دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 Development of a Comprehensive Agent-Based Simulation Model for Smart Transformation of Iran’s Hotel Industry within the Tourism 4.0 Framework توسعه مدل جامع شبیه‌سازی عامل‌بنیان برای هوشمندسازی صنعت هتل ایران با رویکرد گردشگری نسل ۴ 9 34 106780 10.48308/jimp.16.1.9 FA فاطمه ثقفی دانشیار، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. روح اله قاسمی استادیار، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. سینا طریقی استادیار، دانشکده مدیریت صنعتی و فناوری، دانشکدگان مدیریت، دانشگاه تهران، تهران، ایران. طیبه کوثری دانشجوی دکتری، پردیس کیش، دانشگاه تهران، کیش، ایران. Journal Article 2025 09 08 Introduction and Purpose: Luxury hotels, which rely on precise interaction between staff and guests, have actively introduced technologies to enhance guest experience and satisfaction. The upgrading of smart hotels has brought about significant changes in the development environment of the hotel industry, which has led to the emergence of smart hotels. In the modern era, it is very important to make full use of the functions of smart hotels and strive to develop them. Smart hotels allow guests to register their identities, process orders, and receive room cards online. In addition, guests can personalize the services they receive, making the reception and service process simpler and more satisfying. To build a smart tourism hotel, it is necessary to optimize and innovate the core business content of the hotel to enhance the customer experience. This research aimed to develop a comprehensive model for smartening Iran's hotel industry within the Tourism 4 framework and using agent-based simulation. Methodology: The research approach was hybrid and included library and field stages. First, using the systematic litrature review method, the findings of recent quantitative and qualitative research (2020 onwards) were reviewed and initial codes were extracted. Then, to identify neglected factors and localize the model, thematic analysis was performed on data from 13 semi-structured interviews with hotel industry experts. Combining the results of these two stages led to the identification of 5 main factors (customer, hotel, human resources, government, housekeeping) and 19 key variables. Using interpretive structural modeling, causal and hierarchical relationships of the determinants were determined and the final conceptual model was drawn. The model was implemented in a factor-based simulation environment and evaluated with internal (expert confirmation) and external (comparison with real data) validation, which showed a deviation of less than 0.2 percent. Findings: The results of this study have increased the awareness of managers and those interested in the field of hotel management and management in the field of smart hotel industry and factor-based models. Also, based on the results of the simultaneous interpretation structural modeling and weighting method, it is concluded that the factors "Customer" and "Hotel (Acceptance / Booking / Reservation)" which are located in the link area have high influence and dependence. In fact, any action on these variables causes changes in other variables. The variable "Government" is located between the autonomous and dependent area, has low influence and medium dependence. Also, the variables "Room and Reception Services (Housekeeping)" and "Human Resources" are located in the neutral area. It was also found that "Room and Reception Services (Housekeeping)", "Human Resources" and "Government" are at the highest level and are most influenced by the "Customer" and "Hotel (Reception/Booking/Reservation)" factors. Conclusions: Scenario analysis based on two key variables, "technological infrastructure" and "expert human resources," indicated that the simultaneous improvement of these two has the greatest impact on achieving the goal of providing 65 million person-nights of accommodation by 2025. The main innovation of the research is the integration of the three flows of materials, information, and finance in the Tourism 4 framework and the provision of a native and comprehensive model for strategic decision-making in the hotel industry that can help improve service quality, operational efficiency, and competitiveness in the smart tourism market. مقدمه و هدف: هتل‌های لوکس که بر تعامل دقیق بین کارکنان و مهمانان متکی هستند، به طور فعال فناوری‌هایی را برای افزایش تجربه و رضایت مهمانان معرفی کرده‌اند. ارتقای سطح هتل‌های هوشمند تغییرات قابل توجهی را در محیط توسعه صنعت هتلداری ایجاد کرده است که منجر به پیدایش هتل‌های هوشمند شده است. در عصر مدرن، استفاده کامل از عملکردهای هتل هوشمند و تلاش برای توسعه آن بسیار مهم است. هتل‌های هوشمند به مهمانان این امکان را می‌دهد که هویت خود را ثبت کنند، سفارشات را پردازش کنند و کارت اتاق را از طریق اینترنت دریافت کنند. علاوه بر این، میهمانان می‌توانند خدمات دریافتی‌شان را شخصی‌سازی نمایند و فرآیند پذیرایی و ارائه خدمات را ساده‌تر و رضایت‌بخش‌تر نمایند. برای ساخت یک هتل گردشگری هوشمند، بهینه‌سازی و نوآوری محتوای تجاری اصلی هتل برای افزایش تجربه گردشگر ضروری است. این پژوهش با هدف توسعه مدلی جامع برای هوشمندسازی صنعت هتل ایران در چارچوب گردشگری نسل ۴ و با بهره‌گیری از شبیه‌سازی عامل‌بنیان انجام شد. روش‌ها: رویکرد تحقیق ترکیبی و شامل مراحل کتابخانه‌ای و میدانی بود. ابتدا با روش مرور ادبیات نظام مند ، یافته‌های پژوهش‌های کمی و کیفی اخیر (۲۰۲۰ به بعد) مرور و کدهای اولیه استخراج شد. سپس برای شناسایی عوامل مغفول و بومی‌سازی مدل، تحلیل مضمون بر داده‌های حاصل از ۱۳ مصاحبه نیمه‌ساختاریافته با خبرگان صنعت هتل اجرا گردید. ادغام نتایج این دو مرحله منجر به شناسایی ۵ عامل اصلی (گردشگر، PMS هتل، واحد منابع انسانی، وزارت میراث فرهنگی، گردشگری و صنایع دستی، خانه‌داری) و ۱۹ متغیر کلیدی شد. با استفاده از مدل‌سازی ساختاری تفسیری روابط علّی و سلسله‌مراتبی عوامل تعیین و مدل مفهومی نهایی ترسیم شد. مدل در محیط شبیه‌سازی عامل‌بنیان پیاده‌سازی و با اعتبارسنجی درونی (تأیید خبرگان) و بیرونی (مقایسه با داده‌های واقعی) ارزیابی شد که انحراف کمتر از ۰.۲ درصد را نشان داد. یافته‌ها: نتایج این پژوهش آگاهی مدیران و علاقمندان حوزه مدیریت و هتل‌داری را در زمینه هوشمندسازی صنعت هتل و مدل‌های عامل‌بنیان افزایش داده است. هم‌چنین، بر اساس نتایج روش مدل‌سازی و وزن‌دهی ساختاری تفسیری همزمان نتیجه می‌شود که عامل‌های «گردشگر» و «PMS PMS هتل (پذیرش / بوکینگ / رزرواسیون)» که در منطقه پیوندی قرار دارند دارای قدرت نفوذ و وابستگی زیادی هستند. در واقع هرگونه عملی بر روی این متغیرها باعث تغییر سایر متغیرها می‌شود. متغیر «وزارت میراث فرهنگی، گردشگری و صنایع دستی» بین ناحیه خودمختار و وابسته قرار گرفته است دارای قدرت نفوذ پایین و وابستگی متوسط هست. هم‌چنین متغیرهای «خدمات اتاق و پذیرایی (خانه‌داری)» و «منابع انسانی» در منطقه خنثی قرار گرفته‌اند. هم‌چنین مشخص گردید، «خدمات اتاق و پذیرایی (خانه‌داری)»، «منابع انسانی» و «وزارت میراث فرهنگی، گردشگری و صنایع دستی» در بالاترین سطح قرار گرفته‌اند و بیشتر تحت تأثیر عوامل «گردشگر» و «PMS هتل (پذیرش / بوکینگ / رزرواسیون)» هستند. نتیجه‌گیری: تحلیل سناریوها بر اساس دو متغیر کلیدی «زیرساخت فناورانه» و «نیروی انسانی متخصص» بیانگر آن بود که ارتقاء همزمان این دو، بیشترین اثر را در دستیابی به هدف تأمین ۶۵ میلیون نفر-شب اقامت تا افق ۱۴۰۴ دارد. نوآوری اصلی پژوهش، ادغام سه جریان مواد، اطلاعات و مالی در چارچوب گردشگری نسل ۴ و ارائه مدلی بومی و جامع برای تصمیم‌گیری راهبردی در صنعت هتل است که می‌تواند به بهبود کیفیت خدمات، بهره‌وری عملیاتی و رقابت‌پذیری در بازار گردشگری هوشمند کمک کند.

