دانلود پایان نامه

شکر و شیره ملاس را با هم مقایسه کنیم و شیرینی عسل، 5 برابر شیرینی شکر، باشد و شیرینی شکر 2 برابر شیرینی شیره ملاس باشد؛ در این صورت عسل 10 بار از ملاس شیرینتر است. در این مثال، اگر شیرینی عسل، 4 برابر شیرینی شیره ملاس باشد قضاوت ها یا هم سازگاری ندارند. این ارتباطات، تأثیر نسبی اجزای هر سطح را به اجزای سطوح بالاتر نشان می دهد.
الگوریتم AHP
در این مرحله با مدل AHP ، مسأله را تجزیه و تحلیل کرده و آن را به چند قسمت ساده تر تجزیه می کنیم. پس از آن که گزینه ها و شاخص ها مشخص شد، بین شاخص ها مقایسات زوجی انجام می دهیم. در مرحله بعد، برای هر شاخص بین گزینه ها، مقایسات زوجی انجام می دهیم. سپس از الگوریتم زیر پیروی می کنیم (همان):
الف) به هنجار کردن ماتریس مقایسات زوجی؛
ب) به دست آوردن میانگین حسابی هر سطر ماتریس به هنجار شده مقایسات زوجی ( که به آن وزن نسبی می گویند)؛
ج) ضریب وزن های نسبی شاخص ها در میانگین نسبی گزینه ها؛
د) رتبه بندی کردن گزینه ها.
بعد از این مرحله، به سراغ « سنجش نرخ ناسازگاری» می رویم. به این منظور، مراحل زیر را طی می کنیم:
گام1. محاسبه بردار مجموع وزنی (WSV): ماتریس مقایسات زوجی (D) را در بردار وزن های نسبی ضرب کنید. به بردار حاصل، «بردار مجموع وزنی» (رابطه4)گفته می شود
رابطه 4 WSV = D × W

گام 2. محاسبه بردار سازگاری (CV) : عناصر بردار مجموع وزنی را بر بردار وزن های نسبی تقسیم کنید. به بردار حاصل، «بردار سازگاری» گفته میشود.
گام 3. محاسبه بزرگترین مقدار ویژه ماتریس مقایسات زوجی (maxλ): برای محاسبه بزرگترین مقدار ویژه ماتریس مقایسات زوجی، میانگین عناصر بردار سازگاری محاسبه می شود.
گام 4. محاسبه شاخص ناسازگاری (II) : شاخص ناسازگاری به صورت رابطه 3-5 محاسبه می شود. رابطه 5 II =


برای دانلود متن کامل پایان نامه ، مقاله ، تحقیق ، پروژه ، پروپوزال ،سمینار مقطع کارشناسی ، ارشد و دکتری در موضوعات مختلف با فرمت ورد می توانید به سایت  77u.ir  مراجعه نمایید
رشته مدیریت همه موضوعات و گرایش ها : صنعتی ، دولتی ، MBA ، مالی ، بازاریابی (تبلیغات – برند – مصرف کننده -مشتری ،نظام کیفیت فراگیر ، بازرگانی بین الملل ، صادرات و واردات ، اجرایی ، کارآفرینی ، بیمه ، تحول ، فناوری اطلاعات ، مدیریت دانش ،استراتژیک ، سیستم های اطلاعاتی ، مدیریت منابع انسانی و افزایش بهره وری کارکنان سازمان

در این سایت مجموعه بسیار بزرگی از مقالات و پایان نامه ها با منابع و ماخذ کامل درج شده که قسمتی از آنها به صورت رایگان و بقیه برای فروش و دانلود درج شده اند

