كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / نهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

طراحی مدل پیش‌بینی و اندازه‌گیری ظرفیت نوآوری باز در صنعت بانکداری ایران با رویکرد استنتاج فازی عصبی-تطبیقی (ANFIS)

نویسندگان :

سید فرید موسوی¹ مرجان دوستی بیدختی² رضا یوسفی زنوز³ آرزو گازری نیشابوری⁴

1- گروه مدیریت عملیات و فناوری اطلاعات، دانشگاه خوارزمی، تهران، ایران 2- دانشگاه خوارزمی-دانشکده مدیریت-تهران-ایران 3- گروه مدیریت عملیات و فناوری اطلاعات دانشگاه خوارزمی 4- مهندسی صنایع- دانشگاه آزاد اسلامی واحد تهران جنوب- تهران- ایران

کلمات کلیدی :

سیستم استنتاج فازی-عصبی تطبیقی،صنعت بانکداری ایران،نوآوری،نوآوری باز

چکیده :

در عصر حاضر، هر سازمانی برای پاسخ به تغییرات پرشتاب تکنولوژی و محیطی، جهت ارائه بهتر خدمات و سیستم‌های اطلاع‌رسانی به مشتریان، بایستی مسیر فعالیت‌های خود را به سمت نوآوری وخلاقیت تغییر دهند تا بتوان به حیات کاری خود ادامه دهند و در این فضای شدید رقابتی باقی بماند (فرهادی چشمه مرواری، 1394). درحال حاضر در صنعت بانکداری بعنوان یکی از بازیگران اصلی خدمات مالی و نقش آفرین حیاتی در اقتصاد، دیگر نوآوری بسته پاسخ گوی نیاز نبوده است و از این رو این صنعت برای کسب مزیت رقابتی، تصمیم به ادغام دانش و توانمندی داخلی و خارجی سازمان کرده و به سمت نوآوری باز حرکت کرده است. به همین دلیل ارزیابی ظرفیت نوآوری باز برای بانک‌ها و مؤسسات مالی و اعتباری حائز اهمیت بوده، تصمیم در خصوص انتقال یا گسترش فناوری این صنعت تابع میزان ظرفیت نوآوری باز خواهد بود. در پژوهش حاضر، طراحی مدل ارزیابی ظرفیت نوآوری باز در صنعت بانکداری بارویکرد استنتاج فازی عصبی-تطبیقی ارائه گردیده است. جامعه تحقیق و نمونه آماری جهت اجرا و تست مدل، اساتید وخبرگان بانکی بالاخص واحد تحقیق و نوآوری بانک‌ها و مؤسسات مالی و اعتباری می‌باشند. که در نهایت تعداد 825 عدد نمونه مورد استفاده قرار گرفت که بر اساس روش اندازه‌گیری تعداد حجم نمونه کوکران 165 نفر می‌باشد. پس از جمع‌آوری داده‌ها از طریق پرسشنامه، داده‌ها از طریق سیستم شبکه عصبی، 70 درصد آنان آموزش و 30 درصد آن برای ارزیابی صحیح عملکرد سیستم تست خواهند شد که برای ارزیابی عملکرد مدل، از پارامتر مجذور میانگین مربعات خطا( RMSE) استفاده خواهد شد که میزان خطای آموزش پس از 1000 تکرار معادل 0.61275 بدست آمده و معیار‌های مورد استفاده برای رویکرد طبقه‌بندی پیشنهادی از پارامتر‌های دقت، حساسیت، تشخیص‌پذیری و صحت محاسبه گردید که به ترتیب ترتیب 73.25 درصد، 51.12 درصد، 68.37 درصد و 74.67 درصد بدست آمده که نشانگر دقت و قابلیت اعتماد در پیش‌بینی خروجی مدل است. این پژوهش با توجه به هدف، از نوع کاربردی- توسعه‌ای است و با توجه به روش جمع‌آوری داده‌ها از نوع توصیفی-پیمایشی خواهد بود. خروجی این پژوهش، یک سیستم استنتاج فازی-عصبی هوشمند ( ANFIS) است.