https://jimp.sbu.ac.ir/article_106780_4e390d8216fb55e89e7c1f3aa58b2acc.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 Presenting a mathematical approach for tool life modeling based on Weibull distribution and dependent on machining conditions مدلسازی احتمالی عمر ابزارهای ماشین‌کاری: یک رویکرد ریاضی با استفاده از توزیع وایبل 35 57 106812 10.48308/jimp.16.1.35 FA محمدرضا شهریاری دانشیار، گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران. آرش زارع طلب استادیار، گروه مدیریت بازرگانی، واحد شهرقدس، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 2024 05 11 Introduction: Currently, machining processes constitute a vital part of global manufacturing processes. The importance of these processes can be observed through the financial flow resulting from their use. One of the fundamental issues in utilizing machining processes for product manufacturing is tool wear. To date, various studies with diverse assumptions have been conducted to analyze wear characteristics under different conditions to satisfy various objectives. Traditional models for analyzing tool life and wear, which are often based on deterministic equations, do not consider the variations that occur in cutting processes, and for this reason, the actual tool life rarely matches the values predicted by these methods. In recent years, there has been increased attention to the use of statistical distributions for predicting tool life. Among them, the use of the Weibull distribution is of particular importance. The main challenge of these approaches is the accurate estimation of the tool life distribution function based on real data. Moreover, with changes in machining conditions, the tool life distribution function may change, estimating the distribution parameters for tool life more challenging. Additionally, due to the suitable fit of cutting tool life with the Weibull distribution, estimating the parameters of this distribution is complex due to its specific characteristics. Method: In this research, a hybrid method is presented that uses the design of an experiment based on the Box-Behnken model and applies a mathematical transformation to experiments on real tool life data to determine the parameters of the tool life distribution. This method is such that the relationship between the tool life distribution parameters and the machining conditions, including spindle speed, feed rate, and depth of cut, can be described by a polynomial equation. In this method, the golden section search technique will be used to fit the obtained data to the appropriate tool life distribution. Finally, the proposed methodology is implemented on a case study, and the results are reported. Result and discussion: After obtaining the values of the shape and scale parameters of the Weibull distribution at each level of experiments designed by the Box-Behnken methodology, the relationship of these parameters with machining conditions can be modeled using a full quadratic function. In this paper, the shape and scale parameters of the Weibull distribution are reported at each level of experiments, followed by the value of the SSE function obtained in the optimization process using the GSS algorithm. The results indicate desirable error values in the application of the proposed methodology. Furthermore, with the implementation of the proposed methodology in this paper, the R2 value for the shape parameter is 92.52%, and for the scale parameter, 96.80%. The appropriate correlation between the full quadratic model for each of the Weibull distribution parameters with the data obtained from the life of cutting tools indicates the adequacy of the proposed methodology in practical applications. Conclusions: In this paper, a hybrid methodology was developed to achieve two practical objectives, using the design of the experiment, mathematical transformations on the obtained data from tool life, and the implementation of the golden section search algorithm. The first goal is to estimate the parameters of the Weibull distribution under specific machining conditions. This will determine the distribution of cutting tool life under specific machining conditions based on the Weibull distribution. The second goal is to identify changes in the tool life distribution based on changes in machining conditions. For this purpose, in the presented methodology, the relationship between the Weibull distribution parameters and machining conditions is determined as a complete square model. Finally, the proposed method in this paper is implemented on a milling process with specific information, and the results obtained from it are reported. مقدمه و اهداف: در حال حاضر، فرآیندهای ماشین‌کاری بخش حیاتی از فرایندهای تولید جهان را تشکیل می‌دهند. اهمیت این فرآیندها را می‌توان از طریق شناسایی جریان مالی ناشی از به کارگیری آنها مشاهده کرد. یکی از مسائل اساسی در استفاده از فرآیندهای ماشین‌کاری برای تولید محصولات، مسأله‌ سایش ابزار است. تاکنون، مطالعات مختلفی با فرض‌های متنوع برای تجزیه و تحلیل ویژگی‌های سایش در شرایط مختلف انجام شده است تا اهداف متنوعی را ارضا کنند. مدل‌های سنتی برای تحلیل عمر و سایش ابزار، که اغلب بر مبنای معادلات قطعی هستند، تغییرات رخ داده در فرآیندهای برش را در نظر نمی‌گیرند و به همین دلیل، عمر واقعی ابزار به‌ندرت با مقادیر پیش‌بینی شده توسط این روش‌ها مطابقت دارد. در سال‌های اخیر، توجه بیشتری به استفاده از توزیع‌های آماری برای پیش‌بینی عمر ابزار شده است. در میان آنها، استفاده از توزیع وایبل از اهمیت ویژه‌ای برخوردار است. چالش اصلی این رویکردها، تخمین دقیق تابع توزیع عمر ابزار بر اساس اطلاعات واقعی است. از سوی دیگر، با تغییر شرایط ماشین‌کاری، تابع توزیع عمر ابزار ممکن است تغییر کند که این امر، مسأله‌ تخمین پارامترهای توزیع عمر ابزار را دشوارتر می‌کند. علاوه بر این، به دلیل تطابق مناسب عمر ابزارهای برشی با توزیع وایبل، تخمین پارامترهای این توزیع با توجه به ویژگی‌های خاص آن دارای پیچیدگی است. روش‌ها: در این تحقیق، یک روش ترکیبی ارائه می‌شود که با استفاده از طراحی آزمایشات مبتنی بر مدل Box-Behnken و اعمال یک تبدیل ریاضی در آزمایشات بر روی داده‌های واقعی عمر ابزار، پارامترهای توزیع عمر ابزار را تعیین می‌کند. این روش به گونه‌ای است که رابطه‌ی پارامترهای توزیع عمر ابزار با شرایط ماشین‌کاری، شامل سرعت اسپیندل، نرخ تغذیه و عمق برش، به‌صورت یک معادله چندجمله‌ای قابل توصیف باشد. در این روش، از روش جستجوی بخش طلایی برای تناسب داده‌های بدست‌آمده بر روی توزیع مناسب عمر ابزار استفاده خواهد شد. در پایان، متدولوژی پیشنهادی بر روی یک مطالعه موردی پیاده‌سازی شده و نتایج حاصل از آن گزارش می‌شود. یافته‌ها: پس از بدست آوردن مقادیر پارامترهای شکل و مقیاس توزیع وایبل در هر سطح از آزمایشات طراحی شده توسط متدولوژی box-behnken میتوان با استفاده از تابع مربع کامل رابطه این پارامترها را با شرایط ماشین‌کاری مدلسازی نمود. در این مقاله پارامترهای شکل و مقیاس توزیع وایبل، در هر سطح از آزمایشات، گزارش شده، سپس مقدار تابع که در فرایند بهینهسازی با استفاده از الگوریتم GSS بدست آمده ارائه میشود. نتایج نشاندهنده مقادیر مطلوب خطا در بکارگیری متدولوژی پیشنهادی است. همچنین با پیادهسازی متدولوژی پیشنهادی در این مقاله، مقدار برای پارامتر شکل 92.52% و برای پارامتر مقیاس، 96.80% است. Correlation مناسب مابین مدل مربع کامل برای هر یک از پارامترهای توزیع وایبل با دادههای بدست آمده از عمر ابزارهای برشی نشان دهندهی کفایت متدولوژی پیشنهادی در کاربردهای عملی می‌باشد. نتیجه‌گیری: در این مقاله برای رسیدن به دو هدف کاربردی، یک متدولوژی ترکیبی با استفاده از طراحی آزمایشات، استفاده از تبدیلات ریاضی بر روی دادههای بدست آمده از عمر ابزار و به کارگیری الگوریتم جستجوی بخش طلایی توسعه داده شد. هدف اول تخمین پارامترهای توزیع وایبل در یک شرایط ماشین‌کاری خاص است. که با استفاده از آن توزیع عمر ابزار برشی تحت یک شرایط ماشین‌کاری خاص بر اساس توزیع وایبل مشخص می‌شود. هدف دوم شناسایی تغییرات بوجود آمده در توزیع عمر ابزار بر اساس تغییرات ایجاد شده در شرایط ماشین‌کاری می‌باشد. برای این منظور در متدولوژی ارائه شده رابطه پارامترهای توزیع وایبل با شرایط ماشین‌کاری به صورت یک مدل مربع کامل تعیین می‌شود. در انتها، روش پیشنهادی در این مقاله بر روی یک فرایند فرزکاری با اطلاعات مشخص، پیاده‌سازی شده و نتایج بدست آمده از آن گزارش شده است.

