندگان اصلی و داخلی شناسایی شدند که بین آنها مشترک بودند (جدول 3) ؛ سپس براساس معیارهای مرتبط با SD توسط مدیران با نمره‌‏‏ای از 0 تا 100 ارزیابی شدند.(جدول2) هرکدام از خبرگان دربارۀ تأمین‌‏‏کنندگانی نظر داده است که با آنها کار می‌‏‏کرد و یا آشنایی داشت،. روند تکمیل هر پرسشنامه به ‌این ‌صورت است که خبره باید ابتدا برای هر تأمین‌‏‏کننده، براساس معیارهای مرتبط با هر مقوله، تأمین‌‏‏کنندگان را ارزیابی می‌‏‏کرد؛ سپس با توجه به نمره‌های داده‌شده به معیارها، به مقولۀ مرتبط نیز امتیاز می‌‏‏داد. این روش نمره‌‏‏دهی به‌منظور تشکیل قواعد در سیستم عصبی-فازی انتخاب شده است. در جدول4 معیارهای مرتبط با SD آمده ‌‏‏است.

جدول2- پرسشنامه برای گردآوری داده‌‏‏ها

جدول3- اطلاعات مربوط به 53 تأمین‌‏‏کننده

جدول4- ابعاد، مقوله‌‏‏ها و معیارهای مرتبط با SD‌‏‏ در صنعت خودروسازی(منبع؛ الفت و همکاران، 1399)

• طراحی سیستم‌های عصبی-فازی و نحوۀ به‌دست آوردن نمره‌‏‏های SD

پس از تکمیل داده‌‏‏ها دربارۀ 53 تأمین‌‏‏کنندۀ منتخب، سیستم‌های عصبی-فازی با سه روش منقطع‌‏‏سازی شبکه‌‏‏ای[xlvii]، خوشه‌‏‏بندی کاهشی[xlviii] و سی- میانگین فازی[xlix] برای هر مقوله و SD‌‏‏ طراحی شد. 70 درصد داده‌‏‏ها به‌عنوان داده‌‏‏های آموزش، 15 درصد به‌عنوان داده‌‏‏های تست و 15 درصد داده‌‏‏ها به‌عنوان داده‌‏‏های چک در نظر گرفته شد. هرکدام از سیستم‌های عصبی-فازی طراحی‌شده با دو روش کلاسیک به‌‏‏ نام‌های هیبرید[l] و پس‌‏‏انتشار[li] و چهار روش تکاملی به‌‏‏نام‌های الگوریتم بهینه‌‏‏سازی کلونی مورچه‌‏‏ها[lii]، الگوریتم ژنتیک[liii]، بهینه‌‏‏سازی ازدحام ذرات[liv] و تکامل تفاضلی[lv] تنظیم شد. فرایند حل مسئله با الگوریتم‌های فراابتکاری به ‌این ‌صورت بود که پس از طراحی شبکۀ عصبی-فازی، آن را با یکی از الگوریتم‌های فراابتکاری آموزش می‌دادیم و این آموزش تا جایی ادامه پیدا می‌‏‏کرد که حداقل RMSE را به‌ دست دهد؛ به‌عبارتی، سیستم عصبی-فازی طراحی‌شده می‌‏‏توانست با کمترین خطا، پیش‌‏‏بینی را انجام دهد؛ سپس مقدار RMSE برای الگوریتم مدنظر یادداشت و نمودارهای مربوط ذخیره می‌‏‏شد. شایان ذکر است، گاهی اوقات در فرآیند اجرای مدل و رسیدن به حداقل خطا، در پارامترهای الگوریتم مدنظر نیز تغییرات مناسب داده می‌‏‏شد تا به کمترین خطا برسیم. برای هرکدام از مقوله‌‏‏های چهارگانه و همچنین SD‌‏‏، 18 مدل (درمجموع 90 مدل) طراحی و اجرا شده و از بین آنها بهترین ترکیب طراحی-تنظیم انتخاب و براساس آن، نمرۀ تأمین‌‏‏کنندگان برای توسعۀ مقولۀ مربوط و SD‌‏‏ پیش‌‏‏بینی شده است. سیستم عصبی-فازی اول با پنج معیار ورودی و یک خروجی به ‌‏‏نام قابلیت‌های ملموس، سیستم عصبی-فازی دوم با پنج معیار ورودی و یک خروجی به ‌‏‏نام قابلیت‌های ناملموس، سیستم عصبی-فازی سوم با چهار معیار ورودی و یک خروجی به ‌‏‏نام روابط، سیستم عصبی-فازی چهارم با سه معیار ورودی و یک خروجی به ‌‏‏نام قابلیت‌های محیطی و سیستم عصبی-فازی پنجم با چهار مقولۀ ورودی (خروجی چهار سیستم مرتبط با مقوله‌‏‏ها) و یک خروجی به ‌‏‏نام SD است. برای هرکدام از مقوله‌‏‏ها و SD، ابتدا ورودی‌ها مشخص شد؛ سپس با به‌کارگیری توابع، عضویت فازی از نوع مثلثی وارد سیستم شد. برای هرکدام از توابع، عضویت سه عبارت کم، متوسط و زیاد در نظر گرفته شد. خروجی‌ها با روش میانگین وزنی دیفازی، تجزیه‌وتحلیل شد. در ادامۀ این بخش، خلاصه‌‏‏ای از سیستم‌های عصبی-فازی و الگوریتم‌های فراابتکاری را توضیح می‌دهیم.

