‫ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬

‫‪ ‬‬
‫‪ ‬‬

‫‪ ‬اراﺋﻪ ﺷﺪه در داﻧﺸﮕﺎه ﺻﻨﻌﺘﻲ ﺷﺮﻳﻒ ﺗﻮﺳﻂ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬

‫‪ ‬ﺗﻬﻴﻪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‪ -‬در ﭘﺎﻳﻴﺰ ‪87‬‬

‫اﻳﻤﻴﻞ‪  Meisam.hejazynia@gmail.com :‬‬

‫ﺗﻠﻔﻦ‪09121247676 :‬‬

‫‪ ‬‬
‫‪ ‬‬
‫‪ ‬‬
‫‪ ‬‬
‫‪ ‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪2 ‬‬
‫‪Page‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺗﺎرﻳﺦ‪ /25 :‬ﺷﻬﺮﻳﻮر‪1387 /‬‬
‫‪3 ‬‬

‫در اﻳﻦ درس ﻣﺪل ﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﺪﻳﺮان را ﺑﺮرﺳﻲ ﻣﻲ ﻧﻤﺎﺋﻴﻢ‪.‬‬
‫‪Page‬‬

‫دو ﺳﻴﺴﺘﻢ ﺗﺼﻤﻴﻢ ﮔﻴﺮي وﺟﻮد دارد‪:‬‬

‫‪  One Thinking .1‬‬

‫‪  Tow Thinking .2‬‬
‫در ﻳﻚ ﻛﺴﺮي از ﺛﺎﻧﻴﻪ ﮔﺎﻫﻲ ﺑﺎﻳﺴﺘﻲ ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻪ ﺷﻮد‪ ،‬و ﺗﻤﺎم داﻧﺶ ﺑﻪ ﺳﺮاغ آدم ﻣﻲ آﻳﺪ و داده ﻧﻴﺎزي ﻧﻴﺴﺖ ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺷﻮد و از داده ﻫﺎ‬

‫ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪ .‬اﻳﻦ ﺳﻴﺴﺘﻢ ﻳﻚ اﺳﺖ‪.‬‬

‫ﺳﻴﺴﺘﻢ دوم ﺑﺮ اﺳﺎس ﻣﻨﻄﻖ اﺳﺖ و اﻛﺜﺮ ﻣﺜﺎل ﻫﺎ در ﻧﺤﻮه ﺗﻌﺎﻣﻞ اﺑﺘﺪا ﺑﺮرﺳﻲ ﻣﻲ ﺷﻮد ﭼﻪ ﮔﺰﻳﻨﻪ ﻫﺎﻳﻲ دارﻳﻢ‪ ،‬ﺑﻌﺪ ﭼﻪ ﻣﻌﻴﺎرﻫﺎﻳﻲ دارﻳﻢ‪ ،‬ﺳﻮم‬

‫ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ اﮔﺮ اﻳﻦ ﻛﺎر را ﺑﻜﻨﻴﻢ ﭼﻪ اﺗﻔﺎﻗﺎﺗﻲ در ﺑﻴﺮون ﺧﻮاﻫﺪ اﻓﺘﺎد‪ ،‬ﻟﺬا ﮔﺰﻳﻨﻪ ﻫﺎ و ﻣﻌﻴﺎرﻫﺎ را ﺑﺎﻳﺴﺘﻲ ارزﻳﺎﺑﻲ ﻛﻨﻴﻢ‪ .‬و ﺧﻮﺑﻲ ﺑﺪي را‬

‫ﺑﺎﻳﺴﺘﻲ ﺑﺒﻴﻨﻴﻢ ﭼﻪ ﺗﺎﺛﻴﺮي دارد‪.‬‬

‫ﺳﻴﺴﺘﻢ ﻫﺎي ﭘﻴﭽﻴﺪه ﻫﻮش ﻣﺼﻨﻮﻋﻲ ﺳﭙﺲ ﻣﻲ ﺗﻮان اﺳﺘﻔﺎده ﻛﺮد و ﺗﺼﻤﻴﻢ را ﮔﺮﻓﺖ‪.‬‬

‫ﻛﺴﻲ ﺑﺨﻮاﻫﺪ ﻛﺎر ﻣﻄﺎﻟﻌﺎت ﻛﻨﺪ در ﻧﻮع اول ‪ psychology  of  Decision  Making‬اﺳﺖ‪ .‬روش دوم ‪ quantitative‬اﺳﺖ ﻛﻪ از‬

‫‪ Operation Research‬ﻣﻲ آﻳﺪ‪ .‬ﻛﻪ از ﺟﻨﮓ ﺟﻬﺎﻧﻲ دوم ﺑﻮد ﻛﻪ ﺑﻤﺐ را ﻣﻲ ﺧﻮاﺳﺘﻨﺪ رﻫﺎ ﻧﻤﺎﻳﻨﺪ‪ .‬ﻛﻪ ﺑﻌﺪا در دﻫﻪ ‪ 60‬ﺑﺮاي ﻣﺴﺌﻠﻪ ﺑﺰرگ‬

‫ﻣﻮرد اﺳﺘﻔﺎده ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬

‫ﻫﻤﻴﻦ ﮔﻮﻧﻪ ﻛﻪ ﺟﻠﻮ ﻣﻲ روﻳﻢ ﻣﺘﻮﺟﻪ ﻣﻲ ﺷﻮﻳﻢ ﺑﺮﺧﻲ از ﻣﺴﺎﺋﻞ را ﻣﺪﻳﺮان ﻧﻤﻲ داﻧﻨﺪ ﺑﻪ ﭼﻪ ﺷﻜﻞ اﺳﺖ ﻛﻪ ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ ﻛﻨﻨﺪ و ﺑﺮ اﺳﺎس آن‬

‫ﭘﺎﺳﺦ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد‪ .‬ﺳﭙﺲ اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ذﻫﻦ اﻧﺴﺎﻧﻲ را ﺑﻪ ‪ AI‬ﺑﺮدﻧﺪ‪.‬‬

‫دو ﻧﻮع ﻣﺪل ﺗﺼﻤﻴﻢ ﮔﻴﺮي دارﻳﻢ‪ ،‬ﻳﻚ ﺳﺮي ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ آدم ﭼﮕﻮﻧﻪ ﺑﺎﻳﺪ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮد ﻛﻪ اﻳﻦ ﻣﻨﻄﻘﻲ اﺳﺖ و ﻧﻮع دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ اﻧﺴﺎن‬

‫ﭼﮕﻮﻧﻪ ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮد‪.‬‬

‫ﻣﺎ ﺑﻴﺸﺘﺮ روي ‪ Quantitative aspect‬و آﺷﻨﺎﻳﻲ ﺑﺎ ‪ tools and technique‬ﻣﻲ ﺑﺎﺷﺪ‪ ،‬و ﻋﺪه اي ﻧﻴﺰ ﺑﺮ روي ‪ Psychology‬ﺑﺮرﺳﻲ‬

‫ﻣﻲ ﻧﻤﺎﻳﻴﻢ ﻛﻪ ﺑﺒﻴﻨﻴﻢ ﺑﻪ ﭼﻪ ﺷﻜﻞ اﺳﺖ‪ .‬ﻛﻪ از ﻣﻨﺎﺑﻊ ﻣﻌﺘﺒﺮ ‪ 10‬ﻋﻨﻮان اﺳﺘﺨﺮاج ﺷﺪه اﺳﺖ‪ ،‬ﮔﺮوه ﻫﺎي ﺳﻪ ﻧﻔﺮه ‪ 30‬دﻗﻴﻘﻪ وﻗﺖ دارﻧﺪ ﻛﻪ ﺑﻴﺎﻳﻨﺪ و‬

‫درس ﺑﺪﻫﻨﺪ‪.‬‬

‫اﻳﻦ درس ﭼﻨﺪ وﻳﮋﮔﻲ دارد‪ ،‬ﻛﻪ ﻳﻚ وﻳﮋﮔﻲ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻌﺪاد زﻳﺎدي ‪ Tools & Technique‬اﺳﺘﻔﺎده ﻣﻲ ﻧﻤﺎﻳﻴﻢ‪ .‬ﻫﺮ ﻳﻜﻲ دو ﻫﻔﺘﻪ و ﺳﻮم‬

‫ﻳﻚ ﭘﺎﻳﻪ ﻣﻲ ﭼﻴﻨﻴﻢ و ﺟﻠﻮ ﻣﻲ روﻳﻢ‪ ،‬ﮔﺎﻫﻲ ﻓﻘﻂ ﻳﻚ ﺟﻠﺴﻪ اﺳﺖ‪ ،‬ﺷﻤﺎ ﻗﺮار اﺳﺖ ﺑﺎ ‪ Variety of Tools and Techniques‬ﺟﻠﻮ روﻳﻢ‪.‬‬

‫ﻧﻜﺘﻪ دوم آن اﺳﺖ ﻛﻪ ﺑﺎ دﻳﺪ ﻛﺎرﺑﺮدي ﺟﻠﻮ ﻣﻲ روﻳﻢ‪ .‬ﻫﺪف ﺻﺤﺒﺖ ﻛﺮدن ﺗﺌﻮري ﻫﺎي ﭘﺸﺖ ﺳﺮ ﻧﻴﺴﺖ‪ ،‬ﺷﻤﺎ ﻳﺎد ﻣﻲ ﮔﻴﺮﻳﺪ اﻳﻨﺠﺎ ﭼﮕﻮﻧﻪ از اﻳﻦ‬

‫ﻣﻮارد اﺳﺘﻔﺎده ﻧﻤﺎﺋﻴﺪ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺟﻬﺖ ﺗﻌﺎﻣﻞ اﺳﻼﻳﺪ ﻫﺎي درس در آدرس زﻳﺮ آﻣﺪه اﺳﺖ‪:‬‬

‫‪  Sharif_dm@yahoo.com‬‬
‫‪4 ‬‬
‫‪Page‬‬

‫‪  Sharif_decision_making@yahoogroups.com‬‬
‫ﭼﮕﻮﻧﻪ درس ﺟﻠﻮ ﻣﻲ روﻳﻢ؟‬

‫‪ .1‬ﻫﻔﺘﻪ اول ‪ ‬‬

‫‪ .a‬ﻣﻘﺪﻣﻪ ‪ ‬‬

‫‪ .2‬ﻫﻔﺘﻪ دوم‪  :‬‬

‫‪ .a‬ﺗﺌﻮري ﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪ ‬‬

‫‪  Utility theory, Decision Tree .b‬‬

‫‪ .3‬ﻫﻔﺘﻪ ﺳﻮم‪  :‬‬

‫‪ :AHP .a‬وزن دﻫﻲ ﺑﻪ ﺳﺎدﮔﻲ ﻧﻴﺴﺖ‪ ،‬ﻣﺜﻼ اﻣﺮﻳﻜﺎ در ﻣﻘﺎﺑﻞ ﭼﻴﻦ ﺳﻪ ﮔﺰﻳﻨﻪ دارد ﻳﻜﻲ اﻳﻨﻜﻪ ﻓﺸﺎر را ﺑﻴﺸﺘﺮ ﻛﻨﺪ‪ ،‬ﻳﻜﻲ ﻛﻢ‬

‫ﻛﻨﺪ‪) ،‬ﻛﻪ ﺗﻌﺮﻳﻒ دارد(‪ ،‬ﻳﻜﻲ ﻫﻢ ﻛﺎري ﻧﻜﻨﺪ‪  .‬‬

‫‪  Analytical Network Process :ANP (case) .b‬‬

‫‪ .4‬ﻫﻔﺘﻪ ﭼﻬﺎرم‪  :‬‬

‫‪  Art of Modeling .a‬‬

‫‪  Mathematical Models .b‬‬
‫‪ .5‬ﻫﻔﺘﻪ ﭘﻨﺠﻢ‪  :‬‬

‫‪  Linear Programming .a‬‬

‫‪  Simplex Method .b‬‬
‫ﻣﺪﻳﺮ را ﺑﺮ اﺳﺎس ‪ Procedure‬ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﺤﺎﻛﻤﻪ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬اﻣﺎ ﻛﺎرﺷﻨﺎس را ﻧﻤﻲ ﺗﻮان ﻣﺤﺎﻛﻤﻪ ﻛﺮد‪ .‬ﻛﺎرﺷﻨﺎس ﻫﺮ ﭼﻪ ﮔﻔﺘﻪ ﺷﻮد‪ ،‬ﺣﺮﻣﺖ‬

‫دارد‪ .‬اﻣﺎ ﻣﺪﻳﺮ ﺑﺎﻳﺴﺘﻲ ﭘﺎﺳﺨﮕﻮ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﺎ دﻧﺒﺎل آن ﻫﺴﺘﻴﻢ ﻛﻪ ﻣﺴﻴﺮ ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻗﺎﺑﻞ دﻓﺎع ﺑﺎﺷﺪ‪ .‬ﻧﻜﺘﻪ ﻣﻬﻢ آن اﺳﺖ ﻛﻪ از ﻫﺮ ﻛﺪام از اﻳﻦ ﻣﺪل ﻫﺎ در ﻛﺠﺎ اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪  .‬‬

‫‪ .6‬ﻫﻔﺘﻪ ﺷﺸﻢ‪  :‬‬

‫‪  Sensitivity Analysis .a‬‬

‫‪  Transportation .b‬‬
‫‪ .7‬ﻫﻔﺘﻪ ﻫﻔﺘﻢ‪  :‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪  Network Model .a‬‬
‫‪  GIS & Network Analysis .b‬‬
‫‪5 ‬‬
‫‪Page‬‬

‫‪ .8‬ﻫﻔﺘﻪ ﻫﺸﺘﻢ‪  :‬‬

‫‪  Student Presentation .a‬‬

‫‪  Student Presentation .b‬‬
‫‪ .9‬ﻫﻔﺘﻪ ﻧﻬﻢ‪  :‬‬

‫‪  Midterm Exam .a‬‬

‫‪  Lab .b‬‬
‫‪ .10‬ﻫﻔﺘﻪ دﻫﻢ‪  :‬‬

‫‪  Integer Programming .a‬‬

‫‪  Goal Programming .b‬‬
‫‪ .11‬ﻫﻔﺘﻪ ﻳﺎزدﻫﻢ‪  :‬‬

‫‪  Simulation introduction .a‬‬

‫‪ .12‬ﻫﻔﺘﻪ دوازدﻫﻢ و ﺳﻴﺰدﻫﻢ‪  :‬‬

‫‪  Queuing Programming .a‬‬

‫ﻣﻘﺎﻟﻪ ﻫﺎﻳﻲ ﻛﻪ ﺷﻤﺎ ﺑﺎﻳﺴﺘﻲ روﻳﺶ ﻛﺎر ﻛﻨﻴﺪ‪ ،‬در زﻳﺮ ﻣﺘﻦ آن آﻣﺪه اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪ / 30 :‬ﺷﻬﺮﻳﻮر‪1387 /‬‬

‫ﺑﺤﺚ اﻣﺮوز ﻓﺼﻞ ‪ 3‬ام ﻛﺘﺎب اﺳﺖ‪.‬‬

‫ﻓﺼﻞ ‪ 2‬ام در ﻣﻮرد ﻣﻔﺎﻫﻴﻢ ﭘﺎﻳﻪ اﺣﺘﻤﺎل اﺳﺖ‪ ،‬ﻛﻪ ﺑﺎﻳﺴﺘﻲ در دو ﻫﻔﺘﻪ اول ﻣﻄﺎﻟﻌﻪ ﻧﻤﺎﺋﻴﺪ‪ .‬ﻓﺼﻞ‬

‫ﺗﺌﻮري ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﭼﻴﺴﺖ‪ :‬روﻳﻜﺮد ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﺑﺮاي ﺣﻞ ﻣﺴﺎﺋﻞ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫اﮔﺮ ﻗﺮار ﺑﺎﺷﺪ در ﻓﻀﺎي ﻣﻘﺪاري ﻣﺤﺎﺳﺒﻪ را اﻧﺠﺎم دﻫﻴﻢ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﻣﻨﻄﻖ داﺷﺘﻪ ﺑﺎﺷﻴﻢ از داده ﺣﺪاﻛﺜﺮ اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪ ،‬راه ﺣﻞ ﻫﺎ را ﺷﻨﺎﺳﺎﻳﻲ ﻛﻨﻴﻢ و‬
‫روﻳﻜﺮد ﻋﻠﻤﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﺗﻔﺎوت ﺗﺼﻤﻴﻢ ﺧﻮب و ﺑﺪ در ﻃﻮﻻﻧﻲ ﻣﺪت ﻓﺮآﻳﻨﺪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻲ ﺑﺎﺷﺪ‪ .‬در ﺗﻜﺮار ﺗﺼﻤﻴﻤﺎت ﺧﻮب ﻳﺎ ﺑﺪ ﻣﻲ ﻓﻬﻤﻴﻢ‬
‫ﻣﺪﻳﺮ ﺑﻪ ﭼﻪ ﺷﻜﻞ اﺳﺖ‪.‬‬

‫در ﺑﺴﻴﺎر از ﻣﻮاﻗﻊ ﺑﺎ ﻳﻚ ﺗﺼﻤﻴﻢ زﻧﺪﮔﻲ آدم ﻫﺎ زﻳﺮ و رو ﻣﻲ ﺷﻮد‪ .‬ﺑﻪ ﻋﻠﺖ وﻳﮋﮔﻲ ﻫﺎي اﻧﺴﺎن ﮔﺎﻫﻲ ﻳﻚ دﻓﻌﻪ در ﻟﻴﺴﺖ ﺳﻴﺎه ﻣﻲ روﻳﻢ‪ .‬ﺑﺮﻋﻜﺲ‬
‫ﻧﺎﮔﻬﺎن ﺑﺎ ﻳﻚ ﺗﺼﻤﻴﻢ اﺛﺮ رواﻧﻲ دارد ﻛﻪ ﺟﺎﻳﮕﺎه ﺑﺮاي ﻫﻤﻴﺸﻪ ﻋﻮض ﻣﻲ ﺷﻮد‪ .‬در ﭘﺮوژه ﻫﺎي ﺑﺰرگ و ‪ shuttle‬اي ﻛﻪ ﻓﺮﺳﺘﺎﻧﺪﻧﺪ‪ ،‬ﻛﺴﻲ ﻛﻪ ﻳﻚ‬
‫اﺷﺘﺒﺎه ﺑﻜﻨﺪ‪ ،‬ﻫﻤﻴﺸﻪ ﻳﻚ ﻧﻔﺮ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻣﻘﺼﺮ اﺳﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻳﻢ ﭼﻪ ﮔﺎم ﻫﺎﻳﻲ دارﻳﻢ‪:‬‬
‫‪6 ‬‬

‫‪ .1‬ﻣﺴﺌﻠﻪ ﺑﺎﻳﺴﺘﻲ ﺷﻔﺎف ﺑﺎﺷﺪ‪ .‬در ﺑﺴﻴﺎري از ﻣﻮاﻗﻊ ﻓﺎزي ﻣﺴﺌﻠﻪ ﺣﻞ ﻣﻲ ﺷﻮد‪  ،‬‬
‫‪Page‬‬

‫‪ .2‬ﮔﺰﻳﻨﻪ ﻫﺎ ﭼﻴﺴﺖ‪ ،‬اﮔﺮ ﺑﻪ ﻣﻄﻠﺒﻲ ﺗﻮﺟﻪ ﻧﺸﻮد ﻧﺘﻴﺠﻪ ﻧﻤﻲ دﻫﺪ‪ .‬ﻳﻜﻲ از ﭘﺮوژه ﻫﺎي ﺣﻤﻞ و ﻧﻘﻞ ﭼﻨﺪ ﺳﺎل ﭘﻴﺶ در ﺗﻬﺮان ﺑﻮد ﻛﻪ ﻣﻲ‬
‫ﺧﻮاﺳﺘﻨﺪ زﻳﺮ زﻣﻴﻦ ﺑﺒﺮﻧﺪ‪ ،‬ﻛﻪ اﻳﻦ ﺗﻜﻪ راه آﻫﻦ را ﭘﺎﻳﻴﻦ ﺑﻴﺎورﻧﺪ‪ ،‬و ﻳﻚ ﺷﺮﻛﺖ ﻣﺸﺎور ﻫﻤﻪ را ﻣﺪل ﻛﺮده ﺑﻮد‪ ،‬ﻛﻪ در ﺟﻠﺴﻪ ﻛﻪ آوردﻧﺪ‪،‬‬
‫ﻛﻪ ﻫﻴﭻ ﻛﺎر ﻧﻜﻨﻴﻢ‪ ،‬در اﻳﻦ ﻫﻤﻪ ﮔﺰﻳﻨﻪ ﻫﺎ ﻧﻴﺴﺖ‪ ،‬ﻟﺬا ﺟﻠﺴﻪ ﺑﻬﻢ ﺧﻮرد و رﻓﺘﻨﺪ ﻛﻪ ﻫﻴﭻ ﻛﺎري را ﻧﻜﻨﻴﻢ را اﺿﺎﻓﻪ ﻛﻨﻨﺪ‪  .‬‬

‫‪ .3‬ﺑﺎﻳﺴﺘﻲ ﻧﺘﺎﻳﺞ و ‪ possible outcome‬ﻫﺎ را ﺗﺸﺨﻴﺺ دﻫﻴﻢ ﻛﻪ ﻧﻤﻲ داﻧﻴﻢ ﻛﻪ ﻣﻘﺮرات ﺑﻪ ﻧﻔﻊ اﺳﺖ ﻳﺎ ﺑﻪ ﺿﺮر اﺳﺖ‪ ،‬اﻳﻨﺠﺎ ﻧﻴﺰ ﻳﻚ‬
‫ﭼﺎﻟﺶ وﺟﻮد دارد‪ ،‬آدم ﻫﺎي ﻋﺎدي در ﻓﻀﺎي ﻣﺜﺒﺖ و ﺧﻴﻠﻲ ﻫﺎ ﻣﻨﻔﻲ ﻣﻲ ﺑﻴﻨﻨﺪ‪ ،‬ﻛﻪ ﺧﻮش ﺑﻴﻦ ﻫﺎ ﻫﻤﻪ اﺗﻔﺎق ﻫﺎي ﺧﻮب‪ ،‬و ﺑﺪﻫﺎ‬
‫ﺑﺮﻋﻜﺲ اﺳﺖ‪ ،‬در ﺣﺎﻟﻲ ﻛﻪ ﺧﺮوﺟﻲ ﻫﺎ ﻧﺘﻴﺠﻪ ﻫﺮ دو اﺳﺖ‪  ،‬‬

‫‪ .4‬ﺳﭙﺲ ﺑﺎﻳﺴﺘﻲ ﺗﺮﻛﻴﺐ ﻛﻨﻴﻢ ﻛﻪ اﮔﺮ اﻳﻦ راه ﺣﻞ ﻫﺎ را ﺗﺮﻛﻴﺐ ﻛﻨﻴﻢ در ﺑﻴﺮون ﭼﻪ اﺗﻔﺎﻗﻲ ﻣﻲ اﻓﺘﺪ‪ ،‬ﺷﺎﺧﺺ ﺳﻮد اﺳﺖ‪ ،‬ﻳﺎ ﺿﺮر اﺳﺖ ﻳﺎ‬
‫ﺗﺮﻛﻴﺐ اﺳﺖ‪  .‬‬

‫‪ .5‬اﻧﺘﺨﺎب راه ﺣﻞ ‪ ‬‬

‫‪ .6‬ﺑﺎﻳﺴﺘﻲ ﺑﺎ ﻣﺪﻟﻲ اﻳﻦ ﺗﺮﻛﻴﺐ ﻫﺎ را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪  .‬‬

‫ﻛﻤﭙﺎﻧﻲ دارﻳﻢ ﻛﻪ ﻛﺎرش را ﻣﻲ ﺧﻮاﻫﺪ ﺗﻮﺳﻌﻪ دﻫﺪ ﻛﻪ ﺑﺮاي ﺗﻮﺳﻌﻪ ﻛﺎرﮔﺎه ﺑﺰرگ ﻳﺎ ﻛﻮﭼﻚ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺴﺎزد‪ ،‬اﮔﺮ ﻛﺎرﺧﺎﻧﻪ ﺑﺰرگ ﺑﺴﺎزد ‪ 200‬ﻫﺰار‬
‫دﻻر‪ ،‬ﻛﺎري ﻧﻜﻨﺪ ﺳﻮد ﻧﺪارد‪ ،‬ﻛﺎرﺧﺎﻧﻪ ﻛﻮﭼﻚ ‪ 100‬ﻫﺰار دﻻر‪ ،‬و اﮔﺮ ﺑﺎزار ﺧﻮب ﻧﺒﺎﺷﺪ‪ 180 ،‬ﻫﺰار ﺿﺮر در ﺣﺎﻟﺖ اول و در ﺣﺎﻟﺖ دوم ‪ 20‬ﻫﺰار ﺗﺎ‬
‫ﺿﺮر ﻣﻲ دﻫﺪ‪ .‬اﻣﺎ اﻳﻦ ﻣﻮارد ﭼﮕﻮﻧﻪ ﺣﺴﺎب ﻣﻲ ﺷﻮد ﻛﻪ ﻳﻚ ﻋﺪد در ﻣﻲ آورﻧﺪ ﻛﻪ ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ آﻧﭽﻪ ﮔﻴﺮﻣﺎن ﻣﻲ آﻳﺪ ﻣﻨﻬﺎي آﻧﭽﻪ ﻛﻪ ﺑﺎﻳﺴﺘﻲ‬
‫ﺑﺪﻫﻴﻢ اﻳﻦ ﻋﺪد ﺷﺪه اﺳﺖ‪ ،‬ﻛﻪ اﻳﻦ از ﻃﺮﻳﻖ ارزش زﻣﺎﻧﻲ ﺗﺎ آن روز ﺣﺴﺎب ﺷﺪه اﺳﺖ‪ 200 ،‬ﻫﺰار ﺗﻮﻣﺎن ﭘﺎرﺳﺎل ﺑﺎ اﻣﺴﺎل را ﻣﻲ ﺗﻮان ﻣﻘﺎﻳﺴﻪ ﻛﺮد‪،‬‬
‫ﻛﻪ ﺷﺎﺧﺺ ﻫﺎي ﻋﻤﺪه و ﺧﺮده ﻓﺮوﺷﻲ در دو ﺳﺎل را ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﮕﻮﻳﻴﻢ ﻃﺒﻖ ﺷﺎﺧﺺ ﺑﺎﻧﻚ ﻣﺮﻛﺰي ﭼﻘﺪر اﺳﺖ‪ .‬ﻻﻳﻦ ﻳﻚ ﭘﻮﻟﻲ ﻣﻲ دﻫﺪ و ﺳﺎل‬
‫ﻫﺎي دﻳﮕﺮ ﭘﻮﻟﻲ دﻳﮕﺮ ﻛﻪ اﻳﻦ در ﺳﺎل ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت اﺳﺖ‪ ،‬ﻛﻪ اﻳﻦ را ﻧﺴﺒﺖ ﺑﻪ ﻧﺮخ ﺗﻮرم و ﻳﻜﻲ ﻧﺴﺒﺖ ﺑﻪ ﺳﻮد ﺑﺎﻧﻜﻲ اﻳﻦ ﭘﻮل ﻫﺎ را ﻫﻢ‬
‫ارزش ﻣﻲ ﻛﻨﺪ‪ ،‬ﻛﻪ ﻳﻚ ﻣﻴﻠﻴﻮن دﻻر ﭼﻨﺪ ﺳﺎل ﺑﻌﺪ ﭼﻪ ﺗﻔﺎوﺗﻲ دارﻧﺪ‪ ،‬ﻛﻪ ﻣﻌﻤﻮﻻ آﺧﺮ ﻧﻤﻲ ﺑﺮﻧﺪ‪ ،‬و ﻫﻤﻪ را اﻻن ﻣﻲ آورﻧﺪ ﻛﻪ ﺗﻔﺎوت آﻧﭽﻪ داده ﻣﻲ‬
‫ﺷﻮد و آﻧﭽﻪ ﻣﻲ ﮔﻴﺮﻳﻢ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ در اﻗﺘﺼﺎد ﺧﺮد اﻳﻦ ﻓﻮرﻣﻮل ﻫﺎ را ﻣﻲ ﺧﻮاﻧﻴﺪ‪.‬‬

‫در ﺳﻪ ﻓﻀﺎ ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮﻳﻢ‪:‬‬

‫‪ :Certainty .1‬ﻣﻲ داﻧﻴﻢ ﻛﻪ در اﻳﻦ ﻓﻀﺎ ﻛﺪام رخ ﻣﻲ دﻫﺪ‪ .‬اﮔﺮ ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ‪ favorable‬ﻣﻲ ﺷﻮد اوﻟﻲ و اﮔﺮ ‪ unfavorable‬ﺷﻮد‬
‫دوﻣﻲ را ﻣﻲ ﺑﻴﻨﻴﻢ‪  .‬‬

‫‪ :Risk .2‬ﻣﻄﻤﺌﻦ ﻧﻴﺴﺘﻴﻢ ﻛﺪام اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ اﻣﺎ اﺣﺘﻤﺎل وﻗﻮع را ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﺪﺳﺖ آورﻳﻢ‪  .‬‬

‫‪ :Under uncertainty .3‬ﻋﺪم ﻗﻄﻌﻴﺖ ﻛﺎﻣﻞ‪ ،‬ﻛﻪ اﺣﺘﻤﺎل وﻗﻮع را ﻧﻴﺰ ﻧﻤﻲ داﻧﻴﻢ‪  .‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﮔﺮ ﻗﻄﻌﻲ ﺑﺎﺷﺪ ﻛﻪ ﻛﺎرﺧﺎﻧﻪ ﺑﺰرگ را ﻣﻲ زﻧﻴﻢ ﻛﻪ ﺑﺎزار ‪ favorable‬اﺳﺖ‪.‬‬
‫‪7 ‬‬

‫اﻣﺎ در ﺣﺎﻟﺖ رﻳﺴﻚ اﮔﺮ ﺑﺎ ﭘﻮل ارزش ﭘﺮوژه ﻣﺸﺨﺺ ﺷﻮد ﭼﻴﺰي ﺗﺤﺖ ﻋﻨﻮان ‪ expected monitory value‬را ﺣﺴﺎب ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﺑﺮاي‬
‫‪Page‬‬

‫ﻫﺮ راه ﺣﻞ اﺣﺘﻤﺎل ﺑﺮوز ﻫﺮ ﻓﻌﺎﻟﻴﺖ ﺿﺮب در ﻫﺮ ﻓﻌﺎﻟﻴﺖ‪ ،‬ﺑﻪ اﺿﺎﻓﻪ ﻣﻴﺰان اﺣﺘﻤﺎل ﺑﺮوز ﻣﻮرد دوم در ﻓﻌﺎﻟﻴﺖ‪ ،‬ﻛﻪ ﺟﻤﻊ م ﻳﻜﻨﻴﻢ‪ ،‬ﻛﻪ ﭘﺮوژه اي ﺑﻬﺘﺮ‬
‫اﺳﺖ ﻛﻪ ‪ EMV‬ﺑﻬﺘﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﻣﺜﻼ اﮔﺮ ﺷﺮاﻳﻂ در ﻣﺴﺌﻠﻪ ﻗﺒﻞ ﻳﻚ دوم ﺑﺮاي ﻫﺮ ﻣﻮرد ﺑﺎﺷﺪ‪ ،‬در اﻳﻦ ﺻﻮرت ﻛﺎرﺧﺎﻧﻪ ﺑﺰرگ ‪ 10‬ﻫﺰار ﺗﺎ و در ﺣﺎﻟﺖ ﻛﺎرﺧﺎﻧﻪ ﻛﻮﭼﻚ ‪ 40‬ﻫﺰارﺗﺎﺳﺖ‪،‬‬
‫‪ EMV‬ﻫﺎ ﻟﺬا ﻛﺎرﺧﺎﻧﻪ دوم ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ‪.‬‬

‫ﻫﺮ ﭼﻪ اﻳﻦ اﻋﺪاد ﺑﺰرگ ﺗﺮ ﺑﺎﺷﺪ و ﺣﺴﺎﺳﻴﺖ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ ﺗﺎﻛﻴﺪ ﺑﺮ ﻣﺤﺎﺳﺒﺎت ﺑﻴﺸﺘﺮ ﻣﻲ ﺷﻮد‪ .‬ﻛﻤﭙﺎﻧﻲ ﻫﺎ ﻫﻢ اﻳﻦ ﻣﺴﺌﻠﻪ ﻣﻄﺮح اﺳﺖ‪ ،‬ﻛﻪ ﺑﺤﺜﻲ‬
‫ﺗﺤﺖ ﻋﻨﻮان ارزﻳﺎﺑﻲ اﻗﺘﺼﺎدي دارﻳﻢ‪ ،‬ﻛﻪ ﻧﺘﻴﺠﻪ ﻛﺎرﺑﺮدي آن اﺳﺖ ﻛﻪ ﺳﺮﻣﺎﻳﻪ ﮔﺬار ﻣﻲ ﮔﻮﻳﺪ ‪ business plan‬را ﺑﻴﺎور ﻛﻪ در آن ﻛﻠﻲ ﻣﺤﺎﺳﺒﺎت‬
‫اﺳﺖ ﻛﻪ ﻧﺸﺎن ﻣﻲ دﻫﺪ در ﭼﻪ دوره ﻋﻤﺮي ﭼﻘﺪر ﻫﺰﻳﻨﻪ دارد و ﺑﻌﺪ ﺑﻪ ﻧﻘﻄﻪ ﺳﺮ ﺑﻪ ﺳﺮ ﻣﻲ رﺳﻴﻢ‪ ،‬ﻛﻪ ﺑﻌﺪ ﻣﻲ ﮔﻮﻳﺪ از ﻛﺠﺎ آورده اي‪ ،‬و ﺷﺮﻛﺖ‬
‫ﻫﺎﻳﻲ در دﻧﻴﺎ ﻫﺴﺘﻨﺪ ﻛﻪ اﻳﻦ ﻣﻮارد را ﺗﺎﺋﻴﺪ ﻣﻲ ﻛﻨﺪ‪ ،‬و ﮔﺎﻫﻲ ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ ﻳﻚ ﻣﻴﻠﻴﻮن دﻻر ﺑﺪﻫﻴﺪ‪ ،‬اﻳﻦ ﭘﻮل ﺑﺨﺎﻃﺮ ﺷﻨﺎﺧﺖ و ﺗﺨﺼﺺ در اﻳﻦ‬
‫زﻣﻴﻨﻪ اﺳﺖ‪.‬‬

‫ﺷﺮﻛﺘﻲ ﭘﻴﺪا ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺑﺎزار ﺧﻮب ﺑﺎﺷﺪ ﻳﺎ ﺑﺪ ﺑﺎﺷﺪ ‪ %50‬اﺳﺖ و ﺗﺨﺼﺺ او اﻳﻦ اﺳﺖ ﻛﻪ ﺑﮕﻮﻳﺪ ﭼﻪ اﺗﻔﺎﻗﻲ ﻣﻲ اﻓﺘﺪ‪ ،‬و‬
‫ﻣﻦ وﻇﻴﻔﻪ ام ارزﻳﺎﺑﻲ اﺳﺖ ﻛﻪ ﺑﮕﻮﻳﻢ ﺑﻪ ﭼﻪ ﺷﻜﻞ اﺳﺖ ﺑﻌﺪ ﻣﺪﻳﺮ ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻣﻲ ارزد اﻳﻦ ﻛﺎر را ﺑﻜﻨﺪ ﻳﺎ ﺧﻴﺮ‪ ،‬ﻛﻪ ﻣﺎ ﺑﺤﺜﻲ ﺑﻪ ﻧﺎم‬
‫)‪ Expected value of perfect Information (EVPI‬ﻋﺒﺎرﺗﺴﺖ از‪:‬‬

‫‪EVPI=EVwPI‐ max EMV‬‬

‫ﻛﻪ ﺗﻔﺎوت اﻳﻦ دو ﻣﻮرد ﻣﻲ ﺷﻮد ﺳﻘﻒ ﭘﻮل ﻣﻲ ﺷﻮد و ﺑﺎﻗﻲ ﻣﻲ ﺷﻮد ﭼﺎﻧﻪ زﻧﻲ‪.‬‬

‫ﭼﮕﻮﻧﻪ ﺣﺴﺎب ﻣﻲ ﺷﻮد‪ ،‬ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ اﮔﺮ ﺑﮕﻮﻳﻲ ﻛﻪ ﺑﺎزار ‪ favorable‬اﺳﺖ ﺑﺎ ‪ unfavorable‬اﺳﺖ‪ ،‬و ﻫﻨﻮز ﻧﮕﻔﺘﻲ و ‪ 200‬ﻫﺰار ﺿﺮب در ‪0.5‬‬
‫ﻣﻨﻬﺎي ‪ 0‬ﺿﺮب در ﻧﻴﻢ ﻣﻲ ﺷﻮد‪ ،‬ﻛﻪ اﻳﻦ ﻣﺎﻛﺰﻳﻤﻢ اﺳﺖ‪ ،‬ﻛﻪ اﻳﻦ اﻟﺒﺘﻪ ﻓﺮﺿﻴﺎت ﺧﻄﻲ در آن اﺳﺖ‪.‬‬

‫‪Expected value with perfect information‬‬

‫اﻳﻨﻜﻪ ﻣﺸﺨﺺ ﻛﻨﻴﻢ ﻛﺪام ﮔﺰﻳﻨﻪ دﺳﺘﺎورد ﺧﻮاﻫﺪ داﺷﺖ ﺑﮕﻮﻳﻴﻢ اﮔﺮ در ﺑﻴﺮون اﺗﻔﺎﻗﻲ اﻓﺘﺎده اﺳﺖ و ﻣﺎ آن را در ﻧﻈﺮ ﻧﮕﺮﻓﺘﻴﻢ ﭼﻘﺪر از دﺳﺖ ﻣﻲ‬
‫دﻫﻴﻢ‪ ،‬ﻳﻌﻨﻲ ﻫﺰﻳﻨﻪ ﻓﺮﺻﺖ ﻧﺎﺷﻲ از اﺗﺨﺎذ ﻧﻜﺮدن ﺑﻬﺘﺮﻳﻦ ﺗﺼﻤﻴﻢ را ﻟﺤﺎظ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬

‫‪DM under Risk‐ Opportunity‬‬

‫ﻛﻪ در اﻳﻦ ﺣﺎﻟﺖ ﻣﺎ ﻣﻴﺰان ﺑﻴﺸﺘﺮﻳﻦ ﺳﻮد را ﻣﻨﻬﺎي ﺗﻚ ﺗﻚ ﺳﻄﺮ ﻫﺎ م ﻳﻨﻤﺎﻳﻴﻢ‪ ،‬ﻛﻪ ﺑﻪ اﻳﻦ ‪ opportunity loss table‬اﺳﺖ‪ ،‬ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ ﻣﺎﺑﻪ‬
‫ﺗﻔﺎوت ﻋﺪد ﺳﻮد ﻣﻨﻬﺎي ﻣﻮارد دﻳﮕﺮ ﭼﻘﺪر اﺳﺖ‪.‬‬

‫ﻛﻪ ﺑﻌﺪ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻛﺪام ﺗﺼﻤﻴﻢ ﺑﻬﺘﺮﻳﻦ اﺳﺖ‪ ،‬ﻛﻪ ﺗﻚ ﺗﻚ اﻳﻦ ﻣﻮارد را ﺿﺮب در اﺣﺘﻤﺎل ﻫﺎ ﻣﻲ ﻧﻤﺎﻳﻴﻢ و ‪Expected Opportunity Loss‬‬
‫ﻣﻲ ﺑﺎﺷﺪ‪ ،‬ﻛﻪ از ﻟﺤﺎظ رﻳﺎﺿﻲ ﻣﻲ ﺗﻮان ﺛﺎﺑﺖ ﻛﺮد ﻛﻪ ‪ EMV‬و ‪ EOL‬ﺑﻪ ﻳﻚ ﺳﻮال ﻣﻲ رﺳﻨﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫داده ﻫﺎ اﺻﻮﻻ ﻫﻤﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺴﺘﻨﺪ‪ ،‬ﻣﻲ ﮔﻮﻳﻨﺪ ﻓﻼن ﻗﻠﻢ اﻃﻼﻋﺎت را دارﻳﻢ‪ ،‬ﻓﻼن ﻗﻠﻢ را ﻧﺪارﻳﻢ ‪،‬ﻟﺬا ﺑﺎﻳﺴﺘﻲ آﺳﻴﺐ ﭘﺬﻳﺮي را ﻛﻢ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ اﻳﻦ‬
‫ﺧﻄﺎي ﺑﺮآورد اﺣﺘﻤﺎل وﻗﻮع اﺳﺖ‪ ،‬ﻛﻪ اﻳﻦ ﺿﺮب ﻫﺎ را اﮔﺮ ﭘﺎراﻣﺘﺮي ﻧﺸﺎن دﻫﻴﻢ ﺣﻞ اﺳﺖ‪ ،‬ﻛﻪ ﻣﺎ اﺣﺘﻤﺎل را ‪ p‬ﻣﻲ ﮔﻴﺮﻳﻢ و ﺣﺴﺎب ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و ﺳﻪ‬
‫‪8 ‬‬

‫ﺧﻂ دارﻳﻢ ﻛﻪ آﻧﻬﺎ را ﺑﻪ ﻣﻨﺤﻨﻲ ﻣﻲ ﺑﺮﻳﻢ‪ .‬ﻛﻪ ﻣﺎ ﺿﺮب ﻫﺎ را ﭘﺎراﻣﺘﺮي اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ و ﻣﻲ ﺷﻮد ﻣﻌﺎدﻟﻪ ﺧﻂ‪ ،‬ﻛﻪ ‪ p‬ﻣﺤﻮر اﻓﻘﻲ اﺳﺖ‪ .‬اﻳﻨﺠﺎ ﻣﻲ‬
‫‪Page‬‬

‫ﮔﻮﻳﺪ اﮔﺮ ‪ p‬زﻳﺮ ‪ 167‬ﻫﺰارم ﺑﺎﺷﺪ ﻫﻴﭻ ﻛﺎري اﻧﺠﺎم ﻧﺪﻫﻴﻢ ﺑﻬﺘﺮ اﺳﺖ‪ ،‬و اﮔﺮ ﺑﻴﻦ دو ﻧﻘﻄﻪ ﺑﺎﺷﺪ‪ ،‬ﺳﺮاغ ﻛﺎرﺧﺎﻧﻪ ﻛﻮﭼﻚ و ﺑﻴﺸﺘﺮ از آن ﻃﺮح ﻛﺎرﺧﺎﻧﻪ‬
‫ﺑﺰرگ ﺧﻮب اﺳﺖ‪.‬‬