https://jimp.sbu.ac.ir/article_106812_8cf9ccabc414b99c794acc6b5c512ab3.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 An integrated machin elearning and QFD method to assess risk mitigation strategies ارزیابی استراتژی‌های کاهش ریسک: تلفیق یادگیری ماشین و گسترش کارکرد کیفیت 58 76 106779 10.48308/jimp.16.1.58 FA داریوش محمدی دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. علی ملک پور دانشجوی کارشناسی ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. Journal Article 2025 09 06 Introduction and Purpose: Plastic waste management has become one of the most critical environmental challenges of the modern era, requiring efficient and resilient supply chains. The recycling supply chain of plastics is exposed to multiple uncertainties, such as fluctuations in the quantity and quality of recyclable inputs, operational instabilities, and process vulnerabilities that threaten its sustainability. In this context, identifying and prioritizing risk factors and formulating preventive strategies to mitigate them are essential. The main purpose of this study is to develop an integrated framework that combines machine learning (ML) algorithms with the fuzzy Quality Function Deployment (QFD) technique to identify key risk factors and prioritize preventive strategies for risk reduction in the plastic recycling supply chain. Methodology: This research adopts a data-driven approach that leverages machine learning algorithms for risk assessment. The case study was conducted at Northe Shimi Plast Company, one of the largest plastic recycling complexes. The study population consisted of seven industrial experts, each with more than three years of practical experience in plastic waste recycling operations. Through a systematic literature review and expert validation, eleven risk factors and eight preventive strategies were identified. Feature importance techniques from decision-tree and random forest algorithms were employed to calculate the relative weights of risk factors. These weights were then integrated into the fuzzy QFD framework to rank the preventive strategies. Data analysis and model implementation were carried out using MATLAB software. Findings: The machine learning analysis revealed that input material risks are the most critical threats in the plastic recycling supply chain, followed by recycling process risks and health and safety risks. The fuzzy QFD analysis further indicated that buyer–supplier collaboration represents the most effective preventive strategy for risk mitigation, followed by supply chain transparency and supply chain agility. Buyer–supplier collaboration enhances supply chain resilience through information sharing, joint planning, and contingency strategy development. Meanwhile, digital technologies such as the Internet of Things (IoT), RFID tags, and GPS tracking contribute significantly to improving visibility and real-time risk monitoring across the supply chain. Conclusion: The results demonstrate that the proposed integrated ML–QFD approach provides a powerful, data-driven tool for risk management and decision-making in recycling supply chains. By automating weight estimation and reducing subjective bias, the model improves the precision and efficiency of the decision-making process. Moreover, the interpretability of tree-based algorithms allows managers to understand the logic behind the model’s outputs and apply its insights in real-world operations.The proposed framework not only strengthens risk management capabilities in the plastic recycling industry but also offers transferability to other recycling sectors, including electronic waste, metal, and rubber recycling. Nevertheless, the model’s effectiveness depends on the availability of sufficient quantitative data. Future research is encouraged to expand the proposed approach by integrating large language models (LLMs) for feature identification, applying operations research techniques such as DEMATEL or network analysis to explore interrelationships among risks, and using objective weighting methods like entropy, CRITIC, or SECA to enhance precision. Integrating this framework with intelligent, data-driven decision tools could further advance predictive risk management and support sustainable supply chain development. مقدمه و اهداف: مدیریت زباله‌های پلاستیکی به‌عنوان یکی از مهم‌ترین چالش‌های زیست‌محیطی قرن حاضر، مستلزم ایجاد زنجیره‌های تأمین کارآمد و مقاوم در برابر ریسک است. نوسانات در کیفیت و کمیت مواد اولیه بازیافتی، عدم‌قطعیت‌های عملیاتی و آسیب‌پذیری در فرآیند تولید از جمله عواملی‌اند که پایداری زنجیره تأمین بازیافت پلاستیک را تهدید می‌کنند. در چنین شرایطی، شناسایی و اولویت‌بندی ریسک‌ها و تدوین استراتژی‌های پیشگیرانه کاهش آن‌ها از اهمیت بسزایی برخوردار است. هدف اصلی پژوهش حاضر، ارائه رویکردی ترکیبی مبتنی بر تلفیق الگوریتم‌های یادگیری ماشین و تکنیک گسترش کارکرد کیفیت فازی است تا ضمن شناسایی عوامل کلیدی ریسک، استراتژی‌های پیشگیرانه کاهش ریسک در زنجیره تأمین بازیافت پلاستیک اولویت‌بندی شوند. روش‌ها: پژوهش حاضر با رویکرد داده‌محور و بهره‌گیری از الگوریتم‌های یادگیری ماشین انجام شده است. داده‌های پژوهش از شرکت "شیمی‌پلاست شمال" یکی از بزرگ‌ترین مجتمع‌های بازیافت ضایعات پلاستیکی گردآوری گردید. جامعه آماری شامل هفت کارشناس صنعتی با بیش از سه سال تجربه در حوزه زنجیره تأمین بازیافت بود. ابتدا از طریق مرور نظام‌مند ادبیات و تأیید خبرگان، یازده عامل ریسک و هشت راهبرد پیشگیرانه شناسایی شدند. سپس، با استفاده از الگوریتم‌های درخت تصمیم و جنگل تصادفی، اهمیت ویژگی‌ها و وزن نسبی هر عامل ریسک محاسبه شد. وزن‌های استخراج‌شده در چارچوب ماتریس خانه کیفیت فازی ادغام گردید تا استراتژی‌های پیشگیرانه کاهش ریسک رتبه‌بندی شوند. فرآیند تحلیل داده‌ها و کدنویسی در محیط نرم‌افزار متلب انجام شد. یافته‌ها: نتایج تحلیل یادگیری ماشین نشان داد که ریسک‌های مرتبط با مواد اولیه ورودی به‌عنوان مهم‌ترین تهدید زنجیره تأمین بازیافت پلاستیک شناسایی شدند. پس از آن، ریسک‌های فرآیند تولید بازیافت و ریسک‌های ایمنی و بهداشت به‌ترتیب در رتبه‌های دوم و سوم قرار گرفتند. نتایج تحلیلی ماتریس خانه کیفیت نیز نشان داد که همکاری خریدار-تأمین‌کننده مؤثرترین استراتژی پیشگیرانه در کاهش ریسک است و پس از آن، شفافیت و چابکی زنجیره تأمین بیشترین تأثیر را دارند. همکاری میان خریداران و تأمین‌کنندگان از طریق اشتراک اطلاعات، برنامه‌ریزی مشترک و توسعه راهکارهای اضطراری، تاب‌آوری زنجیره را افزایش می‌دهد. همچنین، بهره‌گیری از فناوری‌های نوین نظیر اینترنت اشیاء، برچسب‌های شناسایی فرکانس های رادیویی و جی پی اس نقش مهمی در افزایش شفافیت و نظارت بر جریان مواد ایفا می‌کند. نتیجه‌گیری: نتایج پژوهش نشان داد که رویکرد تلفیقی مبتنی بر یادگیری ماشین و گسترش کارکرد کیفیت فازی می‌تواند ابزاری کارآمد برای تصمیم‌گیری مبتنی بر داده در مدیریت ریسک زنجیره تأمین بازیافت باشد. این رویکرد با حذف نیاز به قضاوت‌های ذهنی متعدد و افزایش دقت محاسبه وزن معیارها، فرایند تصمیم‌سازی را بهینه می‌کند. علاوه بر این، قابلیت تفسیرپذیری الگوریتم‌های درختی به مدیران امکان می‌دهد تا منطق تصمیم‌گیری مدل را درک کرده و نتایج را در شرایط واقعی عملیاتی به کار گیرند. چارچوب پیشنهادی ضمن ارتقای توانمندی مدیریت ریسک در صنعت بازیافت پلاستیک، قابلیت تعمیم به سایر صنایع بازیافت نظیر زباله‌های الکترونیکی، فلزات و لاستیک را نیز دارد. با این حال، محدودیت‌هایی همچون وابستگی به داده‌های کمی و نیاز به اطلاعات جامع می‌تواند دامنه کاربرد آن را محدود سازد. در نهایت، به پژوهشگران آینده پیشنهاد می‌شود که با استفاده از مدل‌های زبانی بزرگ، روش‌های تحقیق در عملیات نظیر دیمتل و تحلیل شبکه، و تکنیک‌های وزن‌دهی عینی مانند آنتروپی و کریتیک چارچوب‌های تصمیم‌گیری ترکیبی دقیق‌تر و منعطف‌تری را برای مدیریت ریسک در زنجیره‌های تأمین پایدار توسعه دهند.