• سیستم‌های عصبی-فازی

شبکه‌‏‏های عصبی-فازی، یک طرح هوشمند ترکیبی است که از جزء منطق فازی و شبکه‌‏‏های عصبی نشأت گرفته است. شبکه‌‏‏های عصبی قابلیت یادگیری از روی داده‌‏‏ها را دارند (بحیرایی و همکاران، 1395). اساس سیستم‌‌های عصبی-فازی، بر پایۀ مجموعه داده‌‏‏های ورودی/خروجی یک سیستم استنتاج فازی (FIS) است. همانند سیستم‌های فازی، ساختار ANFIS نیز از دو بخش تشکیل شده است. این دو بخش با قواعد فازی در فرم یک شبکه، به یکدیگر متصل می‌‏‏شود (صادقی و همکاران، 1398). ساختارهای مختلفی برای اجراکردن یک سیستم فازی توسط شبکه‌‏‏های عصبی پیشنهاد شد که یکی از پرقدرت‌‏‏ترین این ساختارها، ساختاری موسوم به سیستم استنتاج فازی- عصبی انطباقی است که جانگ[lvi] (1993) آن را ابداع کرد و پنج لایه دارد:

لایۀ اول، لایۀ ورودی و خروجی توابع عضویت است. لایۀ دوم، لایۀ قوانین نام دارد و همۀ گره‌‏‏ها در این لایه ثابت‌‏‏ است و در آن قدرت هر قاعده با استفاده از ضرب جبری ارائه می‌‏‏شود. در این لایه، هر گره از حاصل ضرب مقادیر ورودی در لایۀ قبلی، به دست می‌‏‏آید و ارزش به‌دست‌آمده، نشان‌دهندۀ قدرت اجرایی قاعده است. لایۀ سوم، لایۀ نرمال‌‏‏سازی نام دارد و در آن قدرت قاعده (قانون)، با رابطۀ زیر، نرمال‌‏‏سازی می‌‏‏شود که در آن  وزن i امین قاعده است. این لایه وزن قاعده را برای مجموع وزن قواعد، محاسبه می‌‏‏کند (رابطه1).

لایۀ چهارم، لایۀ انطباقی است و در آن هر گره، یک تابع خطی است و ضرایب این تابع با ترکیبی از تقریب حداقل مجذورات و روش استفاده‌شده، تعدیل می‌‏‏شود و درنهایت، لایۀ پنجم که لایۀ خروجی است و در آن نتایج، به‌عنوان مجموعه‌‏‏ای از خروجی گره‌‏‏های لایۀ قبلی، مطابق رابطۀ (2) به دست آمده است. در رابطۀ (2)، ، خروجی گره i ام در لایۀ قبلی است (گوان[lvii] و همکاران، 2008).

در شکل 2 ساختار شبکه‌‏‏های عصبی-فازی نمایش داده شده است.

شکل2- ساختار سیستم استنتاج فازی- عصبی انطباقی(جانگ، 1993)

در طراحی الگوی شبکۀ عصبی، درواقع باید اندازۀ مجموعۀ آموزش و تست، نرمال‌کردن داده‌‏‏ها، تعداد لایه‌‏‏های پنهان شبکه، تعداد نورون‌های هر لایه، الگوریتم‌های آموزش، تابع تبدیل، تابع عملکرد، میزان آموزش و تعداد تکرارها مشخص شود. در تعیین این موارد، روش‌های نظام‌‏‏مندی وجود ندارد؛ بنابراین، بهترین طراحی شبکه با استفاده از تجربه و آزمایش و خطا به دست می‌‏‏آید. اگر داده‌‏‏های نرمال‌‏‏نشده وارد شبکه شوند، به‌دلیل تغییرات زیاد داده‌‏‏ها، اثر متفاوتی بر شبکه می‌‏‏گذارد؛ به‌طوری‌که برخی نورون‌ها خیلی زود به مرحلۀ آتش می‌‏‏رسند؛ درحالی‌که برخی دیگر حتی به آستانۀ فعالیت نیز نمی‌‏‏رسند و این امر موجب می‌‏‏شود توان پیش‌‏‏بینی الگو کاهش یابد (طحاری مهرجردی و همکاران، 1391)؛ به‌همین‌دلیل در این پژوهش، داده‌‏‏ها با استفاده از رابطۀ (3) به عددی بین صفر و یک تبدیل شد؛ به‌عبارتی بهتر، به‌صورت خطی نرمال‌‏‏سازی شد.

در رابطۀ (3)،  نشان‌دهندۀ نمرۀ تأمین‌‏‏کننده‌‏‏ در معیار j، مربوط‌ به مقولۀ i است.

در سیستم ANFIS، با افزایش تعداد ورودی‌‏‏ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه‌‏‏ای، دقت شببیه‌سازی افزایش می‌‏‏یابد. در این پژوهش، برای مقوله‌‏‏های توسعۀ قابلیت‌های ملموس و ناملموس، بهترین شبیه‌سازی در تابع مثلثی و برای دو مقولۀ دیگر، بهترین شبیه‌سازی در تابع ذوزنقه‌‏‏ای به دست آمد. قواعد با روش سوگنو تعریف می‌‏‏شود؛ مثال برای مقولۀ توسعۀ‌‏‏ قابلیت‌های ملموس که پنج ورودی دارد، با درنظر گرفتن سه حالت برای هرکدام از ورودی‌ها، تعداد قواعد برابر با 3 به توان 5 یعنی 243 قاعده به دست آمد.

از آنجایی که شبکه‌‏‏های عصبی-مصنوعی، مبتنی ‌بر داده است، آماده‌‏‏سازی داده‌‏‏ها، قدمی مهم و درواقع، کلید موفقیت در استفاده از شبکۀ عصبی است. هرچقدر تعداد داده‌‏‏ها بیشتر باشد، می‌‏‏توان دربارۀ تقریب ساختار نهفته در الگو، اطمینان بیشتری حاصل کرد (طحاری مهرجردی و همکاران، 1391). در این پژوهش، پس از طراحی سیستم عصبی-فازی برای هرکدام از مقوله‌‏‏ها با سه روش مدنظر و با درنظر گرفتن داده‌‏‏های آموزش، تست و چک به‌ترتیب با درصدهای 70، 15 و 15، سیستمِ طراحی‌‌‌شده با روش‌های شش‌گانه آموزش داده و تنظیم شد. پس از آموزش و تنظیم سیستم عصبی-فازی طراحی‌شده، بهترین ترکیب طراحی شد و تنظیم به دست آمد. نکتۀ مهم و شایان ذکر این است که تعداد قواعد سیستم‌های عصبی-فازی نهایی‌شده کمتر از تعداد قواعد سیستم‌های عصبی-فازی اولیه است. برای مثال تعداد قواعد سیستم عصبی-فازی مقولۀ توسعۀ قابلیت‌های ملموس، پس از تنظیم با GA به 61 قاعده کاهش پیدا کرد؛ در صورتی‌ که سیستم عصبی-فازی اولیه در این مقوله 243 قاعده داشت. نکتۀ حائز اهمیت بعدی این است که وقتی یک سیستم عصبی-فازی با یک الگوریتم فراابتکاری تنظیم می‌‏‏شود، سیستم عصبی-فازی تنظیم‌شده با تعداد قواعد کمتر، پیش‌‏‏بینی‌‏‏های دقیق‌تری (با خطای کمتری) دارد.