گام 5. محاسبه نرخ ناسازگاری (IR): به این منظور، به ترتیب زیر(رابطه 6) عمل می شود:
ر ابطه6 IR =
در اینجا، IRI ( شاخص ناسازگاری تصادفی) مقداری است که از جدول مربوطه استخراج می شود. جدول شاخص ناسازگاری تصادفی، بر اساس شبیه سازی به دست آمده است و به صورت جدول3-2 است:
جدول3-2. شاخص ناسازگاری تصادفی
10
9
8
7
6
5
4
3
2
1
n
51/1
45/1
41/1
32/1
24/1
12/1
90/0
58/0
0
0
IRI
در صورتی که نرخ ناسازگاری، کوچکتر یا مساوی 1/0 باشد (1/0 IR≤)، در مقایسات زوجی، سازگاری وجود دارد و می توان کار را ادامه داد. در غیر این صورت، تصمیم گیرنده باید در مقایسات زوجی تجدید نظر کند.
لازم به ذکر است که برای پر کردن ماتریس مقایسات زوجی، از مقیاس 1 تا 9 استفاده می شود تا اهمیّت نسبی هر عنصر نسبت به عناصر دیگر، در رابطه با آن خصوصیت، مشخص شود. جدول 3-4 ، مقیاس را برای انجام مقایسات زوجی نشان می دهد.
جدول 3-3- مقیاس AHP
شرح تعریف درجه اهمیت
دو عنصر اهمیت یکسانی داشته باشند اهمیت یکسان 1
یک عنصر نسبت به دیگری، نسبتا ترجیح داده می شود . نسبتا مرجح 3
یک عنصر نسبت به عنصر دیگر زیاد ترجیح داده می شود. ترجیح زیاد 5
یک عنصر نسبت به عنصر دیگر بسار ترجیح داده می شود ترجیح بسیار زیاد 7
یک عنصر نسبت به عنصر دیگر ترجیح فوقالعاده زیادی دارد. ترجیح فوق العاده زیاد 9
ارزشهای بینابین در قضاوتها 2و4و6و8
نکته مهم: هنگامی که عنصر i با عنصر j مقایسه میشود یکی از اعدادبالا به آن اختصاص می یابد. در مقایسه عنصر j با i مقدار معکوس آن عدد اختصاص می یابد. ) )=Xji
توجه داشته باشید که در ماتریس مقایسات زوجی، سطر i با ستون j مقایسه می شود. بنابراین تمامی عناصر قطر اصلی این ماتریس عدد یک می باشد همچنین هر مقدار زیرِ قطر اصلی، معکوس مقدار بالای قطر است.
3-9-3-مدل تاپسیس TOPSIS
مدل TOPSIS توسط هوانگ و یون در سال 1981، پیشنهاد شد. این مدل، یکی از بهترین مدل های تصمیم گیری چند شاخصه است و از آن، استفاده زیادی می شود، در این روش نیز m گزینه به وسیله n شاخص، مورد ارزیابی قرار می گیرد. اساس این تکنیک، بر این مفهوم استوار است که گزینه انتخابی، باید کمترین فاصله را با راه حل ایده آل مثبت (بهترین حالت ممکن) و بیشترین فاصله را با راه حل ایده آل منفی (بدترین حالت ممکن) داشته باشد. فرض بر این است که مطلوبیت هر شاخص، به طور یکنواخت افزایشی یا کاهشی است. حل مسأله با این روش، مستلزم طی شش گام زیر است (مؤمنی، 1389):
کمّی کردن و بی مقیاس سازی ماتریس تصمیم(N): برای بی مقیاس سازی، از بی مقیاس سازی نورم استفاده می شود.
به دست آوردن ماتریس بی مقیاس موزون(V): ماتریس بی مقیاس شده (N) را در ماتریس قطری وزن ها(Wn×n) ضرب می کنیم، یعنی:
رابطه 7 V = N × Wn×n
تعیین راه حل ایده آل مثبت و راه حل ایده آل منفی: راه حل ایده آل مثبت و ایده آل منفی، به صورت زیر تعریف می شوند:
[ بردار بهترین مقادیر هر شاخص ماتریس V ] = راه حل ایده آل مثبت(Vj+)
[ بردار بدترین مقادیر هر شاخص ماتریس V ] = راه حل ایده آل منفی(Vj-)
«بهترین مقادیر» برای شاخص های مثبت، بزرگترین مقادیر و برای شاخص های منفی، کوچکترین مقادیر است و «بدترین» برای شاخص های مثبت، کوچکترین مقادیر و برای شاخص های منفی بزرگترین مقادیر است.
به دست آوردن میزان فاصله هر گزینه تا ایده آل مثبت و منفی: فاصله اقلیدسی از ایده آل مثبت (dj+) و فاصله هر گزینه تا ایده آل منفی (dj-)، بر اساس رابطه های زیر حساب می شود.
رابطه 8 m,…..,1,2=i di+ =
رابطه 9 m,…..,1,2=i di- =
تعیین نزدیکی نسبی (CL*) یک گزینه به راه حل ایده آل:
رابطه 10 CL* =

رتبه بندی گزینه ها: هر گزینه ای که CL آن بزرگتر باشد، بهتر است.