https://jimp.sbu.ac.ir/article_106779_f2d27d591c089d68dcaac6577cb7e226.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 Evaluating Reliability Metrics of Artificial Intelligence Systems in Healthcare: An SEM_FCM Approach ارزیابی معیارهای قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه سلامت: یک رویکرد SEM_FCM 77 102 106801 10.48308/jimp.16.1.77 FA مرتضی همتی آسیابرکی دانشجوی دکتری، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. ناصر صفایی استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. Journal Article 2025 01 12 Introduction: As the field of computer science evolves, and with the emergence of concepts such as artificial intelligence (AI), machine learning (ML), and deep learning (DL), significant opportunities for achieving smart urban systems have been created. These transformative technologies are reshaping numerous industries, particularly healthcare, where their impact has been profound. AI-powered tools are now employed to manage patient medical histories, conduct digital consultations, and optimize drug administration. However, despite their vast potential, these tools are not without limitations. A significant challenge faced by these systems is the low accuracy of decision-making outputs, which hinders their effective implementation in critical areas. To address these issues, the present study evaluates reliability metrics specific to AI systems in healthcare. By focusing on these metrics, the research identifies key factors that improve trustworthiness, using the Fuzzy Cognitive Mapping (FCM) approach. Methods: The study begins with the extraction of reliability metrics through a detailed literature review and interviews with healthcare professionals, ensuring that the metrics are both comprehensive and grounded in real-world applications. Subsequently, using the Delphi method, the critical criteria for evaluating the reliability of artificial intelligence systems in the targeted domain were identified. In the next step, a causal model was developed based on a review of the relevant literature. This model was then validated using the Structural Equation Modeling (SEM) approach. Following that, causal relationships were derived using the validated SEM model and expert opinions, and the interactions among the identified criteria were analyzed through the application of the Fuzzy Cognitive Mapping (FCM) method. This advanced method provided a clear understanding of which factors were most influential and which were most impacted, offering deeper insights into AI system reliability. For data collection, a range of questionnaires, including Likert scale, AHP, and FCM-based tools, were distributed to participants. The data collected was then analyzed using SmartPLS software, a powerful tool for path analysis and structural equation modeling. Findings: The findings reveal that "continuous monitoring of generated outcomes and system reconfiguration" is the most effective metric for evaluating AI system reliability in healthcare. This underscores the importance of ongoing oversight and adaptability to maintain system accuracy and relevance. Another crucial finding identifies the "use of non-deterministic algorithms" as the most impacted metric, highlighting the need for flexible and probabilistic methods in AI systems. In total, six primary metrics were identified and evaluated: Trusted and homogeneous data to ensure consistent results. Data security and privacy to protect sensitive medical information. Weekly updates to improve system performance. Use of non-deterministic algorithms to enhance adaptability. Stakeholder evaluation structures for transparency and accountability. Continuous monitoring of results to identify and address emerging issues. These metrics collectively form a comprehensive framework for enhancing AI system reliability in healthcare. Conclusion: This study provides a detailed examination of AI system reliability in healthcare, emphasizing the critical role of continuous monitoring and regular updates in improving accuracy and trustworthiness. Moreover, ensuring data security and privacy is highlighted as essential for building confidence in these systems. The findings serve as a practical guide for AI developers in healthcare, helping them design reliable and efficient tools. Additionally, the study underscores the broader benefits of these improvements, such as enhanced medical service quality and increased patient trust in AI systems. Ultimately, adopting innovative approaches and focusing on the identified key components will drive significant advancements and transformations in healthcare delivery. مقدمه و اهداف: با پیشرفت فناوری در زمینه‌های علوم کامپیوتری و ظهور مفاهیمی همچون هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، فرصت‌های شگرفی برای تحقق آرمان‌شهری هوشمند فراهم شده است. یکی از کاربردهای حساس و مهم این فناوری‌ها، استفاده از آن‌ها در بخش سلامت است که از کنترل پیشینه پزشکی بیماران تا مشاوره دیجیتال و مدیریت دارو را شامل می‌شود. بااین‌حال، این ابزارهای پیشرفته به چالش‌هایی همچون دقت پایین در خروجی‌های فرآیند تصمیم‌گیری مبتلا هستند. پژوهش حاضر به بررسی معیارهای ارزیابی‌کننده قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه سلامت می‌پردازد و با استفاده از روش نقشه شناختی فازی (FCM)، مؤثرترین معیارها را شناسایی می‌کند. روش‌ها: در این پژوهش، ابتدا معیارهای مرتبط با قابلیت اطمینان سیستم‌های هوش مصنوعی از طریق مرور ادبیات و انجام مصاحبه با متخصصین حوزه سلامت استخراج و شناسایی شدند. سپس با استفاده از روش دلفی معیارهای حیاتی ارزیابی قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه موردنظر حاصل گردید. در گام بعد مدلی علت و معلولی با توجه به‌مرور ادبیات حوزه موردنظر ایجاد گردید. آنگاه برای اعتبارسنجی این مدل از روش معادلات ساختاری (SEM) استفاده گردید. در ادامه، روابط علت و معلولی با استفاده از ورودی مدل اعتبارسنجی شده از روش SEM و نظر خبرگان حوزه موردنظر به دست آمد و تأثیرات معیارهای شناسایی‌شده بر یکدیگر با به‌کارگیری روش FCM موردبررسی قرار گرفت. این روش به شناسایی روابط نهایی علت و معلولی میان معیارها و تعیین مؤثرترین و تأثیرپذیرترین معیارها کمک کرده و امکان تحلیل دقیق‌تری از قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه سلامت را فراهم می‌آورد. به‌منظور جمع‌آوری داده‌ها، پرسشنامه‌های مختلفی (عبارتند از پرسشنامه طیف لیکرت (روش‌های دلفی و SEM)، پرسشنامه AHP و پرسشنامه FCM طراحی و توزیع شد و نتایج به‌دست‌آمده با نرم‌افزار SmartPLS مورد تحلیل قرار گرفتند. یافته‌ها: یافته‌های پژوهش نشان می‌دهند که معیار "نظارت مستمر بر نتایج تولیدشده و تنظیم مجدد سیستم" به‌عنوان مؤثرترین معیار در ارزیابی قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه سلامت شناسایی شده است. علاوه بر این، معیار "استفاده از الگوریتم‌های غیرقطعی" به‌عنوان تأثیرپذیرترین معیار معرفی گردید. این نتایج تأکید می‌کنند که نظارت مداوم بر عملکرد سیستم‌های هوش مصنوعی و نیاز به به‌روزرسانی‌های مستمر ازجمله اصول کلیدی در افزایش دقت و قابلیت اطمینان این سیستم‌ها هستند. درمجموع، شش معیار حیاتی برای ارزیابی قابلیت اطمینان استخراج و ارزیابی شدند که شامل داده‌های قابل‌اعتماد و همگن، رعایت امنیت و حریم خصوصی داده‌ها، به‌روزرسانی‌های هفتگی، استفاده از الگوریتم‌های غیرقطعی، ایجاد ساختاری جهت ارزیابی تصمیمات از سوی ذی‌نفعان و نظارت مستمر بر نتایج تولید شده بود. نتیجه‌گیری: پژوهش حاضر به‌طور جامع به بررسی قابلیت اطمینان سیستم‌های هوش مصنوعی در حوزه سلامت پرداخته و نشان می‌دهد که برای بهبود دقت و قابلیت اطمینان این سیستم‌ها، نیاز به نظارت مستمر و به‌روزرسانی‌های منظم وجود دارد. همچنین، توجه به امنیت و حریم خصوصی داده‌ها در طراحی و پیاده‌سازی این سیستم‌ها از اهمیت ویژه‌ای برخوردار است. با توجه به چالش‌های موجود، این پژوهش می‌تواند به‌عنوان یک راهنما برای توسعه‌دهندگان سیستم‌های هوش مصنوعی در حوزه سلامت عمل کند و به آن‌ها کمک کند تا با در نظر گرفتن معیارهای شناسایی‌شده، سیستم‌های مطمئن‌تری طراحی کنند. این تحقیق همچنین می‌تواند به بهبود کیفیت خدمات پزشکی و افزایش اعتماد بیماران به سیستم‌های هوش مصنوعی کمک کند. درنهایت، استفاده از روش‌های نوین و توجه به مؤلفه‌های کلیدی در طراحی و توسعه این سیستم‌ها، می‌تواند به پیشرفت و تحول در ارائه خدمات بهداشتی و درمانی منجر شود.