5-3- روش‌های سنتی

روش پس‌‏‏انتشار داده‌‏‏های ورودی را درون شبکه به جلو می‌‏‏فرستد و اختلاف بین خروجی محاسبه‌شده و خروجی ایده‌‏‏آل را برای داده‌‏‏های آموزش محاسبه می‌‏‏کند. در مرحلۀ بعد، خطا دوباره به درون شبکه برگردانده می‌‏‏شود و وزن‌های بهینه در طی مراحل تکرار تعیین می‌‏‏شود و این مراحل تا زمان نزدیک‌شدن مقادیر خروجی محاسبه‌شده به مقادیر ایده‌‏‏آل ادامه می‌‏‏یابد (محبیان و همکاران، 1397)؛ اما روش هیبرید، ترکیبی از تخمین حداقل مجذورات و پس‌‏‏انتشار را استفاده می‌کند (متلب، 2014).

6-3- الگوریتم‌های فراابتکاری

الگوریتم‌های فراابتکاری یا تکاملی، بیشتر به‌عنوان الگوریتم‌های بهینه‌‏‏سازی همه‌‏‏منظوره شناخته می‌‏‏شود که قادر به پید‌اکردن جواب‌های نزدیک به بهینه، برای مسائل ریاضی و واقعی است (منصوری و ترابی، 1394). در این پژوهش از چهار روش ACO، GA، PSO و DE، به‌دلیل سازگاری آنها با سیستم استنتاج عصبی-فازی و به‌کارگیری آنها در مطالعات مختلف استفاده می‌‏‏شود.

ساختار ACO، به کاربر اجازۀ حل مسائل بهینه‌‏‏سازی ترکیبی (گسسته-پیوسته) را می‌‏‏دهد. قانون الگوریتم مورچگان پیوسته در انتخاب مقادیر متغیر، در فضای جستجو با توزیع احتمال پیوسته بیان می‌‏‏شود.

GA با استفاده از این ایده، اقدام به حل مسائل می‌‏‏کند که در طبیعت از ترکیب کروموزوم‌های بهتر، نسل‌های بهتری پدید می‌‏‏آید و در این ‌بین، گاهی اوقات جهش‌هایی نیز در کروموزوم‌ها روی می‌‏‏دهد که ممکن است باعث بهتر شدن نسل بعدی شود (سموئی و فتاحی، 1396). در الگوریتم ژنتیک، راه‌‌‏‏حل ممکن یک مسئله، به‌صورت رشته‌‏‏ای از بیت‌‏‏ها نشان داده می‌‏‏شود که طی فرآیندی تصادفی، مکرراً به یکدیگر تبدیل می‌‏‏شوند. این رشته‌‏‏های بیتی «افراد ژنتیکی» خوانده می‌‏‏شود. به هر فرد ژنتیکی یک برازندگی تخصیص می‌‏‏یابد که بیانگر میزان کارآیی آن فرد در حل مسئلۀ پیش ‌‏‏رو است. (ریچمن[lviii]، 2001).

درPSO، حرکت دلپذیر و رقص‌‏‏گونۀ گروه پرندگان یا ماهی‌‏‏ها شبیه‌‏‏سازی می‌‏‏شود و مطالعات آن به‌عنوان بخشی از پژوهش اجتماعی-شناختی براساس تفکر «هوش جمعی» در جوامع زیستی صورت گرفته است (اسماعیل‌‏‏زاده و همکاران،1392).این روش با یک گروه از جواب‌های تصادفی (ذرات) شروع به کار می‌‏‏کند و به تمام آنها به‌صورت تصادفی مکان و سرعتی اختصاص می‌‏‏دهد. برای یافتن بهترین جواب، ذرات را باید بر فراز فضای جواب به حرکت درآورد و هرگاه یکی از آنها جواب مناسبی یافت، یافته‌‏‏های خود را در اختیار سایر ذرات قرار می‌‏‏دهد تا آنها نیز به سمت بهترین جواب حرکت کنند. (سموئی و فتاحی، 1396).

DE چهار مرحلۀ ارزش‌‏‏دهی، جهش، تقاطع یا بازترکیبی و انتخاب دارد. این الگوریتم به‌منظور غلبه بر عیب اصلی GA؛ یعنی فقدان جستجوی محلی ارائه شده است. تفاوت اصلی بین GA و DE در ترتیب مراحل جهش، بازترکیبی و همچنین نحوۀ کار عملگر انتخاب است. DE از یک اپراتور تفاضلی برای تولید جواب‌های جدید بهره می‌‏‏گیرد که این اپراتور باعث مبادلۀ اطلاعات بین اعضای جمعیت می‌‏‏شود. یکی از مزایای این الگوریتم، داشتن حافظه است که اطلاعات جواب‌های مناسب در جمعیت فعلی را حفظ می‌‏‏کند. دیگر مزیت این الگوریتم، به مرحلۀ انتخاب آن مربوط است. در این الگوریتم، همۀ اعضای یک جمعیت شانس مساوی برای انتخاب‌شدن به‌عنوان یکی از والدین را دارند (منصوری و ترابی، 1394).

