04 آذر 1403
خداكرم سليمي فرد

خداکرم سلیمی فرد

مرتبه علمی: دانشیار
نشانی: دانشکده کسب و کار و اقتصاد - گروه مدیریت صنعتی
تحصیلات: دکترای تخصصی / تحقیق در عملیات
تلفن: 07731222118
دانشکده: دانشکده کسب و کار و اقتصاد

مشخصات پژوهش

عنوان
ارزیابی افتراقی عملکرد اقتصاد چرخشی صنایع تولیدی با الگوریتم های یادگیری ماشین
نوع پژوهش پارسا
کلیدواژه‌ها
ارزیابی افتراقی، عملکرد اقتصاد چرخشی، صنایع تولیدی، یادگیری ماشین.
پژوهشگران مریم باختر (دانشجو) ، احمد قربان پور (استاد راهنما) ، خداکرم سلیمی فرد (استاد مشاور)

چکیده

زمینه: در چند سال اخیر، شرکت ها برای دفاع از ارزش های زیست محیطی و پایدار جامعه نیاز به پاردایم نوینی از اقتصاد برای توسعه پایدار دارند. اقتصاد چرخشی به عنوان یک ابزاری کارآمد می تواند اثرات زیست محیطی را کاهش دهد و از افزایش هزینه ها، تأخیرها و عواقب دیگر جلوگیری نماید و سازمان ها را در دستیابی به عملکرد بهتر یاری رساند. هدف: هدف اصلی این پژوهش، ارزیابی افتراقی عملکرد اقتصاد چرخشی صنایع تولیدی با الگوریت مهای یادگیری ماشین است. روش‏شناسی: این پژوهش، از نظر هدف، کاربردی و از بعد روش و ماهیت، توصیفی از نوع پیمایشی است. جامعه آماری این مطالعه شامل صنایع تولیدی فعّال در استان بوشهر می باشند که با روش کوکران حجم نمونه انتخاب گردید. ابزار جمع آوری داده ها این پژوهش، پرسشنامه ی محقق ساخته است که روایی آن با روش تحلیل محتوای صوری و پایایی آن نیز با روش آلفای کرونباخ بررسی و تأیید گردید. به منظور دستیابی به اهداف، از رویکردهای یادگیری ماشین استفاده شده است. یافته‏ها: در این پژوهش، تعداد 14 ویژگی اقتصاد چرخشی در4 بعد شناسایی شدند. به منظور انتخاب ویژگی ها، از آزمون تی استیودنت استفاده شد. یافته ها نشان داد ویژگی های شماره 3، 4، 8 و10 از تحلیل خوشه ای حذف شوند. یافته ها نشان داد 29 درصد صنایع عضو خوشه دوم و 71 درصد صنایع نیز به خوشه اول تعلق دارند. نتیجه‏گیری: نتایج نشان داد صنایع تولیدی خوشه اول در ویژگی مصرف گاز عملکردی نسبتا خوب داشته و در سایر ویژگی ها عملکرد زیر حد متوسط داشتند. صنایع تولیدی خوشه دوم در ویژگی های سرمایه گذاری در فناوری ها و تجهیزات دوستدار محیط زیست، کارکنان فعال در حوزه محیط گرایی و نیز مصرف انرژی سبز عملکردی نسبتا خوب داشتند. در سایر ویژگی ها عملکرد زیر حد متوسط دارند. نتایج تحلیل تشخیصی نشان داد تابع پیش بین ارائه شده از قدرت تشخیص بسیار بالایی برای تمیز دادن صنایع برخوردار است.