https://jimp.sbu.ac.ir/article_106801_53b07a56174218dd0ea7774b4b2c5bdb.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 The design of a model for the application of Fourth Industrial Revolution technologies in the humanitarian supply chain. طراحی مدل بکارگیری فناوری‌‏های انقلاب صنعتی چهارم در زنجیره تأمین بشردوستانه 103 132 106815 10.48308/jimp.16.1.103 FA احمد جعفرنژاد استاد، گروه مدیریت صنعتی، دانشکده مدیریت صنعتی و فناوری، دانشگاه تهران، تهران، ایران. رضا جلالی استادیار،گروه مدیریت صنعتی، دانشکده کسب و کار و اقتصاد، دانشگاه خلیج فارس، بوشهر، ایران. محمد حیدری دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده پردیس کیش، دانشگاه تهران، کیش، ایران. Journal Article 2025 02 23 Introduction and Objectives: The rapid advancements associated with the Fourth Industrial Revolution—including the Internet of Things (IoT), artificial intelligence (AI), blockchain, big data analytics, robotics, and 3D printing—have created new opportunities to enhance efficiency, transparency, and responsiveness in humanitarian supply chains. However, the complex nature of relief operations, scarcity of resources, lack of digital infrastructure, and limited inter-organizational coordination have made the adoption of these technologies in crisis environments particularly challenging. Moreover, the literature indicates that most existing studies adopt isolated, technology-specific approaches, while comprehensive and integrated models explaining how Industry 4.0 technologies can be deployed in real crisis contexts remain limited. In this context, the present study aims to develop a conceptual model that systematically and contextually explains the influencing factors, challenges, implementation strategies, and potential outcomes of adopting Fourth Industrial Revolution technologies within humanitarian supply chains. Methods: This study is applied in purpose and qualitative–exploratory in methodology, utilizing a grounded theory approach. Participants included eighteen experts comprising humanitarian logistics specialists, technology professionals, managers of government and non-governmental relief organizations, and crisis management officials. They were selected using purposive and snowball sampling. Data were collected through semi-structured interviews, fully transcribed, and analyzed using the three-stage coding process—open, axial, and selective coding—supported by MAXQDA software. Research validity was ensured through participant checking, independent coding by multiple researchers, and the application of credibility, transferability, dependability, and confirmability criteria. Theoretical saturation was achieved at the seventeenth interview. Findings: Data analysis identified a set of causal conditions including the need for enhanced transparency, improved inter-organizational coordination, faster relief operations, and reduced human error. Contextual conditions such as weak communication infrastructure, unstable data networks, limited access to digital equipment, financial constraints, and the absence of shared standards among humanitarian organizations were also identified. Additionally, intervening factors such as cultural resistance, insufficient digital skills, cybersecurity threats, and the technical complexity of emerging technologies were found to significantly influence the implementation process. The main strategies extracted from the data include developing technical infrastructures, creating modular and cloud-based platforms, strengthening inter-organizational collaboration, specialized staff training, establishing AI-based predictive systems, and deploying IoT, edge computing, robotics, and 3D printing technologies. The findings further revealed that these technologies not only operate independently but also function as components of an integrated “data cycle”: IoT generates data; cloud and edge computing process the data; AI analyzes it; and blockchain ensures its security and transparency. This cycle forms the technological backbone for operating effectively in high-uncertainty crisis environments. The positive outcomes of successful technology adoption include improved supply chain resilience, reduced response time, enhanced resource traceability, reduced administrative corruption, and increased efficiency in resource allocation. However, potential negative consequences—such as over-reliance on technology, exposure to cyberattacks, and increased maintenance costs—were also identified. Conclusion: The proposed conceptual model demonstrates that the effective implementation of Industry 4.0 technologies in humanitarian supply chains requires an integrated framework aligned with real-world crisis conditions. The model’s distinction between the preparedness phase (emphasizing prediction, planning, and infrastructure creation) and the response phase (emphasizing real-time monitoring, operational coordination, and live data analysis) enhances its practical applicability. This model can serve as a strategic guideline for policymakers, humanitarian organizations, and technology designers seeking to advance digital transformation within humanitarian operations. مقدمه و اهداف: پیشرفت‌های صنعت نسل چهارم شامل اینترنت اشیا، هوش مصنوعی، بلاکچین، کلان‌داده، رباتیک و چاپ سه‌بعدی، فرصت‌های مهمی برای ارتقای کارایی، شفافیت و تاب‌آوری زنجیره تأمین بشردوستانه ایجاد کرده است. با این حال، پیچیدگی عملیات امدادی، محدودیت شدید منابع، کمبود زیرساخت‌های دیجیتال و ناهماهنگی بین‌سازمانی، پذیرش مؤثر این فناوری‌ها را در محیط‌های بحرانی با چالش‌های جدی مواجه ساخته است. مرور ادبیات نیز حاکی از آن است که بیشتر مطالعات رویکردی تک‌فناوری و پراکنده داشته و مدل‌های جامع و یکپارچه برای تبیین نحوه پیاده‌سازی این فناوری‌ها در شرایط واقعی بحران اندک است. این پژوهش با هدف طراحی مدل مفهومی یکپارچه، به شناسایی عوامل مؤثر، چالش‌ها، راهبردهای اجرایی و پیامدهای به‌کارگیری فناوری‌های نسل چهارم در زنجیره تأمین بشردوستانه می‌پردازد. روش‌ها: پژوهش حاضر کاربردی، کیفی و اکتشافی است و با رویکرد نظریه داده‌بنیاد (الگوی استراوس و کوربین) انجام شده است. جامعه خبرگان شامل مدیران لجستیک بشردوستانه، متخصصان فناوری و مسئولان سازمان‌های امدادی دولتی و غیردولتی بود که ۱۸ نفر از آنان با روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته جمع‌آوری و پس از پیاده‌سازی کامل، با کدگذاری سه‌مرحله‌ای (باز، محوری و انتخابی) در نرم‌افزار MAXQDA تحلیل گردید. اعتبار و پایایی پژوهش از طریق بازبینی مشارکت‌کنندگان، کدگذاری مستقل توسط چند پژوهشگر و رعایت معیارهای اعتبار، انتقال‌پذیری، پایایی و تأییدپذیری تأمین شد. اشباع نظری در مصاحبه هفدهم حاصل گردید. یافته‌ها: تحلیل داده‌ها نشان داد که شرایط علی شامل نیاز به افزایش شفافیت، بهبود هماهنگی بین‌سازمانی، تسریع عملیات امدادی و کاهش خطای انسانی است. شرایط زمینه‌ای عمدتاً شامل ضعف زیرساخت‌های ارتباطی و پردازشی، ناپایداری شبکه‌های داده، کمبود تجهیزات دیجیتال، محدودیت‌های مالی و نبود استانداردهای مشترک میان سازمان‌ها بود. عوامل مداخله‌گر نیز مقاومت فرهنگی و سازمانی، کمبود مهارت‌های دیجیتال کارکنان، تهدیدات امنیت سایبری و پیچیدگی فنی فناوری‌ها را دربرمی‌گیرد. راهبردهای اصلی اجرایی عبارتند از توسعه زیرساخت‌های فنی (رایانش ابری و پردازش لبه)، ایجاد پلتفرم‌های یکپارچه و ماژولار، تقویت همکاری بین‌سازمانی، آموزش تخصصی کارکنان، استقرار سیستم‌های پیش‌بینی مبتنی بر هوش مصنوعی و بهره‌گیری از فناوری‌های اینترنت اشیا، رباتیک و چاپ سه‌بعدی. یافته‌ها حاکی از آن است که این فناوری‌ها در قالب یک چرخه یکپارچه داده (تولید داده توسط اینترنت اشیا، پردازش توسط رایانش ابری و لبه، تحلیل توسط هوش مصنوعی و تضمین امنیت و شفافیت توسط بلاکچین) عملکرد بهینه‌ای در محیط‌های بحرانی دارند. پیامدهای مثبت شامل افزایش تاب‌آوری زنجیره تأمین، کاهش زمان واکنش، بهبود ردیابی منابع، کاهش فساد و افزایش کارایی تخصیص منابع است؛ هرچند پیامدهای منفی احتمالی نظیر وابستگی بیش‌ازحد به فناوری، آسیب‌پذیری در برابر حملات سایبری و هزینه‌های بالای نگهداری نیز شناسایی شد. نتیجه‌گیری: مدل مفهومی پیشنهادی نشان می‌دهد که پیاده‌سازی موفق فناوری‌های صنعت نسل چهارم در زنجیره تأمین بشردوستانه مستلزم چارچوبی یکپارچه و متناسب با واقعیت‌های بحران است. تمایز این مدل میان فاز آمادگی (با تمرکز بر پیش‌بینی، برنامه‌ریزی و زیرساخت‌سازی) و فاز پاسخ (با تمرکز بر نظارت بلادرنگ، هماهنگی عملیاتی و تحلیل لحظه‌ای داده‌ها) کاربرد عملی آن را تقویت می‌کند. این مدل می‌تواند راهنمایی راهبردی برای سیاست‌گذاران، مدیران سازمان‌های امدادی و طراحان سامانه‌های فناورانه در مسیر تحول دیجیتال عملیات بشردوستانه باشد.