نتایج همۀ روش‌های به‌کار گرفته‌شده، براساس جذر میانگین مربعات خطا[lix] و خط رگرسیون[lx] با هم مقایسه می‌‏‏شود. RMSE دقت و اعتبار داده‌‏‏ها را نشان می‌‏‏دهد و از رابطۀ (4) محاسبه می‌‏‏شود (معماریان فرد و بیگی هرچگانی، 1388)

RMSE، یک ابزار خوب برای مقایسۀ مجموعه‌‏‏ای از داده‌‏‏هاست و تفاوت‌های مجزا را در یک عدد، جمع‌‏‏آوری می‌‏‏کند. هرچقدر مقدار RMSE کمتر باشد، روش استفاده‌شده خطای کمتری دارد. در رابطۀ فوق، At مقادیر هدف (مقادیر واقعی) و Ft مقادیر خروجی (مقادیر پیش‌‏‏بینی‌شده توسط مدل) است. R، خط رگرسیون بین مقادیر خروجی و هدف را نشان می‌‏‏دهد. هرچقدر مقدار R بیشتر باشد، دقت روش استفاده‌شده برای پیش‌‏‏بینی بیشتر خواهد بود.

همان‌طور که در جدول 2 مشاهده می‌‏‏شود، مدیران ارشد شرکت‌های ایران‌‏‏خودرو و سایپا، ابتدا باید براساس معیارهای مرتبط با هر مقوله، تأمین‌‏‏کنندگان منتخب را با عددی بین 0 تا 100 ارزیابی می‌‏‏کردند؛ سپس، براساس ارزیابی انجام‌شده و وزن یا اهمیتی که به‌طور ذهنی برای هرکدام از معیارها در نظر می‌‏‏گیرند، یک نمره بین 0 تا 100 برای مقولۀ مدنظر از تأمین‌‏‏کنندگان منتخب نیز پیش‌‏‏بینی می‌‏‏کردند. درنهایت، براساس ارزیابی انجام‌شده از چهار مقوله و وزن یا اهمیتی که به‌طور ذهنی برای هرکدام از مقوله‌‏‏ها در نظر می‌‏‏گیرند، یک نمره بین 0 تا 100 برای SD، از تأمین‌‏‏کنندگان منتخب نیز پیش‌‏‏بینی می‌‏‏کردند. شایان ذکر است، با توجه‌ به اینکه هرکدام از مدیران، داده‌‏‏های مربوط به تأمین‌‏‏کنندگانی را تکمیل می‌‏‏کردند که با آنها در تعامل بودند و یا آشنایی داشتند، برای تکمیل 10 جدول که مدنظر پژوهشگران بود، براساس نظرات حدود 30 الی 40 مدیر، برای 53 تأمین‌‏‏کنندۀ منتخب، داده‌‏‏های مزبور گردآوری شد. در ادامه، یک نمونه از یک رشته جواب آمده است.  نشان‌دهندۀ نمرۀ تأمین‌‏‏کننده‌‏‏، در معیار j مربوط به مقولۀ i است.

در بالا یک کروموزوم تصادفی با 17 ژن (معیارهای مرتبط با SD) نشان داده شده است.  الی  مربوط به معیارهای مقولۀ اول،  الی  مربوط معیارهای به مقولۀ دوم،  الی  مربوط به معیارهای مقولۀ سوم و  الی  مربوط به معیارهای مقولۀ چهارم‌ است. اگر بخواهیم رشتۀ جواب را برای مقوله‌‏‏ها به‌طور جداگانه بنویسیم، باید ژن‌های مربوط به هرکدام از مقوله‌‏‏ها را در یک کروموزوم جداگانه بنویسیم. به‌عنوان ‌مثال، برای مقولۀ اول به‌صورت زیر خواهد بود:

7-3- رویۀ تحلیل حساسیت مقوله‌‏‏ها و پیشنهاد فعالیت‌های مناسب برای SD

برای تحلیل حساسیت مقوله‌‏‏های چهارگانه و تعیین میزان اهمیت آنها در SD‌‏‏، از رویه‌‏‏ای استفاده می‌‏‏کنیم که رضایی و آرت[lxi](2013) در مطالعه‌‏‏شان به کار برده‌‏‏اند.

گام اول: پس از به‌دست آوردن نمرۀ نهایی تأمین‌‏‏کنندگان با استفاده از سیستم فازی- عصبی مناسب، مقولۀ اول را از ورودی‌های سیستم حذف می‌‏‏کنیم. گام دوم: قدرمطلق تغییرات نمرۀ نهایی همۀ تأمین‌‏‏کنندگان را محاسبه می‌‏‏کنیم. گام سوم: متوسط قدرمطلق تغییرات نمره‌های نهایی تأمین‌‏‏کنندگان را به دست می‌‏‏آوریم. گام چهارم: برای همۀ مقوله‌‏‏ها، گام‌های فوق را تکرار می‌‏‏کنیم. گام پنجم: اعداد به‌دست‌آمده از گام سوم را به‌صورت نزولی مرتب می‌‏‏کنیم. این عمل موجب اولویت‌‏‏بندی مقوله‌‏‏های مختلف ازلحاظ میزان اثر‌‏‏گذاری در SD‌‏‏ می‌‏‏شود. گام ششم: با توجه ‌به میزان اهمیت مقوله‌‏‏های مختلف، فعالیت‌های مناسب برای توسعۀ آنها پیشنهاد می‌‏‏شود. شایان ذکر است، برای پیشنهاد فعالیت‌های مناسب، از فعالیت‌های شناسایی‌شده توسط الفت و همکاران (2019) استفاده می‌‏‏شود که در جدول 5 آمده‌‏‏ است،.