‫اول ﺑﻪ ﺳﺎده ﺗﺮﻳﻦ ﺷﻜﻞ داده را ﺟﺬب ﻣﻲ ﻛﻨﻨﺪ‪ ،‬و ﺳﭙﺲ ﺣﺴﺎﺳﻴﺖ را ﻣﻲ ﺳﻨﺠﻨﺪ‪ ،‬و ﺑﺴﺘﻪ ﺑﻪ ﺣﺴﺎﺳﻴﺖ ﺣﺎﺿﺮﻧﺪ ﭘﻮل ﺧﺮج ﻛﻨﻨﺪ ﻣﺸﺎور ﺑﮕﻴﺮﻧﺪ ﻳﺎ‬
‫واﺣﺪ ﺣﺴﺎﺑﺪاري ﻳﺎ ‪ ...‬ﻛﺎر را اﻧﺠﺎم دﻫﻨﺪ‪.‬‬

‫ﻓﻀﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺳﻮم اﺣﺘﻤﺎل ﻋﺪم ﻗﻄﻌﻴﺖ ﻣﻲ ﺑﺎﺷﺪ ﻛﻪ ﭼﻨﺪ ﺗﻜﻨﻴﻚ دارﻳﻢ‪:‬‬

‫‪  Maximax .1‬‬

‫‪  Maximin .2‬‬

‫‪  Equally likely .3‬‬

‫‪  Criterion of realism .4‬‬

‫‪  Minimax .5‬‬

‫اﻣﺎ ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﻛﺴﻲ ﻛﻪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﻲ ﻛﻨﺪ‪ ،‬ﻫﻤﻴﺸﻪ ﻣﻮﻓﻖ ﺗﺮ از ﻛﺴﻲ اﺳﺖ ﻛﻪ ﺑﻪ اﻣﻮاج ﻣﻲ ﺳﭙﺎرد ﺧﻮدش را‪.‬‬

‫‪:Maximax‬‬

‫ﻫﻤﺎن ﺗﺸﻜﻴﻼت را ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻳﻢ‪ .‬ﻳﻚ ﻣﺪﻳﺮ ﻣﻲ ﮔﻮﻳﺪ اﮔﺮ ﻛﺎرﺧﺎﻧﻪ اول را ﺑﺴﺎزم ﺑﻴﺸﺘﺮﻳﻦ ‪ 200 ،gain‬ﻫﺰار اﺳﺖ‪ ،‬و ﻛﺎرﺧﺎﻧﻪ ﻛﻮﭼﻚ‬
‫ﺑﻴﺸﺘﺮﻳﻦ ‪ 100 ،gain‬ﻫﺰار‪ ،‬ﭘﺲ ‪ aggressive‬ﻣﻲ رود‪ ،‬و اﻳﻦ ﻓﺮد ‪ optimistic‬اﺳﺖ ﺑﻪ ﺷﺮاﻳﻂ ﺑﻴﺮون ﻳﺎ آﻧﻜﻪ ﻣﺨﻮدش در اﻳﻦ ﻣﺤﻴﻂ ﺑﺮاﻳﺶ‬
‫رﻧﺞ ‪ 200‬ﻫﺰار ﻛﻢ اﺳﺖ‪.‬‬

‫‪:Maximin‬‬

‫ﻓﺮد ﺑﺪ ﺑﻴﻦ اﺳﺖ ﻛﻪ ﺑﺪﺗﺮﻳﻦ ﺣﺎﻟﺖ را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮد ﻛﻪ ﻛﻤﺘﺮﻳﻦ ﺿﺮرر را ﻣﻲ ﺳﻨﺠﺪ‪.‬‬

‫‪:Equally Likely‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﺗﻤﺎم اﺗﻔﺎﻗﺎت در ﺑﻴﺮون اﻣﻜﺎن ﭘﺬﻳﺮي وﻗﻮع ﻳﻜﺴﺎن اﺳﺖ‪ ،‬ﻛﺎر ﻣﻴﺎﻧﮕﻴﻦ ﮔﻴﺮي اﺳﺖ ﻛﻪ اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ .‬ﻛﻪ ﺑﺎ ﻫﻢ ﺟﻤﻊ ﻣﻲ ﻛﻨﺪ و ﺗﻘﺴﻴﻢ‬
‫ﺑﺮ ﺗﻌﺪاد ﻣﻲ ﻛﻨﺪ‪.‬‬

‫‪:Criterion of Realism‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﺪﻳﺮ دﻳﮕﺮ در ذﻫﻦ ﺧﻮدش ﻫﻢ ﺧﻮﺷﺒﻴﻨﺎﻧﻪ ﺗﺮﻳﻦ ﺣﺎﻟﺖ را ﻣﻲ ﺑﻴﻨﺪ ﻫﻢ ﺑﺪ ﺑﻴﻨﺎﻧﻪ ﺗﺮﻳﻦ ﺣﺎﻟﺖ را‪ ،‬و وﺳﻄﻲ ﻫﺎ را ﺣﻞ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ درﺻﺪ ﺗﺤﻘﻖ‬
‫ﺳﻨﺎرﻳﻮ ﺧﻮش ﺑﻴﻨﺎﻧﻪ ﺑﻴﺸﺘﺮ اﺳﺖ ﻳﺎ ﺑﺪ ﺑﻴﻨﺎﻧﻪ‪ .‬ﻟﺬا ﻣﻴﺎﻧﮕﻴﻦ وزﻧﻲ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ ﻣﺜﻼ ‪ %80‬اﺣﺘﻤﺎل وﻗﻮع ﺑﺎزار ﺧﻮب اﺳﺖ و ‪%20‬‬
‫‪9 ‬‬

‫اﺣﺘﻤﺎل ﺑﺎزار ﺑﺪ اﺳﺖ‪ .‬ﭘﺲ ﻣﻲ ﭼﺴﺒﺪ ﺑﻪ ﺑﻬﺘﺮﻳﻦ و ﺑﺪﺗﺮﻳﻦ‪ .‬ﻛﻪ ﺑﺮوي ﺳﻄﺮ ﻫﺎ اﺳﺘﺨﺮاج ﻣﻲ ﻛﻨﺪ‪.‬‬
‫‪Page‬‬

‫‪:MiniMax‬‬

‫دﻧﺒﺎل اﻳﻦ اﺳﺖ ﻛﻪ ﺣﺪاﻛﺜﺮ ‪ opportunity lost‬را ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺑﻪ ﺣﺪاﻗﻞ ﺑﺮﺳﺎﻧﺪ‪.‬‬

‫ﻛﻪ ﺑﺮاي ﻫﺮ ﺣﺎﻟﺖ ﻣﻲ ﺳﻨﺠﺪ ﻛﻪ ﺣﺪاﻛﺜﺮ اﺣﺘﻤﺎل ﺿﺮر را ﻛﺎﻫﺶ دﻫﺪ‪.‬‬

‫ﻛﺎري ﻛﻪ ﺗﺎ ﺣﺎﻻ اﻧﺠﺎم دادﻳﻢ ﻳﻚ ﻓﺮض اوﻟﻴﻪ داﺷﺖ‪ ،‬ﻛﻪ ﺗﻌﺪاد ﮔﺰﻳﻨﻪ ﻫﺎ در ﺣﺪي ﺑﻮده اﺳﺖ ﻛﻪ ﺑﺎ ﻣﺤﺎﺳﺒﺎت ﺳﺮ اﻧﮕﺸﺘﻲ ﻣﺤﺎﺳﺒﻪ ﺳﻄﺮ و ﺳﺘﻮن‬
‫آﺳﺎن ﺑﻮد‪ ،‬اﻣﺎ ﺗﻌﺪاد ﺑﺎﻻي ﺳﻄﺮ و ﺳﺘﻮن اﻳﻦ روش ﻫﺎ ﻏﻴﺮ ﻣﻨﻄﻘﻲ اﺳﺖ‪ .‬ﻫﺮ ﭼﻨﺪ ﻛﺎﻣﭙﻴﻮﺗﺮ اﻳﻦ ﻛﺎر را ﻣﻲ ﻛﻨﺪ اﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺒﻴﻨﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ‬
‫راﺣﺖ ﺗﺮ اﻧﺠﺎم دﻫﻴﻢ‪.‬‬

‫ﻣﺎ ﺗﺤﻠﻴﻞ را ﻋﻮض ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﻣﻲ ﺷﻮد ‪ ،marginal  analysis‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﺮاي ﺳﻄﺮ و ﺳﺘﻮن ﻫﺎي زﻳﺎد ﺑﺎ ‪ marginal  profit‬و‬
‫‪ marginal lost‬ﻣﺤﺎﺳﺒﻪ را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪.‬‬

‫ﻛﻪ در آن ﺳﻮد ﺣﺎﺻﻞ از ﻳﻚ واﺣﺪ اﺿﺎﻓﻪ را ‪ marginal profit‬ﮔﻮﻳﻨﺪ‪ ،‬ﻛﻪ اﮔﺮ ﻧﻔﺮوﺷﻴﻢ و اﺳﻜﺎت )‪ (salvage‬ﺷﻮد‪ ،‬ﻣﻲ ﺷﻮد ‪marginal ‬‬
‫‪ ،lost‬ﻣﺜﻼ ﺷﻴﺮﻳﻨﻲ را اﮔﺮ اﻣﺮوز ﻧﻔﺮوﺷﻲ ﻓﺮدا ﺑﺨﻮاﻫﻲ ﺑﻔﺮوﺷﻲ ﻧﻤﻲ ﺧﺮﻧﺪ‪ ،‬ﻣﺬا ‪ MP‬و ‪ ML‬را ﮔﻔﺘﻴﻢ‪ .‬ﺣﺎل ﻣﻲ ﺧﻮاﻫﻴﻢ از اﻳﻦ دو ﻣﻮرد اﺳﺘﻔﺎده‬
‫ﻛﻨﻴﻢ ﻛﻪ ﻧﻘﻄﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي را ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪ .‬ﻋﻤﺪﺗﺎ روي ﺗﻌﻴﻴﻦ ﻣﻴﺰان ‪ inventory‬اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪.‬‬

‫ﺑﻪ ازاي ﻫﺮ ﻛﺎرﺗﻮن ﻓﺮد ﻣﻲ ﺗﻮاﻧﺪ ﺑﮕﻮﻳﺪ ﻛﻪ ‪ marginal profit/lost‬اش ﭼﻘﺪر اﺳﺖ‪ ،‬و ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮ اﺳﺎس ﺗﺠﺮﺑﻪ اش ﻛﻪ در ﺻﻨﻌﺖ ﺑﻮده اﺳﺖ‬
‫ﺑﮕﻮﻳﺪ ﺑﺮاي ﻓﺮدا ﭼﻘﺪر ﺳﻔﺎرش دﻫﺪ‪ ،‬ﻛﻪ اﮔﺮ ﻣﺜﻼ اﺷﻞ او ‪ 1‬ﺗﺎ ‪ 10‬ﺑﺎﺷﺪ‪ ،‬ﻛﻪ ‪ 10‬در ‪ 10‬ﻳﻚ ﺟﺪول ﻣﻲ ﺳﺎزد و ﻣﻲ ﮔﻮﻳﺪ ﺗﺎ ﺟﺎﻳﻲ ﻣﻦ ﻛﺎرﺗﻮن ﻣﻲ‬
‫ﺧﺮم ﻛﻪ ﺗﻘﺎﺿﺎ اﺣﺘﻤﺎﻟﺶ ﺑﻴﺶ از ﻓﺮوش ﺑﺎﺷﺪ‪ .‬ﻟﺬا اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺗﻘﺎﺿﺎ ﺑﻴﺶ از ﻋﺮﺿﻪ ﺑﺎﺷﺪ ﻣﻲ ﺷﻮد ‪ ،p‬ﭘﺲ ‪ marginal profit‬ﺑﺎ ﺿﺮب در‬
‫اﺣﺘﻤﺎل ﻣﻲ ﺷﻮد ‪ expected marginal profit‬و ‪ expected marginal lost‬ﻣﻲ ﺷﻮد ‪ marginal lost‬ﺿﺮب در ‪ .ML‬از اﻳﻦ ﻣﻮارد‬
‫ﻳﻚ ﻧﻘﻄﻪ ‪ p‬ﻣﺮزي اﺳﺘﺨﺮاج ﻣﻲ ﺷﻮد‪.‬‬

‫‪P(MP)>=(1‐p)ML‬‬
‫ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ اﺣﺘﻤﺎل ﻓﺮوض ﻳﻚ واﺣﺪد اﺿﺎﻓﻲ ﺑﻴﺶ از ‪ MP/(MP+ML) :‬ﺑﺎﺷﺪ اﻳﻦ ﻛﺎر را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ ،‬از ‪ 100‬روزي ﻛﻪ ﻛﺎر ﻛﺮده اﺳﺖ ﺑﺮاي‬
‫ﻫﺮ ﻛﺪام ﻳﻚ ﻣﻘﺪار اﻧﺒﺎﺷﺘﻪ ﻣﻲ ﮔﻴﺮد‪  .‬‬

‫اﺣﺘﻤﺎل آﻧﻜﻪ ﺗﻘﺎﺿﺎ از ﻋﺮﺿﻪ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ را ﺑﺮ اﺳﺎس )‪ MP/(ML+MP‬ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﺪ و ﻫﻤﻴﻨﻄﻮر ﭘﺎﻳﻴﻦ ﻣﻲ آﻳﺪ ﺗﺎ ﻋﺪد ﻣﺮزي ﺑﻴﺸﺘﺮ ﻧﺸﻮد‪ .‬اﮔﺮ‬
‫‪ 7‬ﺗﺎ ﺑﻪ ﺑﺎﻻ ﺑﺮود‪ ،‬اﻧﺘﻈﺎر دارد ﻛﻪ ﺿﺮر ﻛﻨﺪ‪ .‬ﻟﺬا اﻳﻦ ﻣﺤﺎﺳﺒﺎت در ﺣﺎﻟﺘﻲ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ اﺣﺘﻤﺎل اﺗﻔﺎﻗﺎت ﺑﻴﺮوﻧﻲ ﻛﻢ ﺑﺎﺷﺪ‪ .‬ﻣﺜﻼ روزﻧﺎﻣﻪ ﻣﻲ‬
‫ﺧﻮاﻫﻴﻢ ﺳﻔﺎرش دﻫﻴﻢ ﻛﻪ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ را ﻣﻲ داﻧﻴﻢ‪ ،‬از ﺟﻨﺲ ﻧﺮﻣﺎل اﺳﺖ‪ ،‬اﻳﻦ را ﻛﺎﻣﻞ ﺗﺮ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل را اﺳﺘﺨﺮاج ﻛﻨﻴﻢ‪ .‬ﻫﺮ ﭼﻪ‬
‫ﺑﺎﻻﺗﺮ ﺑﺎﻳﺴﺘﻴﺪ ﻣﺨﺎﻃﺮه ﻛﻤﺘﺮ اﺳﺖ‪ ،‬اﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺧﻮدﻣﺎن را آﻧﻘﺪر ﺑﻪ ﻣﺮز ﺧﻄﺮ ﻧﺰدﻳﻚ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﻫﻢ ﺳﻮد ﻛﻨﻴﻢ و ﻫﻢ ﺑﻪ ﻣﺮز ﺧﻄﺮ ﻧﺰدﻳﻚ ﺑﺎﺷﻴﻢ‪،‬‬
‫ﮔﺎﻫﻲ ﺳﻨﺎرﻳﻮ ﻣﺤﺎﻓﻈﻪ ﻛﺎراﻧﻪ ‪ loop‬ﻣﻨﻔﻲ اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ‪ .‬ﻟﺬا اﻳﻦ ﻣﺨﺎﻃﺮه دﻳﮕﺮي دارد‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪µ= average or mean sales ‬‬
‫‪10 ‬‬

‫‪σ= standard deviation of sales ‬‬
‫‪Page‬‬

‫‪MP= Marginal Profit ‬‬

‫‪ML=Marginal Lost ‬‬

‫در ﺑﺴﻴﺎري از ﻣﻮاﻗﻊ ﺳﺎده ﻧﻤﻲ ﺗﻮان ﻣﺪل ﻧﻤﻮد‪ ،‬ﻣﺜﻼ ﭼﺎه ﻧﻔﺘﻲ زﻣﻴﻨﻲ اﺳﺖ ﻛﻪ در آن اﺣﺘﻤﺎل ﭼﺎه ﻫﺴﺖ‪ ،‬و ﻣﻲ ﺗﻮان ﻓﺮوﺧﺖ‪ ،‬ﻳﺎ آﻧﻜﻪ اﺳﺘﺨﺮاج‬
‫ﻛﺮد‪ ،‬ﻛﻪ ﺧﻮد ﺑﺮرﺳﻲ اﻳﻨﻜﻪ آﻳﺎ واﻗﻌﺎ در اﻳﻦ زﻣﻴﻦ ﻧﻔﺖ وﺟﻮد دارد ﻳﺎ ﺧﻴﺮ ﻫﺰﻳﻨﻪ دارد‪.‬‬

‫ﻣﻴﺎﻧﮕﻴﻦ ﻓﺮوش روزﻧﺎﻣﻪ و اﻧﺤﺮاف ﻣﻌﻴﺎر را دارﻳﻢ‪ ،‬ﻣﺎ ‪ p‬را ﻣﻲ ﻳﺎﺑﻴﻢ‪  :‬‬

‫)‪P= ML/ (ML+MP‬‬

‫ﻛﻪ ‪ p‬اﺣﺘﻤﺎل ﺑﻴﺸﺘﺮ ﺑﻮدن ﺗﻘﺎﺿﺎ از ﻋﺮﺿﻪ را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬در ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﺮﻣﺎل ﺑﺮاي ﺗﺒﺪﻳﻞ و اﻧﺘﮕﺮال‪ z=(x’‐µ )/σ‬را اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و در‬
‫ﻛﺎﻣﭙﻴﻮﺗﺮ ﻣﺤﺎﺳﺒﻪ ﻛﺮدﻳﻢ ﻣﺎ ‪ p‬را دارﻳﻢ‪ ،‬دﻧﺒﺎل اﻳﻦ ﻫﺴﺘﻴﻢ ﻛﻪ ﺑﺮاي ‪ 1‐p‬ﺻﺎدق اﺳﺖ ﻳﺎ ﺧﻴﺮ‪.‬‬

‫ﻣﺜﻼ ﻓﺮض ﻛﻨﻴﺪ‪:‬‬

‫‪ML=4 ‬‬

‫‪MP=6 ‬‬

‫‪P=ML/(ML+MP)=4/(4+6)= 0.4 ‬‬

‫ﺟﺪاول ﻧﺮﻣﺎل ﺑﺎ ‪ 1‐p‬ﻛﺎر ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻛﻪ ‪ 1‐p=0.6‬ﺳﭙﺲ روي ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ‪ z‬در ﺑﺎزه ﺻﻔﺮ و ﻳﻚ ﻣﻲ ﺑﺮﻳﻢ‪ ،‬ﻛﻪ ‪ z=(x’‐µ)/σ‬ﻛﻪ ﻣﺎ ﺑﺎ ‪ p=0.6‬در‬
‫ﺟﺪول ﻣﻲ روﻳﻢ‪ ،‬از ‪ z=0.251‬ﻛﻪ ’‪ x‬را ﻣﻲ ﻳﺎﺑﻴﻢ‪.‬‬

‫ﻛﻪ اﮔﺮ ‪ MP>ML‬ﺑﺎﺷﺪ‪ ،‬اﻧﺘﻈﺎر دارﻳﻢ‪ ،‬ﻛﻪ ﻣﻴﺰان ﺳﻔﺎرش ﺑﻴﺸﺘﺮ از ﻣﻴﺎﻧﮕﻴﻦ ﺑﺎﺷﺪ‪ .‬اﮔﺮ ‪ ML>MP‬ﺑﺎﺷﺪ‪ ،‬ﻣﻴﺰان ﺳﻔﺎرش زﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻟﺬا‬
‫ﺟﺎﻳﻲ ﻛﻪ ﺿﺮر ﻓﺮوش ﻳﻚ ﻗﻄﻌﻪ ﺑﻴﺶ از ﺳﻮد ﺑﺎﺷﺪ‪ ،‬ﺑﺎﻳﺴﺘﻲ زﻳﺮ ﻣﻴﺎﻧﮕﻴﻦ ﺑﺮوﻳﻢ‪ ،‬ﻛﻪ اﻳﻦ ﻣﻄﻠﺐ ﺑﻪ درد ﻣﻘﺎﻳﺴﻪ ﺟﻮاب ﻣﻲ ﺧﻮرد‪.‬‬

‫‪ Chapter 2‬را ﺑﺨﻮاﻧﻴﺪ ﻛﻪ در اﻣﺘﺤﺎن ﺳﻮال ﻣﻲ ﺷﻮد‪  .‬‬

‫ﺗﺎرﻳﺦ‪/6 :‬ﻣﻬﺮ‪1387/‬‬

‫ﮔﺮوه ﻋﺒﺎرﺗﺴﺖ از‪ Mba_decision_Making :‬ﺑﻄﻮر ﻣﺴﺘﻘﻴﻢ ﺗﻼش ﻛﻨﻴﺪ‪ ،‬ﻣﺘﺼﻞ ﺷﻮﻳﺪ‪.‬‬

‫ﺗﻘﻮﻳﻤﻲ ﮔﺬاﺷﺘﻪ ﺷﺪه اﺳﺖ‪ ،‬ﻛﻪ ﭘﺎﺳﺦ اﻳﻦ ﺳﻮال ﻛﻪ ﻛﺠﺎ از ﺷﻬﻮد و ﺗﺠﺮﺑﻪ و ﺣﺲ و ﻛﺠﺎز از ﻣﺪﻟﻬﺎي رﻳﺎﺿﻲ اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬

‫ﺟﻮاب اﻳﻦ ﺳﻮال در ‪ introduction‬ﻳﻜﻲ از ﺳﻮاﻟﻬﺎ اﺳﺖ‪ ،‬ﻛﻪ در ﻓﻴﻠﺪ ‪ behavioral decision making‬اﺳﺖ‪ ،‬ﻛﻪ ﺑﺨﻮاﻧﻴﺪ و ﺑﻌﺪ در ﻃﻲ‬
‫‪ 1500‬ﻛﻠﻤﻪ ﻧﻘﺪ ﻛﻨﻴﺪ‪ .‬ﻫﻮش ﺧﻮد را ﺑﻜﺎر ﮔﻴﺮﻳﺪ و ﺑﻨﻮﻳﺴﻴﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺟﻠﺴﻪ آﺧﺮ ﮔﻔﺘﻴﻢ ‪ learning portfolio‬اﺳﺖ ﻛﻪ اﮔﺮ ﻛﺴﻲ ﺑﺘﻮاﻧﺪ ‪ essay‬و ﻳﻚ ﻧﻘﺪ ﻗﺸﻨﮓ ﺑﻨﻮﻳﺴﺪ ﻛﻪ ﻫﻢ ﻣﺪل ﻫﺎي رﻓﺘﺎري و ﻣﺪل ﻫﺎي‬
‫‪11 ‬‬

‫رﻳﺎﺿﻲ دﻫﺪ‪ 2 ،‬ﺗﺎ اﻧﺘﺨﺎب ﻣﻲ ﺷﻮد و ‪ %75‬ﻧﻤﺮه اﺿﺎﻓﻪ ﻣﻲ ﮔﻴﺮد‪.‬‬

‫‪Page‬‬

‫اﻧﺴﺠﺎم ذﻫﻨﻲ ﻣﻬﻢ ﺗﺮ از ﺗﻜﻨﻴﻚ ﻫﺎﺳﺖ‪ ،‬ﻛﻪ ﺳﻌﻲ ﻛﻨﻴﺪ ﺷﻤﺎ ﻓﻜﺮ ﻛﻨﻴﺪ‪ ،‬ﺗﻜﻨﻴﻚ ﺷﺎﻳﺪ آﻧﻘﺪر ﻣﻬﻢ ﻧﺒﺎﺷﺪ‪.‬‬

‫در ‪ news group‬ﺳﻪ ‪ chapter‬در ‪ behavioral group‬اﺳﺖ ﻛﻪ ‪ behavioral decision making‬از آﻧﻬﺎ را داﻧﻠﻮد ﻛﻨﻴﺪ‪،‬‬

‫اﻣﺮوز ﺑﻪ ﺑﺮرﺳﻲ ‪ decision tree‬و ‪ utility theory‬را ﻣﻄﺎﻟﻌﻪ ﻣﻲ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫در اﻳﻦ ﺟﻠﺴﻪ ﺗﻼش ﻣﻲ ﻛﻨﻴﻢ ﻳﻚ ﻗﺪم ﺟﻠﻮ ﺑﺮوﻳﻢ ﻛﻪ اﮔﺮ ﻳﻚ دﻧﺒﺎل از ﺗﺼﻤﻴﻤﺎت داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﺑﺎﻳﺴﺘﻲ ﭼﻪ ﻛﻨﻴﻢ‪ ،‬در ﻗﺒﻞ ﻣﻮردي ﺑﻮد ﻣﺜﻼ ﻳﻚ‬
‫ﻛﺎرﺧﺎﻧﻪ ﻣﻲ زﻧﻴﻢ ﻳﺎ ﺑﺰرگ ﻳﺎ ﻛﻮﭼﻚ‪ ،‬اﻣﺎ اﮔﺮ ﺑﮕﻮﻳﻴﻢ اول ﻣﻄﺎﻟﻌﻪ اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪ ،‬و ﺑﻌﺪ ‪ 3‬ﺗﺎ ﻛﺎر دارﻳﻢ ﺑﻪ ازاي ﻫﺮ ﻛﺪام‪ .‬ﮔﺎم ﺑﻌﺪي ‪utility ‬‬
‫‪ theory‬اﺳﺖ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ آن ﻫﺪف ﻛﻪ ﮔﺬااﺷﺘﻪ ﺷﺪه اﺳﺖ ﺑﺮاي ﻫﻤﻪ ﺣﺲ ﻳﻜﺴﺎن ﻧﺪارد‪ ،‬اﻣﺎ آﻳﺎ ﻣﻲ ﺷﻮد ‪ scale‬را ﻋﻮض ﻛﻨﻴﻢ؟‬

‫ﭘﺲ ﻣﺎ دﻧﺒﺎﻟﻲ اي از ﺗﺼﻤﻴﻤﺎت را ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻧﻤﺎﺋﻴﻢ‪ .‬دو ﺟﺎ ﻣﺎ ‪ branch‬ﻣﻲ زﻧﻴﻢ ﻳﻜﻲ ﺟﺎﻳﻲ ﻛﻪ ﻣﻲ ﮔﻮﻳﻴﻢ ﭼﻪ ﺗﺼﻤﻴﻤﻲ ﺑﮕﻴﺮﻳﻢ‪،‬‬
‫ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ ﻣﺜﻼ ﺗﺼﻤﻴﻢ را ﮔﺮﻓﺘﻪ اﻳﻢ‪ ،‬ﺑﻌﺪ ﺑﻪ ازاي ﻫﺮ ﻛﺪام ﻫﻮا ﺧﻮب اﺳﺖ‪ ،‬ﺑﺪ اﺳﺖ‪ ،‬ﻳﺎ ﺧﻴﻠﻲ ﺑﺪ اﺳﺖ ﻛﻪ ﺑﻪ آن ‪ state‐of‐nature‬ﮔﻮﻳﻨﺪ‪.‬‬

‫ﻧﺤﻮه ﺣﻞ ﻣﺴﺌﻠﻪ ﺑﻪ اﻳﻦ ﺷﻜﻞ اﺳﺖ‪:‬‬

‫‪ .1‬ﺗﻌﺮﻳﻒ ﻣﺴﺌﻠﻪ ‪ ‬‬

‫‪ .2‬ﺗﺮﺳﻴﻢ درﺧﺖ ﺗﺼﻤﻴﻤﺎت ‪ ‬‬

‫‪ .3‬اﺣﺘﻤﺎﻻت را در ﺷﺎﺧﻪ ﻫﺎ ﻣﻲ ﮔﺬارﻳﻢ ‪ ‬‬

‫‪ .4‬ﺳﭙﺲ ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﺑﻪ ازاي ﻫﺮ ﺗﺮﻛﻴﺐ ﻣﺨﺘﻠﻒ‪ gain ،‬ﻳﺎ ﭼﻴﺰي ﻛﻪ از دﺳﺖ ﻣﻲ دﻫﻴﻢ ﺣﺴﺎب ﻣﻲ ﻛﻨﻴﻢ‪  .‬‬

‫‪ .5‬ﺳﭙﺲ ‪ EMV‬ﻳﺎ اﻣﻴﺪ رﻳﺎﺿﻲ ارزش ﻣﻮرد ﻧﻴﺎز را ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ‪  .‬‬

‫ﺳﭙﺲ اﻳﻦ اﺣﺘﻤﺎﻻت را ﺑﻪ ﻫﺮ ﻛﺪام ﻧﺴﺒﺖ ﻣﻲ دﻫﻴﻢ‪ ،‬ﻛﻪ ﻣﻴﺰان ‪ gain‬ﻳﺎ ﺿﺮر را ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ‪ .‬ﺳﭙﺲ اﻋﺪاد را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﻓﺮدي ﻛﻪ ﻣﻲ ﺧﻮاﻫﺪ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻛﻨﺪ اﺑﺘﺪا ﻣﻲ ﻧﺸﻴﻨﺪ و ﻓﻜﺮ ﻣﻲ ﻛﻨﺪ‪ ،‬و ﺗﺤﻘﻴﻘﺎت ﺑﺎزار اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ ،‬و اﮔﺮ ﻣﺜﻼ ﺗﺤﻘﻴﻖ ﺑﺎزار ﻧﻜﻨﻢ‪ ،‬ﻧﺘﻴﺠﻪ‬
‫درﺧﺖ ﻫﻤﺎن ﻣﻮرد ﻗﺒﻠﻲ اﺳﺖ‪ ،‬اﮔﺮ ﺗﺤﻘﻴﻖ ﺑﺎزار اﻧﺠﺎم دﻫﻢ ﻧﺘﻴﺠﻪ دو ﭼﻴﺰ اﺳﺖ‪ ،‬ﻳﺎ ﻣﻲ ﮔﻮﻳﺪ ﺑﺎزار ﺑﻪ ﻧﻔﻊ اﺳﺖ‪ ،‬ﻳﺎ ﺑﻪ ﻧﻔﻊ ﻧﻴﺴﺖ‪ ،‬ﻛﻪ از اﻳﻨﺠﺎ ﺑﻪ ﺑﻌﺪ‬
‫ﻣﺸﺎﺑﻪ درﺧﺖ ﻗﺒﻠﻲ را دارﻳﻢ‪ ،‬ﻛﻪ ﻛﺎرﺧﺎﻧﻪ ﺑﺰرگ ﺑﺴﺎزﻳﻢ‪ ،‬ﻧﺴﺎزﻳﻢ‪ ،‬ﻳﺎ ‪...‬‬

‫ﻣﻮارد ﺑﺮاي ﺗﺤﻘﻴﻘﺎت ﻫﻤﻪ ‪ 10‬ﻫﺰار ﺗﺎ ﻛﻤﺘﺮ اﺳﺖ‪ ،‬ﭼﻮن ﺑﻪ ازاي ﺗﺤﻘﻴﻘﺎت ﻛﻢ ﺷﺪه اﺳﺖ‪ .‬اﺣﺘﻤﺎﻻت وﻟﻲ در ﺷﺎﺧﻪ ﻓﻮﻗﺎﻧﻲ ﺗﻐﻴﻴﺮ ﻛﺮده اﺳﺖ‪ .‬ﻣﺎ ﺑﺮاي‬
‫ﻫﺮ ﻧﻮد ‪ EMV‬را ﺣﺴﺎب ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﻣﺎ در ﻗﺮاﺋﺖ درﺧﺖ ﺑﺮاي ﻳﻚ ﻓﺮد‪ ،‬ﻣﺎ در ﻫﺮ ﻧﻮد ﻣﻲ ﺑﻴﻨﻴﻢ ﻣﻘﺪار ﻣﻨﺘﺨﺐ از ﻛﺪام ﻧﻮد ﺑﺮگ آﻣﺪه و ﻣﻲ ﮔﻮﻳﻴﻢ ﻛﻪ آن ﻛﺎر را ﻛﻨﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺮاي اﻳﻨﻜﻪ ﺑﺒﻴﻨﻴﻢ ﭼﻘﺪر ﻣﺎ ﻫﺰﻳﻨﻪ ﺗﺤﻘﻴﻘﺎت ﻣﻲ دﻫﻴﻢ‪ ،‬اﻳﻦ اﺳﺖ ﻛﻪ ﻓﺮض ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ‪ 10‬ﻫﺰارﺗﺎ ﭘﻮل را ﻧﺪاﻳﻢ‪ ،‬ﺑﺎ ﻋﺪدﻫﺎي اﺻﻠﻲ ﭘﻮل را ﺣﺴﺎب‬
‫‪12 ‬‬

‫ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و آن ﻋﺪد را ﺑﺎ اﻳﻦ ﻋﺪد ﺣﺴﺎب ﻛﻨﻴﻢ ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﭼﻪ ﻣﻴﺰان ﺧﻮب اﺳﺖ‪.‬‬
‫‪Page‬‬

‫ﻣﺎ ﻓﺮض ﻛﻨﻴﻢ ﻃﺒﻖ ﺗﺠﺮﺑﻴﺎت ﮔﺬﺷﺘﻪ ﻣﻮارد زﻳﺮ را دارﻳﻢ‪:‬‬

‫‪  P(SN|UM)=0.8, P(SP|UM)=0.2, P(SP|FM)=0.7, P(SN|FM)=0.3, P(FM)=0.5,P(UM)=0.5,‬‬

‫و ﻟﺬا ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﻮارد زﻳﺮ را ﺑﻴﺎﺑﻴﻢ‪:‬‬

‫?])‪  P(FM|SP)=?, P(FM|SN)=?, P(UM|SP)=?, P(UM|SN‬‬

‫‪ ‬‬

‫ﻃﺒﻖ ﺗﺌﻮري ﺑﻴﺾ دارﻳﻢ‪:‬‬

‫)‪ P(A),P(B), P(A|B‬را اﮔﺮ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪:‬‬

‫‪P(B|A)=P(BПA)/P(A), ‬‬

‫‪  P(A)=P(BПA)+P(B’ПA)== P(A|B)*P(B)+P(A|B’)(1‐P(B)),‬‬

‫)‪  P(BПA)=P(A|B)P(B‬‬

‫اﻳﻦ ﻣﻮارد را ﻣﻲ ﺗﻮان ﺑﺮاي ﺟﺪوﻟﻲ ﺑﺮاي ﻣﺜﺒﺖ ﺑﻮدن ‪ survey‬و ﻣﻨﻔﻲ ﺑﻮدن آن ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﮔﺮدد‪ ،‬و ﺑﺎ اﺳﺘﻔﺎده از آن و ﻓﻮرﻣﻮل ﻫﺎي ﻓﻮق‬
‫اﺣﺘﻤﺎﻻت ﻣﺤﺴﺎﺑﻪ ﻣﻲ ﮔﺮدد‪.‬‬

‫ﺗﺎرﻳﺦ‪/08 :‬ﻣﻬﺮ‪1387/‬‬

‫ﻳﻜﻲ از ﻣﺜﺎل ﻫﺎﻳﻲ ﻛﻪ ﺑﺮاي ‪ utility‬اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد در ﻛﻨﺎر ارزش ﭘﻮل ﺟﺎﻫﺎﻳﻲ ﻫﺴﺖ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﺪ ﻣﺴﺌﻠﻪ را ﻣﺪل ﻛﻨﻴﺪ وﻟﻲ ﭘﻮل ﻧﺸﺎن دﻫﻨﺪه ارزش‬
‫ﻧﻴﺴﺖ‪ ،‬ﻣﺜﻼ ﺑﻴﻤﺎري‪ ،‬ﻧﺎراﺣﺘﻲ ﻗﻠﺒﻲ دارد‪ ،‬ﻳﻜﻲ ﻣﻲ ﮔﻮﻳﺪ زﻳﺮ ﺗﻴﻎ ﺑﺎﻳﺴﺘﻲ ﺑﺮوي‪ ،‬ﻳﻜﻲ ﻣﻲ ﮔﻮﻳﺪ ﻧﺒﺎﻳﺴﺘﻲ ﺑﺮوي‪.‬‬

‫ﻣﺤﺪودﻳﺖ ﭘﻮل را ﭼﮕﻮﻧﻪ ﻣﻲ ﺷﻮد ﻣﺎ روﻳﺶ ﻛﺎر ﻛﻨﻴﻢ‪.‬‬

‫ﺗﺎﺑﻊ ﺷﻜﻞ ‪ 15.13‬ﻓﺮدي را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺑﺮاي رﺳﻴﺪن از ‪ 10‬ﻫﺰار ﺑﻪ ‪ 100‬ﻫﺮار ﺑﺎ اﻳﻨﻜﻪ ‪ 10‬ﺑﺮاﺑﺮ ﻣﻲ ﺷﻮد ارزﺷﺶ ‪ 4‬ﺑﺮاﺑﺮ زﻳﺎد ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪ ،‬ﻟﺬا رﻳﺴﻚ‬
‫ﭘﺬﻳﺮ ﻧﻴﺴﺖ‪ .‬از ﺳﻤﺘﻲ اﻓﺮادي را دارﻳﻢ ﻛﻪ رﻳﺴﻚ ﭘﺬﻳﺮﻧﺪ‪ ،‬ﻛﻪ ﻧﻤﻮداري ﻣﺘﻔﺎوت دارد‪.‬‬

‫ﻳﻜﻲ از راه ﻫﺎي ﻣﺤﺎﺳﺒﻪ ‪ utility function‬اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ ﻃﻮر ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﻓﺮد را ارزﻳﺎﺑﻲ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻛﻪ ﺑﺎ اﺣﺘﻤﺎﻟﻲ ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ اﮔﺮ ﺑﺎزي را ﻛﻨﻲ اﻳﻦ‬
‫ﻣﻴﺰان ﭘﻮل ﺑﺪﺳﺖ ﻣﻲ آوري‪ ،‬و ‪ p‬را ﺣﺴﺎب ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ در آن ﻣﺮدد ﻣﻲ ﮔﺮدد‪ .‬ﻛﻪ ﺳﭙﺲ ‪ expected value‬ﻳﺎ اﻣﻴﺪ رﻳﺎﺿﻲ را ﺣﺴﺎب ﻣﻲ ﻛﻨﻨﺪ‪ .‬ﻛﻪ ﻣﻲ‬
‫ﮔﻮﻳﻨﺪ اﻻن ﻣﻴﺰاﻧﻲ ﺑﮕﻴﺮي و اﺣﺘﻤﺎل اﻳﻨﻜﻪ ﺑﻌﺪا اﻳﻦ ﻣﻴﺰان ﺑﮕﻴﺮي را ﺑﮕﻴﺮي ﺷﻤﺎ ﻣﻲ ﻣﺎﻧﻲ‪.‬‬

‫ﻛﻪ اﻟﺒﺘﻪ ﻫﻤﻪ راﺣﺖ ﻧﻴﺴﺘﻨﺪ ﻛﻪ ﭘﺎﺳﺦ دﻫﻨﺪ‪ ،‬ﺧﻮد ﭘﺎﺳﺦ ﺗﺨﺼﺺ ﺧﺎﺻﻲ ﻣﻲ ﻃﻠﺒﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺷﺮﻛﺘﻲ ﻧﻔﺘﻲ را در درﺧﺖ ﺗﺼﻤﻴﻢ ﺑﻪ ﺗﺼﻮﻳﺮ ﻣﻲ ﻛﺸﺪ ﻛﻪ ﻣﻲ ﺧﻮاﻫﺪ ﺣﻔﺎري و ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻛﻨﺪ‪ ،‬در اﻳﻦ ﭼﺎه ﻧﻔﺖ ﻳﺎ ﺑﻪ ﻧﻔﺖ ﻣﻲ رﺳﺪ ﭘﺲ از ﺣﻔﺎري ﻳﺎ ﺧﻴﺮ‪،‬‬
‫‪13 ‬‬

‫اﻳﻨﺠﺎ ﺳﺎده ﺳﺎزي ﺷﺪه اﺳﺖ ﻛﻪ ارﺗﻔﺎع را ﺻﻔﺮ و ﻳﻚ ﻛﺮده اﺳﺖ‪ ،‬ﮔﺰﻳﻨﻪ دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ اﻣﺘﻴﺎز ﭼﺎه را ﺑﻔﺮوﺷﺪ‪ ،‬ﭘﺲ ﺷﺮﻛﺖ ﻣﻲ ﺗﻮاﻧﺪ ﻣﻄﺎﻟﻌﻪ ﺗﺨﺼﺼﻲ زﻣﻴﻦ‬
‫ﺷﻨﺎﺳﻲ اﻧﺠﺎم دﻫﺪ ﻛﻪ ﺑﻪ او ﻣﻲ ﮔﻮﻳﺪ ﺑﺎ ﭼﻪ اﺣﺘﻤﺎﻟﻲ ﺑﻪ ﻧﻔﺖ ﻣﻲ رﺳﻲ ﻳﺎ ﻧﻤﻲ رﺳﻲ‪.‬‬
‫‪Page‬‬

‫اوﻟﻴﻦ ﺑﺮﻧﭻ اﻳﻦ اﺳﺖ ﻛﻪ ﻳﺎ ﺗﺤﻘﻴﻖ ﻛﻨﺪ ﻳﺎ ﺧﻴﺮ‪ .‬ﺟﻠﻮي ﻫﺮ ﺷﺎﺧﺺ ﻫﻢ ﻣﻴﺰان ﻣﺎﻟﻲ آن را ﮔﻔﺘﻪ اﺳﺖ‪ .‬اﻛﻨﻮن ﺻﺤﺒﺖ اﻳﻦ اﺳﺖ ﻛﻪ اﻳﻦ ﺷﺮﻛﺖ از دﻳﺪ ﻣﺪﻳﺮان اﻳﻦ‬
‫ﻣﻴﺰان ﻣﺎﻟﻲ ﻧﺸﺎن دﻫﻨﺪه ﻣﺤﺪودﻳﺖ ﻧﻴﺴﺖ‪ ،‬ﻣﺜﻼ اﻳﻨﺠﺎ اﻳﻨﻜﻪ ‪ 130‬ﺗﺎ از دﺳﺖ دادن را ﻣﻲ ﺗﻮاﻧﻨﺪ ﺗﺤﻤﻞ ﻛﻨﻨﺪ ﻳﺎ ﺧﻴﺮ‪ .‬اﺣﺘﻤﺎﻻت ﺷﺮﻃﻲ ﻧﻴﺰ روي ﺑﺮﻧﭻ ﻫﺎ آﻣﺪه‬
‫اﺳﺖ‪ .‬در ﺟﺪوﻟﻲ در ﺻﻔﺤﻪ ‪ 774‬ﮔﻔﺘﻪ ﺷﺪه اﺳﺖ ﻛﻪ ر دﻳﺪ اﻓﺮاد ﻣﺜﻼ ‪ -130‬ﺑﺮاﺑﺮ ‪ -150‬اﺳﺖ‪.‬‬