https://jimp.sbu.ac.ir/article_106815_5af94865c44c083b43246cd58fe40a1b.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 Designing a health insurance fraud detection system using artificial intelligence algorithms طراحی سیستم کشف تقلب بیمه درمان به کمک الگوریتم‌های هوش مصنوعی 133 169 106419 10.48308/jimp.16.1.133 FA مجتبی فرخ استادیار، گروه مدیریت عملیات و فناوری اطلاعات، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران. 0000-0003-1390-3105 سیروس شریفی استادیار، گروه بانک، بیمه و گمرک، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران. نسرین حضارمقدم استادیار، پژوهشکده بیمه، تهران، ایران. عباس راد استادیار، گروه مدیریت صنعتی و فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران. علیرضا نوروزی دانشجوی کارشناسی ارشد، گروه مدیریت عملیات و فناوری اطلاعات، دانشکده مدیریت، دانشگاه خوارزمی، تهران، ایران. Journal Article 2025 08 31 Introduction: With the rapid expansion of healthcare services, fraud in health insurance systems has become a serious challenge. This study aims to design and develop an intelligent and modular framework for fraud detection in health insurance. The framework is designed to identify abusive and fraudulent behaviors regardless of the type of service or actor involved, and to adapt effectively to dynamic and complex environments. The primary objective is to provide a flexible solution that enhances the accuracy of fraud detection while reducing human error in the decision-making process. Methods: The proposed framework consists of four key modules. First, a knowledge-based module leverages insights from insurance and medical experts to build a simulation framework for fraud detection, enabling the medical-insurance team to describe and visualize abnormal behaviors based on the actions of different actors. Second, a two-stage data warehouse is designed to efficiently process large volumes of insurance data. In the first-stage warehouse, the ETL (extract–transform–load) process ingests claims data, cleanses data quality issues, and removes inconsistencies and errors to prepare the data for feature extraction required for fraud detection. In the second-stage warehouse, in collaboration with insurance and medical experts, relevant features for fraud detection are extracted and selected. To this end, a framework for simulating the fraud-detection process is built to enable the medical-insurance team to describe, analyze, and visualize abnormal behaviors based on the actions of different actors. Accordingly, a list of twenty key features for fraud detection was extracted and documented, covering information about actors, productss/services, and related features for each type of fraud. Third, the fraud detection engine is based on a proposed algorithm called K-IF, which first clusters data using Isolation Forest (IF) and then identifies suspicious samples using K-Means. Fourth, visualization tools and a dynamic management dashboard are developed to support interactive analysis and real-time updates by users. Results and discussion: Experimental results on labeled datasets demonstrate that the proposed algorithm, by leveraging the discriminative power of IF and the clustering precision of K-Means, achieves better performance across multiple metrics and computational times than common algorithms such as LOF, OCSVM, EE, DBSCAN, AE, and K-Means. Furthermore, results from applying the proposed algorithm to real data from a health insurance company indicate that this approach, with reduced dependence on contamination rate and improved accuracy in detecting edge cases, demonstrates strong anomaly-detection capabilities. Ultimately, the framework has been developed as a software package for private insurance companies, offering advanced analytical tools that significantly enhance decision-making and reduce the need for human intervention. Conclusion: This study highlights that success in detecting insurance fraud is directly tied to the quality and precision of features extracted from healthcare transaction data. The synergy between demographic, financial, and service-related data plays a crucial role in increasing the sensitivity of machine learning models to anomalous behaviors. However, the lack of accurate and structured data remains a major challenge in developing effective fraud detection software. The developed framework, designed as a software package for managing health insurance claims, integrates machine learning models, a modular architecture, and a modern user interface to deliver high scalability and rapid responsiveness to organizational needs. It is recommended that insurance company managers adopt this solution as part of their digital strategy for claims management. By integrating with existing systems and utilizing secure databases and interactive dashboards, they can achieve improved efficiency, greater transparency, and reduced fraud-related costs. مقدمه و اهداف: با گسترش روزافزون خدمات درمان، تقلب در نظام‌های بیمه درمانی به یک چالش جدی تبدیل شده است. پژوهش حاضر با هدف طراحی و توسعه یک چارچوب هوشمند و ماژولار برای کشف تقلب در بیمه درمانی انجام شده است. این چارچوب به‌گونه‌ای طراحی شده که مستقل از نوع خدمت یا بازیگر، توانایی شناسایی رفتارهای سوءاستفاده‌گرانه و تقلبی را داشته باشد و بتواند با محیط‌های پیچیده و پویا سازگار شود. هدف اصلی، ارائه راهکاری منعطف برای ارتقای دقت در تشخیص تقلب و کاهش خطاهای انسانی در فرآیند کشف تقلب بیمه‌ درمان است. روش‌ها: چارچوب پیشنهادی شامل چهار ماژول کلیدی است: نخست، ماژول دانش‌محور که با بهره‌گیری از دیدگاه‌های کارشناسان بیمه و پزشکی، یک فریم‌ورک برای شبیه‌سازی فرایند تشخیص تقلب ایجاد می‌شود تا تیم پزشکی-بیمه بتواند رفتارهای غیرعادی را بر اساس رفتار بازیگران مختلف توصیف و نمایش دهد. دوم، یک انبار داده دو مرحله‌ای برای پردازش کارآمد داده‌های حجیم بیمه طراحی شده است؛ در انبار داده مرحله اول فرایند استخراج، تبدیل و بارگذاری داده‌های ادعاهای بیمه‌ای انجام می‌شود، نواقص داده‌ای اصلاح و ناسازگاری‌ها و خطاها از بین می‌روند تا داده‌ها برای استخراج ویژگی‌ها لازم برای کشف انواع تقلب مناسب شوند. در انبار داده مرحله دوم ویژگی‌های مرتبط با تقلب با همکاری متخصصان استخراج و انتخاب می‌گردند. فهرستی از بیست ویژگی مؤثر برای تشخیص تقلب استخراج و مستندسازی شد که برای هر نوع تقلب، اطلاعات مربوط به بازیگران، کالاها و ویژگی‌های مرتبط را دربرمی‌گیرد. سوم، موتور کشف تقلب براساس یک الگوریتم پیشنهادی موسوم به K-IF است که ابتدا با استفاده از الگوریتم جنگل ایزوله (IF) داده‌ها را خوشه‌بندی کرده و سپس با الگوریتم K-Means نمونه‌های مشکوک را شناسایی می‌کند. چهارم، ابزارهای تجسم و داشبورد مدیریتی برای تحلیل تعاملی و به‌روزرسانی پویا توسط کاربران طراحی و ارائه می‌شود. یافته‌ها: نتایج آزمایش‌های انجام‌شده بر روی مجموعه داده‌های برچسب‌دار نشان می‌دهد که الگوریتم پیشنهادی با بهره‌گیری از قدرت تفکیک IF و دقت خوشه‌بندی K-Means، عملکرد بهتری از نظر شاخص‌های عملکردی و زمان محاسباتی نسبت به الگوریتم‌های رایج مانند LOF، OCSVM، EE، DBSCAN، AE و K-Means داشته است. همچنین، اجرای این الگوریتم بر روی داده‌های واقعی شرکت بیمه دی نشان داد که وابستگی به نرخ آلودگی کاهش یافته و دقت در شناسایی نقاط لبه‌ای افزایش یافته است. در نهایت، این چارچوب به‌صورت یک بسته نرم‌افزاری برای شرکت‌های بیمه خصوصی توسعه یافته و با ارائه ابزارهای تحلیلی پیشرفته، نقش مؤثری در ارتقای تصمیم‌گیری و کاهش نیاز به مداخله انسانی ایفا می‌کند. نتیجه‌گیری: پژوهش حاضر نشان می‌دهد که موفقیت در کشف تقلب‌های بیمه‌ای به‌طور مستقیم به کیفیت و دقت ویژگی‌های استخراج‌شده از داده‌های تراکنش‌های درمانی وابسته است. هم‌افزایی میان داده‌های جمعیتی، مالی و خدماتی نقش مهمی در افزایش حساسیت مدل‌های یادگیری ماشین نسبت به رفتارهای ناهنجار ایفا می‌کند، در حالی که کمبود داده‌های دقیق و ساختارمند یکی از چالش‌های اساسی در توسعه نرم‌افزارهای تشخیص تقلب محسوب می‌شود. چارچوب توسعه‌یافته به‌صورت بسته نرم‌افزاری برای مدیریت ادعاهای بیمه درمانی طراحی شده و با ترکیب مدل‌های یادگیری ماشین، معماری ماژولار و رابط کاربری مدرن، قابلیت گسترش‌پذیری بالا و پاسخگویی سریع به نیازهای سازمانی را فراهم می‌آورد و پیشنهاد می‌شود مدیران شرکت‌های بیمه این راهکار را به‌عنوان بخشی از استراتژی دیجیتال‌سازی مدیریت ادعاها به کار بگیرند تا با ادغام با سامانه‌های موجود و استفاده از پایگاه داده امن و داشبوردهای تعاملی، بهبود کارایی، شفافیت و کاهش هزینه‌های تقلب را تحقق بخشند.