جدول5- ابعاد، مقوله‌‏‏ها و فعالیت‌های مرتبط با SD‌‏‏ (الفت و همکاران، 1398)

• یافته‌‏‏های پژوهش

در این بخش، ابتدا نتایج سیستم‌ها طراحی و بهینه شده است؛ سپس، نتایج تحلیل حساسیت و فعالیت‌های پیشنهادی مناسب برای توسعۀ تأمین‌‏‏کنندگان آورده می‌‏‏شود. برای جلوگیری از افزایش حجم مقاله، در بخش  1-4، فقط نتایج 18 سیستم برای مقولۀ توسعۀ ‌قابلیت‌های ملموس طراحی و تنظیم شده و در جداول 6 و 7 نیز فقط محاسبات مربوط به سه تأمین‌‏‏کنندۀ اول و تأمین‌‏‏کنندۀ آخر برای نمونه آورده شده است.

• سیستم استنتاج عصبی-فازی برای مقولۀ توسعۀ قابلیت‌های ملموس

براساس جدول4 این سیستم، شامل 5 معیار به‌عنوان ورودی و یک خروجی به ‌‏‏نام قابلیت‌های ملموس است. نتایج سیستم‌های استنتاج عصبی-فازی برای این مقوله به شرح جدول6 است:

جدول6- نتایج ترکیب‌های مختلف روش‌های طراحی و تنظیم مقولۀ قابلیت‌های ملموس برای داده‌‏‏های تست

براساس مقدار R، ترکیب‌های FCM-ACO، FCM-DE و FCM-GA نتایج بهتری به دست داده‌‏‏ است؛ بنابراین، یکی از آنها به‌دلخواه انتخاب می‌‏‏شود. در اینجا ما ترکیب FCM-GA را انتخاب می‌‏‏کنیم و در ادامه، شکل‌های مربوط به این ترکیب را می‌‏‏آوریم.

در شکل 3، نمودار اول که در قسمت بالای شکل آمده است، مقادیر خروجی ترکیب استفاده‌شده (Outputs) و مقادیر هدف (Targets) را با یکدیگر مقایسه می‌‏‏کند. مقادیر خیلی نزدیک به یکدیگر است که نشان‌دهندۀ دقت ترکیب استفاده‌شده برای پیش‌‏‏بینی است. به‌منظور مشخص‌شدن نقاط مربوط به داده‌‏‏ها، این نمودار مجدداً در شکل 4 نمایش داده شده است.

نموداری که در وسط و سمت چپ شکل3 قرار دارد، مقادیرخطاها را در داده‌‏‏ها نشان می‌‏‏دهد که از اختلاف بین مقادیر خروجی و هدف به دست می‌‏‏آید. نمودار وسط و سمت راست، توزیع مربوط به خطاها را نشان می‌‏‏دهد و هرچقدر به توزیع نرمال نزدیک‌تر باشد، نشان‌دهندۀ دقت بیشتر ترکیب استفاده‌شده است. نمودار پایین، خط رگرسیون بین مقادیر خروجی و هدف را نشان می‌‏‏دهد که هرچقدر مقدار R مربوط به این نمودار بیشتر باشد، دقت ترکیب استفاده‌شده برای پیش‌‏‏بینی بیشتر خواهد بود. سیستم FCM-GA از طریق FCM طراحی و با GA تنظیم شده است که شامل 61 قاعده است (شکل‌های 5 و 6). در شکل 5 قواعد 1 تا 30 نمایش داده شده است. برای به‌دست آوردن نمرۀ تأمین‌‏‏کنندگان در قابلیت‌های ملموس، میانگین نمره‌ها را در معیارهای مرتبط به این سیستم وارد کرده‌ایم و خروجی آن ‌را، در ستون نمرۀ قابلیت‌های ملموس جدول6 ثبت می‌‏‏کنیم.

شکل3- نتایج ترکیب FCM-GA برای قابلیت‌های ملموس

شکل4- مقایسۀ مقادیر خروجی ترکیب استفاده‌شده (Outputs) و مقادیر هدف (Targets)

شکل 5- شبکۀ عصبی FCM-GA برای پیش‌‏‏بینی نمرۀ قابلیت‌های ملموس

شکل 6- سیستم FCM-GA برای پیش‌‏‏بینی نمرۀ قابلیت‌های ملموس

برای مقولۀ‌‏‏ توسعۀ قابلیت‌های ناملموس ترکیب FCM-ACO، برای مقولۀ توسعۀ ‌‏‏یه‌ روابط ترکیب FCM-GA، برای مقولۀ توسعۀ قابلیت‌های محیطی نیز ترکیب FCM-GA و برای SD ترکیب FCM-ACO انتخاب و نمره‌‏‏های تأمین‌‏‏کنندگان برای آنها پیش‌‏‏بینی شده است. در جدول 7 نمره‌‏‏های تأمین‌‏‏کنندگان در چهار مقوله و SD آمده است.

جدول7- نمره‌‏‏های تأمین‌‏‏کنندگان منتخب در مقوله‌‏‏ها و SD‌‏‏

در ستون آخر، میانگین نظرهای مدیران دربارۀ 53 تأمین‌‏‏کنندۀ منتخب محاسبه شده است. با استفاده از نرم‌افزار اکسل، همبستگی بین آنها و نمرۀ پیش‌‏‏بینی‌شده توسط سیستم استنتاج عصبی-فازی محاسبه و مقدار آن 843/0 به دست آمد که نشان‌دهندۀ دقت خوب سیستم استنتاج عصبی-فازی طراحی شده است.

• نتایج تحلیل حساسیت و پیشنهاد فعالیت‌های مناسب برای SD‌‏‏

پس از طراحی سیستم‌های استنتاج عصبی-فازی مناسب برای مقوله‌‏‏ها و SD‌‏‏، طبق گام‌های گفته‌شده در بخش 3-6تحلیل حساسیت مقوله‌‏‏ها انجام می‌‏‏شود. درجدول8 اطلاعات مربوط به تحلیل حساسیت آمده است.

