This study examines the criterion of value at risk from another perspective and presents a new type of mean-value at Risk model. To solve the portfolio optimization problem in Tehran Stock Exchange, we use NSGA II, MOACO, and MOABC algorithms and then compare the mean-pVaR model with the mean-SV model. Given that, finding the best answer is very important in meta-heuristic methods, we use the concept of dominance in the discussion of multi-objective optimization to find the best answers and show that, at low iterations, the performance of the NSGA II algorithm is better than the MOABC and MOACO algorithms in solving the portfolio optimization problem. As the iteration increases, the performance of the algorithms improves, but the rate of improvement is not the same, in a way, the performance of the MOABC algorithm is better than that of the NSGA II and MOACO algorithms. Then, to compare the performance of the “mean-percentage of Value at Risk” model and the “mean-semi variance” model, we examine both models in the standard mean-variance model and show that the mean-pVaR model, compared to the mean-SV model, Has better performance in stock portfolio optimization. پرونده مقاله

شدت رقابت درفضای صنعتی ، باعث شده است که تمایل بنگاه‌های اقتصادی به جذب مشتریان بیشتر کم و، تمایل به فعالیت در زمینه‌های خدماتی و تولیدی افزایش یافته است. به همین منظور، توسعه روش هایی به منظور شناسایی مشتریان رویگردان و پیش بینی رویگردانی، از مهمترین فعالیت های حوزه فروش به حساب خواهد آمد. در صورتی که بانک فرصت کافی برای پیش بینی رویگردانی مشتریان داشته باشد؛ می تواند به اصلاح ساختارها و خدمات خود به منظور جلوگیری از ریزش تعداد بیشتری از مشتریان بپردازد. تحقیق حاضر، به منظور توسعه چنین مدلی برای بانک شهر صورت گرفته است. به همین منظور، از یک الگوریتم دو مرحله ای خوشه بندی، دسته بندی داده کاوی استفاده شده. به منظور خوشه بندی مشتریان، از نقشه های خودسازمان ده شبکه عصبی که یک روش یادگیری نظارت نشده است؛ استفاده و برای دسته بندی از ماشین بردار پشتیبان و درخت تصمیم استفاده شده است. روش استفاده از این ابزارها به این صورت است که ابتدا از دو مشخصه میانگین موجودی و میانگین تراکنش مشتریان در دوره سه ماهه پایانی استفاده شده و به عنوان ورودی شبکه عصبی در خوشه بندی مورد استفاده قرار گرفته است. پس از آن، در مرحله کلاس بندی، از داده های مربوط به تراکنش های نقدی و اعتباری به منظور کلاس بندی و پیش بینی استفاده شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی بیش از 80% توانایی پیش بینی رویگردانی مشتری را داشته و ماشین بردار پشتیبان عملکرد بهتری از درخت تصمیم نشان داده است. پرونده مقاله

پژوهشگران در سال‌های اخیر مفهومی را با عنوان مدیریت کیفیت زنجیره تامین معرفی و توسعه داده‌اند و از آن به‌عنوان آخرین مرحله در حرکت به سوی مدیریت کیفیت فراگیر نام می‌برند و به‌عنوان یک رویکرد سیستمی برای بهبود عملکرد سازمان‌ها تعریف می‌شود که فرصت‌های ایجاد شده به‌وسیلۀ ارتباطات پایین‌دست و بالادست با تامین‌کنندگان و مشتریان را در سازمان جاری می‌سازد. مقاله حاضر با هدف تعیین تاثیر مدیریت کیفیت زنجیره تامین بر عملکرد سازمانی با در نظر گرفتن نقش متغیرهای میانجی مدیریت کیفیت و مدیریت زنجیره تامین به رشته تحریر درآمده است و تلاش می‌کند پنج فرضیه را به آزمون بگذارد. این پژوهش با روش توصیفی- پیمایشی صورت گرفته و جامعۀ آماری آن به صورت هدفمند انتخاب شده است. برای جمع‌آوری اطلاعات از یک پرسشنامۀ محقق‌ساخته متشکل از 27 سوال استفاده شد که 150 نفر به سوالات آن پاسخ دهند و پایایی آن نیز توسط نرم‌افزار SPSS، 990/0 محاسبه و از آنجائی‌که داده‌ها نرمال بودند، برای تجزیه‌و‌تحلیل آن‌ها از تحلیل عاملی تائیدی با استفاده از نرم‌افزار LISREL بهره‌جویی شده است. عمده‌ترین نتایج پژوهش به این قرار است: متغیر زمینه‌ای 92% بر مدیریت کیفیت و 90% بر مدیریت زنجیره تامین تاثیرگذار است. مدیریت کیفیت 83% بر کیفیت زنجیره تامین و مدیریت زنجیره تامین نیز 90% بر کیفیت زنجیره تامین تاثیرگذار است. کیفیت زنجیره تامین نیز 98% بر عملکرد سازمانی تاثیرگذار است. پرونده مقاله