‫ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ﻣﺪﻳﺮ را در ﻣﻌﺮض اﻳﻦ ﮔﺰﻳﻨﻪ ﻗﺮار ﻣﻲ دﻫﺪ‪ ،‬دو ﮔﺰﻳﻨﻪ داري‪ ،‬ﻳﺎ ﻛﺎر ﻳﻨﻜﻨﻲ ﻳﺎ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻛﻨﻲ‪ .‬ﻳﺎ ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ ﺑﺎ اﺣﺘﻤﺎل ‪ p‬اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻳﺎ‬
‫ﺑﺪﺗﺮﻳﻦ ﺣﺎﻟﺖ ﺑﺎ اﺣﺘﻤﺎل ‪ 1‐p‬اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‪ .‬ﻛﻪ ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ ‪ 700‬اﺳﺖ و ﺑﺎ اﺣﺘﻤﺎل‪ 1‐p ‬ﻫﻢ ‪ 130‬ﺗﺎ از دﺳﺖ داده اﻳﻢ‪ ،‬ﺑﻌﺪ ﻣﻲ ﮔﻮﻳﻨﺪ ﺑﺎ ﭼﻪ اﺣﺘﻤﺎﻟﻲ اﻳﻦ دو‬
‫ﮔﺰﻳﻨﻪ ﺑﺎ ﻫﻢ ﻳﻜﺴﺎن اﺳﺖ‪ .‬ﻛﻪ اﮔﺮ ﻫﻴﭻ ﻛﺎر ﻧﻜﻨﻴﻢ ‪ 0‬ﻣﻲ ﮔﺮدد‪ ،‬ﻛﻪ اﻳﻦ ﻣﻲ ﺷﻮد‪:‬‬

‫‪U(‐130).(1‐p)+p.U(700)=0‬‬

‫ﻛﻪ ﻓﺮد ‪ P‬را ‪ 0.7‬ﻓﺮد ﮔﻔﺘﻪ اﺳﺖ‪ .‬ﭼﻮن ﻣﻲ ﺧﻮاﻫﻴﻢ ‪ UTILITY Value‬را ﺣﺴﺎب ﻛﻨﻴﻢ‪ ،‬ﻓﺮد ﻳﻜﻲ را ﺣﺴﺎب ﻣﻲ ﻛﻨﺪ‪ ،‬ﻓﺮد ﻣﻲ ﮔﻮﻳﺪ ﻣﺜﻼ ﭼﻮن ﻧﺴﺒﺖ ﺑﻪ ‪130‬‬
‫را ﻛﻪ ﺣﺴﺎس اﺳﺖ ﻣﻲ ﮔﻮﻳﺪ ‪ 130‬از دﺳﺖ دادن ﻣﻌﺎدل ‪ 150‬اﺳﺖ از دﺳﺖ دادن ﺳﭙﺲ )‪ u lity (700‬را ﺣﺴﺎب ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﺑﺮاي ﺳﺎده ﺳﺎزي ﺑﺴﻴﺎري از ﻓﺮﺿﻴﺎت را ﻛﻨﺎر ﻣﻲ ﮔﺬارﻳﻢ ﻛﻪ ﻣﺴﺌﻠﻪ را ﺣﻞ ﻛﻨﻴﻢ‪.‬‬

‫ﺑﺮاي ﺑﺤﺚ ‪ p‬ﻓﺮد ﺑﺎﻳﺴﺘﻲ در ﻓﻀﺎ ﻛﺎر ﻛﺮده ﺑﺎﺷﺪ‪ ،‬و ﺣﺲ ﻓﻀﺎ را داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﺑﺤﺚ اﻳﻨﻜﻪ ﮔﻔﺘﻴﻢ ‪ 0‬در ﻳﻚ ﺳﻤﺖ دﻟﻴﻞ اﻳﻦ ﺑﻮد ﻛﻪ ﺗﻔﻜﺮ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﺑﻮد ﻛﻪ‬
‫ﻓﺮد ﻳﺎ ﭘﻮﻟﻲ ﺧﺮج ﻧﻜﻨﺪ‪ ،‬ﻳﺎ ﭘﻮﻟﻲ ﺧﺮج ﻛﻨﺪ‪.‬‬

‫ﺣﺎل ﺑﺮاي ﻣﺤﺎﺳﺒﻪ وﺳﻂ داﻣﻨﻪ ﻳﻜﻲ از ﺧﺮوﺟﻲ ﻫﺎ ‪ -100‬اﺳﺖ‪ ،‬ﻛﻪ ﻳﻜﻲ از دو ‪ extreme‬را ﻣﺤﻮر ﻣﻲ ﮔﺬارﻳﻢ و ﺑﺎ آن ﻣﻘﺎﻳﺴﻪ را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ از‬
‫ﻫﺮ دو ﻃﺮف ﺿﺮر ﻣﻲ ﻛﻨﺪ‪ ،‬اﻣﺎ اﺣﺘﻤﺎل ‪ p‬وﺟﻮد دارد‪،‬‬

‫‪ .risk adverse, risk sicker‬را ﻧﺴﺒﺖ ﺑﻪ ‪ p‬ﻫﺎي ﻛﻮﭼﻚ و ﺑﺰرگ و راه اﻓﺘﺎدن در ﻣﺴﻴﺮ ﻗﻄﻌﻴﺖ ﻗﺎﺑﻞ ﺷﻨﺎﺳﺎﻳﻲ اﺳﺖ‪.‬‬

‫ﺗﺤﻠﻴﻞ ‪ 15.14‬ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ از ‪ 100‬ﺿﺮر ﺑﻪ ﭘﺎﻳﻴﻦ ﺣﺴﺎس ﻣﻲ ﺷﻮﻧﺪ‪ ،‬و ﻗﺎﺑﻞ ﻗﺒﻮل ﻧﻴﺴﺖ‪.‬‬

‫در ﺗﺼﻮﻳﺮ ‪ 15.15‬در ﻣﻘﺎﺑﻞ ﻫﺮ ‪ utility ،monetary payoff‬را ﻧﻮﺷﺘﻪ اﺳﺖ‪ .‬و ﮔﻔﺘﻪ اﺳﺖ ‪  106.5 expected value‬اﺳﺖ ﻛﻪ ﻣﻲ ﮔﻮي د ﻛﻪ‬
‫ﻣﺴﻴﺮﻫﺎي ﺧﻂ ﺧﻮرده را ﻧﺮو‪.‬‬

‫ﺑﺮﺧﻲ ﻫﻢ ‪ utility function‬را ﺑﻪ ﺷﻜﻞ ‪ exponential‬داده اﻧﺪ‪.‬‬

‫ﺗﺎرﻳﺦ‪/08 :‬ﻣﻬﺮ‪1387/‬‬

‫‪  Analytical Hierarchical Process :AHP‬‬

‫روش ﺳﻨﺘﻲ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪ Multi factor evaluation Process‬اﺳﺖ‪ ،‬ﻛﻪ ﻣﺜﻼ ‪ 4‬ﺗﺎ ﻣﺎﺷﻴﻦ ‪ A‬و ‪ B‬و ‪ C‬و ‪ D‬ﺑﺎ ﻣﻌﻴﺎرﻫﺎي ‪،Reliability ،style‬‬
‫‪ Fuel economic‬دارﻳﻢ‪ ،‬ﻛﻪ در اﺑﺘﺪا وزن ﻫﺎ را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﺳﭙﺲ از ﻧﻈﺮ ﻫﺮ ﻛﺪام از وزن ﻫﺎ‪ ،‬ﻣﻮردﻫﺎ ارزﻳﺎﺑﻲ ﻣﻲ ﮔﺮدد‪ ،‬ﺑﺮاي ﻣﺸﺨﺺ ﻛﺮدن‬
‫ﺟﺎﻳﮕﺎه ﻳﻚ ‪ alternative‬ﻫﺮ ﻣﻮرد را در وزن ﺿﺮب و ﻣﺠﻤﻮع ﻣﻴﮕﻴﺮﻳﻢ‪ ،‬ﻫﺰﻳﻨﻪ ﻫﺎ را در ﻣﻲ ﻳﺎﺑﻴﻢ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻣﺎ آﻧﭽﻪ در ﻓﻀﺎي واﻗﻌﻲ ﻫﻤﻪ را اﺣﺎﻃﻪ ﻛﺮده اﺳﺖ ‪ Multicriteria Decision Making‬اﺳﺖ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻫﻤﻪ ﭼﻴﺰ را ﺣﺪاﻛﺜﺮ ﻛﻨﻴﻢ‪ .‬ﮔﺎﻫﻲ اﻋﺪاد‬
‫‪14 ‬‬

‫دﻳﮕﺮ ﻛﻔﺎﻳﺖ ﻧﻤﻲ ﻛﻨﻨﺪ‪ ،‬ﮔﺎﻫﻲ ﭼﻴﺰي در ذﻫﻦ اﺳﺖ ﺑﻪ ﻋﺪد ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﻴﻢ و اﻟﺒﺘﻪ ﮔﺎﻫﻲ ﻧﻤﻲ ﺗﻮاﻧﻴﻢ ﺑﮕﻮﻳﻴﻢ ﭼﻪ ﻋﺪدي اﺳﺖ‪ .‬ﻣﺜﺎل آﺷﭙﺰ ﻛﻪ ﻣﻌﻴﺎرﻫﺎي او‬
‫ﺑﺼﻮرت ﻣﻘﺪاري ﺑﻴﺸﺘﺮ و ﻛﻤﺘﺮ و ‪ ..‬ﺑﻮد‪ .‬در ﻓﻀﺎي ﻣﺪﻳﺮﻳﺘﻲ اﻳﻦ ﻣﺴﺎﺋﻞ زﻳﺎد اﺳﺖ‪ ،‬در ﺑﺴﻴﺎري از ﻣﻮارد اﻋﺪاد ﻣﻌﻨﺎﻫﺎي ﻣﺨﺘﻠﻔﻲ را ﺑﻪ ﻫﻤﺮاه دارﻧﺪ ﻣﺜﻼ در درﺟﻪ‬
‫‪Page‬‬

‫ﺣﺮارت ﭘﺎﻳﻴﻦ اﺻﻼ راﺣﺖ ﻧﻴﺴﺘﻴﻢ ﺑﻌﺪ ﻛﻤﻲ دﻣﺎ را ﺑﺎﻻ ﻣﻲ ﺑﺮﻳﻢ و راﺣﺘﻴﻢ و ﻫﻤﻴﻨﻄﻮر وﻗﺘﻲ ﺑﺎﻻ ﺑﺮدن را اداﻣﻪ دﻫﻴﻢ ﺑﻪ ﺣﺎﻟﺘﻲ ﻣﻲ رﺳﻴﻢ ﻛﻪ ﺑﺎز ﺣﺲ راﺣﺘﻲ ﻧﻤﻲ‬
‫ﻛﻨﻴﻢ‪ ،‬و اﻳﻦ ‪ non monotonic‬اﺳﺖ ﻳﻌﻨﻲ ﻳﻜﺢ ﺟﻬﺘﻪ زﻳﺎد ﻧﻤﻲ ﺷﻮد‪ ،‬ﻧﻤﻮﻧﻪ دﻳﮕﺮ ﺣﻔﺎﻇﺖ ﻏﺬا در ﺑﺮاﺑﺮ ﻣﻴﻜﺮوب اﺳﺖ‪ ،‬در درﺟﻪ ﺣﺮارت ﭘﺎﻳﻴﻦ ﺧﻮب اﺳﺖ‬
‫ﺑﺎﻻ ﻣﻲ رود ﻓﺴﺎد ﺑﺎﻻ ﻣﻲ رود و از ﺣﺪي ﻳﻌﻨﻲ ﻣﺜﻼ دﻣﺎي ﺟﻮش ﺑﺎﻻ ﺗﺮ ﻣﻲ رود ﻓﺴﺎد ﭘﺬﻳﺮي ﭘﺎﻳﻴﻦ ﻣﻲ آﻳﺪ‪ .‬در ﺑﺴﻴﺎري از ﻣﻮارد ﺑﺎر ﻋﺪد ﻣﺸﺨﺺ ﻧﻴﺴﺖ‪،‬‬
‫ﺗﺠﺮﺑﻪ اي ﻫﻢ در آن ﻧﻴﺴﺖ‪.‬‬

‫ﻣﺜﻼ ﻓﺮدي ﻛﻪ در ﻣﺎه ‪ 2‬ﺑﺮاﺑﺮ ﻣﺎﺷﻴﻦ ﺧﺮﻳﺪ و ﻓﺮوش ﻣﻲ ﻛﻨﺪ ﻣﺘﻔﺎوت ﺑﺎ ﻓﺮدي اﺳﺖ ﻛﻪ داﺋﻢ اﻳﻦ ﻛﺎر را ﻣﻲ ﻛﻨﺪ‪ ،‬آﻳﺎ ﻣﻲ ﺷﻮد اﻋﺪاد از دﻧﻴﺎي دﻳﮕﺮ ﺗﻮﻟﻴﺪ ﺷﻮﻧﺪ؟‬

‫‪ AHP‬در ‪ Multicriteria‬ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻳﻌﻨﻲ ﭼﻨﺪ ﺗﺎ ﻫﺴﺘﻨﺪ و ﺟﻨﺲ آﻧﻬﺎ ﺑﺎ ﻫﻢ ﻓﺮق ﻣﻲ ﻛﻨﺪ ﻟﺬا ﺟﻤﻊ ﭘﺬﻳﺮي آﻧﻬﺎ ﻗﺎﺑﻞ اﻧﺠﺎم ﻧﻴﺴﺖ‪ ،‬ﻣﺜﻼ دو آدم را ﻧﻤﻲ‬
‫ﺗﻮان ﺑﺎ دو ﻋﺪد ﺳﻴﺐ ﺟﻤﻊ ﻧﻤﻮد‪ .‬اﻳﻨﺠﺎ ﻳﻚ ‪ scale‬ﻣﺸﺘﺮك اﻳﺠﺎد ﻣﻴﻜﻨﻴﻢ و اﻳﻦ ‪ priority‬اﺳﺖ‪ .‬ﺟﺎي دﻳﮕﺮي ﻛﻪ ‪ AHP‬ﻣﻨﺎﺳﺐ اﺳﺖ ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ ﻣﻲ‬
‫ﺧﻮاﻫﻴﻢ ﺳﻬﻢ ﻫﺎ را ﺑﺴﻨﺠﻴﻢ ﻣﺜﻼ ﺳﻬﻢ ﻧﻮﺷﻴﺪﻧﻲ در زﻧﺪﮔﻲ اﻳﺮاﻧﻲ ﻫﺎ ﭼﻘﺪر اﺳﺖ؟ ﻳﻚ راه آن اﺳﺖ ﻛﻪ ﺳﺮاغ ﺗﻌﺪادي ‪ expert‬روﻳﻢ و ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪.‬‬

‫ﺑﺠﺎي ‪ Absolute Judgment‬ﺳﺮاغ ‪ relative judgment‬ﻣﻲ روﻳﻢ‪ ،‬ﻛﻪ ﻫﺮ ﭼﻴﺰ را ﻣﻲ ﮔﻮﻳﺪ ﻣﻬﻢ اﺳﺖ‪ ،‬ﭼﻘﺪر ﻣﻬﻢ اﺳﺖ‪:‬‬

‫‪  Equally preferred ‬‬ ‫‪1‬‬

‫‪  Moderately preferred ‬‬ ‫‪3‬‬

‫‪  Strongly Preferred ‬‬ ‫‪5‬‬

‫‪  Very Strongly Preferred ‬‬ ‫‪7‬‬

‫‪  Extremely Strongly Preferred ‬‬ ‫‪9‬‬

‫ﻛﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﻣﻲ ﮔﻮﻳﺪ ﺗﺮﺟﻴﺢ ﻳﻜﺴﺎن‪ ،‬ﻳﺎ ﺳﻪ ﺑﺮاﺑﺮ ﺑﻬﺘﺮ ﻳﺎ ‪ 5‬ﺑﺮاﺑﺮ و ‪...‬‬

‫اﻳﻦ ﻫﺎ ﻓﺮﺿﻴﺎت اﻳﻦ ﻧﻮع ﻧﮕﺮش اﺳﺖ‪.‬‬

‫ﻳﻜﻲ دﻳﮕﺮ از ﻓﺮﺿﻴﺎت اﻳﻦ اﺳﺖ ﻛﻪ ‪ B ،A‬ﻫﻤﻮژن ﺑﺎﺷﻨﺪ ﻛﻪ ﺑﺘﻮاﻧﻴﻢ آﻧﻬﺎ را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻧﻤﺎﺋﻴﻢ‪ ،‬ﻛﻪ آﻧﻬﺎ ﺑﺘﻮاﻧﻨﺪ در ﻳﻚ ‪ Scale‬ﺑﮕﻨﺠﻨﺪ‪ ،‬ﻣﺜﻼ ﻳﻚ آﻟﺒﺎﻟﻮ را ﺑﺎ‬
‫ﻳﻚ ﮔﻴﻼس ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﺪ از ﻟﺤﺎظ وزﻧﻲ ﺑﻪ ﺟﺎي ﻫﻨﺪواﻧﻪ!‬

‫اﮔﺮ ﺑﺨﻮاﻫﻴﺪ ﻧﮕﻬﺒﺎن اداره را ﺑﺎ رﺋﻴﺲ ﺟﻤﻬﻮر ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪ ،‬از ﻟﺤﺎظ ﻫﻤﻮژن ﺑﻮدن ﻣﺸﻜﻞ دارﻳﻢ‪ ،‬ﺑﻴﻦ ‪ 1‬ﺗﺎ ‪ 9‬ﻫﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻋﺪد ﺑﺪﻫﻴﻢ‪.‬‬

‫ﺳﺎﺧﺘﺎر ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺐ ﺷﺎﻣﻞ ﻣﻮارد زﻳﺮ اﺳﺖ‪:‬‬

‫ﻫﺪف ‪ ‬‬ ‫‪.1‬‬

‫ﻣﻌﻴﺎرﻫﺎ ‪ ‬‬ ‫‪.2‬‬

‫راه ﺣﻞ ﻫﺎ ‪ ‬‬ ‫‪.3‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫در ﻣﻌﻴﺎر ﻣﺜﻼ ‪ Fuel‐Economy ،Style ،Reliability‬اﺳﺖ‪ ،‬آﻳﺎ ﻫﺰﻳﻨﻪ ﻧﻴﺰ ﻣﻲ ﺗﻮاﻧﺪ در ﻣﻌﻴﺎرﻫﺎ ﺑﻴﺎﻳﺪ؟ ﺧﻴﺮ ﭼﻮن ﻣﺴﺘﻘﻞ ﻧﻴﺴﺖ‪.‬‬
‫‪15 ‬‬

‫ﻓﺮﺿﻴﺎت ‪ AHP‬ﺑﻄﻮر ﺧﻼﺻﻪ ﺑﺼﻮرت زﻳﺮ اﺳﺖ‪:‬‬

‫‪Page‬‬

‫ﻫﻤﻮژن ﺑﻮدن ‪ ‬‬ ‫‪.1‬‬

‫راﺑﻄﻪ ﺧﻄﻲ ‪ ‬‬ ‫‪.2‬‬

‫ﻣﺴﺘﻘﻞ ﺑﻮدن ‪ ‬‬ ‫‪.3‬‬

‫اﮔﺮ ﻣﺴﺘﻘﻞ ﻧﺒﺎﺷﻨﺪ ‪ ANP‬ﻣﻄﺮح ﻣﻲ ﮔﺮدد‪ .‬ﺑﻌﺪا ‪ consistency relation‬ﻣﺤﺎﺳﺒﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻴﺰان ﻧﺎﺳﺎزﮔﺎري را ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﺑﻌﺪ آن را‬
‫اﺻﻼح ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫در ﻣﺎﺗﺮﻳﺲ ﻣﻌﻴﺎرﻫﺎ اﺑﺘﺪا ﺟﻤﻊ ﺳﺘﻮﻧﻲ ﺣﺴﺎب ﻣﻲ ﺷﻮد‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ ﺳﻄﺮي ﻣﻲ ﮔﻴﺮﻳﻢ و ﺑﻪ ﻋﻨﻮان وزن اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ اﻳﻦ ﻫﻤﺎن ‪factor weight‬‬
‫ﻫﺎﺳﺖ‪ .‬آن ‪ consistency‬در ﻧﺤﻮه ﻣﺤﺎﺳﺒﺎت ﺟﺪول ﻣﻮﺛﺮ اﺳﺖ‪.‬‬

‫اﮔﺮ ‪ inconsistency‬وﺟﻮد داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻧﺮﻣﺎﻟﻴﺰه ﻛﺮدن ﺳﻄﺮي و ﺳﺘﻮﻧﻲ ﻣﺘﻔﺎوت ﺧﻮاﻫﺪ ﺑﻮد‪.‬‬

‫ﺑﺮاي ﻫﺮ ﺟﺪول ﻣﻘﺎﻳﺴﻪ را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ و ﺟﺪول را ﻣﻲ ﺳﺎزﻳﻢ‪ ،‬در ﺑﺤﺚ ‪ Fuel Economy‬ﻧﺴﺒﻲ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ و ﻣﻌﻜﻮس آن را اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫در ﻧﻬﺎﻳﺖ ﻫﻢ دو ﻣﺎﺗﺮﻳﺲ را ﺑﺮاي ﺑﺪﺳﺖ آوردن ﭘﺎﺳﺦ در ﻫﻢ ﺿﺮب ﻣﻲ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫اﻳﻦ ﺳﺎده ﺗﺮﻳﻦ ﻣﻜﺎﻧﻴﺰم ﺑﺮاي ‪ AHP‬اﺳﺖ‪ .‬در ﺣﺎﻻت ﺳﺨﺖ ﺗﺮ ﻣﺎ ‪ partial knowledge‬دارﻳﻢ و ﻫﺮ ﻛﺲ راﺟﻊ ﺑﻪ ﻣﻮاردي ﻛﻪ ﻧﻤﻲ داﻧﺪ ﻫﻢ ﻣﻲ‬
‫ﮔﻮﻳﺪ‪.‬‬

‫ﻣﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ‪ sensitivity analysis‬ﻫﻢ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﻐﻴﻴﺮ ﻓﺎﻛﺘﻮر ﻧﻬﺎﻳﻲ در ﻻﻳﻪ ﺑﺎﻻ ﺗﺤﻘﻴﻖ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫ﻣﻲ ﺗﻮاﻧﻴﻢ ﺳﻄﻮح را ﺑﺎ اﺿﺎﻓﻪ ﻛﺮدن ‪ attribute‬ﺑﻪ ﻫﺮ ﻣﻌﻴﺎر اﻓﺰاﻳﺶ داد‪.‬‬

‫در ‪ Consistency‬ﻣﻲ ﮔﻮﻳﻨﺪ اﮔﺮ ‪ A‬ﺑﻪ ‪ B‬ﺗﺮﺟﻴﺢ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬و ‪ B‬ﺑﻪ ‪ C‬ﺗﺮﺟﻴﺢ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬در ﻧﺘﻴﺠﻪ ‪ A‬ﺑﻪ ‪ C‬ﻫﻢ ﺗﺮﺟﻴﺢ دارد‪.‬‬

‫‪ Inconsistency‬ﺣﺴﻦ اﺳﺖ ﭼﻮن اﺟﺎزه ‪ modify‬ﻛﺮدن را ﻣﻲ دﻫﺪ‪.‬‬

‫ﻣﺎ ‪ redundancy‬دارﻳﻢ ﻛﻪ ‪ consistency‬را از روي آن ﭼﻚ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻳﻚ ﺧﺒﺮه را ﻣﻲ ﺗﻮاﻧﻴﻢ از ﻃﺮﻳﻖ ‪ AHP‬ارزﻳﺎﺑﻲ ﻧﻤﺎﺋﻴﻢ ﻛﻪ اﻳﻦ ﻛﺎر از‬
‫ﻃﺮﻳﻖ ‪ AHP‬و ﻣﺤﺎﺳﺒﻪ ‪ inconsistency‬اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪.‬‬

‫در ﻣﺎﺗﺮﻳﺲ ﻓﺎﻛﺘﻮرﻫﺎ ﻣﺎ در ﺳﻄﺮﻫﺎ و ﺳﺘﻮن ﻫﺎ ﻓﺎﻛﺘﻮرﻫﺎ را دارﻳﻢ ﻛﻪ ﻫﻤﻪ آﻧﻬﺎ را ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﻣﻲ ﺳﻨﺠﻴﻢ‪ ،‬در ﻣﺎﺗﺮﻳﺲ ﭘﺎﺳﺦ ﻫﺎ ﻫﻢ ﻧﺴﺒﺖ ﺑﻪ ﻳﻚ ﻓﺎﻛﺘﻮر‬
‫ﺧﺎص ﭘﺎﺳﺦ ﻫﺎ را ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﻣﻲ ﺳﻨﺠﻴﻢ‪.‬‬

‫ﺑﺮاي ﻫﺮ آدم اﮔﺮ ‪ consistency‬زﻳﺮ ‪ 0.1‬ﺑﺎﺷﺪ ﻗﺎﺑﻞ ﻗﺒﻮل اﺳﺖ و اﮔﺮ ﻓﺮدي ﺑﻴﺸﺘﺮ ‪ inconsistency‬داﺷﺘﻪ ﺑﺎﺷﺪ ﺑﺎﻳﺴﺘﻲ از او ﺑﺨﻮاﻫﻴﻢ ﻛﻪ آن را‬
‫اﺻﻼح ﻛﻨﺪ‪ ،‬ﻳﺎ در ﺻﻮرت ﻟﺰوم ﭘﺎﺳﺦ ﻫﺎي او را ﺣﺬف ﻧﻤﺎﺋﻴﻢ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫روش ‪ AHP‬ﺑﺮاي ﺟﺎﻳﻲ ﺧﻮب اﺳﺖ ﻛﻪ ﻓﺎﻛﺘﻮر ﺷﻤﺎ ﺣﺪود ‪ 7‬ﺗﺎ ﺑﺎﺷﺪ‪ .‬ﺳﻄﺮ و ﺳﺘﻮن ﻣﺎﺗﺮﻳﺲ ﻫﺎي ﻣﻘﺎﻳﺴﻪ ﺑﺎﻳﺴﺘﻲ ‪ 9 ،7 ،5‬ﺗﺎ ﺑﺎﺷﺪ‪.‬‬
‫‪16 ‬‬

‫ﻣﻲ ﮔﻮﻳﻨﺪ دﻟﻴﻞ آن اﺳﺖ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آﻧﻜﻪ ‪ 100/7=15%‬ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ ﻫﻤﻪ ﻳﻚ ارزش داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ %10 ،‬ﺧﻄﺎ ﻣﻲ ﺷﻮد ‪. % 1.5‬‬
‫‪Page‬‬

‫اﮔﺮ ‪ 100‬ﻣﻌﻴﺎر داﺷﺘﻪ ﺑﺎﺷﻴﻢ در ﺣﺎﻟﺖ ﻣﺴﺎوي ﻫﺮ ﻛﺪام ﻣﻲ ﺷﻮد ‪ 0.01‬وﻟﻲ ‪ 0.1 ،consistency ration‬در ﻛﻞ ﻣﺸﻜﻞ ﺳﺎز اﺳﺖ‪.‬‬

‫ﺳﻌﻲ ﻛﻨﻴﺪ اﻳﻦ ﻛﺎرﻫﺎ را ‪ interactive‬اﻧﺠﺎم دﻫﻴﺪ ﻛﻪ ﻓﺮد ﺑﺎ ﺷﻤﺎ ﭘﺎي ﻛﺎﻣﭙﻴﻮﺗﺮ ﺑﺎﺷﺪ ﻛﻪ ﻫﻤﺎن ﺟﺎ اﺻﻼح را اﻧﺠﺎم دﻫﻴﺪ‪.‬‬

‫آﻳﺎ ﻣﻲ ﺷﻮد ﻛﺎري ﻛﺮد ﻛﻪ ﻫﻨﺪواﻧﻪ ﺑﺎ ﻋﺪس ﻣﻘﺎﻳﺴﻪ ﺷﻮد؟‬

‫روش ﺷﻜﺴﺘﻦ ﺑﻪ ﭼﻨﺪ ﻃﻴﻒ ﻛﻪ ﺗﻜﻪ ﺗﻜﻪ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪ ،‬ﻣﻨﺎﺳﺐ اﺳﺖ‪ .‬ﻛﻪ ﻣﺜﻼ ﻋﺪس ﺑﺎ ﻟﻮﺑﻴﺎ ‪ 9‬ﺑﺮاﺑﺮ ﻓﺎﺻﻠﻪ دارد‪ ،‬ﺳﭙﺲ ﻟﻮﺑﻴﺎ ﺑﺎ ﺳﻴﺐ و ﻫﻤﻴﻨﺠﻮ ﻃﻴﻒ‬
‫ﻃﻴﻒ ﺑﺎﺷﺪ ﻛﻪ ﺑﺰرگ ﻫﺮ ﻃﻴﻒ را ﺑﻪ ﻋﻨﻮان ﻛﻮﭼﻚ ﻃﻴﻒ ﺑﻌﺪي در ﻧﻈﺮ ﺑﮕﻴﺮﻳﺪ‪.‬‬

‫ﻣﺴﺌﻠﻪ اﻳﻦ اﺳﺖ ﻛﻪ داﻧﺶ ﻳﻚ ﺳﻤﺖ را ﭼﮕﻮﻧﻪ ﺑﻪ ﺳﻤﺖ دﻳﮕﺮ ﺑﺒﺮﻳﻢ؟ روي اﻳﻦ ﻣﺴﺌﻠﻪ ﻓﻜﺮ ﻛﻨﻴﺪ‪.‬‬

‫ﺟﻤﻊ ﻛﺮدن ﻧﻈﺮ ﻳﻚ ﻋﺪه آدم در ﻣﻮرد اﺳﺘﻘﻼل را ﭼﻪ ﻛﻨﻴﻢ؟ در اﻳﻦ ﻣﻮارد آﻓﺖ ﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﮔﺮوﻫﻲ را دارﻳﻢ‪.‬‬

‫ﺗﺌﻮري ﻫﺎ و داﻧﺴﺘﻦ ﺟﺪول و ﻧﺮم اﻓﺰار ﺳﺎده ﺗﺮﻳﻦ ﺑﺢ اﺳﺖ‪ ،‬وﻗﺘﻲ ﻫﻤﻪ را داﻧﺴﺘﻴﺪ‪ ،‬ﺗﺎزه وﻗﺘﻲ ﻣﻲ ﺗﻮاﻧﻴﺪ ادﻋﺎي ﻣﻮﻓﻘﻴﺖ ﻛﻨﻴﺪ ﻛﻪ داﺧﻞ ﭘﺮوژه اي ﺑﺮوﻳﺪ و‬
‫ﻣﻮﻓﻖ ﺑﻴﺮون ﺑﻴﺎﻳﺪ‪.‬‬

‫ﻓﺮآﻳﻨﺪ درﺳﺘﻲ را ﺑﺎﻳﺴﺘﻲ ﺟﻠﻮ ﺑﺒﺮﻳﻢ ﻛﻪ ادﻋﺎد ﺑﺪرد ﺑﺨﻮرﻧﺪ‪.‬‬

‫دوﺷﻨﺒﻪ ﺳﺎﻋﺖ ‪ 3‬آزﻣﺎﻳﺸﮕﺎه دارﻳﻢ‪ .‬اﻳﻦ ﻓﺼﻮل ﺑﺼﻮرت اﻟﻜﺘﺮوﻧﻴﻜﻲ در ﮔﺮوه ﻣﻮﺟﻮد اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪/15 :‬ﻣﻬﺮ‪1387/‬‬

‫ﺗﺼﻤﻴﻢ در ﻋﺎﻟﻢ اﻧﺴﺎﻧﻲ ﭘﺮ از اﺑﻬﺎم اﺳﺖ و ﻣﺎﻧﻨﺪ ﻣﻬﻨﺪﺳﻲ ﻧﻴﺴﺖ ﻛﻪ ﺻﻔﺮ و ﻳﻚ ﺑﺎﺷﺪ‪ ،‬اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻳﻢ ﺑﻴﻦ دو ‪ A ،Widget‬و ‪ ،B‬ﻛﻪ اوﻟﻲ ارزان‬
‫ﺗﺮ اﺳﺖ‪ ،‬وﻟﻲ دوﻣﻲ ﺑﻬﺘﺮ اﺳﺖ ﻛﺪام را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻴﺪ؟‬

‫در اﻳﻦ ﻣﻮارد ﻣﺎ ﻳﻚ ﻫﺪف دارﻳﻢ و ﭼﻨﺪ ﮔﺰﻳﻨﻪ‪ ،‬ﻣﻲ ﺗﻮاﻧﻴﻢ ﮔﺰﻳﻨﻪ ﻫﺎ را در ﻗﺎﻟﺐ ﻳﻚ ﺳﺮي ﻣﻌﻴﺎرﻫﺎ ﺑﭽﻴﻨﻴﻢ ﻛﻪ در اﻳﻦ ﻣﻮارد در ﻗﺎﻟﺐ ‪ AHP‬ﻣﻲ ﭼﻴﻨﻴﻢ‪ ،‬اﻣﺎ ﻧﻜﺘﻪ‬
‫ﻣﻬﻢ آن اﺳﺖ ﻛﻪ اﻳﻦ ﻣﻌﻴﺎرﻫﺎ ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﻣﺴﺘﻘﻞ اﻧﺪ‪ ،‬و راﺑﻄﻪ ﻧﺪارﻧﺪ‪ .‬اﻣﺎ اﻳﻨﻜﻪ در ﺟﺎﻣﻌﻪ و دﻧﻴﺎي واﻗﻌﻲ ﺑﻪ اﻳﻦ ﺷﻜﻞ اﺳﺖ ﻳﺎ ﺧﻴﺮ‪ ،‬ﻫﻤﻴﺸﻪ ﻳﻚ ﺳﻮال اﺳﺖ‪،‬‬
‫اﻣﺎ ﺑﺮ اﺳﺎس ﻓﺮﺿﻴﺎت ﻣﺎ ﻣﺴﺌﻠﻪ را ﺣﻞ ﻣﻲ ﻛﻨﻴﻢ و ﺑﻪ ﭘﺎﺳﺦ ﻣﻲ رﺳﻴﻢ‪ ،‬اﻳﻨﻜﻪ ارزش دارد اﻳﻦ ﭘﺮﺳﺶ ﻫﺎ ﻳﺎ ﺧﻴﺮ وﻗﺘﻲ ﻛﻪ دﻳﮕﺮ راه ﺣﻠﻲ ﻧﺪارﻳﻢ ﺗﻨﻬﺎ راه اﺳﺖ‪.‬‬

‫ﺗﻔﺎوت ‪ AHP‬ﺑﺎ ﻣﺪل ﻫﺎي دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ در آن ﭼﻨﺪ ﭼﻴﺰ ﻛﺎﻣﻼ ﻛﻴﻔﻲ را ﺑﺎ ﻫﻢ ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻫﻴﭻ ﭼﻴﺰ دﻳﮕﺮي ﻧﺪارﻳﻢ‪ ،‬ﻣﺎ ﺗﻨﻬﺎ اﻳﻨﺠﺎ ﺑﻪ اﻳﻦ ﻣﻲ ﭘﺮدازﻳﻢ‬
‫ﻛﻪ ﻳﻚ ﭼﻴﺰ ﻧﺴﺒﺖ ﺑﻪ ﻣﻮرد دﻳﮕﺮ ﭼﻘﺪر ﺑﻬﺘﺮ اﺳﺖ‪.‬‬

‫ﺑﺮاي درك دﻧﻴﺎي ﺧﺎرج ﺑﺎﻳﺴﺘﻲ ﺑﺘﻮاﻧﻴﻢ آن را ﺗﻮﺻﻴﻒ ﻛﻨﻴﻢ‪ ،‬و اﺟﺰاي ﻣﺨﺘﻠﻒ را در ﺑﻴﺎورﻳﻢ و راﺑﻄﻪ ﺑﻴﻦ اﺟﺰاي ﻣﺨﺘﻠﻒ را در ﻳﺎﺑﻴﻢ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﺑﺘﻮاﻧﻴﻢ ﻗﻀﺎوت اﻧﺠﺎم‬
‫دﻫﻴﻢ ﻛﻪ اﻳﻦ ﻗﻀﺎوت ﺑﺼﻮرت دو ﺑﻪ دو اﺳﺖ‪ ،‬ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آن ﺑﻪ ﻫﺪف ﻣﻲ رﺳﻴﻢ‪.‬‬

‫ﻣﺎ ﻧﻴﺎزي ﻧﻴﺴﺖ ﻫﻤﻪ ﭼﻴﺰ را ﺑﺪاﻧﻴﻢ‪ ،‬اﮔﺮ ﭼﻴﺰﻫﺎﻳﻲ ﻛﻪ ﻓﻘﻂ ﻧﻴﺎز اﺳﺖ ﺑﺪاﻧﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺴﺌﻠﻪ را ﺣﻞ ﻛﻨﻴﻢ‪.‬‬

‫‪ AHP‬ﺑﺮاي ﻣﺴﺎﺋﻠﻲ اﺳﺖ ﻛﻪ ﭼﻨﺪ ﮔﺰﻳﻨﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ و ﻫﺮ ﻛﺪام از آﻧﻬﺎ را ﺑﺎ ﭼﻨﺪﻣﻌﻴﺎر ﻣﺨﺘﻠﻒ ﺑﺘﻮاﻧﻴﻢ ﺑﻪ ﻫﺪف ﻣﺮﺗﺒﻂ ﻛﻨﻴﻢ‪:‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﺜﻼ ﺑﺮاي ‪ Apply‬ﻛﺮدن‪ :‬و اداﻣﻪ ﺗﺤﺼﻴﻞ‪:‬‬
‫‪17 ‬‬

‫داﻧﺸﮕﺎه اﻣﺮﻳﻜﺎ ‪ ‬‬ ‫‪.1‬‬

‫‪Page‬‬

‫داﻧﺸﮕﺎه اروﭘﺎ ‪ ‬‬ ‫‪.2‬‬

‫اﻳﺮان ‪ ‬‬ ‫‪.3‬‬

‫اداﻣﻪ ﻧﺪادن ‪ ‬‬ ‫‪.4‬‬

‫ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻧﻴﺎز ﺑﻪ ﻋﻮاﻣﻠﻲ دارﻳﻢ ﻛﻪ آﻧﻬﺎ را ﺑﻪ ﻫﺪف رﺑﻂ دﻫﺪ‪ ،‬ﻣﺜﻼ ﻣﻌﻴﺎرﻫﺎ‪:‬‬

‫ﻛﻴﻔﻴﺖ آﻣﻮزﺷﻲ ‪ ‬‬ ‫‪.1‬‬

‫وﻳﺰا ﮔﺮﻓﺘﻦ ‪ ‬‬ ‫‪.2‬‬

‫‪ Fund‬ﮔﺮﻓﺘﻦ ‪ ‬‬ ‫‪.3‬‬

‫ﻓﻜﺮ ﻛﺮدن در ﻣﻮرد اﻳﻨﻜﻪ ﭼﮕﻮﻧﻪ ﻣﺪل ﺑﺴﺎزﻳﻢ ﺑﺴﻴﺎر ﻣﻬﻢ ﺗﺮ از رﻳﺎﺿﻴﺎﺗﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﻛﺎر ﻣﻲ ﺑﺮﻳﻢ‪ ،‬ﺣﺪاﻛﺜﺮ ﻣﻲ دﻫﻴﻢ ﻣﻬﻨﺪس ﺻﻨﺎﻳﻊ رﻳﺎﺿﻲ را ﺣﻞ ﻛﻨﺪ‪ ،‬ﻣﻬﻢ‬
‫ﻣﺪﻟﺴﺎزي اﺳﺖ ﻛﻪ ﻓﺴﻔﺮ ﻣﻲ ﺳﺎزد‪.‬‬

‫ﺧﻴﻠﻲ ﻣﻬﻢ اﺳﺖ ﻛﻪ ﭼﻴﺰﻫﺎي ‪ Intangible‬را ﻛﻤﻲ ﻛﻨﻴﻢ‪ ،‬ﻣﻬﻢ ﺗﺮﻳﻦ وﻳﮋﮔﻲ ‪ AHP‬اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻮارد ﻛﻴﻔﻲ را ﻛﻤﻲ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫ﻓﺮض ﻛﻨﻴﺪ ﻳﻚ ﻣﺪرﺳﻪ ﻳﺎ ﻳﻚ داﻧﺸﮕﺎه را اﻧﺘﺨﺎب ﻛﻨﻴﻢ‪ ،‬ﺑﻌﺪ از اﻳﻨﻜﻪ اﻳﻦ ﻣﺪل را ﺗﻮاﻧﺴﺘﻨﺪ اﻧﺠﺎم دﻫﻴﺪ‪ ،‬ﻣﻬﻤﺘﺮﻳﻦ ﻣﺴﺌﻠﻪ ﮔﺮﻓﺘﻦ داﻧﺸﻲ ﻛﻪ ﻻزم دارد را ﺑﮕﻴﺮﻳﺪ‪،‬‬
‫و دﻗﻴﻘﺎ ﻫﻤﺎن داﻧﺸﻲ ﻛﻪ اﺣﺘﻴﺎج دارد‪ ،‬وﻗﺘﻲ ﺑﺎ اﻓﺮاد اﺟﺮاﻳﻲ ﺳﺮ و ﻛﺎر دارﻳﺪ اﻓﺮاد ﺑﺎ ﺷﻤﺎ ﺟﻠﻮ ﻧﻤﻲ آﻳﻨﺪ‪ ،‬ﺗﺮﻛﻴﺐ از ﮔﻠﻪ ﻫﺎ‪ ،‬و آرزو ﻫﺎ و ‪ ...‬را در ﺧﻮد دارد‪ ،‬ﻛﻪ ﺷﺎﻳﺪ‬
‫از ﻳﻚ ﻣﺼﺎﺣﺒﻪ ‪ 1‬ﺳﺎﻋﺘﻪ ﻓﻘﻂ ‪ 10‬دﻗﻴﻘﻪ ﺑﺪرد ﻣﻲ ﺧﻮرد‪ ،‬اﮔﺮ ﺟﻠﺴﻪ اول ﻧﺘﻮاﻧﻴﺪ ﻛﺎري ﺑﻜﻨﻴﺪ‪ ،‬ﺟﻠﺴﻪ دوم داﺷﺘﻦ ﺗﻘﺮﻳﺒﺎ ﻏﻴﺮ ﻣﻤﻜﻦ اﺳﺖ‪ ،‬ﻣﻌﻤﻮﻻ ﺑﻨﺤﻮ ﺣﺮﻓﻪ اي‬
‫ﺷﻤﺎ را ﻣﻨﺤﺮف ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﺧﻮدﺗﺎن ﻣﺪﻳﺮﻳﺖ ﻛﻨﻴﺪ‪ ،‬و ﻣﻮارد ﻻزم را ﺟﺬب ﻛﻨﻴﺪ‪ .‬ﺷﻤﺎ ﺑﺎﻳﺴﺘﻲ از ﻣﻴﺎن ﻣﺼﺪاق ﻫﺎي ﻣﺼﺎﺣﺒﻪ ﺷﻮﻧﺪه ﻫﺎ ﭘﺎﺳﺦ ﻫﺎ را ﺑﻴﺎﺑﻴﺪ‪.‬‬