جدول8- نمرهای SD بدون مقوله‌‏‏های مختلف و میانگین قدرمطلق تغییرات نمره‌ها برای آنها

با توجه ‌به نتایج جدول8، مقولۀ توسعۀ قابلیت‌های محیطی، حساس‌ترین مقولۀ  SD‌‏‏است؛ زیرا میانگین قدرمطلق تغییرات نمره‌های SD برای آن بیشترین است. رتبۀ دوم، به مقولۀ توسعۀ قابلیت‌های ناملموس مربوط است. رتبۀ سوم و چهارم ازلحاظ حساس‌بودن، به‌ترتیب مربوط به توسعۀ قابلیت‌های ملموس و توسعۀ روابط است. این نتایج نشان می‌‏‏دهد در صنعت خودروی ایران، توسعۀ قابلیت‌های محیطی تأمین‌‏‏کنندگان، نسبت‌به سه مقولۀ دیگر اثر بیشتری بر توسعۀ آنها دارد و به آن معنی است که تولیدکنندگان صنعت خودروسازی ایران برای توسعۀ تأمین‌‏‏کنندگان خود، ابتدا باید فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی را به کار گیرند، طبق نتایج جدول 4 این فعالیت‌ها، شامل ارزیابی عملکرد محیطی تأمین‌‏‏کننده و بازخور نتایج، تسهیم اطلاعات محیطی، اخلاقی و مسئولیت اجتماعی، اخذ گواهینامه‌‏‏های محیطی و اجتماعی، تدوین برنامه‌‏‏های بهبود کیفیت زندگی جوامع هدف، تدارکات سبز و هوشیارانۀ محیطی، فعالیت‌های لجستیک معکوس و تلاش‌های مشترک برای بهبود عملکرد پایداری است.

همانطور که گفته شد، اولویت دوم برای توسعۀ تأمین‌‏‏کنندگان، توسعۀ مقولۀ قابلیت‌های ناملموس است. طبق نتایج جدول 4، فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی این قابلیت‌ها و بازخور نتایج، آموزش و بروزکردن، تشکیل تیم SD و... است.

اولویت سوم، توسعۀ مقولۀ قابلیت‌های ملموس است که شامل قابلیت‌هایی مثل قابلیت کیفیتی، قابلیت تکنولوژیکی و... است. فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی قابلیت‌های ملموس و بازخور نتایج، فشار رقابتی، کاهش پایۀ تأمین و... است.

آخرین اولویت مربوط به توسعۀ مقولۀ روابط است. فعالیت‌های پیشنهادی برای توسعۀ این مقوله، شامل ارزیابی روابط و بازخور نتایج، تسهیم به‌موقع اطلاعات با یکدیگر، انعقاد قراردادهای بلندمدت با تأمین‌‏‏کننده و گسترش آنها، هماهنگ‌کردن فرآیندها و... است.

• بحث

با توجه ‌به نتایج به‌دست‌آمده از تجزیه‌وتحلیل داده‌‏‏ها برای هر مقوله و SD‌‏‏، دریافتیم که در همۀ آنها روش‌های غالب برای تنظیم سیستم‌های استنتاج فازی-عصبی، روش‌های بهینه‌‏‏سازی تکاملی بوده‌‏‏ است. این یافته نشان می‌‏‏دهد برای داده‌‏‏های این پژوهش، روش‌های بهینه‌‏‏سازی تکاملی به‌منظور تنظیم سیستم استنتاج عصبی-فازی مناسب است. این یافته بیانگر این نیست که روش‌های بهینه‌‏‏سازی تکاملی همواره و برای همۀ مسائل، نسبت‌به روش‌های سنتی غالب است.

جدول8 نشان می‌‏‏دهد روش بهینه‌‏‏سازی ACO در همۀ سیستم‌ها، روش بهینه‌‏‏سازی DE در چهار سیستم، روش بهینه‌‏‏سازی GA در دو مقوله، به‌عنوان روش‌های غالب شناسایی شد؛ اما روش بهینه‌‏‏سازی PSO در هیچ‌کدام از مقوله‌‏‏ها غالب نبود. این یافته نشان می‌‏‏دهد برای داده‌‏‏های این پژوهش، اولویت‌‏‏بندی روش‌های بهینه‌‏‏سازی تکاملی به‌صورت  است. مقایسۀ دو الگوریتم بهینه‌سازی، به بررسی‌های زیادی نیاز دارد. هر الگوریتم در دستۀ خاصی از مسائل، خوب جواب خواهد داد. پیداکردن این دسته برای هر الگوریتم نیز به بررسی زیادی نیاز دارد؛ البته نتیجه‌‏‏گیری‌هایی در حد کلی دربارۀ آنها می‌‏‏توان داشت؛ ولی درنهایت، باید بررسی را به مسئلۀ مدنظر محدود کرد؛ حتی مسائلی وجود دارد که در آنها، جستجوی غیرهوشمند تصادفی، جوابی بهتر از الگوریتم‌های هوشمند و روش‌های بهینه‌سازی تکاملی می‌‏‏دهد. درهرصورت، تنها نکته‌‏‏ای که می‌توان با قوت تمام و با پشتوانۀ علمی بیان کرد؛ این‌ است ‌که، هیچ الگوریتمی برای تمام مسائل بهینه‌‏‏سازی بهترین نیست. برتری یک الگوریتم در تعداد زیادی از توابع باید یررسی شود. نکتۀ دیگر، نسخه‌‏‏های الگوریتم‌ها است؛ بهترین کار این ‌است ‌که، دو نسخه، از ساختار برنامه‌‏‏نویسی مشابهی برخوردار باشد؛ یعنی مثلاً نسخه‌‏‏های استاندارد دو الگوریتم با هم مقایسه شود؛ نه اینکه یک نسخۀ بهبودیافته از یک الگوریتم با نسخۀ استاندارد دیگری مقایسه شود.