https://jimp.sbu.ac.ir/article_106419_5aba32627f78328ca262e46580842ca5.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 A Novel Hybrid Machine Learning Model Based on Deep Learning for Predicting Recruitment Decisions ارائه یک مدل نوآورانه یادگیری ماشین ترکیبی مبتنی‌بر یادگیری عمیق برای پیش‌بینی تصمیمات استخدامی 170 196 106819 10.48308/jimp.16.1.170 FA محمد رضا مهرگان استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. آرمان رضاسلطانی دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. امیرمحمد خانی دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران. Journal Article 2025 05 04 Introduction and Objectives: In today's In a highly competitive environment, recruitment decisions can no longer rely only on human judgment. The increasing volume of applicant data and the complexity of the search for candidate attributes and high precision in the selection of personnel have become a need. Artificial intelligence (AI) and machine learning have been chosen as the only solution to such a problem. (ML) a strategic necessity for organizations. Despite that, classical ML models, such as decision trees and logistic regression, are giving acceptable However, when results are applied to imbalanced datasets, complex data structure setups, and high accuracy requirements, they are greatly limited. This study aims to achieve a hybrid machine learning model designed on the forces of both kinds of neural networks as well as the classical algorithms. I demonstrate how to deliver a powerful, accurate, and interpretable solution to predict recruitment outcomes. Methods: A multi layer stacking architecture was used to develop the proposed model, in which Deep Neural Network (DNN) is employed with four of the high performing base learners such as Random Forest, Gradient Boosting, LightGBM and CatBoost. Finally, XGBoost was used as meta learner to learn the final prediction from the outputs of these base models. To handle the class imbalance problem, NearMiss undersampling technique was tried and we used the Tree structured Parzen Estimator (TPE) algorithm provided as a part of the Optuna framework for hyperparameter optimization. Additionally, Recursive Feature Elimination with Cross Validation (RFECV) was used for feature selection to find the most important variables related to the hiring decisions. Findings: The proposed hybrid model has been evaluated on a sample dataset of 1500 samples against 16 well-known machine learning models. Results indicated that the proposed model surpassed all key performance metrics in all areas of accuracy, precision, recall and F1 score with an accuracy of 92.47% and F1 score of 92.12%. There were some other models such as CatBoost and LightGBM that also had good scores, no other models performed better than those metrics reported for the proposed model.Likewise, the feature importance assessment of the same dataset with the help of XGBoost displayed that the recruitment strategy, education level, and interview score were the major predictors of final hiring decisions. These findings were not only beneficial in improving model performance but also valuable for improving the research and data examination of the HR decision makers in relation to the policies and criteria used in recruitment. Conclusion: This research develops the hybrid machine learning model that smoothly combines classical algorithms and deep learning by a stacked architecture, which provides an advanced and highly effective structure for predicting hiring outcomes accurately. The model achieved both statistical superiority in benchmark comparisons and practical benefits.These findings imply that the usage of such hybrid models can rewrite the context for intelligent HR systems by streamlining candidate evaluation as faster, fairer, and more data-driven. In addition, HR managers receive focused, evidence-based feedback from feature analysis when predicting with modeling. Future work involving larger datasets and unstructured data such as resumes and interview videos coupled with tools for making the black box more explainable, such as SHAP or LIME, is encouraged to add transparency and build organizational trust in AI-based decision-making systems. مقدمه و اهداف: در عصر رقابتی امروز، تصمیمات استخدامی دیگر نمی‌توانند صرفاً بر قضاوت‌های انسانی تکیه داشته باشند. با افزایش حجم داده‌ها، پیچیدگی ویژگی‌های متقاضیان و ضرورت دقت بالا در انتخاب نیروی انسانی، بهره‌گیری از هوش‌مصنوعی و یادگیری ماشین به یک الزام راهبردی برای سازمان‌ها تبدیل شده است. اگرچه مدل‌های یادگیری ماشین کلاسیک، مانند درخت تصمیم یا رگرسیون لجستیک، نتایج قابل‌قبولی داشته‌اند، اما این مدل‌ها در مواجهه با داده‌های نامتوازن، ساختارهای پیچیده و نیاز به دقت بالا، محدودیت‌های جدی دارند. پژوهش حاضر با هدف طراحی یک مدل یادگیری ماشین ترکیبی مبتنی‌بر یادگیری عمیق انجام شده که بتواند با ترکیب مزایای شبکه‌های عصبی و الگوریتم‌های یادگیری ماشین جمعی پیشرفته، مدلی قدرتمند، دقیق و تفسیرپذیر برای پیش‌بینی تصمیمات استخدامی ارائه دهد. روش‌ها: برای توسعه مدل پیشنهادی، از یک ساختار استکینگ چندلایه استفاده شده است که در آن شبکه عصبی عمیق (DNN) به همراه 4 الگوریتم قدرتمند شامل Random Forest، Gradient Boosting، LightGBM و CatBoost به‌عنوان مدل‌های پایه عمل می‌کنند. خروجی این مدل‌ها به XGBoost به‌عنوان فرامدل منتقل می‌شود تا پیش‌بینی نهایی انجام شود. برای متوازن‌سازی مجموعه داده نامتوازن، از روش NearMiss استفاده شده و برای تنظیم بهینه پارامترها، الگوریتم TPE در چارچوب Optuna به کار رفته است. همچنین، فرآیند انتخاب ویژگی‌ها با روش حذف بازگشتی با اعتبارسنجی متقاطع (RFECV) انجام شده تا مهم‌ترین متغیرهای مؤثر بر تصمیم استخدام شناسایی شوند. یافته‌ها: مدل ترکیبی پیشنهادی بر روی یک مجموعه داده نمونه شامل ۱۵۰۰ نمونه در برابر ۱۶ مدل یادگیری ماشین شناخته شده ارزیابی شده است. نتایج نشان داد که مدل پیشنهادی در تمام زمینه‌های دقت، صحت، فراخوانی و امتیاز F1 باصحت ٪۹۲.۴۷ و امتیاز F1 ٪۹۲.۱۲ از تمام معیارهای کلیدی عملکرد پیشی گرفته است. برخی مدل‌های دیگر مانند CatBoost و LightGBM نیز نمرات خوبی داشتند، اما هیچ مدل دیگری بهتر از معیارهای گزارش شده برای مدل پیشنهادی عمل نکرد. افزون بر این، تحلیل اهمیت ویژگی‌ها (Feature Importance) که با بهره‌گیری از الگوریتم XGBoost انجام شد، نشان داد که متغیرهایی مانند «استراتژی جذب نیرو»، «سطح تحصیلات» و «امتیاز مصاحبه» بیشترین سهم را در پیش‌بینی نتیجه نهایی استخدام داشته‌اند. این نتایج نه‌تنها موجب بهبود اثربخشی مدل در پیش‌بینی تصمیمات استخدامی شد، بلکه با شفاف‌سازی عوامل مؤثر، اطلاعات ارزشمندی را برای تصمیم‌گیرندگان منابع‌انسانی فراهم کرد که می‌توانند بر پایه آن سیاست‌های جذب و ارزیابی خود را بازطراحی کنند. نتیجه‌گیری: مدل ترکیبی یادگیری ماشین ارائه‌شده در این پژوهش، با تلفیق منسجم الگوریتم‌های کلاسیک و ساختارهای یادگیری عمیق در قالب معماری استکینگ چندلایه، چارچوبی نوین و اثربخش برای پیش‌بینی دقیق تصمیمات استخدامی فراهم کرده است. این مدل نه‌تنها در آزمون‌های عددی و مقایسه‌ای عملکرد ممتاز و پایداری از خود نشان داده، بلکه از نظر کاربردی نیز واجد ویژگی‌هایی چون تفسیرپذیری، تعمیم‌پذیری و انعطاف‌پذیری است. دستاوردهای پژوهش حاکی از آن است که بهره‌گیری از چنین مدل‌های ترکیبی می‌تواند منجر به تحول اساسی در سیستم‌های تصمیم‌یار منابع‌انسانی شود و فرآیند انتخاب و ارزیابی متقاضیان شغلی را هوشمندانه‌تر، سریع‌تر و عادلانه‌تر سازد. از سوی دیگر، تلفیق تحلیل ویژگی‌ها با تکنیک‌های پیش‌بینی، امکان ارائه بازخورد هدفمند و داده‌محور به مدیران جذب نیرو را نیز فراهم می‌سازد. با توجه به این نتایج امیدبخش، پیشنهاد می‌شود در تحقیقات آتی از مجموعه‌داده‌های بزرگ‌تر، داده‌های غیرساختاریافته مانند رزومه‌های متنی، و مصاحبه‌های ویدیویی استفاده شود.