‫ﺑﺎﻳﺴﺘﻲ ﻣﻘﺎﻳﺴﻪ ﺑﻴﻦ ﻣﻌﻴﺎرﻫﺎ ﻧﺴﺒﺖ ﺑﻪ ﻫﺪف ﺻﻮرت ﮔﻴﺮد‪ .‬اﻳﻦ ﻣﺴﺌﻠﻪ ﻣﻬﻤﻲ اﺳﺖ‪.‬‬

‫‪:ANP‬‬

‫در ﻣﺴﺌﻠﻪ اداﻣﻪ ﺗﺤﺼﻴﻞ ﻛﻪ ﻣﻄﺮح ﺷﺪ‪ ،‬ﻛﻴﻔﻴﺖ ﺗﺤﺼﻴﻞ‪ ،‬وﻳﺰا ﮔﺮﻓﺘﻦ‪ ،‬ﻓﺎﻧﺪ ﮔﺮﻓﺘﻦ ﻫﻤﻪ ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﺗﺎﺛﻴﺮ ﻣﻲ ﭘﺬﻳﺮﻧﺪ‪ ،‬اﺻﻞ ‪ ANP‬ﺑﺮ اﺳﺎس ‪feed back‬‬
‫اﺳﺖ‪ .‬ﺗﻤﺎﻣﻲ ﻋﻮاﻣﻞ ﺷﺒﻜﻪ ﻧﺴﺒﺖ ﺑﻪ ﻫﻢ ﻣﻲ ﺗﻮاﻧﻨﺪ واﺑﺴﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﺷﻤﺎ در ﻣﺴﺌﻠﻪ ﺳﻄﺢ واﺑﺴﺘﮕﻲ را ﻛﺸﻒ ﻣﻲ ﻛﻨﻴﺪ و در ﻣﺴﺌﻠﻪ ﻣﻲ ﮔﺬارﻳﺪ‪ ،‬در دﻧﻴﺎي ﺧﺎرج ﺑﺎز‬
‫ﺧﻮرد ﮔﺮﻓﺘﻦ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ﻛﻪ ﻓﻜﺮ ﻛﻨﻴﻢ ﻛﻪ ﻛﺪام ﻋﻮاﻣﻞ واﺑﺴﺘﻪ اﻧﺪ و ﭼﺮا واﺑﺴﺘﻪ اﻧﺪ‪ ،‬و ﺑﺎ اﻳﻦ ﺑﺎزﺧﻮردﻫﺎ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻣﺪل را دﻗﻴﻖ و ﺻﺤﻴﺢ ﻛﻨﻴﻢ‪.‬‬

‫ﻳﻜﻲ از ﻣﺴﺎﺋﻞ ‪ 15‬ﻣﻌﻴﺎر ﻣﻬﻢ در ﺳﻴﺎﺳﺖ ﺧﺎرﺟﻲ اﻳﺮان را ﻛﺸﻒ ﻛﺮده و ﺑﺮ اﺳﺎس آﻧﻬﺎ رازﻳﺎﺑﻲ ﻛﻨﻴﻢ اﻳﺮان در ﭼﻪ ﺟﺎﻳﮕﺎﻫﻲ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪ .‬اﺑﺘﺪا ‪ 15‬ﻣﻌﻴﺎر را دادﻧﺪ‬
‫و ﮔﻔﺘﻦ ﺑﺮ اﺳﺎس ‪ AHP‬ارزﻳﺎﺑﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ درﻳﺎﻓﺘﻪ ﺷﺪ ﻛﻪ اﻳﻨﻬﺎ ﻣﺴﺘﻘﻞ ﻧﻴﺴﺘﻨﺪ‪ ،‬و واﺑﺴﺘﻪ اﻧﺪ ﻟﺬا ‪ ANP‬ﭘﻴﺸﻨﻬﺎد ﺷﺪ‪.‬‬

‫ﺑﺮاي اﻳﻦ ‪ 15‬ﻣﻌﻴﺎر در ﺳﻄﺢ ﻛﻼﺳﺘﺮ ﻛﺎر اﻧﺠﺎم ﺷﺪ ﻛﻪ ﺧﻮﺷﻪ ‪ A‬و ‪ C ،B‬ﻣﻄﺮح ﺷﺪ‪،‬ﻛﻪ ﻫﺮ ﻛﺪام از آﻧﻬﺎ زﻳﺮ ﻣﻌﻴﺎرﻫﺎﻳﻲ را داﺷﺘﻨﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺳﻮال اﺻﻠﻲ اﺟﺮاﻳﻲ ﻛﻪ ﻣﻄﺮح ﺑﻮد اﻳﻦ ﺑﻮد ﻛﻪ ﺑﺎ آﻧﻜﻪ ﻣﻲ داﻧﺴﺘﻨﺪ ‪ 15‬ﻓﺎﻛﺘﻮر ﻫﺴﺘﻨﺪ ﻛﻪ اﮔﺮ روﻳﺶ ﻛﺎر ﺷﻮد ﺟﺎﻳﮕﺎه ﻳﻚ ﻛﺸﻮر در ﺳﻴﺎﺳﺖ ﺧﺎرﺟﻲ ﺟﺎﺑﺠﺎ ﻣﻲ‬
‫‪18 ‬‬

‫ﺷﻮد )داﻧﺶ و ﺗﺠﺮﺑﻪ(‪،‬‬

‫‪Page‬‬

‫ﻋﻮاﻣﺒﻞ ﻣﻮﺛﺮ ﺑﺮ رواﺑﻂ دو ﺟﺎﻧﺒﻪ‬

‫ﺣﺠﻢ و ﺳﻄﺢ رواﺑﻂ دو ﺟﺎﻧﺒﻪ ﺑﺎ ﻛﺸﻮرﻫﺎي دﻳﮕﺮ ‪ ‬‬ ‫‪.1‬‬

‫ارﺗﺒﺎط ﺻﻤﻴﻤﻲ و ﻣﻮﺛﺮ ﺑﺎ رﻫﺒﺮان ﻛﺸﻮرﻫﺎي دﻳﮕﺮ ﺑﺨﺼﻮص ﻣﻨﻄﻘﻪ ‪ ‬‬ ‫‪.2‬‬

‫ﻋﻮاﻣﻞ ﻣﻮﺛﺮ ﺑﺮ رواﺑﻂ ﻣﻨﻄﻘﻪ اي‪:‬‬

‫اﻳﻔﺎي ﻧﻘﺶ ﻣﺤﻮري در ﺣﻞ و ﻓﺼﻞ ﺑﺤﺮاﻧﻬﺎي ﻣﻨﻄﻘﻪ اي ‪ ‬‬ ‫‪.1‬‬

‫ﻣﻘﺒﻮﻟﻴﺖ و ﻧﻔﻮذ اﻟﮕﻮي ﺳﻴﺎﺳﻲ ﻛﺸﻮر ﻧﺰد ﻛﺸﻮرﻫﺎي دﻳﮕﺮ ‪ ‬‬ ‫‪.2‬‬

‫ﻋﻮاﻣﻞ ﻣﻮﺛﺮ در رواﺑﻂ ﺑﻴﻦ اﻟﻤﻠﻠﻲ‪:‬‬

‫ﺗﺎﺛﻴﺮ ﮔﺬاري ﺑﺮ ﺗﺼﻤﻴﻤﺎت اﺟﻼس ﻫﺎي ﺑﻴﻦ اﻟﻤﻠﻠﻲ ‪ ‬‬ ‫‪.1‬‬

‫ﺑﻬﺮه ﺑﺮداري از اﻣﻜﺎﻧﺎت ﺳﺎزﻣﺎن ﻫﺎي ﺑﻴﻦ اﻟﻤﻠﻠﻲ ‪ ‬‬ ‫‪.2‬‬

‫ﺳﻮال اﻳﻦ ﺑﻮد ﻛﻪ ﻫﺮ ﻛﺪام از اﻳﻦ ﻣﻌﻴﺎرﻫﺎي ﭼﻪ ﺗﺎﺛﻴﺮاﺗﻲ دارد‪ ،‬در ﻛﺪام ﻳﻚ ﺑﺎﻳﺴﺘﻲ ﺑﻴﺸﺘﺮ ﻛﺎر ﻛﻨﻨﺪ ﻛﻪ ﺟﺎﻳﮕﺎه ﺗﻐﻴﻴﺮ ﻛﻨﺪ‪ ،‬اول ﺳﻌﻲ ﺷﺪ وزن ﺣﺴﺎب ﺷﻮد و ﺑﻌﺪ‬
‫ﺑﺎ ‪ 4‬ﺗﺎ ‪ 5‬ﻛﺸﻮر ﻣﻘﺎﻳﺴﻪ اﻧﺠﺎم ﻣﻲ ﺷﺪ‪ ،‬اﻳﻦ ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﻛﻪ وﻗﺘﻲ ﻣﻲ ﺧﻮاﺳﺘﻲ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻛﻨﻲ ﻛﻪ ‪ 1400‬ﻛﺠﺎ ﺑﺎﺷﻲ ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﭘﻮﻳﺎ اﺳﺖ وﻟﻲ ﭘﻮﻳﺎﻳﻲ‬
‫را ﺑﻄﻮر ﻣﺴﺘﻘﻴﻢ ﻧﻤﻲ ﺗﻮان اﻧﺠﺎم داد‪.‬‬

‫ﻣﺜﻼ ﺣﻀﻮر اﺗﺒﺎع ﻛﺸﻮر در ﺳﻄﻮح ﻣﺪﻳﺮﻳﺘﻲ و ﻛﺎرﺷﻨﺎﺳﻲ ﺳﺎزﻣﺎﻧﻬﺎي ﺑﻴﻦ اﻟﻤﻠﻠﻲ و ﻫﺪاﻳﺖ ﺗﺼﻤﻴﻤﺎت آن‪) .‬ﻣﺜﻼ ﻫﻨﺪي ﻫﺎ در ﺳﺎزﻣﺎن ﻣﻠﻞ ﻣﻮﺛﺮ اﻧﺪ و ﺗﻌﺪاد زﻳﺎد‬
‫اﺳﺖ( ﺑﺮرﺳﻲ ﺷﺪ ﻛﻪ اﻳﺮاﻧﻲ اول ﺧﻮب ﻛﺎر ﻛﺮدن ﻳﺎ ﻧﻜﺮدن ﺑﺎ رﻓﺘﻦ ﻧﻔﺮ دوم واﺑﺴﺘﻪ اﺳﺖ اﻳﻦ ﺑﻪ ﺧﻮدش واﺑﺴﺘﻪ اﺳﺖ‪.‬‬

‫ﻣﻘﺒﻮﻟﻴﺖ و ﻧﻔﻮذ اﻟﮕﻮي ﺳﻴﺎﺳﻲ ﻛﺸﻮر ﻧﺰد ﺳﺎﻳﺮ ﻛﺸﻮرﻫﺎي ﻣﻨﻄﻘﻪ‪ :‬اﻳﻦ ﻣﻮرد ﻧﻤﻮﻧﻪ ﻣﺜﻼ ﮔﺮﺟﺴﺘﺎن و ﻓﺮاﻧﺴﻪ ﺑﻮد‪ ،‬اﮔﺮ اﻳﻦ ﻧﻔﻮذ وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ ﺳﺮاغ آن ﻛﺸﻮر‬
‫ﻧﻤﻲ آﻳﻨﺪ‪ ،‬ﻟﺬا ﺑﻪ ﻧﻈﺮ ﻣﻲ رﺳﺪ اﻳﻦ ارﺗﺒﺎط وﺟﻮد دارد و ‪ AHP‬ﻧﻴﺴﺖ‪ ،‬و ﺑﺎﻋﺚ ﺷﺪﻳﻢ ﻛﻪ ﺧﺒﺮﮔﺎن روي اﻳﻦ ﻣﺴﺌﻠﻪ ارﺗﺒﺎط ﻓﻜﺮ ﻛﻨﻨﺪ ‪،‬و ارﺗﺒﺎﻃﺎت را ﻛﺸﻒ ﻛﻨﻨﺪ‪.‬‬

‫ﻟﺬا ﺑﺮاي اﻳﻦ ﻛﺎر ﻳﻚ ﺟﺪول ﺗﺸﻜﻴﻞ داده ﺷﺪ‪ ،‬ﻛﻪ در آن ﻣﻌﻴﺎرﻫﺎ در ﺳﻄﺮ و ﺳﺘﻮن ﻗﺮار ﮔﺮﻓﺘﻨﺪ ﻛﻪ در آن ﻓﻘﻂ ﮔﻔﺘﻪ ﺷﺪ ﻛﻪ آﻳﺎ اﻳﻦ ﻫﺎ ﺑﺎ ﻫﻢ راﺑﻄﻪ دارﻧﺪ ﻳﺎ ﺧﻴﺮ‪،‬‬

‫ﻫﺮ ﭼﻪ ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﺗﺮ ﻓﻜﺮ ﻛﻨﻴﻢ ﺗﻌﺪاد ﻋﻼﻣﺖ ﻫﺎ ﻛﻢ ﺗﺮ اﺳﺖ‪ ،‬ﭼﻮن ‪ direct dependency‬ﻣﻬﻢ اﺳﺖ‪ ANP ،‬ﺧﻮدش اﻳﻦ ارﺗﺒﺎط ﻣﺴﺘﻘﻴﻢ را در ﻣﻲ‬
‫آورد‪ ،‬اﻣﺎ ﻣﺘﺨﺼﺺ واﻗﻌﻲ ﻛﺴﻲ اﺳﺖ ﻛﻪ ﺟﺎﻳﻲ ﻛﻪ ارﺗﺒﺎط ﻣﺴﺘﻘﻴﻢ ﻧﻴﺴﺖ و ذﻫﻦ او ﺑﺎ واﺳﻄﻪ ﺑﻪ ﻫﻢ وﺻﻞ ﻣﻲ ﻛﻨﺪ را ﺗﺸﺨﻴﺺ دﻫﺪ‪ ،‬وﮔﺮﻧﻪ ﻣﻲ ﺷﻮد ﻫﻤﻪ ﭼﻴﺰ‬
‫را ﺑﻪ ﻫﻢ رﺑﻂ داد و ﺧﻮد را راﺣﺖ ﻛﺮد‪.‬‬

‫‪ Power of foreign affair‬ﺑﻪ ‪ ،regional factors ،international factors‬و ‪ mutual relationship factor‬واﺑﺴﺘﻪ اﺳﺖ و ﻫﺮ‬

‫ﻛﺪام از ‪ 3‬ﻣﻌﻴﺎر دوم ﺑﻪ ﺧﻮدﺷﺎن واﺑﺴﺘﻪ اﻧﺪ و ﺑﻪ ﻫﻤﺪﻳﮕﺮ‪.‬‬

‫ﺑﺮاي ﻫﺮ ‪ expert‬روي ﺷﺒﻜﻪ ﺷﻤﺎ ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻲ ﻛﻪ ‪ dependency‬وﺟﻮد دارد روي ﻧﺮم اﻓﺰار‪ ،‬و ﺳﭙﺲ ﻳﻚ دﻳﺎﻟﻮگ اﻳﺠﺎد ﻣﻲ ﺷﻮد ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ ﻣﺜﻼ‬
‫ﻧﺴﺒﺖ ﺑﻪ ﻣﻌﻴﺎر اﻟﻒ‪ ،‬ارﺗﺒﺎط ﺑﻴﻦ ب و ت را ﻣﺸﺨﺺ ﻛﻦ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺮاي اﻳﻦ ﻛﺎر ﻳﻚ ﺳﺮي ﺳﻮاﻻت ﻣﻄﺮح ﺷﺪ ﻛﻪ ارﺗﺒﺎط ﻣﻌﻴﺎرﻫﺎ از ﻧﻈﺮ ﻣﺘﺨﺼﺺ را از روي آن ﺗﺸﺨﻴﺺ ﻣﻲ دﻫﻴﻢ‪ .‬ﻛﻪ اﻳﻦ ﻣﺮﺣﻠﻪ ﺑﻌﺪ از ﻣﺸﺨﺺ ﺷﺪن وﺟﻮد‬
‫‪19 ‬‬

‫ﻳﺎ ﻋﺪم وﺟﻮد ارﺗﺒﺎط ﺑﻴﻦ ﻋﻮاﻣﻞ اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪.‬‬

‫‪Page‬‬

‫در داﺧﻞ ﺧﻮﺷﻪ ﻫﺎ ﻧﻴﺰ ﻋﻮاﻣﻞ ﻣﻲ ﺗﻮاﻧﻨﺪ ﺑﻪ ﻫﻢ ﻣﺮﺗﺒﻂ ﺑﺎﺷﻨﺪ‪.‬‬

‫ﻧﺤﻮه ﭘﺮﺳﺶ ﺳﻮال ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ‪.‬‬

‫ﺑﻪ ﻧﻈﺮ ﺷﻤﺎ ﻛﺪاﻣﻴﻚ از دو ﻓﺎﻛﺘﻮر ‪ !2‬ارﺗﺒﺎط ﺻﻤﻴﻤﻲ و ﻣﻮﺛﺮ ﺑﺎ رﻫﺒﺮان ﻛﺸﻮرﻫﺎي دﻳﮕﺮ ﺑﻪ ﺧﺼﻮص ﻫﻤﺴﺎﻳﮕﺎن و ‪ A3‬ﺣﻞ و ﻓﺼﻞ اﺧﻼﻓﺎت ﻣﻮﺟﻮد ﺑﺎ‬
‫ﻫﻤﺴﺎﻳﮕﺎن ﺑﺮ ﺣﺠﻢ و ﺳﻄﺢ روﺑﺎط ﻛﺸﻮرﻫﺎ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد‪.‬‬

‫در داﺧﻞ ﺧﻮﺷﻪ ﻫﺎ ﻧﻴﺰ ﭼﻨﻴﻦ ﭘﺮﺳﺶ ﻫﺎﻳﻲ ﻣﻄﺮح ﻣﻲ ﺷﻮد‪.‬‬

‫ﻣﺜﻼ ﻳﻚ ﻓﺮد ﮔﻔﺘﻪ اﺳﺖ ﻛﻪ ﺣﻞ و ﻓﺼﻞ اﺧﺘﻼﻓﺎت ﺑﺎ ﻫﻤﺴﺎﻳﮕﺎن واﺑﺴﺘﻪ ﺑﻪ ﻣﻘﺒﻮﻟﻴﺖ و ﻧﻔﻮذ ﻧﻈﺎم ﺳﻴﺎﺳﻲ ﻛﺸﻮر و ﺗﻔﻜﺮ اﻓﻜﺎر ﻋﻤﻮﻣﻲ اﺳﺖ‪ ،‬ﻛﻪ ﺑﻌﺪ ﭘﺮﺳﺶ ﺷﺪ‬
‫ﻛﻪ ﻛﺪام ﻳﻚ ﺗﺎﺛﻴﺮ ﺑﻴﺸﺘﺮي را دارﻧﺪ‪ ،‬ﻛﻪ اﻳﻨﻬﺎ دو ﺑﻪ دو اﻧﺠﺎم ﺷﺪ ﻧﻪ ﭼﻨﺪﺗﺎ ﺑﺎ ﻫﻢ‪.‬‬

‫اﮔﺮ ﻳﻚ ﻋﺎﻣﻞ ﺑﻪ ‪ n‬ﺗﺎ ﻋﺎﻣﻞ واﺑﺴﺘﻪ ﺑﺎﺷﺪ‪ ،‬آﻧﻬﺎ را دو ﺗﺎ دوﺗﺎ ﻣﻲ ﮔﻴﺮﻳﻢ‪ ،‬و ﻣﻲ ﮔﻮﻳﻴﻢ ﻛﺪام ﻋﺎﻣﻞ واﺑﺴﺘﮕﻲ ﺑﻴﺸﺘﺮي دارد‪.‬اﻳﻦ ﻣﻮرد ﺑﺮاي ﺑﻴﻦ ﺧﻮﺷﻪ اي و داﺧﻞ‬
‫ﺧﻮﺷﻪ اﻧﺠﺎم ﻣﻲ ﭘﺬﻳﺮد‪.‬‬

‫دﻟﻴﻞ ﻃﺒﻘﻪ ﺑﻨﺪي ﭼﻴﺴﺖ؟ ﻛﻼﺳﻪ ﺑﻨﺪي ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﻛﻪ اﺟﺎزه ﻣﻲ دﻫﺪ ﻛﻪ ﻣﺎ ﭼﻴﺰي را ﻓﺮاﻣﻮش ﻧﻜﺮده ﺑﺎﺷﻴﻢ‪ .‬ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺐ ﺑﺎﻋﺚ ﻣﻲ ﺷﻮد ذﻫﻦ را‬
‫ﺳﺎزﻣﺎﻧﺪﻫﻲ ﻛﻨﻴﺪ‪ .‬ﻛﻪ ﺟﺎﻣﻌﻴﺖ را از ﻃﺮﻳﻖ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺐ ﻣﻲ ﺗﻮان درﻳﺎﻓﺖ‪.‬‬

‫در ﺻﻮرﺗﻴﻜﻪ ﻳﻚ ﻣﻌﻴﺎر اﺿﺎﻓﻪ ﮔﺮدد ﺑﺎﻳﺴﺘﻲ ﻫﻤﻪ ﻣﺴﺌﻠﻪ را از اول ﺣﻞ ﻛﻨﻴﺪ‪.‬‬

‫ﺳﭙﺲ ﻣﻲ ﺗﻮاﻧﻴﻢ ‪ 15‬ﻋﺎﻣﻞ را ارﺗﺒﺎﻃﺸﺎن را از ﻧﻈﺮ ‪ expert‬درﻳﺎﺑﻴﻢ‪ ،‬ﻧﺮم اﻓﺰار ﻫﻢ ﺧﻮﺷﻪ ﺧﻮﺷﻪ ﺑﻪ ﺷﻤﺎ ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ ،‬و ﻫﻢ ﻣﻌﻴﺎرﻫﺎ را ﺑﻄﻮر ﻛﻠﻲ ﻧﺸﺎن ﻣﻲ‬
‫دﻫﺪ‪.‬‬

‫ﺑﺮ اﺳﺎس ‪ ANP‬ﻣﻲ ﺗﻮان ﻣﺸﺎوران را ارزﻳﺎﺑﻲ ﻛﺮد‪ ،‬ﻣﻬﻤﺘﺮﻳﻦ ﻣﺸﻜﻞ در ﺟﻤﻊ ﺑﻨﺪي ﺑﻮد ﻛﻪ ﭼﮕﻮﻧﻪ ﺟﻤﻊ ﺑﻨﺪي ﻛﻨﻴﻢ؟ ﺑﻬﺘﺮ اﺳﺖ از ﻣﻴﺎﻧﮕﻴﻦ ﻫﻨﺪﺳﻲ ﺑﻪ ﺟﺎي‬
‫ﺣﺴﺎﺑﻲ و ﻛﺎﻧﻮﻧﻲ اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬

‫ﻣﺎ ﺑﺎ ﻋﺪد ﺑﺎزي ﻧﻤﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﺴﻲ را ﻧﻤﻲ ﺗﻮان ﻳﺎﻓﺖ ﻛﻪ اﻳﻦ ﭼﻬﺎر ﻧﻔﺮ را وزن دﻫﺪ‪.‬‬

‫در ﺧﻮﺷﻪ ﻫﺎ ‪ order‬آدم ﻫﺎ ﻣﺘﻔﺎوت اﺳﺖ‪ ،‬و اﻳﻦ را ﻫﻢ ﻧﺮم اﻓﺰار ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﻧﻜﺘﻪ آن اﺳﺖ ﻛﻪ داﻧﺶ ﺗﻮزﻳﻊ ﺷﺪه اﺳﺖ‪ ،‬ﻳﻜﻲ ﺳﻔﻴﺮ ﺗﺮﻛﻴﻪ اﺳﺖ‪ ،‬ﭼﻨﺪ ﻛﺸﻮر ﻣﻨﻄﻘﻪ را ﺧﻮب ﻣﻲ ﺷﻨﺎﺳﺪ‪ ،‬ﻳﻜﻲ در ﺳﺎزﻣﺎن ﻣﻠﻞ ﺑﻮده اﺳﺖ و در ﺳﻄﺢ ﻛﻼن‬
‫ﺧﻮب ﻣﻲ ﺷﻨﺎﺳﺪ‪.‬‬

‫‪ AHP‬و ‪ ANP‬ﻛﻤﻚ ﻛﺮدﻧﺪ ﻛﻪ ﺗﻴﻢ را ﻣﻨﺴﺠﻢ ﻛﻨﻴﺪ‪ ،‬و در ﺿﻤﻦ ﺑﺎﻳﺘﺴﻲ اﻓﺮاد از اول دﻳﺪ ﻛﻼن و ﻛﺎﻣﻞ ﺑﻪ ﻣﺴﺌﻠﻪ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬دوﻣﻴﻦ ﺟﺎ ارﺗﺒﺎﻃﺎت را‬
‫ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪ ،‬در ﺿﻤﻦ ﻣﻲ ﺗﻮان اﻓﺮاد را ﺑﻪ ﻣﺒﺎﺣﺜﻪ ﺗﺸﻮﻳﻖ ﻛﻨﻴﻢ‪ ،‬و ﺟﻠﺴﻪ ﺑﮕﺬارﻧﺪ ﻛﻪ ﺑﺤﺚ ﻛﻨﻨﺪ ﺑﻌﺪ از ﻣﺴﺘﻘﻞ ﻧﻈﺮ دادن ﺑﻨﺸﻴﻨﻨﺪ و ﻧﻈﺮات ﻛﺎرﺷﻨﺎﺳﺎﻧﻪ را‬
‫ﻧﻤﺮه دﻫﻨﺪ‪ ،‬در ﺿﻤﻦ ﻫﺮ ﻓﺮد ﻳﻚ ‪ consistency ration‬دارﻧﺪ ﻛﻪ اﻳﻦ ﺑﺮاي آدم ﻫﺎي ﻣﺨﺘﻠﻒ ﻣﺘﻔﺎوت اﺳﺖ‪ ،‬و ﺷﻤﺎ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺗﺸﺨﻴﺺ دﻫﻴﺪ ﻛﻪ از ﭼﻪ‬
‫اﻓﺮاد اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪ ،‬وﻗﺘﻲ ﺧﺮوﺟﻲ ﺑﻴﺮون آﻣﺪ ﻣﺘﻮﺟﻪ ﻣﻲ ﺷﻮﻳﺪ ﻛﻪ ﺑﺎ ﭼﻪ اﻓﺮادي ﻣﺸﻮرت ﻛﻨﻴﺪ‪consistency .‬ﺷﺮط ﻻزم اﺳﺖ ﺷﺮط ﻛﺎﻓﻲ ﻧﻴﺴﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﻤﻜﻦ اﺳﺖ ﭘﺎﺳﺦ ‪ consistent‬ﺑﺎﺷﺪ وﻟﻲ ﻏﻠﻂ ﺑﺎﺷﺪ‪ .‬اﻟﺒﺘﻪ ‪ inconsistency‬وﻳﮋﮔﻲ اﻧﺴﺎن اﺳﺖ‪ ،‬وﻟﻲ ﻣﻲ ﺗﻮان ﭼﻚ ﻛﺮد ﻛﻪ ﻣﺸﻜﻞ وﺟﻮد دارد و‬
‫‪20 ‬‬

‫‪ rethinking‬را اﺟﺎزه ﻣﻲ دﻫﺪ‪.‬‬

‫‪Page‬‬

‫‪ Expert‬ﻫﺎ در اﺑﺘﺪا ﺑﺼﻮرت ‪ independent‬ﭘﺎﺳﺦ ﻣﻲ دﻫﺪ‪ .‬ﻓﺮد در اﻧﺘﺨﺎب ‪ expert‬ﻫﺎ‪ ،‬ﺑﺮ اﺳﺎس داﻧﺶ ﻗﺒﻠﻲ ﺧﻮد ادﻏﺎم ﻣﻲ ﻛﻨﺪ‪ .‬در ‪group ‬‬
‫‪ decision making‬ﺧﻴﻠﻲ ﻣﻬﻢ اﺳﺖ ﻛﻪ ﺗﻮﺟﻪ ﻛﻨﻴﺪ ﻛﻪ آﻳﺎ اﻓﺮاد ﺑﺎ ﻫﻢ ﺑﻨﺸﻴﻨﻨﺪ‪ ،‬ﻳﺎ ﺟﺪا ﺑﺎﺷﻨﺪ‪ ،‬ﮔﺎﻫﻲ دو ﻓﺮد ﻧﺴﺒﺖ ﺑﻪ ﺣﺮف ﻳﻚ ﻧﻔﺮ ﻛﻪ ﺑﻪ او ﻣﻌﺘﻘﺪ اﻧﺪ‪ ،‬ﻧﻈﺮ‬
‫ﻣﻲ دﻫﻨﺪ‪ ،‬و اﻳﻦ اﺳﺘﻘﻼل ﺑﻬﻢ ﻧﻤﻲ ﺧﻮرد‪ .‬وﻗﺘﻲ وزن ﻫﺎ در ﻣﻲ آﻳﻨﺪ ﻣﻲ ﺑﻴﻨﻴﺪ ﻛﻪ آدم ﻫﺎي رﻓﻴﻖ در ﻣﻲ ﻳﺎﺑﻴﻢ ﻛﻪ دﻳﺪﮔﺎه ﻫﺎي ﻛﺎرﺷﻨﺎﺳﻲ آﻧﻬﺎ ﺑﺎ ﻫﻢ ﻣﺘﻔﺎوت‬
‫اﺳﺖ‪ .‬در ﺿﻤﻦ ﻣﻲ ﺗﻮان ﺑﺎ ﻣﻜﺎﺗﺐ ﻓﻜﺮي در ﻳﺎﻓﺖ ﻛﻪ ﻳﻚ ﻋﺪه اﻋﺘﻘﺎد دارﻧﺪ ﻛﻪ رواﺑﻂ ﺑﺎ ﻛﺸﻮر ﻫﺎي ﻫﻤﺴﺎﻳﻪ ﻣﻬﻢ اﺳﺖ‪ ،‬ﻳﻚ ﻋﺪه ادﻋﺎ دارﻧﺪ ﻛﻪ اﮔﺮ ﭼﻴﻦ و‬
‫روﺳﻴﻪ راﺑﻄﻪ داﺷﺘﻪ ﺑﺎﺷﻲ‪ ،‬ﻧﻴﺎزي ﺑﻪ ﻛﺸﻮرﻫﺎي ﻫﻤﺴﺎﻳﻪ ﻧﺪاري! ﻛﻪ اﻳﻦ ﻣﻜﺎﺗﺐ ﺑﺼﻮرت داﻧﺶ اﺳﺘﺨﺮاج ﺷﺪه اﺳﺖ‪.‬‬

‫در ﻧﻬﺎﻳﺖ ﻳﻚ ﺗﻴﻢ دارﻳﺪ ﻛﻪ ﻣﻲ داﻧﻨﺪ ﻛﺠﺎ ﺑﺎ ﻫﻢ ﻣﻮاﻓﻖ و ﻛﺠﺎ ﻣﺨﺎﻟﻒ اﻧﺪ‪.‬‬

‫ﺳﭙﺲ ﻧﺴﺒﺖ ﺑﻪ ﺗﻚ ﺗﻚ ﻣﻌﻴﺎرﻫﺎ ﻛﺸﻮرﻫﺎ را دو ﺑﻪ دو ﺑﺎ ﻫﻢ ﺟﺎﻳﮕﺎﻫﺸﺎن را ﻣﻘﺎﻳﺴﻪ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫اﻣﺎ اﻳﻨﻜﻪ اوﻟﻴﺖ ﻫﺎ را ‪ ANP‬ﭼﮕﻮﻧﻪ اﺳﺘﺨﺮاج ﻣﻲ ﻛﻨﺪ دو راه اﺳﺖ‪ ،‬راﻫﻲ ﻛﻪ ﺟﻠﺴﻪ ﭘﻴﺶ ﺻﺤﺒﺖ ﻛﺮدﻳﻢ ‪ approximation‬اﺳﺖ‪ ،‬اﻣﺎ راه ﺣﻞ دﻳﮕﺮي‬
‫رﻳﺎﺿﻲ اﺳﺖ ﻛﻪ ‪ transitive closure‬ﻣﺎﺗﺮﻳﺲ را ﺣﺴﺎب ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ اﻳﻦ ﻛﺎر را ﺑﺎ ﺿﺮب ﻳﻚ ﻣﺎﺗﺮﻳﺲ در ﺧﻮدش ﺑﻪ ﺗﻌﺪاد ﺑﺎرﻫﺎﻳﻲ ﻛﻪ در ﻧﻬﺎﻳﺖ ﺗﻐﻴﻴﺮ‬
‫ﻧﻜﻨﺪ‪ ،‬آن را در ﺧﻮدش ﺿﺮب ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﻓﺼﻞ را ﺑﺮ روي ﮔﺮوه ﻗﺮار ﻣﻲ دﻫﻨﺪ‪ ،‬ﻛﻪ اﺛﺒﺎت ﻫﺎ ﻣﻬﻢ ﻧﻴﺴﺖ وﻟﻲ ﻗﻀﺎﻳﺎ را ﻣﻄﺎﻟﻌﻪ ﻛﻨﻴﺪ‪  .‬‬

‫ﻧﺮم اﻓﺰار زﻳﺮ را ﺑﺮاي ﺟﻠﺴﻪ ‪ lab‬داﻧﻠﻮد ﻛﻨﻴﺪ‪:‬‬

‫‪www.superdecision.com‬‬

‫ﻧﺮم اﻓﺰار ‪ expert choice‬ﻓﻘﻂ روي ‪ AHP‬ﻛﺎر ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﺗﺎرﻳﺦ‪/ 15 :‬ﻣﻬﺮ‪ -1387/‬ﻛﻼس ﺣﻞ ﺗﻤﺮﻳﻦ‬

‫ﺗﻤﺮﻳﻦ‪ ،‬ﻓﺮض ﻛﻨﻴﺪ ‪ 3‬ﻣﺎﺷﻴﻦ ﻣﻲ ﺧﻮاﻫﻴﺪ ﺑﺨﺮﻳﺪ‪،‬‬

‫ﻫﺪف ﺧﺮﻳﺪ ﻣﺎﺷﻴﻦ‪:‬‬

‫ﻣﻌﻴﺎرﻫﺎ‪:‬‬

‫ﭘﺮﺳﺘﻴﮋ ‪ ‬‬ ‫‪.1‬‬

‫‪  Mile per gallon‬‬ ‫‪.2‬‬

‫‪  Comfort‬‬ ‫‪.3‬‬

‫‪  Price‬‬ ‫‪.4‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺮاي ﻫﺮ ﺳﻪ ﻣﺎﺷﻴﻦ‪ ،‬روش درﺳﺖ ﻛﺮدن ﻣﺪل در ‪ decision‬اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺮاﺣﺘﻲ ﻣﻲ ﺗﻮان ﻳﻚ ﻛﻼﺳﺘﺮ اﻧﺘﺨﺎب ﻛﺮد و ﻧﻮد در آن اﻳﺠﺎد ﻛﺮد و ﻳﻚ ﻛﻼﺳﺘﺮ‬
‫‪21 ‬‬

‫ﺑﻪ ﻧﺎم ‪ alternatives‬اﻳﺠﺎد ﻛﻨﻴﻢ و ﺳﻪ ﻣﺎﺷﻴﻦ را در آن ﻗﺮار دﻫﻴﻢ‪.‬‬

‫‪Page‬‬

‫در ﻣﻮرد ‪ inconsistency‬ﺷﻤﺎ ﺻﺮﻓﺎ ‪ guideline‬اي ﻣﻲ ﻳﺎﺑﻴﺪ ﻛﻪ در ﻣﻼﻗﺎت ﺑﻌﺪي ﺑﺎ ‪ expert‬ﻣﻲ ﮔﻮﻳﻴﺪ ﺑﻬﺘﺮ اﺳﺖ اﻳﻦ اﻋﺪاد را اﺻﻼح ﻛﻨﻴﺪ‪.‬‬

‫ﺟﺪول ‪ inconsistency‬ﺳﻪ ﺳﻄﺮ ﻣﻲ دﻫﺪ‪ ،‬ﻛﻪ ﺳﻪ راﻫﻜﺎر ﺑﺮاي ﺑﺮﻃﺮف ﻛﺮدن ‪ inconsistency‬اﺳﺖ‪.‬‬

‫ﻧﺎم ﻛﻼﺳﺘﺮ راه ﺣﻞ ﻫﺎ ﺣﺘﻤﺎ ﺑﺎﻳﺴﺘﻲ ‪ Alternatives‬ﺑﺎﺷﺪ وﮔﺮﻧﻪ ﺧﻄﺎ ﻣﻲ دﻫﺪ‪.‬‬

‫ﺗﺎرﻳﺦ‪/22 :‬ﻣﻬﺮ‪1387/‬‬

‫ﺗﻤﺮﻳﻦ ‪ AHP‬و ‪ ANP‬ﻗﺮار داده ﺷﺪه اﺳﺖ‪ ،‬ﺑﺮاي ﻫﻔﺘﻪ آﻳﻨﺪه ﺑﻨﻮﻳﺴﻴﺪ‪.‬‬

‫‪Quantitative Analysis for Management‬‬

‫اﻳﻦ ﺑﺤﺚ ﺑﻴﺸﺘﺮ ‪ qualitative‬اﺳﺖ‪ ،‬ﻓﺼﻞ اول ﻛﺘﺎب اﺳﺖ‪ ،‬ﭼﺮا ﻛﻪ ﺗﺎ وﻗﺘﻲ ﻛﻪ ﺑﺤﺚ ﻣﺪل ﻣﻄﺮح ﻧﺒﺎﺷﺪ اﻳﻦ ﺑﺤﺚ ﻫﺎ داﺳﺘﺎن ﻣﻲ ﺷﺪ‪ .‬ﺑﺮاي اﻳﻦ ﻣﻮارد‬
‫ﺑﺎﻳﺴﺘﻲ دل ﺑﺪﻫﻴﺪ‪ ،‬ﭼﻨﺪان ﺳﺨﺖ ﻧﻴﺴﺖ‪ ،‬وﻟﻲ ﺑﺎﻳﺴﺘﻲ دﻳﺪ ﻣﻬﻨﺪﺳﻲ دﻳﮕﺮ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻴﺪ‪ ،‬ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ اﻻن ﺑﮕﻮﻳﻴﻢ ﻛﻪ آن ‪ %20‬از ﻛﺎر اﺳﺖ و ‪ %80‬آن ﻣﺴﺎﺋﻠﻲ‬
‫اﺳﺖ ﻛﻪ در ﻣﺤﻴﻂ ﻛﺎر اﺳﺖ‪ ،‬و آن ﻣﻮﻓﻘﻴﺖ را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫آن ﺗﻜﻪ اي ﻛﻪ ﺷﻤﺎ را ﺑﻪ ‪ MBA‬ﻛﺸﺎﻧﺪه اﺳﺖ‪ ،‬ﻣﻘﺪاري ﺑﺮ ﻣﻲ ﮔﺮدد ﺑﺮاي اﻳﻦ اﺑﻌﺎد اﺳﺖ‪.‬‬

‫ﻣﺪﻟﺴﺎزي را اﺑﺘﺪا ﻫﻨﺮ ﻣﺸﺨﺺ ﻛﺮدﻳﻢ‪ ،‬ﭘﺲ اﻳﻦ ﺗﻔﺎوت ﺑﻴﻦ آﻧﭽﻪ ﻣﻲ داﻧﺪ و آﻧﭽﻪ ﻣﻲ ﺗﻮاﻧﺪ اﺳﺖ‪ ،‬ﻣﺎﻧﻨﺪ ﻋﻴﻨﻜﻲ اﺳﺖ ﻛﻪ وﻗﺘﻲ ﻣﻲ زﻧﻴﻢ ﺑﮕﻮﻧﻪ اي ﻣﻲ ﺑﻴﻨﻴﻢ‬
‫ﻛﺴﻲ ﻛﻪ ﻋﻴﻨﻚ ﻧﻤﻲ زﻧﺪ ﺑﻪ ﮔﻮﻧﻪ اي دﻳﮕﺮ ﻣﻲ ﺑﻴﻨﺪ‪ ،‬ﻣﻲ ﺗﻮان اﻳﻦ ﻣﻮرد را ﺑﺎ اﻳﻦ ارزﻳﺎﺑﻲ ﻧﺸﺎن داد ﻛﻪ ﺑﮕﻮﻳﻴﻢ راﺟﻊ ﺑﻪ اﻳﻦ اﺗﺎق ﺑﻨﻮﻳﺴﻴﺪ‪ ،‬و ﻫﺮ ﻛﺲ ﺑﺴﺘﻪ ﺑﻪ‬
‫دﻳﺪ و ﻋﻴﻨﻚ ﺧﻮد ﻣﻲ ﻧﻮﻳﺴﺪ‪ ،‬ﺑﺴﻴﺎري از ﻣﻮارد ﻣﺴﺎﺋﻠﻲ دﻳﺪه ﻣﻲ ﺷﻮد ﻛﻪ ﻓﻜﺮ ﻣﻲ ﺷﺪه ﻛﻪ ﻣﺴﺌﻠﻪ اﺳﺖ‪.‬‬

‫‪:Quantitative analysis‬‬

‫‪  Logic‬‬

‫‪  Historic data‬‬

‫‪  Marketing research‬‬

‫‪  Scientific analysis‬‬

‫‪  Modeling‬‬

‫‪  Qualitative Analysis:‬‬

‫‪  Weather‬‬

‫‪  State and federal‬‬

‫‪  Legislation‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪  New technological‬‬
‫‪22 ‬‬