فصل چهارم
تجزیه و تحلیل داده ها
4-1- مقدمه
هدف تحقیق حاضر دست یابی به مدلی از روابط علّی بین متغیر ها است. این شیوه با ترکیب اطلاعات علت و معلول بر مبنای تئوری معین، روابط بین متغیر ها را توضیح داده و مبنایی برای استنباط فراهم می آورد. استنباط های علّی بر مبنای انواع همبستگی داده ها حاصل شده و ممکن است تبیین کننده روابط بین متغیرهای مشاهده پذیر و مکنون باشد. بعبارتی در مدل یابی علّی، هدف به دست آوردن برآوردهای کمی روابط علّی بین مجموعه ای از متغیرهاست.
در این فصل از پژوهش، ابتدا تحلیل عاملی اکتشافی مدل نوآوری تشریح می شود تا ابعاد اصلی مدل ساختاری تحقیق شناسایی گردد. سپس به تجزیه و تحلیل وزن عاملها با روش AHP و در نهایت به تجزیه و تحلیل دانشگاهها و رتبه بندی آنها با روش TOPSISپرداخته می شود.
4-2- تحلیل عاملی اکتشافی مدل نوآوری
برای شناسایی مدل نوآوری دانشگاه از تحلیل عاملی اکتشافی استفاده شده است. زیرا تحلیل عاملی اکتشافی جهت تحلیل دقیقتر داده ها و دستیابی به نتایج علمی و عملیاتی تر، راهکار کاهش تعداد متغیر ها و شناسایی ساختار درونی آنها می تواند کارساز باشد. تحلیل عاملی اکتشافی شیوه ای است که سعی در اکتشاف متغیر های اساسی یا عامل ها در راستای تبیین الگوی همبستگی بین متغیر های مشاهده شده دارد.در این پژوهش نتیجه استفاده از تحلیل عاملی اکتشافی شش خروجی می باشد که در ذیل به آن اشاره می شود.
خرجی اول(جدول4-1) به ترتیب مقدار شاخص KMO، مقدار آماره آزمون بارتلت (که تقریبی از آماره کای دو است)، درجه آزادی و sig آزمون را نشان می دهد. از آنجاییکه مقدار شاخص KMO برابر 865/0 است (نزدیک به یک) تعداد نمونه (تعداد پاسخ دهندگان پرسشنامه شماره 1) برای تحلیل عاملی کافی می باشد. همچنیت مقدار sig آزمون بارتلت، کوچکتر از 5 درصد است که نشان می دهد تحلیل عاملی برای شناسایی ساختار مدل عاملی، مناسب است و فرض شناخته شده بودن ماتریس همبستگی، رد می شود
جدول 4-1.خروجی KMO و آزمون بارتلت
KMO and Bartlett’s Test
Kaiser-Meyer-Olkin Measure of Sampling Adequacy.
.865
Bartlett’s Test of Sphericity
Approx. Chi-Square
4951.374
df
1378
Sig.
.000

خروجی دوم (جدول4-2) به ترتیب اشتراک اولیه و اشتراک استخراجی را نشان می دهد. اشتراک یک متغیر برابر همبستگی چند گانه (R2) برای متغیرهای مربوطه با بهره گرفتن از عامل ها (به عنوان پیش بینی کننده) است. به دلیل این که ستون اشتراک اولیه، اشتراک ها را قبل از استخراج عامل (یا عامل ها) بیان می کند، تمامی اشتراک های اولیه برابر 1 می باشد. هرچه مقادیر اشتراک استخراجی بزرگتر باشد، عامل های استخراج شده، متغیر ها را بهتر نمایش می دهند. اگر هر یک از مقادیر اشتراک استخراجی بسیار کوچک باشند، ممکن است استخراج عامل دیگری الزامی شود.
جدول4-2. اشتراک استخراجی داده ها
Communalities
Initial
Extraction
برگزاری تعداد همایشات در دانشگاهها
1.000
.511
امتیازات پژوهشی که در اختیار دانشگاه ها گذاشته میشود
1.000

 
 