https://jimp.sbu.ac.ir/article_106819_e475af9a9c84f50b4befc2d7e3f42126.pdf

دانشگاه شهید بهشتی چشم‌انداز مدیریت صنعتی 2251-9874 16 1 2026 03 21 Designing and compiling a model of key success factors in industrial park company (Case study: Kermanshah Province) طراحی و تدوین مدل عوامل کلیدی موفقیت در شرکت‌ شهرک‌های صنعتی (مورد مطالعه: استان کرمانشاه) 197 217 106848 10.48308/jimp.16.1.197 FA زهره کهریزی دانشجوی کارشناسی ارشد، گروه مدیریت و کارآفرینی، دانشکده اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران. بیژن رضایی دانشیار، گروه مدیریت و کارآفرینی، دانشکده اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران. صبا امیری استادیار، گروه مدیریت و کارآفرینی، دانشکده اقتصاد و حسابداری، دانشگاه رازی، کرمانشاه، ایران. Journal Article 2025 06 02 Introduction and Objectives: The success of industrial estates is influenced by a variety of factors. These factors play a vital role in improving the performance and ensuring the long-term sustainability of industrial estates and are considered essential components in the process of sustainable economic growth and the preservation of natural resources and the environment. Therefore, estates are known not only as centers of production and employment, but also as key and effective factors in regional and national economic development and have a significant contribution to the realization of the country's economic development goals. The research aims to identify the key factors of success in industrial estates in Kermanshah province and to analyze the role of these factors in economic growth, increasing employment, and improving the country's competitiveness. Methods: This research was conducted with a descriptive, analytical, and applied purpose with a qualitative approach. Data collection was carried out through semi-structured interviews with academic professors with relevant scientific expertise and experience, experts from Kermanshah Province Industrial Estates Company, industry owners and business activists based in Kermanshah Province’s industrial estates, as well as documents and texts related to the topic. Sampling continued until theoretical saturation was reached, and 17 experts participated. Data analysis was performed using the content analysis method based on Brown and Clark’s six-step model, which included coding, generating, and reviewing themes. Reliability was confirmed with a kappa coefficient (0.75) and the validity of the study was ensured with a researcher sensitivity strategy. The findings were also confirmed by academic experts and specialists in the field. Findings: Analysis of qualitative data from 17 interviews conducted, 118 initial codes were extracted, and after merging and integrating similar themes, 42 basic themes were finally identified. The basic themes were accurately collected and coded, and related and distinct categories were classified into organizing themes. The findings showed that the 42 basic themes were categorized into 13 organizing themes related to key success factors in the Industrial Estates Company. In the final stage, in order to identify the main components of the key success factors, the organizing themes were divided into 5 general and comprehensive categories, including: macro-management and strategic leadership of the organization based on knowledge and specialized competencies, strategic innovation and sustainable industrial development, environmental adaptation and active participation of stakeholders, optimal allocation of resources and development of infrastructure and organizational culture and intra-organizational communication relations. These findings have comprehensively examined and identified the key success factors of the Kermanshah Province Industrial Estates Company. Conclusion: Accurate identification of these key factors allows for the provision of practical and effective solutions to improve the business environment in the aforementioned company. Improving the business environment through these solutions can pave the way for attracting more investors, increasing production capacity, and consequently improving the level of employment in the province. Therefore, the results of this part of the research play an important role in improving the performance and sustainable development of the Kermanshah Provincial Industrial Estates Company and can be used as a basis for management decisions and development policies, and help the managers of the Provincial Industrial Estates Company to improve performance, success, and implement management strategies. مقدمه و اهداف: موفقیت شرکت شهرک‌های صنعتی تحت تأثیر مجموعه‌ای از عوامل متنوعی قرار دارد. این عوامل در ارتقاء عملکرد و تضمین پایداری بلندمدت شرکت شهرک‌های صنعتی نقش حیاتی ایفا می‌کنند و به عنوان مؤلفه‌های اساسی در فرآیند رشد اقتصادی پایدار و حفظ منابع طبیعی و محیط زیست به شمار می‌روند. از این رو، شرکت شهرک‌ها نه تنها به عنوان مراکز تولید و اشتغال، بلکه به عنوان عامل کلیدی و مؤثر در توسعه اقتصادی منطقه‌ای و ملی شناخته شده‌اند و سهم قابل توجهی در تحقق اهداف توسعه اقتصادی کشور دارند. پژوهش با هدف شناسایی عوامل کلیدی موفقیت در شرکت‌ شهرک‌های صنعتی استان کرمانشاه، تلاش نموده تا نقش این عوامل در رشد اقتصادی، افزایش اشتغال و ارتقای رقابت‌پذیری کشور تحلیل شود. روش‌ها: این پژوهش با هدف کاربردی به صورت توصیفی، تحلیلی و کاربردی با رویکرد کیفی انجام شد. جمع آوری داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته با اساتید دانشگاهی دارای تخصص و تجربه علمی مرتبط، کارشناسان شرکت شهرک‌های صنعتی استان کرمانشاه، صاحبان صنایع و فعالان کسب‌وکار مستقر در شهرک‌های صنعتی استان کرمانشاه، همچنین اسناد و متون مرتبط با موضوع جمع‌آوری گردید. نمونه‌گیری تا رسیدن به اشباع نظری ادامه یافت و ۱۷ نفر از خبرگان مشارکت داشتند. تحلیل داده‌ها با استفاده از روش تحلیل مضمون براساس الگوی شش‌مرحله‌ای براون و کلارک انجام شد که شامل کدگذاری، تولید و بازبینی مضامین بود. پایایی با ضریب کاپا (75/0) تأیید و روایی پژوهش با استراتژی حساسیت پژوهشگر تضمین شد. یافته‌ها همچنین توسط خبرگان دانشگاهی و متخصصان این زمینه تأیید گردید. یافته‌ها: تحلیل داده‌های کیفی حاصل از ۱۷ مصاحبه انجام‌شده، تعداد ۱۱۸ کد اولیه استخراج گردید که پس از ادغام و تلفیق مضامین مشابه، در نهایت ۴۲ مضمون پایه شناسایی شد، مضامین پایه به‌طور دقیق جمع‌آوری و کدگذاری شده و مقولات مرتبط و متمایز در قالب مضامین سازمان‌دهنده طبقه‌بندی گردیدند. یافته‌های به‌دست‌آمده نشان داد، ۴۲ مضمون پایه در قالب ۱۳ مضمون سازمان‌دهنده مرتبط با عوامل کلیدی موفقیت در شرکت شهرک‌های صنعتی دسته‌بندی شده‌اند. در مرحله نهایی، جهت شناسایی مولفه‌های اصلی عوامل کلیدی موفقیت، مضامین سازمان‌دهنده در ۵ دسته کلی و فراگیر تقسیم‌بندی شدند که شامل: مدیریت کلان و راهبری استراتژیک سازمان مبتنی بر دانش و شایستگی‌های تخصصی، نوآوری راهبردی و توسعه پایدار صنعتی، تطابق محیطی و مشارکت فعال ذینفعان، تخصیص بهینه منابع و توسعه زیرساخت‌ها و فرهنگ سازمانی و روابط ارتباطی درون سازمانی. این یافته‌ها به طور جامع به بررسی و شناسایی عوامل کلیدی موفقیت شرکت شهرک‌های صنعتی استان کرمانشاه پرداخته‌اند. نتیجه‌گیری: شناسایی دقیق این عوامل کلیدی، امکان ارائه راهکارهای عملی و مؤثر جهت بهبود فضای کسب و کار در شرکت مذکور را فراهم می‌آورد. بهبود فضای کسب و کار از طریق این راهکارها می‌تواند زمینه‌ساز جذب سرمایه‌گذاران بیشتر، افزایش ظرفیت تولید و در نتیجه ارتقاء سطح اشتغال‌زایی در استان باشد. بنابراین، نتایج این بخش از پژوهش نقش مهمی در ارتقاء عملکرد و توسعه پایدار شرکت شهرک‌های صنعتی استان کرمانشاه ایفا می‌کند و می‌تواند به عنوان مبنایی برای تصمیم‌گیری‌های مدیریتی و سیاست‌گذاری‌های توسعه‌ای مورد استفاده قرار گیرد و به مدیران شرکت شهرک‌های صنعتی استانی در راستای بهبود عملکرد، موفقیت و پیاده سازی استراتژی‌های مدیریت‌ کمک نماید.

https://jimp.sbu.ac.ir/article_106848_6512046a0f99df27ed71fec16860e61b.pdf