‫‪  Breakthroughs‬‬
‫‪Page‬‬

‫‪Election outcomes‬‬

‫در ﻓﺎﻛﺘﻮرﻫﺎي ﻛﻴﻔﻲ ﻧﺎﮔﻬﺎن ﻫﻤﻪ ﻓﺮﺿﻴﺎت ﻋﻮض ﻣﻲ ﺷﻮد‪ ،‬اﮔﺮ ﻓﻘﻂ ﻣﺴﺌﻠﻪ ﻣﺎ دﻳﺘﺎ و ﻻﺟﻴﻚ و ﻣﻨﻄﻖ رﻳﺎﺿﻲ ﺑﺎﺷﺪ آﻣﺎده ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻳﻚ ﻛﺎر را اﺗﻮﻣﺎﺳﻴﻮن‬
‫ﻛﻨﻴﻢ‪ ،‬ﻣﺜﻼ در ﻓﺮودﮔﺎه ﻫﺎ و ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻗﻄﺎرﻫﺎ ﻣﺎ اﺗﻮﻣﺎﺳﻴﻮن را دارﻳﻢ‪.‬‬

‫وﻗﺘﻲ ﻣﺴﺌﻠﻪ ﺣﻞ ﻣﻲ ﻛﻨﻴﻢ ﻳﻌﻨﻲ ﭼﻪ؟‬

‫ﮔﺎﻫﻲ دﻧﺒﺎل ﻳﻚ ﺟﻮاب ﻫﺴﺘﻴﻢ ﻛﻪ ﺑﻬﻴﻨﻪ ﺑﺎﺷﺪ‪ ،‬ﻧﻤﻮﻧﻪ ﻫﻤﻴﻦ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺣﺮﻛﺖ اﺗﻮﺑﻮس و ﻫﻮاﭘﻴﻤﺎ ﻳﺎ ﻛﻼس ﻫﺎ‪.‬‬

‫ﻧﻮع دوم ﻣﺴﺌﻠﻪ ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺠﻤﻮﻋﻪ اي از ﻣﺤﺪودﻳﺖ ﻫﺎ را ارﺿﺎ ﻛﻨﻴﻢ‪ .‬ﻣﺜﻼ ﻣﺴﺎﻟﻪ رﻧﮓ آﻣﻴﺰي ﻧﻘﺸﻪ ﻛﻪ ﺑﻪ ﻇﺎﻫﺮ ﺳﺎده ﻣﻲ آﻳﺪ اﻣﺎ ﭘﻴﭽﻴﺪﮔﻲ‬
‫ﺑﻪ ﻟﺤﺎظ ‪ complexity‬دارد‪ ،‬ﻣﺎ ﻳﻚ ﺷﺮط دارﻳﻢ‪ .‬در دﻧﻴﺎي واﻗﻌﻲ ﮔﺎﻫﻲ ﻣﺴﺎﺋﻞ از اﻳﻦ ﺟﻨﺲ اﻧﺪ‪ ،‬ﭼﺮا ﻣﺴﺎﻟﻪ ﺳﺨﺖ ﻣﻲ ﺷﻮد؟ در ﺑﺮﺧﻲ از اﻳﻦ ﻣﻮارد زﻣﺎن‬
‫ﻣﺴﺎﻟﻪ اﺳﺖ ‪.‬‬

‫‪ :System behavior‬ﻣﺪل ﻣﻲ ﺳﺎزﻳﻢ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﻔﻬﻤﻴﻢ‪ .‬ﻣﺜﻼ ‪ ،system dynamic‬ﺑﺮاي ﺑﺮﻧﺎﻣﻪ رﻳﺰي اﺳﺘﺮاﺗﮋﻳﻚ ‪ 20‬ﺳﺎﻟﻪ راه آﻫﻦ‪ ،‬ﻛﻪ ﻣﺜﻼ‬
‫ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺪاﻧﻴﻢ ﻛﻪ اﮔﺮ ﺳﻴﺎﺳﺖ ﺗﺨﺼﻴﺺ ﺑﻪ ﻧﻮع ﺧﺎﺻﻲ ﺑﺎﺷﺪ‪ ،‬ﭼﻪ ﻧﺘﻴﺠﻪ اي ﻣﻲ ﮔﻴﺮﻳﻢ‪ ،‬ﻣﺜﻼ ﭘﻮل ﺑﻴﺸﺘﺮ ﺑﻪ ﻟﻮﻛﻮﻣﻮﺗﻴﻮ ﻣﻲ ﮔﺬارد و ﺑﻌﺪ روي راه آﻫﻦ ﺗﺎﺛﻴﺮ‬
‫ﻣﻲ ﮔﺬارد و ‪ ،...‬ﺳﭙﺲ ﻣﻲ ﺗﻮاﻧﻲ ﻧﺘﻴﺠﻪ ﺑﮕﻴﺮي ﻛﻪ ﺑﻌﻀﻲ از ﻛﺎرﻫﺎ اﺣﻤﻘﺎﻧﻪ ﺑﻨﻈﺮ ﻣﻲ رﺳﺪ‪ ،‬اﻣﺎ ﭼﻮن ﺳﻴﺴﺘﻢ ﺑﺰرگ ﺑﻮده و ﭘﻴﭽﻴﺪه ﺑﻮده اﻳﻦ اﺗﻔﺎق اﻓﺘﺎده اﺳﺖ‪،‬‬
‫اﻳﻨﺠﺎ رﻓﺘﺎر ﺳﻴﺴﺘﻢ ﻣﻄﺮح اﺳﺖ‪ ،‬ﻛﻪ ﻣﺜﻼ ﻣﻲ ﮔﻮﻳﻲ ﻛﻪ ﻧﺤﻮه ﺗﺨﺼﻴﺺ ﭘﻮل را ﻋﻮض ﻛﻦ‪،‬‬

‫ﻧﻤﻮﻧﻪ واﻗﻌﻲ اﻳﻦ را داﺷﺘﻴﻢ‪:‬‬

‫ﻫﻤﻪ وام ﻟﻮﻛﻮﻣﻮﺗﻴﻮ ﺑﺨﺮﻧﺪ ‪ ‬‬ ‫‪.1‬‬

‫‪ 50‬ﺗﺎ ‪ 50‬ﺑﺨﺮﻧﺪ ‪ ‬‬ ‫‪.2‬‬

‫ﻗﻄﻌﻪ ﺑﺨﺮﻧﺪ‪  .‬‬ ‫‪.3‬‬

‫ﻛﻪ ﺑﺎ اﻳﻦ ﺣﻞ ﻣﺴﺎﻟﻪ ﻣﺎ درك ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﭼﻪ ﻛﺎري ﺑﺎﻳﺴﺘﻲ اﻧﺠﺎم دﻫﻴﻢ‪.‬‬

‫ﺣﻞ ﻣﺴﺎﻟﻪ ‪،‬ﺗﻌﺮﻳﻒ ﻣﺴﺎﻟﻪ‪،‬اﺟﺮاي ﻣﺴﺎﻟﻪ‪،‬ﺳﺨﺖ اﺳﺖ‪.‬‬

‫ﻗﺪم ﻫﺎي ﻣﻌﻤﻮل ‪:‬‬

‫ﺗﻌﺮﻳﻒ ﻣﺴﺎﻟﻪ ‪ ‬‬ ‫‪.1‬‬

‫ﺗﻮﺳﻌﻪ ﻳﻚ ﻣﺪل ‪ ‬‬ ‫‪.2‬‬

‫ﺟﻤﻊ آوري داده ‪ ‬‬ ‫‪.3‬‬

‫ﺑﺪﺳﺖ آوردن راه ﺣﻞ ‪ ‬‬ ‫‪.4‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺗﺴﺖ ﻛﺮدن راه ﺣﻞ ‪ ‬‬ ‫‪.5‬‬
‫‪23 ‬‬

‫ﺗﺤﻠﻴﻞ ﻧﺘﻴﺠﻪ ‪ ‬‬ ‫‪.6‬‬

‫‪Page‬‬

‫ﭘﻴﺎده ﺳﺎزي ﻧﺘﻴﺠﻪ ‪ ‬‬ ‫‪.7‬‬

‫ﻛﻪ ﻗﺪم ﻓﻮق ‪ iteration‬دارﻧﺪ‪ ،‬ﻣﺜﻼ ﻗﺪم ‪ 2‬و ‪ 3‬ﺑﺎ ﻫﻢ و ﻛﻨﺎر ﻫﻢ اﻧﺠﺎم ﻣﻲ ﮔﻴﺮد‪ ،‬ﺗﺴﺖ ﻛﺮدن راه ﺣﻞ ﺑﺎ ﺗﺤﻠﻴﻞ ﻧﺘﻴﺠﻪ ﻫﺎ ﭼﻪ ﺗﻔﺎوﺗﻲ دارد؟‬

‫در ﻣﺪﻳﺮان اﺟﺮاﻳﻲ ﺑﺪﻧﺒﺎل ﻋﺪد ﻫﺴﺘﻨﺪ‪ ،‬از ﺣﺮف ﻛﻠﻲ ﺧﻮﺷﺸﺎن ﻧﻤﻲ آﻳﻨﺪ‪ ،‬و روي اﻋﺪاد ﺑﻪ ﺷﻤﺎ ﮔﻴﺮ ﻣﻲ دﻫﻨﺪ‪.‬‬

‫ﺑﺮﺧﻲ از ﻣﺪل ﻫﺎ ‪ deterministic‬اﺳﺖ‪ ،‬ﻣﺪل ﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ وﻗﺘﻲ ﻛﻪ ﭘﺎراﻣﺘﺮ ﻣﻲ دﻫﻲ ﻓﺮض ﻣﻲ ﻛﻨﻲ ﻛﻪ ﻋﺪد ﻫﻤﻴﻦ اﺳﺖ‪ ،‬در دﻧﻴﺎي واﻗﻌﻲ ﻣﺜﻼ ﻣﻲ‬
‫ﮔﻮﻳﻲ ﻛﻪ زﻣﺎن ﺳﺨﻨﺮاﻧﻲ ﻣﻦ از ﻣﻨﺤﻨﻲ ﻧﺮﻣﺎل ﺑﺮﻳﺪه ﻋﻤﻞ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻣﺪﻟﻲ ﻛﻪ ﻣﻲ ﺷﻮد ‪ deterministic‬ﺣﻞ ﻛﺮد ﺑﺎ ﺣﺎﻟﺘﻲ ﻛﻪ ﺗﺎﺑﻊ ﻧﺮﻣﺎل ﮔﺬاﺷﺖ ﻣﺘﻔﺎوت‬
‫اﺳﺖ‪.‬‬

‫ﻣﺪل ﭼﻴﺴﺖ‪،‬‬

‫‪  Model is an idealized representation of the system or abstract of system.‬‬

‫اﻧﻮاع ﻣﺪل ﻫﺎ‪:‬‬

‫ﻓﻴﺰﻳﻜﻲ ‪ ‬‬ ‫‪.1‬‬

‫ﻣﻨﻄﻘﻲ )رﻳﺎﺿﻲ‪ ،‬ﻃﺮح( ‪ ‬‬ ‫‪.2‬‬

‫ﭼﺮا از ﻣﺪل ﻫﺎ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ؟ ﺳﻴﺴﺘﻢ ﺟﺪﻳﺪ اﺳﺖ‪ ،‬ﻛﺎر ﻛﺮدن ﺑﺎ آن ﺧﻄﺮﻧﺎك اﺳﺖ‪ ،‬ﮔﺮان اﺳﺖ‪ ،‬زﻣﺎن ﺑﺮ اﺳﺖ‪.‬‬

‫ﻣﺪل رﻳﺎﺿﻲ در ﺳﺎده ﺗﺮﻳﻦ ﺣﺎل ﻣﺪﻟﻴﺴﺖ ﻛﻪ‪:‬‬

‫ﺳﺎده ﺑﺎﺷﺪ )درك ﺳﺎده ﺑﺎﺷﺪ و ﻗﺎﺑﻞ ﺗﻐﻴﻴﺮ( ‪ ‬‬ ‫‪.1‬‬

‫ﺑﻪ ﺣﻘﻴﻘﺖ ﻧﺰدﻳﻚ ﺑﺎﺷﺪ ‪ ‬‬ ‫‪.2‬‬

‫ﻗﺎﺑﻞ ﺣﻞ ﺑﺎﺷﺪ‪  .‬‬ ‫‪.3‬‬

‫وﻳﮋﮔﻲ ﺳﻮم ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ‪ ،‬ﻣﺪل را ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑﺴﺎزﻳﺪ اﻣﺎ ﻣﻬﻢ آن اﺳﺖ ﻛﻪ ﺑﺘﻮاﻧﻴﺪ آن را ﺣﻞ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺎﻳﺴﺘﻲ در اﻳﻦ درس ﺷﻤﺎ ﺑﺘﻮاﻧﻴﺪ ﺑﻔﻬﻤﻴﺪ ﻛﻪ ﻛﺪام ﻣﺪل ﺳﺎزي ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ ﻛﻪ ﺳﺮﻳﻊ آن را ﺣﻞ ﻛﻨﻴﺪ‪  .‬‬

‫ﻧﻤﻮﻧﻪ اي از ﻣﺪل رﻳﺎﺿﻲ در ذﻳﻞ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه اﺳﺖ‪:‬‬

‫‪Profit=revenue‐expenses ‬‬

‫‪Revenue= price per unit* number sold ‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪Expenses= variable cost* number+ fixed cost‬‬
‫‪24 ‬‬

‫دو ﻧﻮع ﻣﺘﻐﻴﺮ دارﻳﻢ ‪ uncontrollable variable‬و ‪ controllable variable‬ﻛﻪ در ﻣﺪﻳﺮﻳﺖ ﻧﻮع دوم را دارﻳﻢ‪.‬‬
‫‪Page‬‬

‫ارزﺷﻤﻨﺪي ﻣﺪل واﺑﺴﺘﻪ ﺑﻪ ﻣﻮارد زﻳﺮ اﺳﺖ‪:‬‬

‫ﺧﻼﻗﻴﺖ‪ ،‬و اﺑﺘﻜﺎر‪  .‬‬ ‫‪.1‬‬

‫درك ‪ ‬‬ ‫‪.2‬‬

‫ﻗﺪرت ﺗﺨﻴﻞ و ﺗﺼﻮرات‪  .‬‬ ‫‪.3‬‬

‫ﺳﻴﺴﺘﻤﻲ ﻛﻪ ﺳﺮﻳﻊ ﺣﻞ ﺷﻮد‪ ،‬ﺑﺪرد ‪ interactive‬ﻣﻲ ﺧﻮرد‪ ،‬اﻣﺎ وﻗﺘﻲ ﻣﺪل دﻳﺮ ﺣﻞ ﺷﻮد ﻣﻨﺎﺳﺐ ﻧﻴﺴﺖ‪.‬‬

‫ﻣﻌﻤﻮﻻ در ﺳﺎﺧﺖ ﻣﺪل ‪ insight‬ﺷﻤﺎ ﺑﺎ ‪ effort‬اﻓﺰاﻳﺶ ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪.‬‬

‫در ‪ Linear programming‬ﻣﺎ ﻳﻚ ﺳﺮي ‪ decision variable‬و ﻳﻚ ﺳﺮي ﭘﺎراﻣﺘﺮ دارﻳﻢ‪ ،‬و ﻣﺎ ﻗﻴﺪﻫﺎﻳﻲ را دارﻳﻢ‪ Objective .‬ﻫﺎي دﭘﺎرﺗﻤﺎن‬
‫ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎ ﻫﻢ ﻣﺘﻔﺎوت اﺳﺖ‪ ،‬ﻫﺮ ﻣﺪﻳﺮي ﺑﻪ ﻧﺤﻮي ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺧﻂ ﺑﺪﻫﺪ ﻛﻪ ﺳﻮد ﺧﻮدش ﻣﺎﻛﺰﻳﻤﻢ ﺷﻮد‪ ،‬ﺑﺤﺚ ‪ sub optimality‬ﻣﻄﺮح ﻣﻲ ﮔﺮدد‪.‬‬

‫ﺣﺎﻻ ﻣﺪل را ﺳﺎﺧﺘﻴﻢ ﻣﻲ ﺧﻮاﻫﻴﻢ ‪ data‬را ‪ feed‬ﻛﻨﻴﻢ ﭼﻪ ﻛﻨﻴﻢ؟‬

‫داده زﻳﺎد داﺷﺘﻪ ﺑﺎﺷﻴﻢ ‪  aggregation‬‬ ‫‪.1‬‬

‫داده ﻛﻢ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﻣﺘﺨﺼﺼﺎن آﻣﺎر را ﺑﻜﺎر ﺑﺒﺮﻳﻢ ﻛﻪ ‪ estimate‬ﻛﻨﻨﺪ‪  .‬‬ ‫‪.2‬‬

‫داده وﺟﻮد ﻧﺪارد‪ ،‬و ﻣﺪل ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺴﺎزﻳﻢ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﺑﻨﻮﻋﻲ ﻣﺪل را ﺷﻜﻞ دﻫﻴﻢ‪  .‬‬ ‫‪.3‬‬

‫ﺑﺮاي ﺳﺎﺧﺖ ﻣﺪل‪:‬‬

‫ﺗﻌﺮﻳﻒ ﻣﺴﺎﻟﻪ‪ ،‬اﻫﺪاف راه ﺣﻞ ﻫﺎي ﺗﺼﻤﻴﻢ‪ ،‬ﻣﺤﺪودﻳﺖ ﻫﺎ‪ ،‬ﻧﻴﺎزﻣﻨﺪي ﻫﺎ‪،departmental  impacts ،conflicting  viewpoints ،‬‬ ‫‪.1‬‬
‫‪ ،assumptions‬ﻣﺜﻼ ﻣﻤﻜﻦ اﺳﺖ ﻣﺎرﻛﺘﻴﻨﮓ ﻃﺒﻖ ﻧﻔﻊ ﺑﮕﻮﻳﺪ ﻓﻼن ﻣﺎﺷﻴﻦ ﻫﺎ ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﺗﻮﻟﻴﺪ آﻧﭽﻪ دردﺳﺮ ﭘﺎﻳﻴﻦ ﺗﺮي دارد‪ ،‬ﺗﺪارﻛﺎت آﻧﭽﻪ‬
‫ﻛﻪ ﺗﺪارك ﻛﻨﻨﺪه ﻛﻢ دردﺳﺮ داﺷﺘﻪ ﺑﺎﺷﺪ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﺑﻪ ﻓﻜﺮ راه ﺣﻞ ﺑﺎﺷﻴﺪ‪ ،‬ﻛﻪ ﺑﻌﺪا ﭼﻪ ﺗﺎﺛﻴﺮي روي دﭘﺎرﺗﻤﺎن ﻫﺎ ﻣﻲ ﮔﺬارد‪ .‬ﮔﺎﻫﻲ از‬
‫ﻗﺒﻞ ﺧﻂ ﻣﻲ دﻫﻨﺪ‪ ،‬ﻣﺸﻜﻞ را ﻧﻤﻲ ﮔﻮﻳﻨﺪ‪ ،‬ﭘﺎﺳﺦ را ﻣﻲ دﻫﻨﺪ ﻛﻪ ﺑﻪ ﻧﻔﻊ دﭘﺎرﺗﻤﺎن ﺧﻮدش ﺑﺎﺷﺪ‪  .‬‬

‫ﺳﺎﺧﺖ ﻣﺪل‪ ،‬ﻋﺪدي ﺳﺎزي اﻫﺪاف و ﻗﻴﺪﻫﺎ ﺑﺼﻮرت ﻣﺘﻐﻴﺮﻫﺎي ﺗﺼﻤﻴﻢ‪ ،‬آﻳﺎ ﻣﺪل در ﻣﺪل رﻳﺎﺿﻲ ﻣﺸﺘﺮﻛﻲ ﻣﺘﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﻣﺪﻳﺮ را ﻗﺎﻧﻊ ﻛﻨﻴﻢ‬ ‫‪.2‬‬
‫ﻛﻪ اﻳﻦ ﻣﺪل ﻣﻌﺎدل ﺣﺮف ﺷﻤﺎﺳﺖ‪  .understanding the model ، Fitting the model.‬‬

‫ﺟﻤﻊ آوري داده ﻫﺎ‪ .validity of data ،accounting data ،‬ﻋﻤﺪه داده ﻫﺎ از ﺳﻴﺴﺘﻢ ﻫﺎي ﺣﺴﺎﺑﺪاري ﻣﻲ آﻳﺪ‪ ،‬وﮔﺮﻧﻪ از ﭘﺎﻳﮕﺎه داده ﻫﺎي‬ ‫‪.3‬‬
‫‪ TPS‬ﻣﻲ آﻳﻨﺪ‪ TPS .‬دﺳﺖ ﺣﺴﺎﺑﺪاري ﻧﻴﺴﺖ‪ ،‬و دﺳﺖ ﻗﺴﻤﺖ ﻋﻤﻠﻴﺎﺗﻲ اﺳﺖ و ﺧﺮوﺟﻲ ﺑﺼﻮرت ‪ worksheet‬ﻣﻲ رود دﺳﺖ ﺣﺴﺎﺑﺪاري‪ .‬اﮔﺮ‬
‫زﻳﺎدي روي داده اي اﺻﻼح ﻛﻨﻴﺪ‪ ،‬ﺷﻤﺎ را ﺳﺮ ﻛﺎر ﻣﻲ ﮔﺬارﻧﺪ‪ ،‬زﻳﺎد ﻓﺸﺎر ﻧﮕﺬارﻳﺪ‪ ،‬ﭼﻮن ﻣﺜﻼ اﺛﺒﺎت ﻣﻲ ﺷﻮد ﻛﻪ ﻋﻴﻦ اﻳﻨﻜﻪ اﻳﻨﺠﺎ وﺳﻂ ﻛﺮه زﻣﻴﻦ‬
‫اﺳﺖ ﺛﺎﺑﺖ ﻛﻦ ﻧﻴﺴﺖ‪  .‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺣﻞ ﻣﺪل‪ ،‬راه ﺣﻞ ﺑﻬﻴﻨﻪ‪ ،‬ﺗﺤﻠﻴﻞ ﺣﺴﺎﺳﻴﺖ‪) ،‬ﻧﺒﺎﻳﺴﺘﻲ دوﺑﺎره ﺣﻞ ﻛﻨﻴﺪ‪ ،‬ﻛﻪ ﭘﺎراﻣﺘﺮ را ﻋﻮض ﻛﻨﻴﺪ‪ ،‬ﻣﻬﻢ اﻳﻦ اﺳﺖ ﺑﺪون ﺣﻞ ﻣﺠﺪد ﺑﮕﻮﻳﻴﺪ ﭼﻪ اﺗﻔﺎﻗﻲ‬ ‫‪.4‬‬
‫‪25 ‬‬

‫ﻣﻲ اﻓﺘﺪ(‪ .solutions become quickly outdated ،only one answer is limiting ،complex mathematics ،‬اﻟﺰاﻣﺎ‬

‫ﭘﻴﭽﻴﺪه ﺑﻮدن ﻣﺪل ﺑﻪ ﻣﻌﻨﺎي ارزش ﺑﻴﺸﺘﺮ ﻧﻴﺴﺖ‪ ،‬ﺑﺎﻳﺴﺘﻲ ﭘﻴﭽﻴﺪﮔﻲ را آﻧﻘﺪر ﻛﻢ ﻛﻨﻴﻢ ﻛﻪ ﻫﻤﻪ ﻣﺘﻮﺟﻪ ﺷﻮﻧﺪ‪ ،‬ﻣﺪﻳﺮان ﺧﻮﺷﺸﺎن ﻧﻤﻲ آﻳﺪ ﻛﻪ ﺑﺮاي‬
‫‪Page‬‬

‫ﺣﻞ ﻣﺸﻜﻞ ﺑﮕﻮﻳﻴﺪ راه ﺣﻞ ﻓﻘﻂ ﻫﻤﻴﻦ اﺳﺖ‪ ،‬ﺣﺘﻤﺎ دوﺳﺖ دارﻧﺪ ﻛﻪ اﻧﺘﺨﺎب ﻫﺎي دﻳﮕﺮ داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬آدم ﺗﺼﻤﻴﻢ ﮔﻴﺮ ﻫﻴﭻ وﻗﺖ از ﻳﻚ راه ﺣﻞ‬
‫ﺧﻮﺷﺶ ﻧﻤﻲ آﻳﺪ‪ .‬وﻗﺘﻲ اﻧﺤﺼﺎر اﺳﺖ ﻳﻚ ﭘﺎﺳﺦ ﻛﺎﻓﻲ اﺳﺖ‪ .‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺎ ﻋﺪدﻫﺎ ﻃﺮف را ﻫﺪاﻳﺖ ﻛﻨﻴﺪ ﻛﻪ ﺷﻤﺎ ﻣﻲ ﺧﻮاﻫﻴﺪ‪ ،‬اﻣﺎ اﮔﺮ ﺑﮕﻮﻳﻴﺪ ﻛﻪ ﻣﻦ‬
‫ﻣﺘﺨﺼﺺ ام ﻣﻲ ﮔﻮﻳﻨﺪ ﺑﺮو ﺑﺎﺑﺎ ﺗﺎ ﺣﻼ ﺑﺪون ﺗﻮ ﻫﺪاﻳﺖ ﻛﺮدم اﻻن ﻫﻢ ﻫﻤﻴﻨﻄﻮر اداﻣﻪ ﻣﻲ دﻫﺪ‪ .‬در ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻫﺎي ﻋﻤﻠﻴﺎﺗﻲ ﻛﻪ اﺗﻮﻣﺎﺗﻴﻚ ﺑﺎﺷﺪ‬
‫اﻳﻦ ﺑﻪ ﺷﺪت ﺧﻮدش را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ ،‬ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻓﺮودﮔﺎه ﻣﻬﺮ آﺑﺎد ﺑﺮ اﺳﺎس ﺑﺮﻧﺎﻣﻪ ‪ 3‬ﻣﺎﻫﻪ ﻗﺒﻠﻲ اﺳﺖ‪ ،‬ﻳﻚ ﻫﻮاﭘﻴﻤﺎ ﺑﻪ ﺗﺎﺧﻴﺮ ﻣﻲ اﻓﺘﺪ ﺷﻤﺎ‬
‫ﻣﺠﺒﻮر ﻣﻲ ﺷﻮﻳﺪ ‪ reschedule‬ﻛﻨﻴﺪ‪ ،‬ﺷﻤﺎ ﻣﺴﺎﻟﻪ اول را دوﺑﺎره ﺣﻞ ﻧﻤﻲ ﻛﻨﻴﺪ‪ ،‬ﺑﻠﻜﻪ ﺷﺮاﻳﻂ ﺟﺪﻳﺪ ﻳﻚ ﻋﺎﻣﻞ در آن اﺳﺖ‪ ،‬ﺑﺮﻧﺎﻣﻪ ﺟﺪﻳﺪ ﻣﻲ‬
‫ﺧﻮاﻫﻴﻢ ﺗﻌﻬﺪات ﻗﺒﻠﻲ ﻣﻴﻨﻴﻤﻢ ‪ deviation‬را داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ .‬ﻣﺎ ﺷﺮط ﺟﺪﻳﺪ ﻟﺬا دارﻳﻢ ﻛﻪ ﺑﺎﻳﺴﺘﻲ ﺑﺮﻧﺎﻣﻪ ﺟﺪﻳﺪ ﺗﺎ ﺟﺎي ﻣﻤﻜﻦ ﺑﭽﺴﺒﺪ ﺑﻪ ﺑﺮﻧﺎﻣﻪ ﻗﺒﻠﻲ‪،‬‬
‫ﺷﺎﻳﺪ در ﻛﺴﺮي از ﺛﺎﻧﻴﻪ در ﺑﺮﺧﻲ ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﺎﻳﺴﺘﻲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻣﺠﺪد اﻧﺠﺎم دﻫﻴﻢ‪  .‬‬

‫‪ :Validation of model‬آﻳﺎ ﺧﺮوﺟﻲ ﺑﺎ دﻧﻴﺎي واﻗﻌﻲ ﻣﻲ ﺧﻮاﻧﺪ ﻳﺎ ﺧﻴﺮ‪ ،‬ﮔﺎﻫﻲ ﺳﻴﺴﺘﻢ وﺟﻮد ﺧﺎرﺟﻲ ﻧﺪارد‪ ،‬ﺑﺮ اﺳﺎس داده ﻫﺎي ﻗﺒﻠﻲ ارزﻳﺎﺑﻲ‬ ‫‪.5‬‬
‫ﻣﻲ ﻛﻨﻴﻢ‪ :Test the solution.‬روﻳﻪ ﺗﺴﺖ ﻣﻨﺎﺳﺐ را ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪ .‬درﺳﺖ ﻛﺎر ﻛﺮدن ﻣﺪل ‪ ،verification‬ﻣﻄﺎﺑﻖ واﻗﻌﻴﺖ ﺑﻮدن ﻣﺪل‬
‫‪ validation‬اﺳﺖ‪ .‬ﺳﭙﺲ ‪ analyze the result‬دارﻳﻢ‪identifying cause  ،holding all other condition constant ،‬‬
‫‪ ،and effect‬ﻗﺴﻤﺖ ﻗﺒﻠﻲ ﺛﺎﺑﺖ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻣﺎﺷﻴﻦ ﺣﺴﺎب درﺳﺖ ﻛﺎر ﻣﻲ ﻛﻨﺪ‪ ،‬وﻗﺘﻲ درﺳﺖ ﻛﺎر ﻛﺮد ﻣﺤﺎﺳﺒﻪ اﺳﺖ‪  .‬‬

‫ﭘﻴﺎده ﺳﺎزي ﻧﺘﻴﺎﻳﺞ ﻧﻬﺎﻳﻲ‪ -‬ﺗﺮﺟﻤﻪ ﺑﻪ دﺳﺘﻮرات ﻋﻤﻠﻴﺎﺗﻲ‪ ،‬ﺗﻐﻴﻴﺮ اﻣﻜﺎﻧﺴﻨﺠﻲ ﻋﻤﻠﻲ‪ ،Selling the solution to others .‬ﺷﻤﺎ ﺑﺎﻳﺴﺘﻲ ﺑﺘﻮاﻧﻴﺪ‬ ‫‪.6‬‬
‫ﻣﺪﻳﺮ را ﻗﺎﻧﻊ ﻛﻨﻴﺪ‪ ،‬ﺳﭙﺲ ﺑﺒﻴﻨﻴﺪ ﻛﻪ ﭼﻘﺪر ﺗﻐﻴﻴﺮات اﺳﺎﺳﻲ در ﺳﺎزﻣﺎن ﺑﺎﻳﺴﺘﻲ ﺷﻮد‪ ،‬ﻫﺮ ﭼﻪ ﺗﻐﻴﻴﺮ اﺳﺎﺳﻲ ﺗﺮ ﺑﺎﺷﺪ ﺷﻤﺎ ﻫﺰﻳﻨﻪ ﺑﺎﻻﺗﺮي دارﻳﺪ‪ ،‬ﻣﺪﻳﺮﻫﺎ‬
‫ﺑﺮﺧﻴﺸﺎن ﺗﻮاﻧﺎﻳﻲ ﺗﻐﻴﻴﺮ ﻧﺪارﻧﺪ‪ ،‬درس ﻫﺎي ‪ HR‬و ‪ Strategy‬و ‪ OB‬ﺑﻪ ﺷﻤﺎ اﻳﻦ درك را ﻣﻲ دﻫﺪ ﻛﻪ وﻗﺘﻲ در آن ‪ contex‬ﻗﺮار ﺑﮕﻴﺮي ﺑﺒﻴﻨﻲ‬
‫ﺑﺮاي ﺗﻐﻴﻴﺮ ﺑﺎﻳﺴﺘﻲ ﭼﻪ ﻛﺎري اﻧﺠﺎم دﻫﻴﺪ‪  .‬‬

‫‪ Sensitivity analysis‬ﺑﺮاي ‪ What if‬و ﺧﻄﺎي در ‪ estimation‬ﺑﻜﺎر ﺑﺮده ﻣﻲ ﺷﻮد‪.‬‬

‫ﻋﻤﺪه ﻣﺘﺨﺼﺼﻴﻦ ﮔﺎم ‪ 5‬را ﺧﻮب ﻣﻲ روﻧﺪ‪ ،‬اﻣﺎ ﮔﺎم ‪ 6‬ام را ﺧﻮب ﻧﻤﻲ روﻧﺪ‪.‬‬

‫‪ Simulation‬از وﻗﺘﻲ ﻛﻪ در دﻧﻴﺎ آﻣﺪ در دﻧﻴﺎي واﻗﻌﻲ ﺧﻴﻠﻲ ﺟﺎ ﺑﺎز ﻛﺮده‪ ،‬ﭼﻮن ﺧﺮوﺟﻲ ﺑﺎ ﺷﻜﻞ ﺳﻪ ﺑﻌﺪي‪ ،‬ﭼﻪ ﺑﺎ اﻧﻴﻤﻴﺸﻦ ﭼﻪ ﺑﺎ ﮔﺮاف ﻣﺪﻳﺮ ﻣﻲ ﻓﻬﻤﺪ‪ ،‬و ﺑﺎ‬
‫ﺷﻤﺎ راه ﻣﻲ آﻳﻨﺪ و ﻛﻤﻚ ﻣﻲ ﻛﻨﻨﺪ ﻛﻪ ﻣﺴﺎﻟﻪ را ﺣﻞ ﻛﻨﻴﺪ‪ ،‬از ‪ black box‬ﻫﺎ ﺑﺴﻴﺎر ﺑﻬﺘﺮ اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪/27 :‬ﻣﻬﺮ‪1387/‬‬

‫ﻓﺎﻳﻞ ﻫﺎي ‪ presentation‬ﺗﻴﻤﻲ ﻓﺎﻳﻞ ﻫﺎ ‪ upload‬ﺷﺪه ﺑﻪ ﻣﻘﺎﻻت ﻧﮕﺎه ﻛﻨﻴﺪ و ﻳﻜﻲ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ و ﮔﺮوه را ﺑﺎ ﻣﻘﺎﻟﻪ ﻣﻌﺮﻓﻲ ﻛﻨﻴﺪ ﻫﺮ ﻛﺴﻲ زود ﺗﺮ‬
‫ﺑﮕﻮﻳﺪ ﺑﻪ او اﺧﺘﺼﺎص داده ﻣﻲ ﺷﻮد‪.‬‬

‫اﻣﺮوز ﻣﺪل ﺳﺎزي رﻳﺎﺿﻲ را ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺮاي ‪ linear programming‬ﺑﻴﺎﻣﻮزﻳﻢ ﻛﻪ ﭼﻴﺴﺖ و ﭼﮕﻮﻧﻪ ﺣﻞ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﺮاي آﻧﻜﻪ ﺑﺪاﻧﻴﻢ ﭼﻴﺴﺖ‪ ،‬ﭼﻨﺪ‬
‫ﻣﺴﺎﻟﻪ از دﻧﻴﺎي واﻗﻌﻲ اﺳﺖ ﻛﻪ ﻣﺴﺎﺋﻠﻲ در اﺑﻌﺎد ﻣﺨﺘﻠﻒ زﻧﺪﮔﻲ اﺳﺖ ﻛﻪ ﻣﺪﻟﻬﺎ را ﻣﻲ ﺑﻴﻨﻴﻢ و ﺗﻮﺳﻌﻪ ﻣﻲ دﻫﻴﻢ‪ .‬ﻛﺎر ﻣﺪﻟﺴﺎزي ﻛﺎر ﻣﺸﻜﻠﻲ اﺳﺖ‪ .‬اﻣﺎ اﮔﺮ ﺧﻮب‬
‫ﺑﺴﺎزﻳﻢ ﺣﻞ ﻛﺮدن ﻣﺸﻜﻞ ﭼﻨﺪاﻧﻲ ﻧﺪارد‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﻌﺪ ﻣﻲ ﮔﻮﻳﻴﻢ اﮔﺮ اﻳﻦ ﻣﺪل ‪ linear program‬ﺑﺎﺷﺪ ﭼﮕﻮﻧﻪ ﺣﻞ ﻣﻲ ﺷﻮد و ﺑﻌﺪ ﺗﺤﻠﻴﻞ ‪ simplex‬را ﻣﻲ آﻣﻮزﻳﻢ ﺑﻌﺪ ﻣﻲ ﺑﻴﻨﻴﻢ ﻛﻪ ﻫﻤﻪ ﻣﺘﻐﻴﺮﻫﺎ را اﻳﻦ‬
‫‪26 ‬‬

‫ﻣﺪل ﺣﻞ ﻧﻤﻲ ﻛﻨﺪ و ﺑﻌﺪ وارد ‪ Integer programming‬ﻣﻲ ﮔﺮدﻳﻢ‪ ،‬ﺳﭙﺲ ﻣﻲ روﻳﻢ ﺟﻠﻮﺗﺮ و ﻣﻲ ﺑﻴﻨﻴﻢ ﻛﻪ ﻳﻚ ﺳﺮي ﻣﺴﺎﺋﻞ در دﻧﻴﺎي واﻗﻌﻲ اﺳﺖ ﻛﻪ‬
‫ﺑﺮاي آن اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺳﺎده ﺧﻠﻖ ﺷﺪه اﺳﺖ‪ ،‬ﺳﭙﺲ اﻳﻦ ﻣﻮارد را ﭼﻨﺪ ﻗﺪم ﺟﻠﻮ ﻣﻲ روﻳﻢ و ﺟﺎﻳﻲ ول ﻣﻲ ﻛﻨﻴﻢ و وﻗﺘﻲ ﺣﺲ ﻛﺮدﻳﻢ ﻛﻪ در ﻓﻀﺎي ‪ LP‬و ‪ ...‬ﺟﺎي‬
‫‪Page‬‬

‫ﺧﻮﺑﻲ ﻗﺮار ﮔﺮﻓﺘﻴﻢ ﺳﺮاغ ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ روﻳﻢ‪.‬‬

‫اوﻟﻴﻦ در ﻣﺪﻟﺴﺎزي اﻳﻦ اﺳﺖ ﻛﻪ ﭼﻪ ﺗﺼﻤﻴﻤﻲ را ﺑﮕﻴﺮﻳﻢ ﻳﻌﻨﻲ ‪ decision variable‬را اﻧﺘﺨﺎب ﻛﻨﻴﻢ‪ ،‬ﻣﺜﻼ ﻓﺮض ﻛﻨﻴﺪ در ﻣﻨﻄﻘﻪ اي در ﺗﻬﺮان ‪ 500‬ﺳﻄﻞ‬
‫زﺑﺎﻟﻪ دارﻳﻢ ﻓﺮض ﻛﻨﻴﻢ ﺑﺮاي ﻣﺴﻴﺮ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺪل رﻳﺎﺿﻲ ﺑﺴﺎزﻳﻢ وﻗﺘﻲ ﻣﻲ ﮔﻮﻳﻴﻢ ‪ decision variable‬ﭼﻴﺴﺖ ﺑﺎﻳﺴﺘﻲ ﻓﻜﺮ ﻛﻨﻴﻢ ﻛﻪ در اﻳﻦ ﻣﺪل ﭼﻪ‬
‫ﭼﻴﺰ ﺑﻪ زﺑﺎن رﻳﺎﺿﻲ واﻗﻌﻴﺖ را ﺑﻴﺎن ﻣﻲ ﻛﻨﺪ‪ ،‬ﺗﻌﺮﻳﻒ ‪ decision variable‬ﻫﻢ ﺳﺨﺖ اﺳﺖ ﻫﻢ ﺗﻮﺳﻂ اﻓﺮاد ﻣﺨﺘﻠﻒ ﺑﻪ ﺷﻜﻞ ﻫﺎي ﻣﺨﺘﻠﻒ ﺗﻌﺮﻳﻒ ﻣﻲ‬
‫ﮔﺮدد‪.‬‬

‫ﻧﻤﻮﻧﻪ اي از ‪ decision variable‬اﻳﻦ اﺳﺖ ﻛﻪ اﮔﺮ ﻣﺎﺷﻴﻨﻲ ﻣﺸﺨﺺ ﺳﻄﻠﻲ را ﺑﺮداﺷﺖ ﺳﻄﻞ ﺑﻌﺪي ﻛﺪام ﺑﺎﺷﺪ‪ ،‬ﻛﻪ ﺑﺮ اﺳﺎس آن ﻣﺴﻴﺮ را ﻣﺸﺨﺺ ﻣﻲ‬
‫ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﻣﻲ ﮔﻮﻳﻴﻢ ﻛﻪ آﺧﺮ اﻳﻦ ﻣﺘﻐﻴﺮ ﭼﻪ ﭼﻴﺰ را ﻣﻲ دﻫﺪ‪.‬‬

‫ﺑﻌﺪ ﺑﺎﻳﺴﺘﻲ ﺑﮕﻮﻳﻴﻢ ﻛﻪ ﻫﺪف ﭼﻴﺴﺖ ﻛﻪ ﺗﺎﺑﻊ ﻫﺪف را ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻴﻢ‪ .‬در ﮔﺎم ﺑﻌﺪ ﻣﻲ ﮔﻮﻳﻴﺪ ﻛﻪ ﭼﻪ ﻣﻨﺎﺑﻌﻲ را ﻛﻢ دارﻳﺪ و ﻣﺤﺪودﻳﺖ ﭼﻴﺴﺖ‪ ،‬ﻣﺜﻼ ﻳﻚ‬
‫ﻣﺤﺪودﻳﺖ اﻳﻦ اﺳﺖ ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﻧﻴﺎزي ﻧﻴﺴﺖ ﻛﻪ ﻳﻚ ﺳﻄﻞ را دوﺑﺎر ﺑﺮدارد ﻟﺬا ﻣﺎ رواﺑﻂ رﻳﺎﺿﻲ ﻧﻴﺎز دارﻳﻢ ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﺑﻪ ﻳﻚ ﺳﻄﻞ دوﺑﺎر ﻣﺮاﺟﻌﻪ ﻧﻜﻨﺪ‪.‬‬

‫ﻳﻚ ﺳﺮي ﻣﺴﺎﻟﻪ را ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺮور ﻛﻨﻴﻢ‪) :‬ﻣﺴﺎﺋﻞ ‪(LP‬‬