جدول9- وضعیت روش‌های بهینه‌‏‏سازی برای مقوله‌‏‏های مختلف و SD‌‏‏

نمره‌های به‌دست‌آمده از سیستم‌های استنتاج عصبی-فازی نشان می‌‏‏دهد، تعداد تأمین‌‏‏کنندگانی که در توسعۀ قابلیت‌های ملموس نمرۀ قابل قبولی را کسب کرده‌‏‏اند؛ تقریباً برابر با تعداد تأمین‌‏‏کنندگانی است که در این مقوله نمرۀ قابل قبولی را کسب نکرده‌‏‏اند. تعداد تأمین‌‏‏کنندگانی که در مقوله‏‏‏های توسعۀ قابلیت‌های ناملموس و توسعۀ قابلیت‌های محیطی نمرۀ قابل قبولی گرفته‌‏‏اند (نمرۀ بالاتر از 5/0)، بیشتر از تعداد تأمین‌‏‏کنندگانی است که در این مقوله‌‏‏ها نمرۀ قابل قبولی نگرفته‌‏‏اند. این نسبت دربارۀ مقولۀ توسعۀ روابط، برعکس است (جدول10). این موضوع می‌‏‏تواند بیانگر این باشد که تأمین‌‏‏کنندگان صنعت خودروسازی ایران، درزمینۀ توسعۀ قابلیت‌های ناملموس و محیطی، توسعه‌‏‏یافته‌‏‏تر از مقوله‌‏‏های ملموس و روابط‌اند.

جدول 10- تعداد تأمین‌‏‏کنندگان با نمره‌های قابل‌قبول و غیرقابل‌قبول در مقوله‌‏‏های محتلف

در این پژوهش با استفاده از تحلیل حساسیت، مقوله‌‏‏های چهارگانه اولویت‌‏‏بندی شد. میانگین قدرمطلق تغییرات نمره‌های  SDبرای مقوله‌‏‏های چهارگانه نشان می‌‏‏دهد مقولۀ توسعۀ قابلیت‌های محیطی، حساس‌ترین مقولۀ توسعۀ تأمین‌‏‏کننده است. مقوله‌‏‏های توسعۀ قابلیت‌های ناملموس، توسعۀ قابلیت‌های ملموس وتوسعۀ روابط به‌ترتیب در رتبه‌‏‏های دوم، سوم و چهارم قرار دارد. این نتایج نشان می‌‏‏دهد خبرگان در ارزیابی تأمین‌‏‏کنندگان، اهمیت و وزن بیشتری برای مقولۀ توسعۀ قابلیت‌های محیطی در نظر گرفتند. با توجه‌ به اینکه نمرۀ SD‌‏‏ براساس نمرۀ مقوله‌‏‏های چهارگانه به دست آمده است، تحلیل حساسیت در سطح مقوله‌‏‏ها انجام شده است. این یافته همچنین تولیدکنندگان و تأمین‌‏‏کنندگان صنعت خودروی ایران را ابتدا به فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی و سپس فعالیت‌های مرتبط با توسعۀ سه مقولۀ دیگر تشویق می‌‏‏کند.

• نتیجه‌‏‏گیری و پیشنهادها

در این پژوهش با کمک مدیران شرکت‌های ایران‌‏‏خودرو و سایپا، 53 تأمین‌‏‏کننده‌‏‏ از تأمین‌‏‏کنندگان گروه‌های تزئینات، تعلیق، استاندارد و مکانیزم‌ها، الکترونیک، موتوری، بدنه و تهویه انتخاب شدند که در سطوح 1 و 2 قرار داشتند. تأمین‌‏‏کنندگان منتخب، براساس معیارهای نهایی‌شده توسط مدیران ایران‌‏‏خودرو و سایپا، با نمره‌‏‏ای بین 0 تا 100 ارزیابی شدند؛ سپس براساس نتایج ارزیابی مدیران از 53 تأمین‌‏‏کنندۀ منتخب، برای هرکدام از مقوله‌‏‏های چهارگانه و توسعۀ تأمین‌‏‏کننده، 18 سیستم فازی-عصبی طراحی و تنظیم شد. با مقایسۀ نتایج حاصل از 18 سیستم فازی-عصبی، بهترین ترکیب انتخاب و براساس آن نمرۀ تأمین‌‏‏کنندگان در هر مقوله و توسعۀ تأمین‌‏‏کننده پیش‌‏‏بینی شد. تحلیل حساسیت در سطح مقوله‌‏‏ها انجام شد. نتایج تحلیل حساسیت به اولویت‌‏‏بندی مقوله‌‏‏های چهارگانه به‌صورت محیطی، ناملموس، ملموس و روابط منجر شد. براساس فعالیت‌های نهایی‌شده در بخش اول، فعالیت‌های مناسب برای توسعۀ تأمین‌‏‏کنندگان در سطح صنعت خودروسازی پیشنهاد شد.

یکی از نقاط قوت این پژوهش، پیشنهاد فعالیت‌های مناسب با توجه ‌به نتایج مقایسه و اولویت‌‏‏بندی حاصل از تحلیل حساسیت است. براساس نتایج مقایسۀ الگوریتم‌ها، به مدیران صنعت خودروسازی ایران پیشنهاد می‌‏‏شود ترجیحاً از سیستم استنتاج عصبی-فازی که با ACO تنظیم شده است، برای پیش‌‏‏بینی میزان توسعه‌‏‏یافتگی تأمین‌‏‏کنندگان خود استفاده کنند؛ زیرا در همۀ سیستم‌های طراحی‌شده، به‌عنوان سیستم برتر (با خطای کمتر) شناسایی شده است. برای پیش‌‏‏بینی میزان توسعه‌‏‏یافتگی تأمین‌‏‏کنندگان نیز فقط کافی است که ابتدا تأمین‌‏‏کنندگان خودشان را براساس معیارهای مرتبط با SD ارزیابی و نمرۀ مربوط را در سیستم طراحی‌شده وارد کنند. براساس خروجی به‌دست‌آمده که به‌صورت یک عدد قطعی است، تولیدکنندگان می‌‏‏توانند، دربارۀ فعالیت‌های مرتبط توسعۀ آن تأمین‌‏‏کننده یا مجموعه‌‏‏ای از تأمین‌‏‏کنندگان مشابه، تصمیم مناسب را بگیرند. براساس نتایج حاصل از تحلیل حساسیت، به مدیران صنعت خودروسازی ایران پیشنهاد می‌‏‏شود فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی تأمین‌‏‏کنندگان را در اولویت قرار دهند. این فعالیت‌ها شامل ارزیابی عملکرد محیطی تأمین‌‏‏کننده و بازخور نتایج، تسهیم اطلاعات محیطی، اخلاقی و مسئولیت اجتماعی، اخذ گواهینامه‌‏‏های محیطی و اجتماعی، تدوین برنامه‌‏‏های بهبود کیفیت زندگی جوامع هدف، تدارکات سبز و هوشیارانۀ محیطی، فعالیت‌های لجستیک معکوس و تلاش‌های مشترک برای بهبود عملکرد پایداری است.