.517
تعاملات علمی بین المللی دانشگاهها
1.000
.677
حمایت مالی که از طرف وزارت علوم در اختیار دانشگاهها گذاشته می شود
1.000
.445
تعداد مجلات پذیرفته شده و انتشار یافته در دانشگاه
1.000
.358
ارتقاء اساتیددر دانشگاهها
1.000
.426
حضور دانشجویان خارجی در دانشگاهها
1.000
.474
تعداد استادان دارای کرسی
1.000
.565
ایجاد اتاق های فکر در دانشگاهها
1.000
.280
رقابت فعال دانشگاهها
1.000
.351
کیفیت در خدمات ارائه شده توسط دانشگاهها
1.000
.511
مشاوره و راهنمایی گرفتن از متخصصان دانشگاهی
1.000
.448
رفتار اداری( کارکنان)
1.000
.639
گردش امور ( نحوه انجام دادن کارها در دانشگاهها)
1.000
.653
توانایی نیروی کار
1.000
.605
انگیزه کارکنان
1.000
.706
مهارتهای کارکنان و آموزش آنها
1.000
.729
تشکیل دوره های آموزشی برای کارکنان
1.000
.669
سفر به کشور های دیگر جهت فرصت مطالعاتی
1.000
.351
استفاده از تکنولوژی و منابع آن
1.000
.656
یادگیری مهارتهای فنی و آموزشی
1.000
.625
استراتژی دانشگاهها در استفاده از تکنولوژی و IT
1.000
.634
تاثیر فناوری اطلاعاتی
1.000
.490
استفاده از منابع دانشی
1.000
.647
ایجاد سازمان یادگیرنده
1.000
.494
ایجاد مکانهایی برای اساتید و کارمندان جهت به روز رسانی اطلاعاتی
1.000
.455
باز سازی ساختار فضایی دانشگاه
1.000
.529
به روز کردن امکانات دانشگاهی
1.000
.545
ایجاد و توسعه ایده در مورد نوآوری دانشگاهها
1.000
.688
فنون مربوط به انتخاب و ارزیابی عملکرد نوآوری
1.000
.671
مکانیزم بکارگیری نوآوری در دانشگاهها
1.000
.565
تفکیک پذیری ساختار سازمانی دانشگاهها
1.000
.556
ایجاد دانشگاههایی با ساختار سازمانی متمرکز
1.000
.681
رسمی بودن امور دانشگاهی
1.000
.617
انعطاف پذیر بودن ساختار دانشگاهی
1.000
.542
ایجاد شبکه های ارتباطی در دانشگاهها
1.000
.477
فرهنگ همکاری در دانشگاهها
1.000
.699
فرهنگ ریسک پذیری در دانشگاهها
1.000
.559
نتیجه گرا بودن دانشگاهها
1.000
.593
باز گرا بودن(یعنی نیاز های اجتماعی را برطرف کردن)
1.000
.469
چشم انداز و اهداف دانشگاهها
1.000
.577
میزان اتخاذ تصمیمات استراتژیک در سازمان
1.000
.526
استراتژی نوآوری منابع انسانی
1.000
.622
فعالیت های نوآوری و توسعه آن
1.000
.577
ارتقاء دادن ماشین ها، تجهیزات و نرم افزارها
1.000
.591
آموزش ضمن خدمت
1.000
.429
جذب سرمایه تحقیقاتی
1.000
.543
شخصیت مدیران دانشگاهی
1.000
.581
ایجاد انگیزه در کارکنان
1.000
.660
داشتن مدیرانی با سبک رهبری انتقالی
1.000
.388
داشتن مدیرانی با سبک رهبری مشارکتی
1.000
.498
چشم انداز دانشگاهها در ایجاد نوآوری
1.000
.538
مشتری مداری دانشگاهها.(دانشجویان)
1.000
.409
Extraction Method: Principal Component Analysis.

خروجی سوم (جدول 4-3) حاوی سه قسمت است. قسمت اول (با بر چسب initial eigenvalues) مربوط به مقادیر ویژه است و تعیین کننده عامل هایی است که در تحلیل باقی می ماند ( عامل هایی که دارای مقدار ویژه کمتر از 1 هستند از تحلیل خارج می شوند). در این پژوهش عامل هایی که دارای مقدار ویژه بیشتر از 1 می باشند 14 تا می باشد که 8 تای اول آن که عامل های بیشتری دارند در تحلیل محاسبه می شوند.
قسمت دوم با (برچسبextraction sums of squared loadings) مربوط به مقدار ویژه عوامل استخراجی بدون چرخش است و قسمت سوم (با برچسب rotation sums of sqared loadings) نشان دهنده مقدار ویژه عوامل استخراجی با چرخش می باشد. در این پژوهش عامل های 1،2،3،4،5،6،7 و 8 به عنوان عامل هایی که دارای مقدار ویژه بالاتری هستند انتخاب شده اند. این عامل ها می توانند تقریباً 59 درصد از تغییر پذیری (واریانس) متغیرها را توضیح دهند. توجه داشته باشید که در چرخش عامل های باقی مانده، نسبتی از کل تغییرات که توسط این 8 عامل توضیح داده می شود، ثابت است (تقریباً 59 درصد) ولی بر خلاف روش بدون چرخش که در آن عامل اول درصد بیشتری از تغییرات (تقریباً 29 درصد) را تببین می کند، در روش چرخش عامل ها، هریک از آنها نسبت تقریباً یکسانی از تغییرات را توضیح می دهند. این ویژگی چرخش واریماکس است که تغییرات را میان عامل ها به شکل یکنواخت توزیع می کند.
جدول 4-3. استخراج عامل ها
Total Variance Explained
Component
Initial Eigenvalues
Extraction Sums of Squared Loadings
Rotation Sums of Squared Loadings
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
Total
% of Variance
Cumulative %
1
15.139
28.565
28.565
15.139
28.565
28.565
4.702
8.871
8.871
2
2.700
5.094
33.659
2.700
5.094
33.659
4.500
8.490
17.361
3
2.494
4.705
38.364
2.494
4.705
38.364
3.795
7.161
24.522
4
2.065
3.896
42.260
2.065
3.896
42.260
3.589
6.772
31.294
5
1.928
3.637
45.897


پاسخی بگذارید