‫‪  Product mix‬‬

‫‪  Diet/blending‬‬

‫‪  Scheduling‬‬

‫‪:Transportation/distribution‬‬

‫ﻣﺎ ﻳﻚ ﺳﺮي ﻛﺎرﺧﺎﻧﻪ دارﻳﻢ ﻛﻪ در ﺳﻪ ﻣﻨﻄﻘﻪ ﻣﺨﺘﻠﻒ اﻧﺪ‪ 4 ،‬ﺗﺎ اﻧﺒﺎر دارﻳﻢ‪ ،‬در ﭼﻬﺎرﺟﺎي ﻣﺨﺘﻠﻒ واﻗﻊ ﺷﺪه اﻧﺪ و ﻫﺮ ﻛﺪام را ﻇﺮﻓﻴﺘﺶ را دارﻳﻢ‪ ،‬ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ‬
‫ﻛﺎﻻي ﺗﻮﻟﻴﺪ ﺷﺪه را ﺑﻪ اﻧﺒﺎر ﻫﺎ اﻧﺘﻘﺎل دﻫﻴﻢ‪ ،‬ﻫﺰﻳﻨﻪ واﺣﺪ را ﻫﻢ دارﻳﻢ‪ ،‬اﻳﻨﺠﺎ ‪ decision variable‬اﻳﻦ اﺳﺖ ﻛﻪ از ﻛﺎرﺧﺎﻧﻪ ‪ i‬ﺑﻪ اﻧﺒﺎر ﭼﻨﺪ ﺗﺎ ﺑﻔﺮﺳﺘﻢ‪ ،‬ﻗﻴﺪ‬
‫ﻣﺤﺪودﻳﺖ ﻇﺮﻓﻴﺖ اﻧﺒﺎر اﺳﺖ‪ ،‬ﻛﻪ ﺑﺮاي ﻫﺮ اﻧﺒﺎر ﻣﺸﺨﺺ ﺟﻤﻊ ﺗﻤﺎﻣﻲ ورودي ﻫﺎ ﺑﻴﺸﺘﺮ از ﻇﺮﻓﻴﺖ اﻧﺒﺎر ﻧﺸﻮد‪ ،‬از ﻃﺮﻓﻲ ﻣﺤﺪودﻳﺖ دﻳﮕﺮ دارﻳﻢ ﻛﻪ ﻇﺮﻓﻴﺖ ﺗﻮﻟﻴﺪ‬
‫اﺳﺖ ﻛﻪ از ﻣﻴﺰان ﺗﻮﻟﻴﺪ ﻧﻤﻲ ﺗﻮاﻧﺪ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ‪ .‬ﺗﺎﺑﻊ ﻫﺪف ﻧﻴﺰ‪:‬‬

‫‪min z = ∑∑ cij X ij  ‬‬

‫‪i‬‬ ‫‪j‬‬

‫‪ Information technology‬و ‪ decision technology‬ﭘﺸﺘﻴﺒﺎﻧﻲ ﻫﻢ ﻫﺴﺘﻨﺪ‪ .‬ﺑﺮاي ﭘﺸﺘﻴﺒﺎﻧﻲ از ﺑﺮوزرﺳﺎﻧﻲ ﻇﺮﻓﻴﺖ ﻫﺎ اﻳﻦ ﺑﺤﺚ ﻣﻲ ﺑﺎﺷﺪ‪.‬‬

‫ﻧﻜﺘﻪ ﻇﺮﻳﻒ آن اﺳﺖ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺟﻮاب ﺑﻪ ﺳﻤﺖ ﺻﻔﺮ ﻣﻴﻞ ﻛﻨﺪ‪ ،‬ﻛﻪ اﻳﻦ ﻣﻲ ﮔﻮﻳﺪ ﻣﺎ ﺑﻪ ﺟﺎي آن ﺑﺰرﮔﺘﺮ ﻣﺴﺎوي ﻳﺎ ﺑﺰرﮔﺘﺮ ﻣﺴﺎوي ﺑﺎﻳﺴﺘﻲ ﺑﮕﺬارﻳﻢ‪.‬‬

‫ﻧﻜﺘﻪ اي ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ اﻳﺠﺎد ﺷﻮد اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﻫﺰﻳﻨﻪ ﺗﻮﻟﻴﺪ و ‪ transport‬ﻣﺘﻔﺎوت ﺑﺎﺷﺪ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ اﻳﻨﻜﻪ ﻓﻘﻂ ﺑﻪ ﻫﺰﻳﻨﻪ اﻧﺘﻘﺎل ﺗﻮﺟﻪ ﻛﻨﻴﻢ‬
‫اﺷﺘﺒﺎه اﺳﺖ‪ ،‬در اﻳﻦ ﺻﻮرت ‪ Production cost per unit‬را ﻧﻴﺰ ﺑﺎﻳﺴﺘﻲ اﺿﺎﻓﻪ ﻛﻨﻴﻢ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺷﻤﺎ در ﻣﺪﻟﺴﺎزي ﺳﻌﻲ ﻛﻨﻴﺪ ﻛﻪ ﺑﻪ ﺳﻤﺖ ﺣﻞ ﻓﻜﺮ ﻧﻜﻨﻴﺪ و ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ اﻋﺪاد ﻣﻲ ﺷﻮد ﻏﻠﻂ ﻳﺎ درﺳﺖ ﻓﻴﺪ ﮔﺮدد‪.‬‬
‫‪27 ‬‬

‫‪:Blending Problem‬‬
‫‪Page‬‬

‫در اﻳﻦ ﻣﺴﺌﻠﻪ ﻣﺎ ﻳﻚ اﻟﻴﺎژ دارﻳﻢ ﻛﻪ ﻫﺮ ﻛﺪام ﺳﻬﻢ ﺧﺎﺻﻲ ﻣﻲ ﺗﻮاﻧﺪ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺪاﻧﻴﻢ از ﻫﺮ ﻛﺪام ﭼﻘﺪر ﺑﺨﺮﻳﻢ ﻛﻪ ﻧﺴﺒﺖ ﻣﻮرد ﻧﻴﺎز ﻣﺎ را ﺑﺪﻫﺪ‪ ،‬در‬
‫اﻳﻦ ﺣﺎﻟﺖ ‪ decision variable‬و ﻣﺤﺪودﻳﺖ ﻫﺎ را ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﺪ ﻛﻪ ﭼﻪ ﺑﺎﺷﺪ‪.‬‬

‫ﻳﻚ ﻛﺎرﺧﺎﻧﻪ دﺳﺖ ﻛﺶ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﺪ ﻛﻪ ﻣﺮداﻧﻪ‪ ،‬زﻧﺎﻧﻪ ﺑﭽﮕﺎﻧﻪ دارد‪ ،‬ﻛﻪ ﻧﻴﺮوي ﻛﺎر ﺳﻮد و ﻣﻮاد آن ﻣﺸﺨﺺ اﺳﺖ‪ 5000 ،‬واﺣﺪ ﻫﻢ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻴﺪ ﺷﻤﺎ ﻣﻲ‬
‫ﺗﻮاﻧﻴﺪ ﻛﺎرﮔﺮ ‪ full time‬ﻳﺎ ﻧﻴﻤﻪ وﻗﺖ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻛﻪ ﻫﺮ ﻛﺪام ﻫﺰﻳﻨﻪ ﺧﻮدﺷﺎن را دارﻧﺪ ﺑﺮاي اﻳﻨﻜﻪ اﻳﻦ ﻛﺎرﮔﺎه ﺑﻪ ﻓﻌﺎﻟﻴﺖ اداﻣﻪ دﻫﺪ ﺑﺎﻳﺴﺘﻲ ‪ 20‬ﻧﻔﺮ داﺷﺘﻪ‬
‫ﺑﺎﺷﺪ ﻛﻪ ‪ full time‬ﺑﺎﻳﺴﺘﻲ ﺣﺪاﻗﻞ دو ﺑﺮاﺑﺮ ﻧﻴﻤﻪ وﻗﺖ ﺑﺎﺷﺪ‪ decision variable ،‬اﻳﻨﺠﺎ ﭼﻴﺴﺖ؟‬

‫از ﻫﺮ دﺳﺖ ﻛﺶ ﭼﻨﺪ ﺗﺎ‪  .‬‬ ‫‪.1‬‬

‫ﺗﺮﻛﻴﺐ ﻛﺎرﮔﺮﻫﺎ ﭼﻪ ﺗﻌﺪاد ﻧﻮع ‪ 1‬و ﻧﻮع ‪ 2‬ﺑﺎﺷﺪ‪  .‬‬ ‫‪.2‬‬

‫ﺗﺎﺑﻊ ﻫﺪف ﻣﻲ ﺷﻮد ﺟﻤﻊ ﻣﻮارد ﺳﻮد ﻣﻨﻬﺎي ﻣﻴﺰان ﻫﺰﻳﻨﻪ ﻫﺎ‪ ،‬ﺳﭙﺲ ﺑﺮ اﺳﺎس ‪ decision variable‬ﻫﺎ ارﺗﺒﺎط ﺑﻴﻦ آﻧﻬﺎ ﻗﻴﺪﻫﺎ را ﻧﺸﺎن ﻣﻲ دﻫﻴﻢ‪.‬‬

‫ﻣﺴﺎﻟﻪ ﺑﻌﺪي ‪:Diet Problem‬‬

‫ﻳﻚ ﻧﻮﺷﻴﺪﻧﻲ ﺗﻮﻟﻴﺪ ﻣﻲ ﺷﻮد ﻛﻪ ﻗﺮار اﺳﺖ ﻛﻪ از ﻟﺤﺎظ ﻛﻠﺴﺘﺮول و ‪ fat‬ﻗﺎﺑﻞ ﻛﻨﺘﺮل ﺑﺎﺷﺪ ﻛﻪ ﺑﮕﻮﻳﻨﺪ ﻣﺤﺼﻮل رژﻳﻤﻲ اﺳﺖ‪ ،‬ﻫﻢ ﺗﺮﻛﻴﺐ ﻣﻮاد ﻣﺤﺼﻮل ﻣﺸﺘﺮﻛﻲ‬
‫را اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ و ﻣﻴﺰان ﻛﺎﻟﺮﻳﻦ از ﺣﺪي ﺑﻴﺸﺘﺮ ﻧﺸﻮد‪ .‬ﻣﻲ ﮔﻮﻳﺪ ﻫﺮ ﻛﺪام ﭼﻘﺪر ﻛﺎﻟﺮي ﻧﺎ ﻣﻄﻠﻮب دارﻧﺪ‪ ،‬ﻛﻞ ﻛﺎﻟﺮي ﭼﻘﺪر اﺳﺖ‪ ،‬ﻫﺮ ﻛﺪام ﭼﻨﺪ ﻣﻴﻠﻴﮕﺮم وﻳﺘﺎﻣﻴﻦ‬
‫دارﻧﺪ‪ ،‬و ﻫﺰﻳﻨﻪ ﻫﻢ ﮔﻔﺘﻪ ﭼﻘﺪر اﺳﺖ‪ ،‬ﻫﻤﭽﻨﻴﻦ ﻗﻴﺪ ﻫﺎﻳﻲ دارﻳﻢ ﻛﻪ ﻣﺜﻼ ﺑﻴﺶ از ‪ %20‬ﻛﺎﻟﺮي از ﭼﺮﺑﻲ ﻧﺒﺎﺷﺪ‪ ،‬ﺣﺪاﻗﻞ ‪ 50‬ﻣﻴﻠﻲ ﮔﺮم وﻳﺘﺎﻣﻴﻦ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬و ‪...‬‬

‫‪ Decision variable‬ﻣﻲ ﺷﻮد اﻳﻨﻜﻪ از ﻫﺮ ﭘﻨﺞ ﻣﺎده ﭼﻪ ﻣﻴﺰان اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬

‫‪:Agriculture Planning‬‬

‫ﻛﻪ ﻣﻲ ﮔﻮﻳﻨﺪ ﺳﻪ ﻣﺤﺼﻮل در ﻳﻚ ﺳﺮي زﻣﻴﻦ ﺑﺎ وﺳﻌﺖ ﻣﺸﺨﺺ ﻣﻲ ﻛﺎرﻳﻢ‪ ،‬ﻫﺮ زﻣﻴﻦ آب ﺧﺎﺻﻲ ﻧﻴﺎز دارد‪ ،‬ﺑﺮاي ﺳﺎل آﻳﻨﺪه ﮔﻔﺘﻪ اﺳﺖ ﻛﻪ ﭼﻪ ﻣﻴﺰان از اﻳﻦ‬
‫ﻣﺤﺼﻮﻻت ﻧﻴﺎز دارﻳﻢ‪ ،‬و ﻫﺮ ﻣﺤﺼﻮل ﭼﻘﺪر آب ﻣﻲ ﺧﻮاﻫﺪ و ﭼﻘﺪر ﺳﻮد از ﻫﺮ ﻛﺪام دارﻳﻢ‪ ،‬اﻳﻦ ﺳﻪ اﺗﺤﺎدﻳﻪ ﻳﻚ ﻗﺮاي ﻫﻢ دارﻧﺪ ﻛﻪ ﻣﻲ ﮔﻮﻳﻨﺪ ﻧﺴﺒﺖ زﻣﻴﻨﻲ ﻛﻪ‬
‫زﻳﺮ ﻛﺸﺖ ﻣﻲ رود ﺑﺮاﺑﺮ اﺳﺖ‪ ،‬ﺑﺮاي ﺳﺎل آﻳﻨﺪه ﻣﻲ ﺧﻮاﻫﻴﺪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﻛﻨﻴﺪ ﺗﺮﺗﻴﺐ ﻣﺴﺎﺋﻞ زراﻋﻲ ﻛﻪ ﺳﻮد ﻣﺎﻛﺰﻳﻤﻢ ﺷﻮد‪.‬‬

‫ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﻢ ﻣﺎ ﻣﺪل را ﺑﻨﻮﻋﻲ ﺣﻞ ﻛﻨﻴﻢ ﻛﻪ ﺧﻮدﻣﺎن ﺑﺸﻨﺎﺳﻴﻢ‪.‬‬

‫ﻣﺘﻐﻴﺮ ﻣﺴﺎﻟﻪ ﻓﻮق اﻳﻦ اﺳﺖ ﻛﻪ ‪ Xij‬ﻣﻴﺰاﻧﻲ از زﻣﻴﻦ ‪ i‬ام ﺑﻮد ﻛﻪ از ﻣﺤﺼﻮل ‪ j‬ام ﻛﺎﺷﺘﻪ اﻳﻢ‪.‬‬

‫ﻗﻴﺪﻫﺎ ﺑﺮاي آب در زﻣﻴﻦ‪ ،‬و ﻛﻞ زﻣﻴﻦ و ﻫﻤﭽﻨﻴﻦ درﺻﺪ ﻛﺎﺷﺖ زﻣﻴﻦ در ﻫﺮ ﺳﻪ زﻣﻴﻦ ﺑﺎﻳﺴﺘﻲ ﺑﺮاﺑﺮ ﺑﺎﺷﺪ‪ ،‬و ﻣﺴﺎﻟﻪ ﻧﻴﺰ ﻣﺎﻛﺰﻳﻤﻢ ﻛﺮدن ﻣﻴﺰان ﻛﺎﺷﺖ ﻣﺤﺼﻮﻻت‬
‫ﺿﺮب در ﺳﻮد ﻫﺮ ﻣﺤﺼﻮل ﺟﻤﻌﺸﺎن ﺑﺎﻳﺴﺘﻲ ﻣﺎﻛﺰﻳﻤﻢ ﮔﺮدد‪.‬‬

‫‪Make or Buy Decision‬‬

‫ﻳﻚ ﻛﺎرﺧﺎﻧﻪ دارﻳﻢ ﺳﻔﺎرش ﻫﺮ ﻛﺪام ﻣﺸﺨﺺ اﺳﺖ‪ ،‬ﺑﺮاي ﺗﻮﻟﻴﺪ ﻫﺮ ﻛﺪام ﻣﻌﻠﻮم اﺳﺖ ﭼﻪ ﻣﻴﺰان ﻣﻨﺒﻊ اﺣﺘﻴﺎج اﺳﺖ ﺑﺮاي ﺳﺎﺧﺖ آن در ﻣﺠﻤﻮع ﻫﺰﻳﻨﻪ ﺗﻮﻟﻴﺪ ﻫﺮ‬
‫واﺣﺪ ﻣﺸﺨﺺ اﺳﺖ‪ ،‬اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﻣﺸﺘﺮي را ﺟﻮاب دﻫﻴﻢ ﺑﺎﻳﺴﺘﻲ از ﺑﺎزار ﻧﻴﺰ ﺑﺨﺮﻳﻢ و ﻣﻴﺰاﻧﻲ ﺗﻮﻟﻴﺪ ﻛﻨﻴﻢ و ﻣﻴﺰاﻧﻲ ﺑﺨﺮﻳﻢ و ﺑﻪ ﺳﻔﺎرش دﻫﻨﺪه ﺗﺤﻮﻳﻞ دﻫﻴﻢ‪،‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻇﺮﻓﻴﺖ دﭘﺎرﺗﻤﺎن ﻫﺎ را ﻧﻴﺰ دارﻳﻢ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺮﻛﻴﺐ ﺳﺎﺧﺖ و ﺧﺮﻳﺪي را ﭘﻴﺪا ﻛﻨﻴﻢ ﻛﻪ ﻫﺰﻳﻨﻪ ﻫﺎ را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﻣﺎ ﺳﻪ ﻣﺤﺼﻮل دارﻳﻢ و دو اﻧﺘﺨﺎب ﺧﺮﻳﺪ ﻳﺎ‬
‫‪28 ‬‬

‫ﺗﻮﻟﻴﺪ اﺳﺖ ﻛﻪ ﻣﻲ ﺷﻮد ﺷﺶ ﻣﺘﻐﻴﺮ‪ .‬ﺗﺎﺑﻊ ﻫﺪف ﻣﺎ اﻳﻦ اﺳﺖ ﻛﻪ ‪ total cost‬را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ .‬ﻗﻴﺪ ﻫﺎي ﺗﻘﺎﺿﺎ و ﻗﻴﺪﻫﺎي ﻣﻨﺎﺑﻊ و ﺷﺮاﻳﻂ ﻏﻴﺮ ﻣﻨﻔﻲ ﺑﻮدن را ﻧﻴﺰ‬
‫دارﻳﻢ‪.‬‬
‫‪Page‬‬

‫ﻣﺎ ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﻢ ﺷﺮط ﻫﺎ را ﺑﺼﻮرت ﻧﺎ ﺑﺮاﺑﺮي ﺑﺠﺎي ﻣﺴﺎوي ﻛﻨﻴﻢ ﻛﻪ راﺣﺖ ﺑﺘﻮاﻧﻴﻢ ﺷﺮط اﻛﺴﺘﺮﻣﻢ را داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪.‬‬

‫‪Marketing‬‬

‫ﻣﺎ ﻳﻚ ﻛﻤﭙﻴﻦ ﺑﺎزارﻳﺎﺑﻲ دارﻳﻢ و ﺳﻪ واﺳﻂ رادﻳﻮ‪ ،‬ﺗﻠﻮﻳﺰﻳﻮن و روزﻧﺎﻣﻪ را دارﻳﻢ ﻛﻪ ﻫﺰﻳﻨﻪ ﻫﺎ را دارﻳﻢ و ﺗﺎﺛﻴﺮ را ﻫﻢ ﻣﻲ داﻧﻴﻢ‪ ،‬ﻛﻞ ﺑﻮدﺟﻪ ﻣﺎ ‪ 100‬ﻫﺰار دﻻر اﺳﺖ‪،‬‬
‫ﺗﻌﺪاد ﺑﺎرﻫﺎﻳﻲ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﻔﺮﺳﺘﻴﻢ ﺑﻪ ازاي ﻫﺮ ﻛﺪام ﻣﺸﺨﺺ اﺳﺖ‪ ،‬و ﺗﻌﺪاد ﭘﻴﺎم ﻫﺎ ﻫﻢ در ﻫﺮ دوره از ‪ 15‬ﺗﺎ ﻧﺒﺎﻳﺴﺘﻲ ﺑﻴﺸﺘﺮ ﺑﺎﺷﺪ‪ .‬ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺎﺛﻴﺮﮔﺬاري‬
‫را ﻣﺎﻛﺰﻳﻤﻢ ﻛﻨﻴﻢ‪ .‬ﺗﺎﺑﻊ ﻫﺪف ﺗﺎﺛﻴﺮﮔﺬاري را ﻣﺎﻛﺰﻳﻤﻢ ﻛﺮدن اﺳﺖ‪ ،‬ﻫﺰﻳﻨﻪ ﻫﺎ را اﻳﻨﺠﺎ ﻧﻴﺎزي ﻧﻴﺴﺖ ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﻣﺘﻐﻴﺮ ﻫﺎ ﻣﻴﺰان ﺗﺒﻠﻴﻎ از ﻫﺮ ﻛﺪام اﺳﺖ‪.‬‬

‫ﺟﻨﺲ ﻫﺪف ﺑﻠﺤﺎظ رﻳﺎﺿﻲ ﺑﺎ ‪ constraint‬ﺗﻔﺎوت اﺳﺎﺳﻲ دارد‪،‬‬

‫‪ Goal programming‬ﺑﺮاي ﻣﻮاردي اﺳﺖ ﻛﻪ ﺑﻪ ﭼﻨﺪ آرﻣﺎن ﻣﻲ ﺧﻮاﻫﺪ ﺑﺎ ﻫﻢ ﺑﺮﺳﺪ و ﺑﺎ ﻫﻢ ﻫﻢ راﺳﺘﺎ ﻧﻴﺴﺘﻨﺪ ﻛﻪ در اﻳﻦ ﺣﺎﻟﺖ ﻫﺪف ﻣﻲ ﮔﺬارﻳﻢ و ﺑﻌﺪ‬
‫‪ deviation‬را ﻣﻲ ﺳﻨﺠﻴﻢ‪.‬‬

‫ﺗﺎرﻳﺦ‪/29 :‬ﻣﻬﺮ‪1387/‬‬

‫ﻣﺎ دو ﻣﺘﺪ را ﺑﺮاي ﺣﻞ ‪ linear programming‬ﺟﻠﻮ ﻣﻲ روﻳﻢ ﻛﻪ ﻳﻜﻲ ﻫﻨﺪﺳﻲ اﺳﺖ ﻛﻪ ﺑﺮاي ﻣﺴﺎﺋﻞ دو ﺑﻌﺪي ﺧﻮب اﺳﺖ‪ ،‬ﺑﻌﺪ وارد ﺟﺒﺮﺧﻄﻲ ﻣﻲ ﺷﻮﻳﻢ‬
‫ﻛﻪ ﻣﻲ ﺑﻴﻨﻴﻢ ﻛﻪ ﻣﺴﺎﺋﻞ ‪ simplex‬ﭼﮕﻮﻧﻪ از آن اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫ﺷﻜﻞ ﻋﻤﻮﻣﻲ ﻳﻚ ﻣﺴﺎﻟﻪ ‪ Linear Program‬ﺑﺼﻮرت زﻳﺮ اﺳﺖ‪:‬‬

‫‪ 5‬وﻳﮋﮔﻲ ﺑﺮاي ‪ Linear‬ﺑﻮدن دارﻳﻢ ﻛﻪ ﺟﻠﺴﻪ ﺑﻌﺪ آﻧﻬﺎ را ﻣﻲ ﮔﻮﻳﻴﻢ‪  .‬‬

‫)‪Max( Min‬‬
‫‪Z = c1 x1 + c2 x2 + L + c j x j + L + cn xn‬‬
‫‪Subject to‬‬
‫‪a11 x1 + a12 x2 + L + a1 j x j + L + a1n xn ≤=≥ b1‬‬
‫‪a21 x1 + a22 x2 + L + a2 j x j + L + a2 n xn ≤=≥ b2‬‬
‫‪LL LLLL LL LL LLLL LL LL L‬‬
‫‪ai1 x1 + ai 2 x2 + L + aij x j + L + ain xn ≤=≥ bi‬‬
‫‪LL LLLL LL LL LLLL LL LL L‬‬
‫‪am1 x1 + am 2 x2 + L + amj x j + L + amn xn ≤=≥ bm‬‬

‫‪x1 , x2 , LL x1 , LL xn ≥ 0‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪29 ‬‬
‫‪Page‬‬

‫‪ ‬‬

‫اﺳﺘﺎﻧﺪاردﻫﺎي ﻣﺘﻌﺪدي وﺟﻮد دارد‪ ،‬ﺷﻤﺎ ﺳﻌﻲ ﻛﻨﻴﺪ ﻣﻨﺒﻌﻲ را اﺳﺘﻔﺎده ﻛﻨﻴﺪ ﻛﻪ ‪ consistent‬ﺑﺎ ﺣﺮف ﻫﺎي ﻣﺎ ﺑﺎﺷﺪ‪ ،‬ﻣﺎ ﻳﻚ ‪ transformation‬دارﻳﻢ ﻛﻪ‬
‫ﺷﺮط ﻫﺎ ﺗﺒﺪﻳﻞ ﺑﻪ ﺗﺴﺎوي ﻣﻲ ﺷﻮد‪:‬‬

‫ﻳﻚ ﻧﻤﻮﻧﻪ ﻣﺴﺎﻟﻪ ﻏﻴﺮ اﺳﺘﺎﻧﺪارد را در زﻳﺮ ﻣﻲ ﺑﻴﻨﻴﺪ‪.‬‬

‫ﻣﻮادي ﻛﻪ در ‪ programming‬اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‪:‬‬

‫„ ‪ :Solution ‬ﺗﻤﺎﻣﻲ راه ﺣﻞ ﻫﺎ ﺣﺘﻲ آﻧﻬﺎﻳﻲ ﻛﻪ ﻗﻴﺪﻫﺎ را ارﺿﺎ ﻧﻤﻲ ﻛﻨﻨﺪ‪  .‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫„ )‪ :Feasible Solution (Infeasible Solution‬اﮔﺮ ﺗﺮﻛﻴﺐ ﻣﺘﻐﻴﺮ ﻫﺎ ﻣﺘﻐﻴﺮﻫﺎ را ارﺿﺎ ﻛﻨﺪ ‪ ‬‬
‫‪30 ‬‬

‫„ ‪ :Feasible Region‬ﻓﻀﺎﻳﻲ ﻛﻪ ﻫﻤﻪ ﻗﺎﺑﻞ ﻗﺒﻮل اﻧﺪ‪  .‬‬

‫‪Page‬‬

‫„ ‪  Optimal Solution‬‬

‫„ )‪  Boundary  Equation (Constraint Line‬‬

‫„ ‪ :Corner Point Solution‬ﻣﺤﻞ ﺗﻘﺎﻃﻊ دو ﺧﻂ را ﻣﻲ ﮔﻮﻳﻴﻢ ‪  .corner‬‬

‫„ ‪  Adjacent Corner Point Solutions‬‬

‫ﻣﺤﻞ ﺗﻘﺎﻃﻊ دو ‪ constraint‬را ﻣﻲ ﮔﻮﻳﻨﺪ ‪.corner point‬‬

‫اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ‪ comer point‬ﻫﺎ را ﻃﺒﻘﻪ ﺑﻨﺪي ﻛﻨﻴﻢ‪ ،‬اﮔﺮ در ﺑﻲ ﻧﻬﺎﻳﺖ ﻫﻢ ﺑﺎ ﻫﻢ ﺗﻼﻗﻲ ﻛﻨﻨﺪ ‪ corner point‬دارﻳﻢ‪.‬‬

‫اﮔﺮ ‪ m‬ﺗﺎ ‪) function constraint‬ﻏﻴﺮ ﻣﻨﻔﻲ ﻫﺎ( را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﺑﺎ ‪ n‬ﺗﺎ ﻣﺘﻐﻴﺮ و ﺑﻪ ازاي ﻫﺮ ﻣﺘﻐﻴﺮ ﻫﻢ ﻳﻚ ﻗﻴﺪ ﻏﻴﺮ ﻣﻨﻔﻲ دارﻳﻢ‪ ،‬ﻟﺬا اﮔﺮ ‪ m+n‬ﺗﺎ‬
‫ﻧﺎﻣﺴﺎوي ‪ boundary‬داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﺗﻌﺪاد ‪ corner point‬ﻣﻲ ﺷﻮد‪ (m+n)!/m!n! :‬ﻟﺬا در ﻣﺴﺎﻟﻪ زﻳﺮ ‪ 10‬ﻧﻘﻄﻪ دارﻳﻢ‪:‬‬

‫‪ ‬‬

‫در اﻳﻦ ﺑﺮﺧﻮرد ﻫﺎ ‪ 3‬ﺗﺎ ‪ infeasible‬ﻫﺴﺘﻨﺪ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﮔﺮ ﻣﺴﺎﻟﻪ ‪ LP‬ﺟﻮاﺑﻲ داﺷﺘﻪ ﺑﺎﺷﺪ و ﺟﻮاب ﺑﻬﻴﻨﻪ داﺷﺘﻪ ﺑﺎﺷﺪ ﺣﺘﻤﺎ در ‪ corner point‬اﺳﺖ‪ .‬اﮔﺮ ﺑﻴﺶ از ﻳﻜﻲ ﺑﺎﺷﺪ ﺟﻮاب ﺑﻬﻴﻨﻪ‪ ،‬روي ﻳﻚ ﺧﻂ ﻳﺎ روي ﻳﻚ‬
‫‪31 ‬‬

‫ﺻﻔﺤﻪ ﻗﺮار ﻣﻲ ﮔﻴﺮد‪.‬‬

‫‪Page‬‬

‫روش ‪ simplex‬ﺑﺮاي رﺳﻴﺪن ﺑﻪ ﺟﻮاب ﺑﻬﻴﻨﻪ ﻣﻲ ﮔﻮﻳﺪ از ﻳﻚ ﮔﻮﺷﻪ ﻗﺎﺑﻞ ﻗﺒﻮل ﺷﺮوع ﻛﻦ و ﺑﻌﺪ ﺑﺮو ﺑﻪ ﮔﻮﺷﻪ اي ﻛﻪ ﺑﻬﺘﺮ از آن اﺳﺖ‪ ،‬و اﮔﺮ ﺑﻪ ﮔﻮﺷﻪ اي‬
‫رﺳﻴﺪي ﻛﻪ ﺑﻬﺘﺮ از آن ﻧﺒﻮد ﺑﻪ ﭘﺎﺳﺦ رﺳﻴﺪه اي‪ .‬ﺣﺮﻛﺖ ﻫﺎي اﻟﮕﻮرﻳﺘﻢ ﺑﻪ ﺷﻜﻞ زﻳﺮ اﺳﺖ‪:‬‬

‫ﺣﺎل اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﺑﻪ روش ﺳﻴﺴﺘﻤﺎﺗﻴﻚ ﻣﺒﺘﻨﻲ ﺑﺮ ﺟﺒﺮ ﺧﻄﻲ ﺑﺮوﻳﻢ ﺑﺎﻳﺴﺘﻲ ﺗﺒﺪﻳﻞ اﻧﺠﺎم دﻫﻴﻢ‪.‬‬

‫ﻣﺎ ﻳﻚ ‪ stack variable‬را اﻳﻨﺠﺎ ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﻣﺜﻼ ﻣﻘﺪاري اﺳﺖ ﻛﻪ در اﻧﺒﺎر ﺑﺎﻗﻲ ﻣﺎﻧﺪه اﺳﺖ‪ ،‬اﮔﺮ ﻛﻮﭼﻜﺘﺮ ﺑﺎﺷﺪ‪ ،‬از آن ﻛﻢ ﻣﻲ ﻛﻨﻴﻢ وﻟﻲ ﻛﻔﺎﻳﺖ‬
‫ﻧﻤﻲ ﻛﻨﺪ و ﻣﺘﻐﻴﺮ دﻳﮕﺮ اﺿﺎﻓﻪ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫اﻛﻨﻮن راه ﺣﻞ ﻧﻪ ﺗﻨﻬﺎ ‪ x1‬و‪ x2‬ﺑﻠﻜﻪ ‪ stack variable‬ﻫﺎي ‪ s1‬و ‪ s2‬و ‪ s3‬را ﻧﻴﺰ دارﻳﻢ‪.‬‬

‫ﺑﺮاي ﺣﻞ ﺑﻪ ﻣﺎﺗﺮﺳﻲ ﺗﺒﺪﻳﻞ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪32 ‬‬
‫‪Page‬‬

‫ﻫﺮ ﻧﻘﻄﻪ ﮔﻮﺷﻪ اي اﻳﻨﺠﺎ ﺑﺠﺎي دو ﻣﺘﻐﻴﺮ ﭘﻨﺞ ﻣﻘﺪار دارد‪ .‬در ﻓﻀﺎي دو ﺑﻌﺪي ﻳﻚ ‪ corner point‬ﻣﺤﻞ ﺗﻘﺎﻃﻊ دو ﺗﺎ ‪ equation‬اﺳﺖ و وﻗﺘﻲ ﺗﻘﺎﻃﻊ ﺑﺎﺷﺪ‬
‫ﻳﻌﻨﻲ ‪ stack variable‬ﻫﺎي آن ﻫﻤﻴﺸﻪ ‪ n‬ﺗﺎﺳﺖ ﺻﻔﺮ اﺳﺖ‪ ،‬ﻛﻪ اﻳﻨﺠﺎ ‪ 2‬ﺗﺎ ﺻﻔﺮ اﺳﺖ‪.‬‬

‫ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ ﻣﻘﺪار ﺻﻔﺮ ﻣﻲ ﮔﻴﺮﻧﺪ ‪ non‐basic variable‬اﻧﺪ‪.‬‬

‫اﻣﺎ از ﭼﻪ ﻧﻘﻄﻪ اي ﺷﺮوع ﺑﻪ ﺣﻞ ﻣﺴﺎﻟﻪ ﻛﻨﻴﻢ ‪ ،corner point‬اﺳﺖ‪ .‬ﻫﻤﻪ ‪ variable‬ﻫﺎ را ﺻﻔﺮ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و ‪ stack variable‬ﻫﺎ ﺑﺮاﺑﺮ ﻃﺮف ﻣﻘﺎﺑﻞ ﻣﻲ‬
‫ﮔﺮدﻧﺪ‪.‬‬

‫اﻛﻨﻮن ﻣﺎ ‪ Z‬را ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺎﻛﺰﻳﻤﻢ ﻛﻨﻴﻢ را ﻧﻴﺰ ﺑﺼﻮرت ‪ equation‬در ﻣﻲ آورﻳﻢ‪ .‬ﻛﻪ ﻧﺎﺑﺮاﺑﺮي آن را ﺻﻔﺮ ﻣﻲ ﮔﺬارﻳﻢ‪ ،‬اﻣﺎ از ﻛﺠﺎ ﺑﺪاﻧﻴﻢ ﻛﻪ ﻧﻘﻄﻪ ﺑﻬﺘﺮ را‬
‫ﺑﻴﺎﺑﻴﻢ ﻗﺮار ﻧﻴﺴﺖ ﻛﻪ ‪ taste‬ﻛﻨﻴﻢ‪.‬‬

‫‪ Z‬اﮔﺮ ﺑﺨﻮاﻫﺪ ﻣﺜﺒﺖ ﺷﻮد ﺗﺴﺎوي ﻧﺒﺎﻳﺴﺘﻲ ﺑﻬﻢ ﺑﺨﻮرد ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ ﺿﺮﻳﺐ ﻣﻨﻔﻲ دارد ﺑﺎﻳﺴﺘﻲ ﻣﺎﻛﺰﻳﻤﻢ ﺷﻮﻧﺪ‪ ،‬ﻟﺬا ﻣﻲ ﮔﻮﻳﺪ اﮔﺮ ﻣﻘﺪار ‪ x2‬ﺑﺎﻻ رود ﻓﺮﺻﺖ ﻣﻲ‬
‫دﻫﺪ ﻛﻪ ‪ Z‬ﺑﺎﻻ ﺑﺮود‪.‬‬

‫اﮔﺮ ﺿﺮﻳﺐ ﻣﻨﻔﻲ وﺟﻮد داﺷﺖ ﻳﻌﻨﻲ ﻣﺘﻐﻴﺮي دارﻳﻢ ﻛﻪ ﻛﺎﻧﺪﻳﺪا ﺷﻮد‪.‬‬

‫ﺟﺎﻳﻲ ﻛﻪ دو ﺗﺎ ﻣﻨﻔﻲ دارﻳﻢ ‪ aggressive‬ﻧﮕﺎه ﻣﻲ ﻛﻨﺪ و ﻣﻲ ﮔﻮﻳﺪ آﻧﻲ را اﻧﺘﺨﺎب ﻛﻦ ﻛﻪ ﺑﻴﺸﺘﺮ ﻛﻢ ﻣﻲ ﻛﻨﺪ و ﺑﻪ ﺳﻤﺖ آن ﻣﻲ رود‪ .‬اﻣﺎ ‪ X2‬ﭼﻘﺪر ﻣﻲ ﺗﻮاﻧﺪ‬
‫اﺿﺎﻓﻪ ﺷﻮد‪.‬‬

‫وﻗﺘﻲ ﻣﻲ رﺳﺪ ‪ X2‬ﺑﻪ ‪ 6‬ﻳﻚ ‪ stack variable‬ﺻﻔﺮ ﻣﻲ ﺷﻮد‪ ،‬وﻗﺘﻲ ﺑﻴﺸﺘﺮ ﺑﺎﻻ ﺑﺮود ‪ s3‬ﻧﻴﺰ ﻣﻨﻔﻲ ﻣﻲ ﺷﻮد اﻣﺎ ﺑﺎ اﻳﻦ اﻓﺰاﻳﺶ ﺑﻼﻳﻲ ﺳﺮ ‪ s1‬ﻧﻤﻲ آﻳﺪ‪ ،‬ﻟﺬا ﺑﻪ‬
‫ﻧﺘﻴﺠﻪ ﻣﻲ رﺳﻴﻢ ﻛﻪ ‪ X2‬ﺑﻪ ‪ 6‬ﻣﺤﺪود ﺷﻮد در ﻓﻀﺎي ‪ n‬ﺑﻌﺪي ﺑﺎﻳﺴﺘﻲ ﻣﻘﺎﻳﺴﻪ اﻧﺠﺎم ﺷﻮد و ﺑﻴﻦ آﻧﻬﺎ ﻳﻜﻲ را ﺑﻪ ﻋﻨﻮان ﺣﺪاﻛﺜﺮ ﻣﻴﺰاﻧﻲ ﻛﻪ ‪ X2‬ﻣﻲ ﺗﻮاﻧﺪ اﻓﺰاﻳﺶ‬
‫ﭘﻴﺪا ﻛﻨﺪ اﻧﺘﺨﺎب ﻛﻨﻴﻢ‪.‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﻫﺮ ﻣﻘﺪاري ﻛﻪ در ‪ write hand side‬اﺳﺖ ﺑﻪ ﻃﺮف ﻣﻘﺎﺑﻞ اﺿﺎﻓﻪ ﻛﻨﻴﺪ‪ ،‬ﻳﻌﻨﻲ ﻛﺠﺎ ﻳﻜﻲ از ﻣﺘﻐﻴﺮﻫﺎ ﻣﻨﻔﻲ ﻣﻲ ﺷﻮد‪ ،‬ﻣﺎ اوﻟﻴﻦ ﺟﺎﻳﻲ ﻛﻪ ﻳﻚ ﻣﺘﻐﻴﺮ‬
‫ﻣﻨﻔﻲ ﻣﻲ ﺷﻮد ﻣﻲ اﻳﺴﺘﻴﻢ‪ ،‬ﺳﻄﺮ ﻧﻈﻴﺮ را ‪ pivout row‬ﮔﻮﻳﻨﺪ و ﻓﺼﻞ ﻣﺸﺘﺮك ﺳﻄﺮ و ﺳﺘﻮن را ‪ pivout number‬ﮔﻮﻳﻴﻢ‪.‬‬

‫ﻓﺮﺿﻴﺎت ‪:Linear Programming‬‬

‫‪  Certainty‬‬ ‫‪.1‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪ :Proportionality‬ﻳﻌﻨﻲ راﺑﻄﻪ ﺧﻄﻲ ﺑﻴﻦ ﺗﻮﻟﻴﺪ و ﻫﺰﻳﻨﻪ وﺟﻮدداﺷﺘﻪ ﺑﺎﺷﺪ‪  .‬‬ ‫‪.2‬‬
‫‪33 ‬‬

‫‪ :Additivity‬اﻋﺪادي ﻛﻪ ﺑﺎ ﻫﻢ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ ﺑﺎ ﻫﻢ ﻗﺎﺑﻞ ﺟﻤﻊ اﺳﺖ‪  .‬‬ ‫‪.3‬‬

‫‪Page‬‬

‫‪ :Divisibility‬ﻳﻌﻨﻲ ﻣﺘﻐﻴﺮي ﻛﻪ در ﻣﺴﺎﻟﻪ ﻣﻲ آورﻳﺪ ﺑﺘﻮاﻧﺪ ﻣﻘﺪار ‪ real‬ﺑﻪ ﺧﻮد ﺑﮕﻴﺮد‪  .‬‬ ‫‪.4‬‬

‫‪  Non‐Negativity‬‬ ‫‪.5‬‬

‫روش دﻳﮕﺮي ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ دارﻳﻢ ﻛﻪ‪  IsoProfit Line‬اﺳﺖ ﻛﻪ ﺧﻂ را از ﭘﺎﻳﻴﻦ ﺣﺮﻛﺖ ﻣﻲ دﻫﻲ ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ ﺑﻪ ﻣﺎﻛﺴﻴﺴﻤﻢ ﺑﺮﺳﺪ‪.‬‬

‫ﺑﺮاي ‪ sensitivity Analysis‬ﻣﺎ ‪ what if question‬را دارﻳﻢ‪ .‬ﻣﺜﻼ ﻣﻲ ﮔﻮﻳﻨﺪ اﺗﻔﺎﻗﻲ در ﺑﺎزار ﻣﻲ اﻓﺘﺪ ﺳﻮد ﻛﻢ ﻣﻲ ﺷﻮد‪ ،‬ﻛﻪ ﺗﻐﻴﻴﺮ در ﺗﺎﺑﻊ ﻫﺪف اﺳﺖ‪،‬‬
‫ﮔﺎﻫﻲ ﻫﻢ ﻓﺸﺎرﻫﺎي ﺑﻴﺮوﻧﻲ اﺳﺖ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻲ ﻣﻨﺒﻊ ﺟﺪﻳﺪ ﺑﺨﺮي ﻛﻪ ﻓﺸﺎر ﻣﻲ دﻫﻨﺪ ﺑﻪ ﺳﺎزﻣﺎن ﻛﻪ ﭘﻮل ﺑﻴﺸﺘﺮ ﺑﮕﻴﺮﻧﺪ ﻣﻲ ﺧﻮاﻫﻨﺪ ﺑﺒﻴﻨﻨﺪ ﺗﺎ ﻛﺠﺎ ﻛﻮﺗﺎه ﻣﻲ‬
‫آﻳﻴﺪ‪ ،‬ﻛﻪ ﻣﻮارد زﻳﺮ ﻣﻲ ﺗﻮاﻧﺪ ﻋﻮض ﺷﻮد‪:‬‬