هر پژوهش علمی، معمولاً موجب پیشرفت و توسعۀ یک موضوع در جنبۀ تئوری یا جنبۀ تجربی و اجرایی و یا در هر دو جنبه می‌‏‏شود؛ اما می‌‏‏توان گفت، هیچ پژوهشی وجود ندارد که عاری از هر نوع محدودیتی باشد. این پژوهش توانسته است، جزء اولین پژوهش‌های داخلی باشد که ننایج الگوریتم‌های فراابتکاری سازگار با سیستم‌های عصبی-فازی را در موضوع SD با یکدیگر مقایسه کند؛ به ‌علاوه ‌اینکه، در جنبۀ اجرایی نیز فعالیت‌های مناسب برای SD را به تولیدکنندگان صنعت خودرو پیشنهاد می‌‏‏کند؛ اما همانند هر پژوهش دیگری محدودیت‌هایی دارد که در ادامه به آنها اشاره خواهد شد.

در این پژوهش عوامل کلان، مانند عوامل سیاسی، اجتماعی، اقتصادی، فرهنگی و... در نظر گرفته نشده است. پژوهش‌های آینده می‌‏‏تواند با درنظر گرفتن این عوامل، شناسایی معیارها، فعالیت‌های مرتبط با آنها، اضافه‌کردن آنها به معیارها و فعالیت‌های مرتبط با توسعۀ قابلیت‌های محیطی تأمین‌‏‏کننده انجام شود. این امر موجب توسعۀ موضوع SD‌‏‏ خواهد شد.

در این پژوهش، همۀ ‌‏‏گروه‌های تأمین‌‏‏کنندگان (تزئینات، موتوری، استانداردها و مکانیزم‌ها، تهویه، تعلیق، بدنه و الکترونیک) و همۀ سطوح آنها با همدیگر، ارزیابی و تحلیل شده است؛ اما ممکن است نوع گروه و سطح تأمین‌‏‏کننده در نحوۀ توسعۀ آن یا به‌کارگیری فعالیت‌های مناسب برای SD، اثر داشته باشد. پیشنهاد می‌‏‏شود پژوهش‌های آینده، با تفکیک نوع و سطح تأمین‌‏‏کنندگان برای توسعۀ موضوع SD‌‏‏ تلاش کند.

در این پژوهش براساس نظر مدیران دربارۀ تأمین‌‏‏کنندگان منتخب، سیستم‌های استنتاج فازی-عصبی طراحی شد. پژوهش‌های آینده می‌‏‏تواند فارغ از انتخاب تأمین‌‏‏کنندگان، ابتدا براساس نظر مدیران صنعت مطالعه‌شده، سیستم مناسب را طراحی کند و سپس داده‌‏‏های گردآوری‌شده دربارۀ تأمین‌‏‏کنندگان مختلف را براساس آن سیستم تجزیه‌وتحلیل کند.

با توجه ‌به اینکه در این پژوهش، همۀ الگوریتم‌های تکاملی برای بهینه‌‏‏سازی شبکه‌‏‏های طراحی‌شده به کار گرفته نشده‌‏‏ است، پیشنهاد می‌‏‏شود پژوهش‌های آینده ضمن امکان‌‏‏سنجی الگوریتم‌های تکاملی دیگر، به‌منظور سازگاری با سیستم‌های استنتاج فازی-عصبی، از آنها برای بهینه‌‏‏سازی استفاده کند و نتایج آنها را با نتایج حاصل از الگوریتم‌های استفاده‌شده در این پژوهش و همچنین با یکدیگر مقایسه کند.

[i] Supplier Development(SD)

[ii] Yang

[iii] Chavhan

[iv] Chen

[v] Sako

[vi] Wouters

[vii] Talluri

[viii] Humphreys

[ix] Nagati &Rebolledo            

[x] Wagner

[xi] Leenders

[xii] Shahzad

[xiii] Bache

[xiv] Krause &Scannell

[xv] Abdullah & Maharjan

[xvi] Sánchez

[xvii] Wagner

[xviii] Modi & Mabert

[xix] Batson

[xx] Chidambaranathan

[xxi] Govindan

[xxii] Ghijsen

[xxiii] Arroyo-López

[xxiv] Marksberry

[xxv] Asare

[xxvi] Blonska

[xxvii] Praxmarer

[xxviii] Kumar& Routroy

[xxix] Khan & Nicholson

[xxx] Blome

[xxxi] Aʇan

[xxxii] Kumar

[xxxiii] Akman

[xxxiv] Lawson

[xxxv]Sancha

[xxxvi] Awasthi& Kannan

[xxxvii] Friedl

[xxxviii] Salimian

[xxxix] Mizgier

[xl] Yawar & Kauppi

[xli] Ragers

[xlii] Jeo

[xliii] Benton

[xliv] Wilding

[xlv] Fan

[xlvi] Tran

[xlvii] Grid Partitioning

[xlviii] Subtractive Clustering

[xlix] Fuzzy c-Means(FCM)

[l] Hybrid

[li] Back Propagation(BP)

[lii] Ant Colony Optimization(ACO)

[liii] Genetic Algorithm(GA)

[liv] Particle Swarm Optimization) PSO)

[lv] Differential Evolution(DE)

[lvi] Jang

[lvii] Guan

[lviii] Riechmann

[lix] Root-Mean Square Error(RMSE)

[lx] Regression(R)

[lxi] Ortt