چکیده:
پژوهش حاضر در صدد است به طراحی مدل ارزیابی و رتبهبندی ریسکهای منابع انسانی با رویکرد هوشمند نروفازی بهعنوان یکی از روشهای هوش مصنوعی در شرکت ملی گاز ایران بپردازد. برای تحقّق این هدف سه گام اصلی انجام پذیرفت: گام اول، شناسایی معیارهای ارزیابی بود که با مرور پیشینه و مبانی نظری تحقیق و بر اساس نظرخبرگان محقق شد. گام دوم، مدلسازی ریسکهای منابع انسانی با استفاده از رویکرد نروفازی بود که با دو روش قاعدهسازی گریدپارتیشن و خوشهبندی کاهشی انجام شد. درگام سوم، با بهکارگیری مدلسازی سیستم نروفازی رتبهبندی ریسکهای منابع انسانی صورت پذیرفت. نتایج رتبهبندی ابعاد ریسکهای منابع انسانی نشان داد که استان یزد بیشترین ریسک ساختاری، استان ایلام بیشترین ریسک ارزشی و استان خراسان رضوی بیشترین ریسک رفتاری و زمینهای را داشتهاند. همچنین نتایج ارزیابی کلی ریسکهای منابع انسانی، استان اصفهان را دارای کمترین ریسک و استان خراسان رضوی را دارای بیشترین ریسک منابع انسانی در شرکت ملی گاز ایران معرفی نمود. یافتههای این تحقیق میتواند بهعنوان یک ساختار جامع و یک نقشه راه مورد توجه مدیران سازمان در راستای بهبود تدوین استراتژیهای مدیریت ریسک منابع انسانی قرارگیرد.
The present study aimed to design a model of human resources risks assessment and ranking using the neuro-fuzzy approach as one of the methods of artificial intelligence in Iran national Gas Company. Three main steps were taken to achieve this goal: the first step was to identify the evaluation criteria that were achieved by literature reviews and the theoretical foundations of the research based on the opinion of the elites. The second step was human resources risks modeling using a neuro-fuzzy approach, which were formulated with two methods of subtractive clustering and grid partition regularization. In the third step, using the neuro-fuzzy system modeling, human resource ranking was performed. The results of ranking of human resource risks showed that Yazd province had the highest structural risks, Ilam province had the highest value risks and Khorasan Razavi province had the highest behavioral and contextual risks. The results of the overall evaluation also showed that human resources risks in Isfahan province hadthe least risks and Khorasan Razavi province hadthe highest human resources risks in Iran national Gas Company. The findings of this study can be considered as a comprehensive structure and a roadmap for managers to improve the formulation of HRM strategies.
خلاصه ماشینی:
(٢٠٠٢ ,Walker &Barton, Shenkir, ) در این تحقیق جهت سنجش ریسک های منابع انسانی شناسایی شده در استان های مختلف و برنامه ریزی مدیران ارشد سازمان برای مدیریت آن ها باید به رتبه بندی استان ها و ریسک های شناسایی شده در هر استان پرداخته شود که این کار تنها با استفاده از سیستم استتناج فازی انطباق پذیر با برخورداری از هوش مصنوعی امکان پذیر بوده است .
همانگونه که در این شکل نشان داده شده است ، پس از ارائه ریسک های شناسایی شده در قالب پرسش نامه به خبرگان ، مدل سازی شبکه عصبی نرو فازی بر مبنای حالات مختلف انجام شده و در نهایت ، امتیازات هرُ بعد ریسک های منابع انسانی ارائه شد.
(3) در این تحقیق در مدلسازی انفیس ، ابعاد و رتبه بندی ریسک های منابع انسانی هر استان و میانگین خطای آموزش کمتر از حد آستانه (٠/٥) میباشد و این نشان دهنده آن است که مدل از کارایی بسیار بالایی برخوردار است .
در مجموع ، مدل شبکه عصبی با مشخصات تعداد تابع عضویت ورودی سه تابع و تابع مثلثی، با خروجی تابع عضویت ثابت ، 1 Mamdani 2 Sugeno روش قاعده سازی گریدپارتیشن با تکرار ١٥٠ Epochs و روش بهینه آموزشی هیبریدی با سیستم فازی سوگنو دارای مدلی مناسب برای تمامی ریسک های منابع انسانی و رتبه بندی آنهاست .
Expanding risk management systems: Human resources and German banks, Strategic Change, 17, 21–33 .