‫)‪  Changes in Resources (RHS‬‬ ‫•‬

‫‪  Changes in the Objective Function Coefficient‬‬ ‫•‬

‫‪  Changes in Technological Coefficients‬‬ ‫•‬

‫ﻣﺎ ﭼﻴﺰي ﺑﻪ ﻧﺎم ‪ Shadow price‬دارﻳﻢ ﻛﻪ ﺟﺎﻳﻲ ﻣﻌﻨﺎ دارد ﻛﻪ ﻣﺤﺪودﻳﺖ ﻣﻨﺎﺑﻊ دارﻳﺪ و ﺣﺎﺿﺮﻳﺪ ﺑﺮاي آن ﺧﺮج ﻛﻨﻴﺪ‪ ،‬ﭼﻘﺪر ﺣﺎﺿﺮﻳﺪ ﺑﺮاي ﻫﺮ واﺣﺪ اﺿﺎﻓﻪ از‬
‫آن ﻣﻨﺒﻊ ﭘﺮداﺧﺖ ﻛﻨﻴﺪ؟ ﻣﺎﻛﺰﻳﻤﻤﻲ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﺪ ﺑﺨﺮﻳﺪ ‪ shadow price‬ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬ﺑﺮاي ﻣﻮارد ﺑﻬﻴﻨﻪ ﻛﻪ ‪ stack variable‬ﺻﻔﺮ ﺑﻮد ‪shadow ‬‬
‫‪ price‬ﺧﻮاﻫﻴﺪ داﺷﺖ‪ .‬ﻟﺬا اﮔﺮ ‪ stack variable‬ﺻﻔﺮ ﻧﺒﺎﺷﺪ ‪ shadow price‬ﻧﺪارﻳﻢ‪.‬‬

‫ﺣﺎﻟﺖ ﻫﺎي ﺧﺎﺻﻲ در ﺣﻞ ‪ simplex‬وﺟﻮد دارد‪:‬‬

‫‪  Infeasibility‬‬ ‫‪.1‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪34 ‬‬
‫‪Page‬‬

‫‪ ‬‬

‫‪ :Redundancy‬ﺣﺘﻲ اﮔﺮ ﻓﻬﻤﻴﺪﻳﺪ ﻛﻪ ‪ redundant constraint‬اﺳﺖ آن را ﺣﺬف ﻧﻜﻨﻴﺪ‪ ،‬ﭼﻮن اﻳﻦ ﻣﻮارد ﺗﻘﺮﻳﺐ اﺳﺖ‪  .‬‬ ‫‪.2‬‬

‫‪ ‬‬

‫‪  :More than one optimal solution‬‬ ‫‪.3‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪35 ‬‬
‫‪Page‬‬

‫‪ ‬‬

‫‪  Unbound solution‬‬ ‫‪.4‬‬

‫‪ ‬‬

‫‪  Degeneracy‬‬ ‫‪.5‬‬

‫‪ ‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪Having selected the pivot column, one divides each quantity column no. (RHS) to the corresponding ‬‬
‫‪36 ‬‬

‫‪pivot column no., if all ratios are negative or undefined, it indicates that the problem is unbounded.‬‬

‫‪Degeneracy‬‬
‫‪Page‬‬

‫‪Having  selected  the  pivot  column,  one  divides  each  quantity  column  no.  (RHS)  to  the ‬‬ ‫•‬
‫‪corresponding  pivot  column  no.,  if  there  is  a  tie  for  the  smallest  ratio,  this  is  a  signal  that ‬‬
‫‪  degeneracy exists.‬‬

‫‪  Cycling may result from degeneracy.‬‬ ‫•‬

‫‪ :Slack variables‬ﭼﻴﺰي ﻛﻪ اﺿﺎﻓﻪ ﻣﻲ ﺷﻮد ﺑﺮاي ﺑﺰرﮔﺘﺮ ﺑﻮدن‪  .‬‬ ‫•‬

‫‪ :Surplus variables‬ﭼﻴﺰي ﻛﻪ ﻛﻢ ﻣﻲ ﺷﻮد در ﻛﻮﭼﻜﺘﺮ ﺑﻮدن‪  .‬‬ ‫•‬

‫‪ :Artificial variables‬ﺟﻬﺖ ﺗﻌﺎدل در ‪  .surplus‬‬ ‫•‬

‫ﺑﺮاي ﺣﺎﻟﺘﻲ ﻛﻪ ‪ ،3x1+5x2>=20‬ﻣﺎ اﺳﺘﺎﻧﺪارد را ﺑﺎ ‪ artificial variable‬اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪3X1+5X2‐S+A=20     :‬‬

‫ﻣﺎ ﺑﺎﻳﺴﺘﻲ در ‪ Artificial‬ﻛﺎر ﻛﻨﻴﻢ در ‪ iteration‬آﺧﺮ ‪ A‬را ﺻﻔﺮ ﻛﻨﻴﻢ‪ ،‬ﻟﺬا در ﺗﺎﺑﻊ ﻫﺪف ‪ A‬را در ﺿﺮﻳﺐ ﺑﺰرگ ﺿﺮب ﻣﻲ ﻛﻨﻨﺪ و ﺑﺎ ﺑﺎﻗﻲ ﻣﻮارد ﺟﻤﻊ‬
‫ﻣﻲ ﻛﻨﻨﺪ‪ ،‬اﻣﺎ ﺟﻬﺖ را ﺑﺎﻳﺴﺘﻲ ﺣﻮاس را ﺟﻤﻊ ﻛﺮد‪ ،‬ﻟﺬا در ‪ Maximization‬ﺑﺎﻳﺴﺘﻲ ﺿﺮﻳﺒﻲ ﻣﺜﺒﺖ ﺑﮕﺬارﻳﻢ‪.‬‬

‫در ﻛﺘﺎب ﻓﺼﻞ ‪ 6‬و ‪ 7‬و ‪ 8‬اﻳﻦ ﻣﺴﺎﺋﻞ را دارد‪ ،‬ﻓﺼﻞ ‪ 6‬و ‪ 7‬ﮔﺮاﻓﻴﻜﻲ اﺳﺖ و راﺣﺖ ﻓﻘﻂ ﺟﺪول را از اﺳﻼﻳﺪﻫﺎ ﺑﺨﻮاﻧﻴﺪ ﻛﺎﻓﻲ اﺳﺖ‪ ،‬در ﻓﺼﻞ ‪ 8‬در دو‬
‫ﺻﻔﺤﻪ ﺷﻔﺎف ‪ artificial‬و‪ surplus‬را ﺗﻮﺿﻴﺢ ﻣﻲ دﻫﺪ‪ .‬زﻳﺎد ﻧﻴﺎزي ﻧﻴﺴﺖ در ‪ simplex‬ﺑﺮوﻳﺪ‪.‬‬

‫ﺗﺎرﻳﺦ‪/06 :‬آﺑﺎن‪1387/‬‬

‫ﺟﻠﺴﻪ ﻓﻮق اﻟﻌﺎده ﻗﺒﻠﻲ ﻛﻪ ‪ Integer programming‬ﺑﻮد‪ ،‬ﻧﺒﻮدم‪ ،‬از روي اﺳﻼﻳﺪ ﻣﻄﺎﻟﻌﻪ ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫‪:Network Models‬‬

‫ﻳﻚ ﺳﺮي از ﻣﺪﻟﻬﺎي رﻳﺎﺿﻲ از ﺟﻨﺲ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺧﻄﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ﻳﻚ ﺳﺮي وﻳﮋﮔﻲ ﻫﺎ در ذات ﻣﺴﺎﻟﻪ اﺳﺖ‪ .‬ﻛﻪ اﻓﺮاد اﺳﺘﻔﺎده ﻛﺮدﻧﺪ و اﻟﮕﻮرﻳﺘﻢ ﺗﺨﺼﺼﻲ را‬
‫ﺑﺮاي آن ﻣﺸﺨﺺ ﻧﻤﻮده اﻧﺪ‪ ،‬اﺛﺒﺎت ﻛﺮده اﻧﺪ‪ ،‬ﻛﻪ اﻳﻦ راه ﺣﻞ ﺳﺎده ﺧﻮد را در ‪ complexity‬ﻧﺸﺎن ﻣﻲ دﻫﺪ ﻛﻪ ﭼﮕﻮﻧﻪ ‪ efficiency‬ﻧﺴﺒﺖ ﺑﻪ ‪simplex‬‬
‫ﺧﻮد را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬

‫ﻳﻚ دﺳﺘﻪ از اﻳﻦ ﻣﺴﺎﻟﻪ ﻫﺎ در ‪ network models‬ﻃﺒﻘﻪ ﺑﻨﺪي ﺷﺪه اﻧﺪ‪.‬‬

‫در دﻧﻴﺎي واﻗﻌﻲ ﻣﺴﺎﺋﻞ ﺑﺴﻴﺎري ﻫﺴﺘﻨﺪ ﻛﻪ در ﻗﺎﻟﺐ ‪ network models‬ﻫﺴﺘﻨﺪ‪.‬‬

‫ﻳﻚ ﺷﺒﻜﻪ ﺗﺮﻛﻴﺒﻲ از ﻳﻚ ﻣﺠﻤﻮﻋﻪ ﻧﻮد و ﻳﻚ ﻣﺠﻤﻮﻋﻪ ‪ arc‬اﺳﺖ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫در دﻧﻴﺎي واﻗﻌﻲ ﺑﺴﺘﻪ ﺑﻪ اﻳﻦ اﺳﺖ ﻛﻪ در ﭼﻪ ‪ context‬اي ﻧﮕﺎه ﻛﻨﻴﻢ‪ ،‬ﻣﺜﻼ آب و ﻓﺎﺿﻼب ﻛﻪ ﺷﺒﻜﻪ ﻫﺎﻳﺸﺎن ﺑﺎ ﻫﻢ ﺟﺪا اﺳﺖ‪ ،‬اﮔﺮ ﺷﺒﻜﻪ ﺟﺎده اي ﺑﺎﺷﺪ ﻛﻪ‬
‫‪37 ‬‬

‫ﻣﻌﻠﻮم اﺳﺖ‪.‬‬
‫‪Page‬‬

‫ﺷﺒﻜﻪ ﻫﺎﻳﻲ ﻛﻪ ﺑﺮق ﻓﺸﺎره ﻗﻮي اﻧﺘﻘﺎل ﻣﻲ دﻫﻨﺪ‪.‬‬

‫ﺑﻬﻴﻨﻪ ﺳﺎزي را ﺑﺮ اﺳﺎس ‪ cost‬ﻳﺎ ﻫﺰﻳﻨﻪ ﻫﺎ دارﻳﻢ‪.‬‬

‫ﻣﺎ ﺳﻪ ﺟﻮر ‪ arc‬ﻣﻲ ﺗﻮان ﺗﻌﺮﻳﻒ ﻛﺮد‪ directed arc ،‬ﻛﻪ از ﻳﻚ ﺟﻬﺖ اﺳﺖ‪ undirected ،‬دارﻳﻢ ﻛﻪ ﺟﻬﺖ ﻧﺪارد‪ ،‬ﺣﻠﻘﻪ ﻫﻢ ‪ unidirectional‬اﺳﺖ‬
‫ﻛﻪ از ﻳﻚ ﻧﻮد ﺑﻪ ﺧﻮدش اﺳﺖ‪.‬‬

‫دو ‪ sub network‬ﻣﻬﻢ را اﻳﻨﺠﺎ ﻣﻄﺮح ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫‪ Cycle‬ﻳﻌﻨﻲ از ﻳﻚ ﻧﻮد ﺷﺮوع ﻣﻲ ﺷﻮد و از ﺗﻌﺪادي ﻧﻮد ﻋﺒﻮر ﻣﻲ ﻛﻨﺪ و ﺑﻪ ﺧﻮدش ﺑﺮ ﻣﻲ ﮔﺮدد‪ .‬دوﻣﻴﻦ ‪ tree ،sub network‬اﺳﺖ ﻛﻪ ﻣﺠﻤﻮﻋﻪ اي از‬
‫ﻧﻮدﻫﺎ را ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﻣﻲ ﻛﻨﺪ‪ .‬ﻛﻪ ﺳﻴﻜﻠﻲ ﻧﺪارد‪.‬‬

‫ﺳﻪ ﻧﻮع ﻣﺴﺎﻟﻪ از ﻧﻮع ‪ network‬را ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ‪:‬‬

‫‪  Minimal spanning tree problem‬‬ ‫‪.1‬‬

‫‪  Shortest path‬‬ ‫‪.2‬‬

‫‪  Maximum flow‬‬ ‫‪.3‬‬

‫‪ :Spanning tree‬ﻳﻚ درﺧﺖ اﺳﺖ در ﻳﻚ ﺷﺒﻜﻪ ﻛﻪ ﻫﻤﻪ ﻧﻮدﻫﺎ را ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﻣﺎ در اﻳﻨﺠﺎ ‪ redundancy‬ﻧﺪارﻳﻢ‪ ،‬در ﺑﻌﻀﻲ ﺟﺎﻫﺎ ‪ redundancy‬وﺟﻮد دارد ﻗﺼﺪا اﻣﺎ اﻳﻨﺠﺎ ﻧﻴﺴﺖ‪.‬‬

‫‪:Minimum Spanning tree problem‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻣﺎ درﺧﺘﻲ را ﺑﻴﺎﺑﻴﻢ ﻛﻪ ﻫﻤﻪ را ﺑﻪ ﻫﻢ ﻣﺘﺼﻞ ﻛﻨﺪ اﻣﺎ ﻛﻤﺘﺮﻳﻦ ﻃﻮل را داﺷﺘﻪ ﺑﺎﺷﺪ‪ .‬ﮔﺎﻫﻲ ﺟﺎي ﺑﻌﺪ ﻣﻜﺎﻧﻲ‪ ،‬ﺑﻌﺪ زﻣﺎﻧﻲ‪ ،‬ﻳﺎ ﻫﺰﻳﻨﻪ را ﻣﻲ ﮔﺬارﻧﺪ‪.‬‬

‫ﻣﺘﻐﻴﺮ ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﻳﻦ اﺳﺖ ﻛﻪ ‪ xij‬ﺻﻔﺮ ﻳﺎ ﻳﻚ ﺑﺎﺷﺪ‪،‬‬

‫ﻛﻠﻲ ﻫﺰﻳﻨﻪ ﺻﺮف ﺷﺪه ﻛﻪ ﻫﺰﻳﻨﻪ ﻫﺎي زﻳﺮ اﺳﺘﺨﺮاج ﺷﺪه اﺳﺖ‪ ،‬ﻛﻪ ﺑﺮ اﺳﺎس ﺗﻜﻨﻮﻟﻮژي و ‪ ...‬ﺑﺎ دﻳﺪ ﻛﺎرﺷﻨﺎﺳﻲ ﺧﺎص ﺗﻌﻴﻴﻦ ﺷﺪه اﺳﺖ‪:‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪38 ‬‬
‫‪Page‬‬

‫اﻟﮕﻮرﻳﺘﻢ‪:‬‬

‫ﻳﻚ ﻧﻮد آﻏﺎز را اﻧﺘﺨﺎب ﻛﻦ‪  .‬‬ ‫‪.1‬‬

‫اﻳﻦ ﺑﻪ ﻋﻨﻮان ﺟﻮاب اوﻟﻴﻪ ‪ spanning tree‬اﺳﺖ ‪ ‬‬ ‫‪.2‬‬

‫ﻧﻮدي ﻛﻪ ﺑﺎ ‪ spanning tree‬ﻛﻨﻮﻧﻲ ﻧﺰدﻳﻚ ﺗﺮ اﺳﺖ ﺑﺎ ﻳﺎل ﻓﺎﺻﻠﻪ اﻧﺘﺨﺎب ﻛﻦ و آن را ﺑﻪ ‪ spanning tree‬اﺿﺎﻓﻪ ﻛﻦ‪  .‬‬ ‫‪.3‬‬

‫ﻣﺮﺣﻠﻪ ‪ 3‬را ﺗﺎ وﻗﺘﻲ ﻛﻪ ﺗﻤﺎم ﻧﻮدﻫﺎ ﭘﻮﺷﺎﻧﺪه ﺷﻮد ﺗﻜﺮار ﻛﻨﻴﺪ‪  .‬‬ ‫‪.4‬‬

‫در دﻧﻴﺎي واﻗﻌﻲ دو ﻣﻄﻠﺐ ﻣﻄﺮح اﺳﺖ‪ ،‬ﻳﻜﻲ اﻳﻨﻜﻪ اﻳﻦ ﻣﺴﺎﻟﻪ را ﻣﻲ ﺗﻮان ﺑﺎ ‪ spanning tree‬ﺣﻞ ﻛﺮد ﻳﺎ ﺧﻴﺮ‪ ،‬و اﻋﺪاد ﭼﻴﺴﺖ‪.‬‬

‫ﻣﺴﺎﻟﻪ ‪:Shortest Path‬‬

‫ﻳﻚ ﺷﺒﻜﻪ ﺑﺎ ‪ n‬ﺗﺎ ﻧﻮد دارﻳﻢ ﻛﻪ از ﻧﻮد ‪ 1‬ﺷﺮوع ﻣﻲ ﻛﻨﻴﻢ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﻪ ﺗﺮﻣﻴﻨﺎل ﻧﻮد آﺧﺮ ﺑﺮوﻳﻢ‪ Arc .‬ﻫﺎ دو ﻃﺮﻓﻪ اﻧﺪ‪.‬‬

‫راه ﺣﻞ ‪:shortest path‬‬

‫ﻧﺰدﻳﻚ ﺗﺮﻳﻦ ﻧﻘﻄﻪ را ﺑﻪ ﻣﺒﺪاء اﻧﺘﺨﺎب ﻛﻦ‪ ،‬ﻧﺎم اﻳﻦ ﻣﺠﻤﻮﻋﻪ را ‪ permanent set‬ﻛﻦ‪  .‬‬ ‫‪.1‬‬

‫ﺗﻤﺎم ﻧﻮدﻫﺎﻳﻲ ﻛﻪ ﻣﻲ ﺷﻮد ﺑﻪ ﻃﻮر ﻣﺴﺘﻘﻴﻢ ﺑﻪ ‪ Permanent set‬وﺻﻞ ﺷﻮد‪ candidate set ،‬ﻫﺴﺘﻨﺪ‪ ،‬ﻧﻮدي را اﻧﺘﺨﺎب ﻛﻦ ﻛﻪ ﻧﺰدﻳﻚ‬ ‫‪.2‬‬
‫ﺗﺮﻳﻦ ﻧﻮد ﺑﻪ ﻧﻮد ﻣﻨﺒﻊ اﺳﺖ‪ ،‬اﻧﺘﺨﺎب ﻛﻦ‪ ،‬و ﺑﻪ ‪ permanent set‬اﺿﺎﻓﻪ ﻛﻦ‪  .‬‬

‫ﻗﺪم ‪ 2‬را اداﻣﻪ ﺑﺪه‪  .‬‬ ‫‪.3‬‬

‫ﻣﺴﺎﻟﻪ ‪:Maximum flow‬‬

‫در اﻳﻦ ﻣﺴﺎﻟﻪ ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ ﻏﻴﺮ از ﻣﺒﺪا و ﻣﻘﺼﺪ ﻧﻮدﻫﺎ ‪ absorption‬ﻧﺪارﻧﺪ‪ ،‬ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺎﻛﺴﻴﻤﻢ ﺟﺮﻳﺎن را از ﻳﻚ ﺷﺒﻜﻪ از ﻣﻘﺼﺪ ﺑﻪ ﻣﺒﻨﻌﻲ اﻧﺘﻘﺎل دﻫﻴﻢ‪.‬‬

‫اﻟﮕﻮرﻳﺘﻢ‪ :‬ﺷﺮوع ﻣﻲ ﻛﻨﻴﻢ و ﺟﺮﻳﺎن ﻫﺎﻳﻲ را ﻣﻲ ﮔﺬراﻧﻴﻢ و ﻫﺮ دﻓﻌﻪ ﺷﺒﻜﻪ ﺑﺎﻗﻲ ﻣﺎﻧﺪه را ﺑﺎ ﻛﺎﻫﺶ ﺟﺮﻳﺎن ﻫﺎي اﻳﻦ ﻣﺴﻴﺮ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻴﻢ و ﻣﺠﺪدا ﻛﺎر را از اول‬
‫اﻧﺘﻘﺎل ﻣﻲ دﻫﻴﻢ ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ دﻳﮕﺮ ﻧﺘﻮاﻧﻴﻢ ﺟﺮﻳﺎﻧﻲ ﻋﺒﻮر دﻫﻴﻢ ﻛﻪ اﻳﻦ ﻣﺎﻛﺰﻳﻤﻢ ﺟﺮﻳﺎن اﺳﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺤﺚ ‪ minimum cut‬ﻫﻢ ﻣﻄﺮح اﺳﺖ ﻛﻪ ‪ cut‬ﻣﺎ ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد ﻛﻪ ﺗﻘﺴﻴﻤﻲ از ﻧﻮدﻫﺎ ﺑﻪ دو ﻣﺠﻤﻮﻋﻪ ﻛﻪ ‪ sink‬و ‪ source‬در دو ﻣﺠﻤﻮﻋﻪ ﻣﺨﺘﻠﻒ‬
‫‪39 ‬‬

‫ﺑﺎﺷﻨﺪ‪ ،‬ﻣﻴﺰان ﺟﺮﻳﺎن اﻳﻦ ‪ cut‬ﻫﺎ را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و ﻛﻮﭼﻜﺘﺮﻳﻦ ‪ cut‬را ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬
‫‪Page‬‬

‫آﺧﺮﻳﻦ ‪ Iteration‬اﻟﮕﻮرﻳﺘﻢ ﻟﺬا ﻛﺎﻓﻲ اﺳﺖ ‪ cut‬اي ﺑﻴﺎﺑﻴﻢ ﻛﻪ ﺻﻔﺮ ﺑﺎﺷﺪ‪.‬‬

‫ﺑﺮاي ﺗﻬﺮان و ﻛﺮج ﭼﻪ ﻛﻨﻴﻢ؟ ﻳﻚ ﻧﻘﻄﻪ ﻓﺮﺿﻲ ﺑﺮاي ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ از اﻳﻦ ﻧﻘﻄﻪ ﺑﻪ ﻣﻴﺪان ﻫﺎ وﺻﻞ ﻣﻲ ﻛﻨﻴﻢ و ﻇﺮﻓﻴﺖ را ﻏﻴﺮ ﻣﺤﺪود ﻛﻨﻨﺪه در ﻧﻈﺮ‬
‫ﻣﻲ ﮔﻴﺮﻳﻢ‪.‬‬

‫در ‪ Domain‬ﻫﺎي ﻛﻮﭼﻚ ﺳﻌﻲ ﻛﻨﻴﺪ ﻣﺴﺎﺋﻞ را ﺑﺎ ‪ Integer‬ﺣﻞ ﻛﻨﻴﺪ ﻣﻮاردي ﻛﻪ ﻣﺜﻼ ﺗﻌﺪاد آدم ﻫﺎ را ﻣﻲ ﺳﻨﺠﻴﻢ‪ ،‬در ﺣﺎﻟﻴﻜﻪ در ‪ Domain‬ﻫﺎي ﺑﺰرگ‬
‫ﻣﻲ ﺗﻮان ‪ Simplex‬ﺣﻞ ﻛﺮد و ﺑﻌﺪ رﻧﺪ ﺑﻪ ﺑﺎﻻ و ﭘﺎﻳﻴﻦ ﻛﺮد‪.‬‬

‫ﺗﺎرﻳﺦ‪/18 :‬آﺑﺎن‪1387/‬‬

‫اﻣﺘﺠﺎن ﻣﻴﺎن ﺗﺮم ﭘﻨﺞ ﺷﻨﺒﻪ ‪ 30‬ام اﺳﺖ‪.‬‬

‫ﺳﻪ ﺷﻨﺒﻪ ﺳﺎﻋﺘﻲ ‪ 4:30-3‬در ﻻﺑﺮاﺗﻮار اﺳﺖ‪.‬‬

‫اﻣﺮوز ﻣﺪﻟﻬﺎي ﺧﻄﻲ دﻳﮕﺮ را دارﻳﻢ ﻛﻪ ﻣﻲ ﺷﻮد از روش ﻫﺎي ﺳﺎده ﺗﺮ از ‪ simplex‬اﺳﺘﻔﺎده ﻛﺮد‪ .‬دو دﺳﺘﻪ اﻧﺪ‪:‬‬

‫‪ .1‬ﻣﺪل ﻫﺎي ﺣﻤﻞ و ﻧﻘﻞ‪ :‬ﺗﻌﺪادي ‪ source‬و ‪ sink‬دارﻳﻢ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺟﺎﺑﺠﺎﻳﻲ از ﻛﺎرﺧﺎﻧﻪ ﺑﻪ اﻧﺒﺎرﻫﺎ دارﻳﻢ‪ ،‬ﻛﻪ ﻣﺎ ﭼﻨﺪ اﻧﺘﺨﺎب‬
‫دارﻳﻢ ﻛﻪ روي ﻫﺰﻳﻨﻪ ﺗﺎﺛﻴﺮﮔﺬار اﺳﺖ‪ .‬اﻳﻨﻜﻪ ﭼﻘﺪر ﻓﺮودﮔﺎه را از ﻛﺠﺎ ﺗﻐﺰﻳﻪ ﻛﻨﻴﻢ روي ﻛﻴﻠﻮﻣﺘﺮ ﻛﺎﻣﻴﻮن ﻫﺎ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد‪ ،‬و ﺑﺤﺚ درﺟﻪ‬
‫ﺣﺮارت آﺳﻔﺎﻟﺖ اﺳﺖ‪  .‬‬

‫‪ .2‬ﻣﺪﻟﻬﺎي ‪ :Assignment‬ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ ‪ 4‬ﺗﺎ ﻣﺘﺨﺼﺺ دارﻳﻢ ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺗﺨﺼﺺ ﻫﺎ ﺣﻘﻮق ﻣﺘﻔﺎوت دارﻧﺪ‪ .‬ﺗﻮان ﻫﺎي ﻣﺘﻌﺪد‬
‫ﻛﺎرﮔﺮان را ﻧﻴﺰ دارﻳﻢ‪ .‬اﻳﻨﻜﻪ ﻛﺪام ﻛﺎر را ﺑﻪ ﭼﻪ ﻛﺴﻲ ﺑﺪﻫﻴﻢ ﺑﺎ ‪ assignment‬ﻫﺎ ﺣﻞ ﻣﻲ ﺷﻮد‪ .‬ﻣﻲ ﺷﻮد از ‪ LP‬ﺑﺮاي ﻣﺪﻟﺴﺎزي‬
‫اﺳﺘﻔﺎده ﻛﺮد و ﺑﺎ ‪ Simplex‬ﺣﻞ ﻛﺮد‪  .‬‬

‫اﻟﮕﻮرﻳﺘﻢ ﻫﺎي ﺗﺨﺼﺼﻲ ﺑﺎﻋﺚ ﺻﺮﻓﻪ ﺟﻮﻳﻲ در زﻣﺎن و ﻫﺰﻳﻨﻪ ﻣﻲ ﮔﺮدد‪.‬‬

‫ﻣﺴﺎﻟﻪ ‪ : Transportation‬ﻣﺎ ﺳﻪ ﻛﺎرﺧﺎﻧﻪ دارﻳﻢ و ﺳﻪ اﻧﺒﺎر ﻛﻪ در ﺟﺎﻫﺎي ﻣﺨﺘﻠﻒ واﻗﻊ ﺷﺪه اﻧﺪ ﺗﻮﻟﻴﺪات را ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﻪ اﻧﺒﺎرﻫﺎ ﺑﻔﺮﺳﺘﻴﻢ ﻛﻪ‬
‫‪ Cost funcation‬ﻣﻴﻨﻴﻤﻢ ﮔﺮدد‪.‬‬

‫‪ Unit Cost‬ارﺳﺎل ﻫﺮ آﻳﺘﻢ از ﻫﺮ ﺳﻮرس ﺑﻪ ﻫﺮ ‪ destination‬ﻣﻲ داﻧﻴﻢ ﻛﻪ ﺑﺼﻮرت زﻳﺮ اﺳﺖ‪:‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪40 ‬‬
‫‪Page‬‬

‫اﻳﻨﺠﺎ ﺣﺎﻟﺖ ﺳﺎده اﺳﺖ ﻛﻪ ﻫﺰﻳﻨﻪ ﺗﻮﻟﻴﺪ ﻫﺎ ﺑﺮاﺑﺮ اﺳﺖ‪.‬‬

‫ﺟﺪوﻟﻲ اﻳﺠﺎد ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ در ﻫﺮ ﻛﺪام ‪ UnitCost‬ﻧﻮﺷﺘﻪ ﺷﺪه اﺳﺖ‪:‬‬

‫اﻳﻨﺠﺎ ﺗﻌﺎدل ﺑﻴﻦ ﻋﺮﺿﻪ و ﺗﻘﺎﺿﺎ وﺟﻮد دارد‪:‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪41 ‬‬
‫‪Page‬‬

‫ﺳﻮاﻟﻲ ﻛﻪ ﻣﻄﺮح ﻣﻲ ﺷﻮد اﻳﻦ اﺳﺖ ﻛﻪ از ﭼﻪ ﻧﻘﻄﻪ اي ﺷﺮوع ﻛﻨﻴﻢ؟‬

‫ﻳﻚ اﻟﮕﻮرﻳﺘﻢ ﺳﺎده ‪ North West Corner‬ﺷﺮوع ﻛﻨﻴﻢ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ از ﺷﻤﺎل ﻏﺮﺑﻲ ﺷﺮوع ﻛﻦ و ﺗﺨﺼﻴﺺ ﺑﺪه‪ ،‬ﺑﻌﺪ از ﺳﺘﻮن ﻫﺎ را ﭘﺮﻛﺮدن‪،‬‬
‫ﺑﺴﺮاغ ﺳﻄﺮ ﺑﻌﺪي ﺑﺮو و اﻳﻦ ﺗﺨﺼﻴﺺ را اﻧﺠﺎم ﺑﺪه‪ ،‬ﻣﺸﻜﻞ اﻳﻦ اﻟﮕﻮرﻳﺘﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﻧﮕﺎﻫﻲ ﺑﻪ ﻫﺰﻳﻨﻪ اﻧﺠﺎم ﻧﻤﻲ دﻫﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫روش دﻳﮕﺮي دارﻳﻢ ﻛﻪ از اﻳﻦ ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ روش ‪ Vogel‬اﺳﺖ ﻛﻪ در اﻳﻦ روش ﺑﻪ ‪ Cost‬ﻧﮕﺎه ﻣﻲ ﻛﻨﺪ‪ ،‬و ‪ Value‬اي ﺑﺮاي ﻫﺮ ﺧﺎﻧﻪ ﺗﺤﺖ‬
‫‪42 ‬‬

‫ﻋﻨﻮان ‪ ،Opportunity Cost‬ﻣﺸﺨﺺ ﻣﻲ ﻛﻨﺪ‪ .‬ﻣﻲ ﮔﻮﻳﺪ ﺑﻪ ﺳﻄﺮ ﻧﮕﺎه ﻛﻨﻴﺪ و ﺑﺒﻴﻨﻴﺪ ﺑﻴﻦ ‪ the best root‬و ‪the second best ‬‬
‫‪ root‬ﭼﻘﺪر ‪ cost‬ﻣﺘﻔﺎوت اﺳﺖ و آن ﻋﺪد را ﻧﮕﻪ دارﻳﺪ و ﺑﺎ ﺳﻄﺮﻫﺎي دﻳﮕﺮ ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﺪ و اﻳﻦ ﺗﻔﺎوت را ‪ opportunity cost‬ﻣﻲ ﮔﺬارﻳﻢ و‬
‫‪Page‬‬

‫ﻣﻲ ﮔﻮﻳﺪ آن ‪ Cell‬را ﺑﮕﻴﺮد و اداﻣﻪ دﻫﻴﺪ‪.‬‬

‫ﺳﻄﺮي ﻧﮕﺎه ﻣﻲ ﻛﻨﺪ ﻛﻪ در ﺳﻄﺮ اول ‪ 4-3‬ﻣﻲ ﺷﻮد ‪ ،1‬در ﺳﻄﺮ دو‪ 4-3‬ﻣﻲ ﺷﻮد ‪ ،1‬و در ﺳﻄﺮ ‪ 3‬ﻫﻢ دارﻳﻢ ‪ 7-5‬ﻛﻪ ﻣﻲ ﺷﻮد ‪ ،2‬ﻟﺬا ﺣﺪاﻛﺜﺮ ‪2‬‬
‫اﺳﺖ‪ ،‬ﺑﺮاي ﺳﺘﻮن ﻫﺎ ﻫﻢ ﻫﻤﻴﻦ ﻛﺎر را ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و ‪ 100‬ﺗﺎ را ﺑﻪ اوﻟﻲ اﺧﺘﺼﺎص ﻣﻲ دﻫﻴﻢ‪ ،‬و ﺳﻄﺮ اول را ﺣﺬف ﻣﻲ ﻛﻨﺪ و ﺑﻌﺪ ﺑﺎزي را ﺑﺮاي دو‬
‫ﺳﻄﺮح ﺑﺎﻗﻲ ﻣﺎﻧﺪه اداﻣﻪ ﻣﻲ دﻫﺪ‪ ،‬ﺛﺎﺑﺖ ﺷﺪه اﺳﺖ ﻛﻪ ‪ Optimum solution‬را در ﺑﺴﻴﺎري از ﻣﺴﺎﺋﻞ ﻣﻲ دﻫﺪ‪.‬‬

‫ﭼﻪ روش اول و ﭼﻪ روش ‪ Vogel‬ﻳﻚ راه ﺣﻞ ﻣﻲ دﻫﺪ‪ ،‬اﻣﺎ ﺳﻮال اﻳﻦ اﺳﺖ ﻛﻪ ﭼﮕﻮﻧﻪ ﺣﺮﻛﺖ ﻛﻨﻴﻢ ﻛﻪ ﺑﻪ ﺳﻤﺖ ﺟﻮاب ﺑﻬﻴﻨﻪ ﺣﺮﻛﺖ ﻛﻨﻴﻢ‪.‬‬

‫ﺑﺎﻳﺴﺘﻲ ﻳﻚ ‪ Improvement Index‬ﺑﺮاي ‪ Cell‬ﻫﺎﻳﻲ ﻛﻪ داﺧﻠﺶ ﺧﺎﻟﻲ اﺳﺖ ﭘﻴﺪا ﻛﻨﻴﻢ‪.‬‬

‫روش ﺗﺴﺖ ﺑﻪ اﻳﻦ ﺷﻜﻞ اﺳﺖ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻳﻚ ‪ Cell‬را دﻟﺨﻮاه اﻧﺘﺨﺎب ﻛﻦ‪ ،‬و ﻓﺮض ﻛﻦ ﻣﻲ ﺧﻮاﻫﻲ ﻳﻚ ﻛﺎﻻ از آن ﻋﺒﻮر دﻫﻲ ﻣﺤﺎﺳﺒﻪ ﻛﻦ‬
‫ﺑﺎ اﺿﺎﻓﻪ ﻛﺮدن ﻳﻚ ﻛﺎﻻ ﺑﺎ ﻋﺒﻮر از اﻳﻦ ﻃﺮﻳﻖ ‪ total cost‬اﻓﺰاﻳﺶ ﻳﺎ ﻛﺎﻫﺶ ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ اﮔﺮ ﺑﺮاي ﻳﻜﻲ ﻛﺎﻫﺶ ﭘﻴﺪا ﻛﻨﺪ ﺑﺮاي ‪n‬‬
‫ﺗﺎ ﻫﻢ ﻫﻤﻴﻨﻄﻮر اﺳﺖ اﻣﺎ ‪ n‬ﭼﻘﺪر اﺳﺖ‪.‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﻣﺴﺎﻟﻪ ﺑﺎﻻﻧﺲ اﺳﺖ اﻳﻨﺠﺎ ﻛﻪ اﺿﺎﻓﻪ ﻣﻲ ﻛﻨﻲ ﺑﺎﻳﺴﺘﻲ ﺟﺎي دﻳﮕﺮ ﻛﻢ ﻛﻨﻲ و ﺑﻪ ﻫﻤﻴﻦ ﺗﺮﺗﻴﺐ اﺿﺎﻓﻪ و ﻛﻢ ﻛﺮدن اداﻣﻪ ﻣﻲ ﻳﺎﺑﺪ‪.‬‬

‫در ﺗﺼﻮﻳﺮ ﻓﻮق ﻣﻲ ﺑﻴﻨﻴﺪ ﻛﻪ ﭼﻪ ﺣﻠﻘﻪ اي ﺑﺎ اﺿﺎﻓﻪ و ﻛﻢ ﻛﺮدن از ‪ start‬ﺧﻮاﻫﻴﻢ داﺷﺖ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻟﺬا ﻗﺎﻋﺪه اﻳﻦ اﺳﺖ ﻛﻪ ﻳﻚ ﺧﺎﻧﻪ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ و ﻳﻚ ﺣﻠﻘﻪ ﺗﺸﻜﻴﻞ ﻣﻲ دﻫﺪ ﻛﻪ ﭘﺮش ﺑﻪ ﻧﻘﺎﻃﻲ اﺳﺖ ﻛﻪ در آن ﻗﺒﻼ ﻇﺮﻓﻴﺖ ﺑﻮده اﺳﺖ‪،‬‬
‫‪43 ‬‬

‫ﺑﻬﺒﻮد ﻧﻴﺰ ﺟﻤﻊ ﺟﺒﺮي ﺟﺪﻳﺪ اﺳﺖ‪ ،‬ﻛﻪ ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻇﺮﻓﻴﺖ ﻫﺎﻳﻲ ﻛﻪ ﻛﻨﺎرﺷﺎن ﻧﻮﺷﺘﻪ ﺷﺪه اﺳﺖ‪ ،‬ﻛﻪ اﮔﺮ ﺑﺎ ﺟﻤﻊ ﺣﻠﻘﻪ ﻣﻨﻔﻲ در آﻣﺪ ﻳﻌﻨﻲ ‪ cost‬ﻛﻢ‬
‫ﺷﺪه اﺳﺖ‪ .‬اﻳﻦ ﻣﺤﺎﺳﺒﻪ را ﺑﺎﻳﺴﺘﻲ در ﺗﻤﺎم ﺧﺎﻧﻪ ﻫﺎي ﺧﺎﻟﻲ ﺟﺪول اﻧﺠﺎم دﻫﻴﻢ‪.‬‬
‫‪Page‬‬

‫اﻳﻦ ‪ aggressive‬اﺳﺖ ﻳﻌﻨﻲ ﻣﻤﻜﻦ اﺳﺖ ﭼﻨﺪﻳﻦ ﺧﺎﻧﻪ ﻣﻨﻔﻲ ﮔﺮدﻧﺪ ﻟﺬا دﻧﺒﺎل ﻣﻨﻔﻲ ﺗﺮﻳﻦ ﻣﻲ روﻳﻢ‪.‬‬

‫ﺣﺎﻟﺖ ﺑﺪي دارﻳﻢ ﻛﻪ ﮔﺎﻫﻲ ﻧﻤﻲ ﺷﻮد ﺣﻠﻘﻪ ﺑﺰﻧﻴﻢ اﻣﺎ ﺳﻮال اﻳﻦ اﺳﺖ ﻛﻪ در ﻫﻤﻪ ﺧﺎﻧﻪ ﻫﺎ ﻛﺎﻧﺪﻳﺪاﻫﺎي ﻣﺨﺘﻠﻔﻲ دارﻳﻢ‪ ،‬در ﻣﻴﺎن آﻧﻬﺎ ﻓﻬﻤﻴﺪﻳﻢ ﻛﻪ‬
‫ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ‪ ،‬ﺣﺪاﻛﺜﺮ ﭼﻘﺪر ﻣﻲ ﺗﻮاﻧﻴﻢ ﻋﺒﻮرد دﻫﻴﻢ؟ ﺑﻪ اﻧﺪازه ﻣﻴﻨﻴﻤﻢ ﻣﻮارد ﻣﻨﻔﻲ در ﻣﺴﻴﺮ اﺳﺖ‪.‬‬

‫ﻛﺎﻧﺪﻳﺪ دﻳﮕﺮ ﺑﺮاي اﻳﻦ روش رو ‪ MODI‬اﺳﺖ ﻛﻪ رﻳﺎﺿﻴﺎﺗﻲ اﺳﺖ ﻛﻪ ﺳﺮ ﻛﻼس ﺗﻮﺿﻴﺢ ﻧﻤﻲ دﻫﻴﻢ‪.‬‬

‫ﻣﺴﺎﺋﻞ‪:‬‬

‫ﻋﺮﺿﻪ ﺑﺎ ﺗﻘﺎﺿﺎ ﺑﺮاﺑﺮ ﻧﺒﺎﺷﺪ‪ ،‬ﻋﺮﺿﻪ ﻛﻤﺘﺮ از ﺗﻘﺎﺿﺎ ﺑﺎﺷﺪ‪ ،‬ﻳﺎ ﺗﻘﺎﺿﺎ ﺑﻴﺸﺘﺮ از ﻋﺮﺿﻪ ﺑﺎﺷﺪ‪ .‬اﮔﺮ ﺗﻘﺎﺿﺎ ﻛﻤﺘﺮ ﺑﻮد‪ ،‬ﺗﻘﺎﺿﺎ ﻛﻨﻨﺪه ﻣﺠﺎزي ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻴﻢ و‬
‫ﺑﺮاي ﻋﺮﺿﻪ ﻧﻴﺰ ﻛﺎر ﻣﺸﺎﺑﻬﻲ را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪ .‬ﻛﻪ ‪ unit cost‬آن ﺑﻪ ﻋﺮﺿﻪ ﻛﻨﻨﺪه ﻳﺎ ﻣﺘﻘﺎﺿﻴﺎن دﻳﮕﺮ ﺻﻔﺮ اﺳﺖ اﻣﺎ ‪ capacity‬ﺑﺰرﮔﺘﺮ از‬
‫ﺻﻔﺮ اﺳﺖ‪.‬‬

‫ﻣﻤﻜﻦ اﺳﺖ ﺑﻪ ازاي ﭘﺮ ﻛﺮدن ﻳﻚ ﺧﺎﻧﻪ دو ﺧﺎﻧﻪ ﺻﻔﺮ ﺷﻮد‪ ،‬اﻳﻦ را راﺑﻄﻪ ‪ degeneracy‬ﮔﻮﻳﻨﺪ‪ ،‬اﮔﺮ ﺗﻌﺪاد ‪ root‬ﻫﺎﻳﻲ ﻛﻪ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد‬
‫ﻛﻮﭼﻜﺘﺮ از ‪ row+columns‐1‬ﺑﺎﺷﺪ ﻣﻲ ﺷﻮد ﺳﻄﺮﻫﺎﻳﻲ ﻳﺎﻓﺖ ﻛﻪ ﺣﻠﻘﻪ را ﻧﺘﻮان ﺑﺮاي آن ﺑﺴﺘﻪ ﺷﻮد‪.‬‬

‫راﻫﻲ ﻛﻪ ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ اﻳﻦ اﺳﺖ ﻛﻪ ﻳﻜﻲ از ﺧﺎﻧﻪ ﻫﺎي ﺧﺎﻟﻲ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ و ﻣﻘﺪار ‪ 0‬از آن ﻋﺒﻮر دﻫﻴﺪ‪ ،‬وﻟﻲ ﺑﺎﻳﺴﺘﻲ ﺧﺎﻧﻪ را ﺑﻨﺤﻮي اﻧﺘﺨﺎب‬
‫ﻛﻨﻴﺪ ﻛﻪ ﺣﻠﻘﻪ ﻫﺎ ﺑﺴﺘﻪ ﺷﻮﻧﺪ‪.‬‬

‫اﻳﻦ ﻣﺴﺎﻟﻪ ﺑﺮاي ﻣﻮاردي اﺳﺘﻜﻪ ﻣﺜﻼ ﻣﻲ ﺧﻮاﻫﻴﻢ در ﻣﻴﺎن ‪ 5‬اﻧﺒﺎر ﻳﻜﻲ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ‪ ،‬ﺑﺮاي اﺳﺘﻔﺎده از اﻳﻦ ﻣﺴﺎﻟﻪ از ﻣﻴﺎن ‪ 5‬اﻧﺒﺎر‪ 5 ،‬ﺗﺎ ﻣﺴﺎﻟﻪ‬
‫ﻣﺴﺘﻘﻞ ﺣﻞ ﻣﻲ ﻛﻨﻴﺪ‪ ،‬ﻫﺮ ﻛﺪام ﻛﻪ ﺟﻮاب آن ﻣﻴﻨﻴﻤﻢ ﺷﺪ ﻣﻨﺎﺳﺐ ﺗﺮ اﺳﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻳﻦ ﻣﻮارد ﺑﻴﺸﺘﺮ از ﺑﻌﺪ اﺟﺮاﻳﻲ ارزﺷﻤﻨﺪ اﺳﺖ‪ ،‬وﮔﺮﻧﻪ ﻣﺤﺎﺳﺒﺎت رﻳﺎﺿﻲ ﺑﺴﻴﺎر آﺳﺎن اﺳﺖ‪.‬‬
‫‪44 ‬‬

‫ﻣﺴﺎﻟﻪ ‪:Assignment‬‬
‫‪Page‬‬

‫ﻣﻴﺨﻮاﻫﻴﻢ ﻳﻚ ﺳﺮي آدم را ﺑﻪ ﻳﻚ ﺳﺮي ﭘﺮوژه ﺗﺨﺼﻴﺺ دﻫﻴﻢ‪ ،‬ﻳﻚ ﺳﺮي ﻗﺮارداد ﺑﻪ ﺷﺮﻛﺖ ﻫﺎي ﻣﺨﺘﻠﻒ و ﻳﻚ ﺳﺮي ﻛﺎر روي ﻣﺎﺷﻴﻦ ﻫﺎي‬
‫ﻣﺨﺘﻠﻒ را دارﻳﻢ‪.‬‬

‫ﻣﺴﺎﻟﻪ ﺷﻬﺮداري ﻛﻪ ‪ 22‬ﻧﺎﺣﻴﻪ ﺑﺎ ‪ specification‬ﻣﺨﺘﻠﻒ ﺑﺎ ‪ 22‬ﺗﺎ ﻛﺎﻧﺪﻳﺪ ﭼﮕﻮﻧﻪ؟‬

‫دﻧﺒﺎل اﻳﻦ ﻫﺴﺘﻴﻢ ﻛﻪ ‪ total cost‬را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ .‬ﻣﺜﺎل ﻋﻤﻠﻲ ‪ 3‬ﺗﺎ ﺗﻌﻤﻴﺮ ﻛﺎر و ‪ 3‬ﺗﺎ ﭘﺮوژه دارﻳﻢ ﻛﻪ در ﻫﺮ ﭘﺮوژه ﻗﺮاردادن آﻧﻬﺎ ﻫﺰﻳﻨﻪ ﺧﺎﺻﻲ‬
‫دارد‪ ،‬ﻛﻪ ﻫﺰﻳﻨﻪ دوﺑﺎره ﻛﺎري و ﻫﺰﻳﻨﻪ اﺳﺘﻔﺎده از ﺗﺨﺼﺺ ﺑﺎﻻ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎﺷﺪ‪.‬‬

‫‪ ‬‬ ‫‪Project‬‬

‫‪  Person‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬

‫‪  Adams‬‬ ‫‪$11‬‬ ‫‪$14‬‬ ‫‪$6‬‬

‫‪  Brown‬‬ ‫‪$8‬‬ ‫‪$10‬‬ ‫‪$11‬‬

‫‪  Cooper‬‬ ‫‪$9‬‬ ‫‪$12‬‬ ‫‪$7‬‬

‫روش ﺣﻞ ‪ hungerian method‬اﺳﺖ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ در ﻫﺮ ﺳﻄﺮي ﻫﺰﻳﻨﻪ ﻣﻴﻨﻤﻢ را ﭘﻴﺪا ﻛﻦ‪ ،‬و از ﻫﺰﻳﻨﻪ ﻫﺎي واﻗﻌﻲ ﻛﻢ ﻛﻦ‪.‬‬

‫در ﺳﺘﻮن ﻫﻢ ﻣﻴﻨﻴﻤﻢ اي را از ﻫﻤﻪ ﻛﻢ ﻛﻨﻴﺪ و ﺳﭙﺲ ارزﻳﺎﺑﻲ ﻛﻨﻴﺪ ﻛﻪ ﺑﻪ ﺟﻮاب ﺑﻬﻴﻨﻪ رﺳﻴﺪﻳﺪ ﻳﺎ ﺧﻴﺮ‪:‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪45 ‬‬
‫‪Page‬‬

‫‪ ‬‬ ‫‪  Sector‬‬

‫‪  Ship‬‬ ‫‪A‬‬ ‫‪B‬‬ ‫‪C‬‬ ‫‪ D‬‬

‫‪ 1‬‬ ‫‪20‬‬ ‫‪60‬‬ ‫‪50‬‬ ‫‪  55‬‬

‫ﻫﺎ ﻛﻤﺘﺮ از ﺳﺮ‬ ‫اﮔﺮ ﺗﻌﺪاد ﺧﻂ‬
‫ﻳﻚ ﺑﺎر دﻳﮕﺮ‬ ‫و ﺳﺘﻮن ﻫﺎ ﺑﻮد‪،‬‬
‫روي ﺳﺘﻮن ﻫﺎ‬ ‫اﻋﺪادي ﻛﻪ‬
‫ﻣﻴﻨﻴﻤﻢ اﻧﺪ از‬ ‫ﻧﻴﺴﺘﻨﺪ ﻛﻪ‬
‫ﻣﺎﻧﺪه ﻛﻤﻲ ﻣﻲ‬ ‫ﻫﻤﻪ اﻋﺪاد ﺑﺎﻗﻲ‬
‫ﺗﻘﺎﻃﻊ ﺧﻂ‬ ‫ﻛﻨﻴﻢ‪ ،‬و ﺑﻪ‬
‫ﻛﻨﻴﻢ‪.‬‬ ‫اﺿﺎﻓﻪ ﻣﻲ‬

‫در ﻧﻬﺎﻳﺖ وﻗﺘﻲ ﺗﻌﺪاد ﺧﻂ ﻫﺎ ﺑﺮاﺑﺮ ﺗﻌﺪاد ﺳﺘﻮن ﻫﺎ ﺷﺪ‪ ،‬ﻛﻪ ﺗﻤﺎم اﺳﺖ‪.‬‬

‫ﻻزم ﻧﻴﺴﺖ اﺛﺒﺎت را ﺑﺪاﻧﻴﺪ‪ ،‬ﻓﻘﻂ ﺑﺎﻳﺴﺘﻲ روش را ﺑﺪاﻧﻴﺪ‪.‬‬

‫ﺳﭙﺲ ﻣﻲ ﮔﻮﻳﺪ اوﻟﻴﻦ ﺗﺨﺼﻴﺺ را ﺑﻪ ﺳﻄﺮﻫﺎﻳﻲ دﻫﻴﺪ ﻛﻪ ﻛﻤﺘﺮﻳﻦ ﺗﻌﺪاد ﺻﻔﺮ را دارد و ﻫﻤﻴﻨﻄﻮر اداﻣﻪ ﻣﻲ دﻫﻴﻢ‪.‬‬

‫وﻗﺘﻲ ﺑﺠﺎي ‪ cost function‬ﻣﺎ ﺗﺎﺑﻌﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ ﻣﻨﻔﻲ ﺑﺎﺷﺪ‪ ،‬ﻣﺜﻼ در ﻛﺸﻮر اﻧﮕﻠﺴﺘﺎن‪ 4 ،‬ﺑﺨﺶ آب ﺳﺎﺣﻠﻲ و ‪ 4‬ﻛﺸﺘﻲ دارﻳﻢ ﻛﻪ‬
‫‪ efficiency‬ﻫﺎي ﻣﺨﺘﻠﻒ و ﺗﻮاﻧﻤﻨﺪي ﻫﺎي ﻣﺨﺘﻠﻒ ﻛﺸﺘﻲ ﻫﺎ دارﻧﺪ‪،‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪ 2‬‬ ‫‪60‬‬ ‫‪30‬‬ ‫‪80‬‬ ‫‪  75‬‬
‫‪46 ‬‬

‫‪ 3‬‬ ‫‪80‬‬ ‫‪100‬‬ ‫‪90‬‬ ‫‪  80‬‬

‫‪Page‬‬

‫‪ 4‬‬ ‫‪65‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫‪  70‬‬

‫ﻣﻲ ﭘﺮﺳﺪ ﭼﮕﻮﻧﻪ ﻣﺎ ﺑﻪ ﻓﻀﺎي ‪ cost‬ﺑﺒﺮﻳﻢ‪ ،‬ﻫﻤﻪ را از ﻣﻴﻨﻴﻤﻢ ﻛﻢ ﻣﻲ ﻛﻨﻴﻢ و ﻣﻌﻜﻮس ﻋﻤﻞ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﺣﺎل ﻣﻤﻜﻦ اﺳﺖ ﺗﻌﺪاد ﻛﺎرﻫﺎ و آدم ﻫﺎ ﺑﺎﻻﻧﺲ ﻧﺒﺎﺷﺪ‪ 4 ،‬آدم دارﻳﻢ و ‪ 3‬ﭘﺮوژه‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﻳﻚ ﭘﺮوژه ﻣﺠﺎزي ﺑﺎ ‪ Cost‬ﺻﻔﺮ در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ و‬
‫ﻣﺴﺎﻟﻪ را ﺣﻞ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﺗﺎرﻳﺦ‪/25 :‬آﺑﺎن‪1387/‬‬

‫در ﺑﺴﻴﺎري از ﻣﻮارد در دﻧﻴﺎي واﻗﻌﻲ ﺑﻪ اﻳﻦ ﺷﻜﻞ ﻧﻴﺴﺖ‪ ،‬اﻣﺎ ﻣﻲ ﺷﻮد ﺗﺮﻛﻴﺒﻲ از ﻳﻚ ﺳﺮي ﻣﻮارد داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪.‬‬

‫در ﺑﻨﮕﺎه ﻣﻲ ﺧﻮاﻫﻴﻢ ﺳﻬﻢ ﺑﺎزار را اﻓﺰاﻳﺶ دﻫﻴﻢ‪ ،‬از ﺳﻤﺘﻲ دﻳﮕﺮ ﺗﻨﻮع ﻣﺤﺼﻮل ﻫﻢ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﺳﻮد را ﺛﺎﺑﺖ ﻧﮕﻪ دارﻳﻢ‪ ،‬واﺑﺴﺘﮕﻲ روﺣﻲ و اﺧﻼﻗﻲ ﻛﺎرﮔﺮان را‬
‫ﻫﻢ ﺑﻴﺸﺘﺮ ﻛﻨﻴﻢ‪ ،‬ﻗﻴﻤﺖ ﻫﺎ را ﻫﻢ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺛﺎﺑﺖ ﻧﮕﻪ دارﻳﻢ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﺗﺮﻛﻴﺒﻲ از آﻧﻬﺎ ﻫﺪف ﺑﺎﺷﺪ‪ ،‬در ﺑﺮﺧﻲ ﻣﻮارد ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ‪ cost‬ﻛﻢ ﺷﻮد و در‬
‫ﻣﻮردي دﻳﮕﺮ ﭘﺮداﺧﺖ ﺑﺎﻻ رود‪ ،‬و اﻳﻨﻬﺎ واﺑﺴﺘﻪ اﻧﺪ‪ ،‬ﻟﺬا ﺑﻴﺶ از ﻳﻚ ﻫﺪف دارﻳﻢ و اﻳﻦ اﻫﺪاف ﺑﺎ ﻫﻢ ﻫﻢ راﺳﺘﺎ ﻧﻴﺴﺘﻨﺪ‪ ،‬ﻣﺴﺎﻟﻪ ﺑﺮﻧﺎﻣﻪ رﻳﺰي را ﻫﻢ ﻣﻲ ﺗﻮان ﺑﺼﻮرت‬
‫‪ linear‬ﻣﺪل ﻛﻨﻴﻢ اﻣﺎ ﭼﻨﺪ ﺗﺎ ﻫﺪف دارﻳﻢ ﭼﻪ ﻛﻨﻴﻢ؟ ﭘﺎﺳﺦ ‪Goal programming‬‬

‫ﺗﺎﺑﻊ ﻫﺪف ﻫﺎ را ﺑﺎ ﻫﻢ ﺗﺮﻛﻴﺐ ﻛﻨﻴﻢ‪ ،‬ﻳﻜﻲ دﻳﮕﺮ ‪ :‬ﺳﻪ راه دارﻳﻢ‪:‬‬

‫‪  Combine various objectives (with appropriate weights) z‬‬

‫‪One is considered as the objective function and the rest are considered as constraints  z‬‬
‫‪  with some upper or lower bound‬‬

‫‪  Goal Programming z‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪ Goal programming‬ﻣﻲ ﮔﻮﻳﺪ‪ ،‬ﺑﺮاي ﻫﺮ ﻫﺪف ﻳﻚ ﻫﺪف ﻛﻤﻲ ﺑﮕﺬار و ﺳﻌﻲ ﻛﻦ ﺗﺎ ﺟﺎﻳﻲ ﻛﻪ ﻣﻲ ﺷﻮد ﺑﻪ آن ﻫﺪف ﻧﺰدﻳﻚ ﺷﻮي‪ ،‬ﻳﻌﻨﻲ ﺑﺮاي‬
‫‪47 ‬‬

‫ﻣﺎﻛﺴﻴﻤﺎﻳﺰ ﻛﺮدن ﺳﻮد‪ ،‬ﻣﺎ داﻧﺸﻲ از ﺟﺮﻳﺎن ﻣﺘﻐﻴﺮﻫﺎ دارﻳﻢ‪ ،‬ﻛﻪ ﻣﺜﻼ اﻳﻦ ﺗﻮرم و ‪ ...‬ﺳﻮد ‪ ...‬ﺧﻮب اﺳﺖ‪ ،‬و ﻣﻲ ﮔﻮﻳﺪ اﻫﺪاف را ﻗﻄﻌﻲ ﻛﻦ و ﺳﻌﻲ ﻛﻦ ﺑﻪ آن ﻧﺰدﻳﻚ‬
‫ﺷﻮي‪.‬‬
‫‪Page‬‬

‫در ﻗﺒﻠﻲ ﺳﻘﻒ ﺑﺎز ﺑﻮد ﻛﻪ ‪ push‬ﻣﻲ ﻛﺮدﻳﻢ ﻛﻪ ﻫﺮ ﭼﻪ ﻫﺪف ﺑﺎﻻﺗﺮ رود‪ ،‬اﻣﺎ اﻳﻨﺠﺎ ﻫﺪف را ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺗﺎرﻳﺨﭽﻪ ﻣﻲ ﮔﺬارد‪.‬‬

‫در ﻧﻬﺎﻳﺖ دﻧﺒﺎل اﻳﻦ اﺳﺖ ﻛﻪ ‪ deviation‬را ﻛﻤﺘﺮ ﻛﻨﺪ‪ ،‬ﺑﺠﺎي ﻣﺎﻛﺴﻴﻤﻢ و ﻣﻴﻨﻴﻤﻢ ﻛﺮدن ﺳﻮد و ﻫﺰﻳﻨﻪ‪ ،‬و اﻳﻦ ﺗﺎﺟﺎﻳﻲ ﻛﻪ ﻣﻤﻜﻦ اﺳﺖ ﺑﺎﻳﺴﺘﻲ اﻧﺠﺎم ﮔﻴﺮد‪.‬‬
‫اﻳﻨﻜﻪ ﻫﺮ ﻛﺪام را ﭼﻘﺪر ﺟﻠﻮ ﺑﺒﺮﻳﻢ ﻛﻪ ﺗﺮﻛﻴﺐ ﻛﻞ ﺑﺴﻨﺪه ﺑﺎﺷﺪ را ﻧﻴﺰ ﻣﺎ ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ‪ .‬در دﻧﻴﺎي ﻛﺎر واﻗﻌﻲ از اﻳﻨﮕﻮﻧﻪ ﻣﺴﺎﺋﻞ را دارﻳﻢ ﻛﻪ ﺑﺎ داﻧﺶ ﻛﺎري ي‬
‫ﮔﻮﻳﺪ ﭼﻪ ﻣﻴﺰان ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬‬

‫اﻳﻦ اﻧﺤﺮاف را ﭼﮕﻮﻧﻪ ﻣﻲ ﺗﻮان ﻣﺪل ﻛﺮد؟ ﻓﺮض ﻛﻨﻴﺪ ﻗﺴﻤﺖ اول ﺗﺎﺑﻊ ﻫﺪف ﺗﺎﺑﻊ ﺳﻮد ﺑﺎﺷﺪ‪ ،Z=12X1+9X2+15X3 :‬و ﭘﺮﺳﻴﺪﻧﺪ ﺳﻮدت ﭼﻘﺪر اﺳﺖ‬
‫ﮔﻔﺘﻪ اﺳﺖ ﻛﻪ ‪ 5000‬ﺗﺎ اﺳﺖ‪ ،‬و ﻣﺎ ﻣﺘﻐﻴﺮ ﺟﺪﻳﺪ ‪ ،d=12X1+9X2+15X3‐5000‬در اﻳﻦ ﺣﺎﻟﺖ ‪ d‬ﻣﻲ ﺗﻮاﻧﺪ ﻣﺜﺒﺖ ﺑﺎﺷﺪ و ﻫﻢ ﻣﻨﻔﻲ‪ ،‬و آن ‪ d+‬ﻣﻨﻬﺎي‬
‫‐‪ d‬را ﺑﺮاﺑﺮ آن ﻗﺮار ﻣﻲ دﻫﻴﻢ‪ ،‬ﻟﺬا ﻓﺎﺻﻠﻪ از ‪ Z‬را ﺑﻪ اﻳﻦ ﺷﻜﻞ ﭘﻮﺷﺶ ﻣﻲ دﻫﻴﻢ‪ ،‬و ﺑﺮاي ﻫﺮ ﻫﺪﻓﻲ اﻳﻦ ﻛﺎر را اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ‪ ،‬ﻟﺬا اﮔﺮ ﺑﻪ ﻫﺪف ﺑﺮﺳﻴﻢ اﻳﻦ‬
‫اﺧﺘﻼف ﻣﻲ ﺷﻮد ﺻﻔﺮ‪ ،‬ﻳﻌﻨﻲ ﻫﺮ دوي ‪ d+‬و ‐‪ d‬ﺻﻔﺮ ﻣﻲ ﺷﻮد‪.‬‬

‫ﻟﺬا ﻣﻘﺪار ﻫﺪف ﻣﺸﺨﺺ درﺳﺖ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﺗﺎﺑﻊ ﻫﺪف ﺟﺪﻳﺪ درﺳﺖ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻻزم ﺷﺪ وزﻧﻲ ﺑﻪ ﻫﺮ ﻛﺪام ﻣﻲ دﻫﻴﻢ‪ ،‬و ﻣﻲ ﺧﻮاﻫﻴﻢ ﻛﻪ ﻛﻞ ‪ deviation‬را‬
‫ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﺟﻤﻊ ‪ deviation‬ﻫﺎ را ﺗﺎﺑﻊ ﻫﺪف ﻣﻲ ﮔﺬارﻳﻢ ﻛﻪ ﺑﺎ ﻳﻚ وزن ﻳﺎ ﭘﻨﺎﻟﺘﻲ ﻛﻪ ﺑﻪ آن ﻣﻲ دﻫﻴﻢ ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﻢ اﻳﻦ ﻋﺒﺎرت ﺟﺪﻳﺪ را ﻣﻴﻨﻤﻢ ﻛﻨﻴﻢ‪.‬‬

‫ﺗﺎﺑﻊ ﻫﺪف ﻣﻴﻨﻴﻤﻢ ﻛﺮدن ‪ deviation‬اﺳﺖ‪ ،‬و ﻗﻴﺪ ‐‪ d=d+‐d‬ﺗﺒﺪﻳﻞ ﺑﻪ ﻳﻚ ﻗﻴﺪ ﻣﻲ ﺷﻮد‪ .‬در اﻳﻨﺠﺎ ﺑﺠﺎي ‪ Optimize‬ﻣﺎ ‪ satisfy‬ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و‬
‫‪ Deviational Variable‬ﻫﺎ واﻗﻌﻲ اﻧﺪ ) ‪ (replace slack variable‬ﻫﺴﺘﻨﺪ‪.‬‬

‫اﻳﻨﺠﺎ ﻣﺎ از ﻣﺪﻳﺮ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻛﻪ وزن دﻫﻲ ﻛﻨﺪ‪ ،‬اﮔﺮ وزن ﻫﺎ ‪ comparable‬ﺑﺎﺷﻨﺪ ﻳﺎ ﺗﻔﺎوت داﺷﺘﻪ ﺑﺎﺷﻨﺪ دو ﻛﺎر ﻣﺨﺘﻠﻒ اﻧﺠﺎم ﻣﻲ دﻫﻴﻢ ﻛﻪ ﺗﻮﺿﻴﺢ‬
‫ﺧﻮاﻫﻴﻢ داد‪  .‬‬

‫ﻣﺜﺎل‪ :‬ﻣﺎ ﻳﻚ ﻛﺎرﺧﺎﻧﻪ دارﻳﻢ‪ ،‬ﺳﻪ ﻣﺤﺼﻮل ﺗﻮﻟﻴﺪ م ﻳﻜﻨﺪ‪ ،‬ﻛﺎرﮔﺮ و ﺳﻮد و ﭼﻘﺪر ﻧﻘﺪﻳﻨﮕﻲ ﻻزم اﺳﺖ ﺑﻪ ازاي ﻫﺮ واﺣﺪ‪ ،‬و ﭼﻨﺪ ﺳﺎﻋﺖ از ﻣﺎﺷﻴﻦ ﺑﺮاي ﺗﻮﻟﻴﺪ ﻻزم‬
‫اﺳﺖ دارﻳﻢ‪ ،‬ﻣﺪﻳﺮ ﻣﻲ ﮔﻮﻳﺪ ﺳﻪ ﻫﺪف دارﻳﻢ‪ ،‬ﺳﻮد را ﻣﺎﻛﺰﻳﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﺳﻄﺢ ‪ employment‬ﺑﻬﻢ ﻧﺨﻮرد‪ ،‬و ﺳﺮﻣﺎﻳﻪ ﮔﺬاري را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﻣﺎ ‪55,000‬‬
‫ﺳﺎﻋﺖ ﺑﺮاي ﻫﺮ ﻣﺎﺷﻴﻦ دارﻳﻢ‪.‬‬

‫ﮔﺎﻫﻲ ﻳﻚ ﺗﺎﺑﻊ ﻫﺪف ﺑﻴﺸﺘﺮ ﻧﺪارﻳﻢ وﻟﻲ ﻣﻲ ﺧﻮاﻫﻴﻢ از ﻃﺮﻳﻖ ‪ goal programming‬ﺣﻞ ﻛﻨﻴﻢ‪ ،‬ﻣﺜﻼ ﻣﻲ ﮔﻮﻳﻴﻢ ﻛﻪ ﭼﻮن ﺟﺎﺑﺠﺎﻳﻲ دارﻳﻢ )ﺑﺨﺎﻃﺮ ﺷﻐﻞ‬
‫دوم(‪ ،‬ﻣﻲ ﮔﻮﻳﻴﻢ ﺳﺎل ﮔﺬﺷﺘﻪ ‪ 1.5‬ﻣﻴﻠﻴﺎرد ﺳﻮد داﺷﺘﻪ اﮔﺮ ﺳﺎل ﺑﻌﺪ ﻧﮕﻪ داري اﻳﻦ ﻣﻴﺰان را ﻛﻔﺎﻳﺖ ﻣﻲ ﻛﻨﺪ‪ ،‬اﻳﻨﺠﺎ ﻣﻲ ﮔﻮﻳﻴﻢ ﺗﺮﻛﻴﺒﻲ را ﺑﺪه ﻛﻪ ﺳﻮد ﭘﺎرﺳﺎل را‬
‫داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬اﻣﺎ ﻗﻴﺪﻫﺎ ﻗﻮﻟﻬﺎﻳﻲ اﺳﺖ ﻛﻪ داده اﻳﻢ‪ ،‬و ﻣﻲ ﺧﻮاﻫﻴﻢ ﻫﻤﺎن ﻫﺎ ﻋﻤﻞ ﺷﻮد‪ ،‬ﻣﺎ وﻗﺘﻲ ﻣﻲ ﮔﻮﻳﻴﻢ اﻳﻦ ﻣﻴﺰان ﺳﻮد‪ ،‬ﻳﻌﻨﻲ از ﺑﺎﻻ ﻳﺎ از ﭘﺎﻳﻴﻦ ﺑﻪ آن‬
‫ﺑﺮﺳﻴﻢ‪ ،‬ﻳﻌﻨﻲ اﻧﺤﺮاف در ﭼﻪ ﺣﻴﻄﻪ اي ﻣﻄﻠﻮب و در ﭼﻪ ﺣﻴﻄﻪ اي ﻧﺎ ﻣﻄﻠﻮب اﺳﺖ‪.‬‬

‫ﻣﺘﻐﻴﺮ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪ Xi‬ﻧﻤﺎﻳﻨﺪه ﺗﻌﺪاد ‪ i‬ﻣﺤﺼﻮل ﺗﻮﻟﻴﺪ ﺷﺪه اﺳﺖ‪.‬‬

‫ﻫﺪف اول‪:‬‬

‫‪dP+‐dP‐=120x1+90x2+150x3‐15000000‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻣﺎ ﻛﺪام ‪ dp+‬ﻳﺎ ‐‪ dp‬ﺑﺎﻳﺸﺘﻲ در ﺗﺎﺑﻊ ﻫﺪف ﺑﻴﺎﻳﻨﺪ‪ ،‬ﺗﻔﺴﻴﺮ ﺑﻪ اﻳﻦ ﺷﻜﻞ اﺳﺖ ﻛﻪ از ﻛﺪام ﻃﺮف ﻣﻲ ﺧﻮاﻫﻴﻢ ‪ deviation‬را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﻛﻢ ﺷﺪن ﺳﻮد ﻧﺎ‬
‫‪48 ‬‬

‫ﻣﻄﻠﻮب اﺳﺖ و ﺑﺎﻻ رﻓﺘﻦ اﺷﻜﻼﻧﻲ ﻧﺪارد‪ ،‬ﻟﺬا ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ‐‪ dp‬را ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪ ،‬ﺑﺎ ‪ d+‬ﻛﺎري ﻧﺪارﻳﻢ‪.‬‬
‫‪Page‬‬

‫‪dC+‐ dC‐ = 15 x1 + 27 x2 +32 x3 ‐2000000‬‬

‫اﻳﻨﺠﺎ ‪ dC+‬را ﺑﺎﻳﺴﺘﻲ ﻣﻴﻨﻴﻤﻢ ﻛﻨﻴﻢ‪.‬‬

‫‪+‬‬ ‫‐‬
‫‪  dE ‐ dE  = 0.5 x1 + 0.3 x2 +0.4 x3 ‐40000‬‬

‫اﻳﻨﺠﺎ ﺑﺎﻳﺴﺘﻲ ﻫﺮ دو ﻣﺘﻐﻴﺮ را ﻣﻴﻨﻴﻤﻢ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫ﺗﺎﺑﻊ ﻫﺪف‪:‬‬

‫‐‬ ‫‪+‬‬ ‫‪+‬‬ ‫‐‬

‫‪  Min Z= 5 dP  + 2dC +3 dE + 6dE‬‬

‫ﻛﻪ ﻗﻴﺪﻫﺎ ﻫﻢ ﻛﻪ در ﻓﻮق آﻣﺪه اﻧﺪ‪ ،‬و ﻗﻴﺪﻫﺎي‪:‬‬

‫‪  x1 ,  x2 ,  x3 , dP , dP  , dC  , dC  ,dE   ,dE  ≥ 0 ‬‬

‫‪+   ‬‬ ‫‐‬ ‫‪+‬‬ ‫‪‐ ‬‬ ‫‪+‬‬ ‫‐‬

‫اﻳﻦ ﻣﺪل ﺑﺎ ‪ Simplex‬ﻗﺎﺑﻞ ﺣﻞ اﺳﺖ‪.‬‬

‫ﭘﺲ از ﺣﻞ ﻣﺴﺎﻟﻪ ﺟﻮاب را ﻣﻲ ﺗﻮان ﺗﻔﺴﻴﺮ ﻧﻤﻮد‪.‬‬

‫ﺗﻔﺎوت ‪ constraint‬ﺑﺎ ﺗﺎﺑﻊ ﻫﺪف ﻣﺴﺎﻟﻪ دﻳﮕﺮ اﺳﺖ‪ ،‬وﻗﺘﻲ ‪ constraint‬ﮔﺬاﺷﺘﻴﻢ ﻳﻌﻨﻲ اﻧﻌﻄﺎف ﭘﺬﻳﺮي ﻧﺪارﻳﻢ‪ ،‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ﻣﺸﻜﻞ دارد ﻛﻪ ﻳﻚ ﻗﻴﺪ‬
‫را ﻫﺪف ﺑﮕﺬارﻳﻢ‪ ،‬آﻧﻲ ﻛﻪ ﻫﺪف ﺑﮕﺬارﻳﻢ ﺑﺎز اﺳﺖ و ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﺪ‪ ،‬اﻣﺎ ﻗﻴﺪ ﺛﺎﺑﺖ اﺳﺖ‪.‬‬

‫ﻧﻜﺘﻪ دوم اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺴﺎﺋﻞ ‪ goal programming‬دو دﺳﺘﻪ اﻧﺪ‪:‬‬

‫‪ :Nonpreemtive‬ﻫﻤﻪ اﻫﺪاف ﺑﺎ ﻫﻢ ﻗﺎﺑﻞ ﻣﻘﺎﻳﺴﻪ اﻧﺪ‪ ،‬وزن دو ﺑﺮاﺑﺮ و ﺳﻪ ﺑﺮاﺑﺮ اﻧﺪ‪ ،‬ﮔﺎﻫﻲ اﻳﻨﮕﻮﻧﻪ ﻧﻴﺴﺖ و ﻫﺪﻓﻲ ﺑﻲ ﻧﻬﺎﻳﺖ اﺳﺖ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ‬ ‫‪.1‬‬
‫ﻛﻪ دﺳﺖ ﺑﻪ ﻛﺎرﻣﻨﺪان ﻣﻦ ﻧﺰن‪ ،‬و ﺳﻌﻲ ﻛﻦ ﺳﻮد را ﻣﺎﻛﺰﻳﻤﻢ ﻛﻨﻲ ﻣﺸﺮوط ﺑﻪ اوﻟﻲ‪ ،‬و ﺳﻮم اﻳﻨﻜﻪ ﻣﺸﺮوط ﺑﻪ اول و دوم ﺑﺮو و ﭘﺮﺳﺘﻴﮋ ﺑﺎزار اﻳﺠﺎد‬
‫ﻛﻦ‪ .‬ﻛﻪ ‪ preemptive‬اﺳﺖ‪  .‬‬

‫‪ : Preemptive‬در اﻳﻦ ﺣﺎﻟﺖ ﻣﺴﺎﻟﻪ ﺳﻠﺴﻠﻪ ﻣﺮاﺗﺐ را در دل ﻣﺴﺌﻠﻪ ﻣﺤﺴﻮب ﻣﻲ ﻛﻨﻨﺪ و ﻳﻚ ﻣﺴﺎﻟﻪ ﺣﻞ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬در روش دوم ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ‬ ‫‪.2‬‬
‫ﺗﻚ ﺗﻚ ﺣﻞ ﻛﻦ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ وﻗﺘﻲ ﭼﻨﺪ ﺳﻄﺢ از اﻫﺪاف دارﻳﻢ‪ ،‬اوﻟﻲ را ﺿﺮﻳﺐ ‪ m1‬ﺑﮕﺬارﻳﻢ ردﻳﻒ دوم ‪ m2‬و ردﻳﻒ ﺳﻮم ‪ ،m3‬ﻛﻪ ﺗﻔﺎوت آﻧﻬﺎ‬
‫ﻣﻌﻨﺎدار و ﺑﺰرگ ﺑﺎﺷﺪ‪ ،‬در ﻫﻤﺎن ردﻳﻒ ﻫﺎ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮﺧﻲ ﻧﺴﺒﻲ ﺗﻔﺎوت داﺷﺘﻬﺐ اﺷﻨﺪ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ دو ﺑﺮاﺑﺮ و ‪ 3‬ﺑﺮاﺑﺮ ﺿﺮﻳﺐ ‪ m‬ﻣﻲ ﮔﺬارﻳﻢ‪،‬‬
‫ﻳﻜﻲ از روﺷﻬﺎي ﺣﻞ اﻳﻨﮕﻮﻧﻪ ﻣﺴﺎﺋﻞ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ اﻫﺪاف درﺟﻪ ‪ 2‬و ‪ 3‬و ‪ 4‬را ﺑﺮﻳﺰ دور‪ ،‬و اﻧﺤﺮاف اﻫﺪاف رده ﭘﺎﻳﻴﻦ را در ﻧﻈﺮ ﻧﮕﻴﺮ و‬
‫ﻣﺴﺎﻟﻪ را ﺑﺎ اﻫﺪاف ﺳﻄﺢ ﺑﺎﻻ ﺣﻞ ﻛﻦ‪ ،‬اﮔﺮ ﺟﻮاب ﻳﻜﺘﺎﺑﻮد ﺑﻪ اﻫﺪاف ﺳﻄﺢ ﭘﺎﻳﻴﻦ ﻧﮕﺎه ﻧﻜﻦ‪ ،‬اﮔﺮ اﻳﻨﮕﻮﻧﻪ ﻧﺸﺪ‪ ،‬ﻫﻤﻴﻦ ﻣﺴﺎﻟﻪ را ﺑﺮاي ﺑﺮﺧﻲ از ‪ d‬ﻫﺎ‬
‫ﻣﻘﺪار را در ﻣﺴﺎﻟﻪ ﺑﮕﺬار و ﻳﻜﺒﺎر ﻣﺴﺎﻟﻪ را ﺑﺮاي اﻫﺪاف رده ‪ 2‬ﺣﻞ ﻛﻦ‪ ،‬و رده ‪ 3‬و ‪ 4‬ﻫﻨﻮز ﭼﺸﻢ ﺑﺴﺘﻪ ﺑﺎﺷﺪ‪ ،‬و اﮔﺮ ﻳﻜﺘﺎ ﺑﻮد ﻛﻪ ﺗﻤﺎم وﮔﺮﻧﻪ اﻳﻦ ﻛﺎر را‬
‫ﺑﺮاي ﻃﺢ ﺑﻌﺪي ﺗﻜﺮار ﻛﻨﻴﻢ‪ ،‬اﻳﻦ روش را روش ‪ sequential‬ﮔﻮﻳﻨﺪ‪ ،‬ﻳﻚ روش ‪ streamline‬دارد ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ ﻫﻤﻪ را در ﺗﺎﺑﻊ ﺑﮕﺬار و‬
‫ﻳﻜﺒﺎر ﻳﻚ ‪ simplex‬ﺣﻞ ﻛﻦ‪ .‬ﺟﻮاب ﻳﻜﺴﺎن ﻣﻲ دﻫﺪ ﭼﻮن ﺗﻔﺎوت ﺿﺮاﻳﺐ ‪ m1‬و ‪ m2‬و ‪ m3‬ﺑﺴﻴﺎر ﻗﺎﺑﻞ ﻣﻼﺣﻈﻪ اﺳﺖ‪  .‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﺜﺎل‪ :‬ﻳﻚ ﻛﺎرﺧﺎﻧﻪ دارﻳﻢ ﻛﻪ ‪ 500‬ﺳﺎﻋﺖ در ﻫﻔﺘﻪ ﻛﺎرﻣﻨﺪ دارد‪ ،‬ﻛﻞ ﻫﺰﻳﻨﻪ ﺣﻘﻮق ‪ 200.000‬اﺳﺖ‪ ،‬ﻧﻴﺮوي ﻛﺎر اﺿﺎﻓﻪ ﻛﺎر ﻫﻢ ﻣﻲ ﺗﻮاﻧﺪ اﻧﺠﺎم دﻫﺪ‪ ،‬ﺳﻘﻒ‬
‫‪49 ‬‬

‫اﺿﺎﻓﻪ ﻛﺎري ‪ 200‬ﺳﺎﻋﺖ اﺳﺖ‪ ،‬ﻫﺰﻳﻨﻪ ‪ overtime‬ﻫﻢ ‪ 550‬ﺗﺎ ﺑﻪ ازاي ﻫﺮ ﺳﺎﻋﺖ اﺳﺖ‪ ،‬ﮔﺰﻳﻨﻪ دﻳﮕﺮ ﻫﻢ دارد ﻣﻲ ﺗﻮاﻧﺪ ﻛﺎرﮔﺮ ﻣﻮﻗﺖ اﺳﺘﺨﺪام ﻛﻨﺪ و‬
‫‪ 400‬ﺗﺎ در ﺳﺎﻋﺖ ﺑﻪ آن ﭘﺮداﺧﺖ ﻛﻨﺪ‪ ،‬ﺳﻪ ﻣﺤﺼﻮل ﻫﻢ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎ وﻳﮋﮔﻲ ﻫﺎي زﻳﺮ ﺗﻮﻟﻴﺪ ﻛﻨﺪ‪ .‬اﮔﺮ ﻛﺎرﮔﺮ ‪ Part time‬ﻳﺎ ‪ full time‬ﺑﺎﺷﺪ ﻫﺮ‬
‫‪Page‬‬

‫ﻣﺤﺼﻮل ﻣﻴﺰان زﻣﺎن ﻣﺘﻔﺎوت اﺳﺖ‪ ،‬ﻗﻴﻤﺖ ﻓﺮوش‪ ،‬و ﻫﺰﻳﻨﻪ ﻣﻮاد داده ﺷﺪه اﺳﺖ‪.‬‬

‫‪  Product‬‬ ‫‪  Material‬‬ ‫‪ Sale ‬‬ ‫‪  Labor Required‬‬ ‫‪Labor ‬‬

‫‪  Price‬‬ ‫‪  Required‬‬
‫‪  Cost‬‬ ‫‪  F.T‬‬
‫‪  P.T‬‬

‫‪ A‬‬ ‫‪  120‬‬ ‫‪  500‬‬ ‫‪ 5‬‬ ‫‪ 7‬‬

‫‪ B‬‬ ‫‪  90‬‬ ‫‪  300‬‬ ‫‪ 6‬‬ ‫‪ 9‬‬

‫‪ C‬‬ ‫‪  150‬‬ ‫‪  400‬‬ ‫‪ 9‬‬ ‫‪  13‬‬

‫ﺳﻮد را ﺗﺎ ‪ 400‬ﻫﺰار اﻓﺰاﻳﺶ دﻫﺪ‪ ،‬ﻧﺮخ اﻫﻤﻴﺖ ﻫﻢ ﻣﻲ ﺷﻮد ‪ ،5‬و ﻫﺰﻳﻨﻪ ﻫﻢ ﻫﺪف ﺑﺎ ﻣﻴﺰان اﻫﻤﻴﺖ ‪ 10‬اﺳﺖ ﻛﻪ ﺣﺪاﻛﺜﺮ ‪ 500.000‬اﺳﺖ‪ ،‬در ﺗﺮﻛﻴﺐ ﺗﻮﻟﻴﺪ‬
‫ﻫﺮ ﭼﻪ ﺑﻴﺸﺘﺮ ﺗﻮﻟﻴﺪ ﻛﻨﺪ ﺑﻬﺘﺮ‪ ،‬اﻣﺎ ﺣﺪاﻗﻞ ‪ 3.500‬ﺗﺎ ﺗﻮﻟﻴﺪ ﻛﻨﺪ‪ ،‬ﻣﻴﺰان اﻫﻤﻴﺖ ‪ 3‬اﺳﺖ‪ ،‬ﺗﺎ ﻣﻲ ﺷﻮد ﻛﺎرﮔﺮ ﻛﻢ اﺳﺘﺨﺪام ﻛﻨﺪ‪ ،‬ﺳﻘﻒ ‪ 250‬اﺳﺖ و ﻣﻴﺰان اﻫﻤﻴﺖ‬
‫آن ‪ 1‬اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪/27 :‬آﺑﺎن‪1387/‬‬

‫‪ .1‬ﻓﺮض ﻛﻨﻴﺪ ﺳﻄﺢ ﺧﺎﻟﻲ اﺳﺖ‪ ،‬ﺗﺼﻤﻴﻤﺎت ده ﺳﺎﻟﻪ ‪ ،‬ﻳﻚ ﺳﺎﻟﻪ‪ ،‬ﻳﻚ ﻣﺎﻫﻪ‪ ،‬و ﭼﻨﺪ روزه را ﻣﻲ ﺧﻮاﻫﻴﺪ از ﺻﻔﺮ اﻳﺠﺎد ﻛﻨﻴﺪ‪.‬‬

‫‪ .2‬ﺗﺼﻮر ﻛﻨﻴﺪ ﻛﻪ ﺑﺒﻴﻨﻴﺪ ﻛﻪ ﭼﻪ اﺻﻼﺣﺎﺗﻲ ﺑﺎﻳﺴﺘﻲ اﻧﺠﺎم دﻫﻴﺪ‪ ،‬ﺑﺎ ﻓﺮض اﻳﻨﻜﻪ ﻫﻤﻪ ﭼﻴﺰ وﺟﻮد دارﻧﺪ‪.‬‬

‫ﻣﺎ ﻣﺪﻟﺴﺎزي را آﻣﻮﺧﺘﻴﻢ‪،‬‬

‫اﻳﻨﻜﻪ ﻣﺪل را ﭼﮕﻮﻧﻪ ﺣﻞ ﻛﻨﻴﻢ ﻧﻴﺰ ﻣﻲ ﻓﻬﻤﻴﻢ‪،‬‬

‫و در ﻻﻳﻪ اي ﺑﺎﻻﺗﺮ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺤﻠﻴﻞ ﻣﺴﺌﻠﻪ را داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ ﻳﻚ ﻣﺴﺎﻟﻪ را ﺑﻪ ﭼﻨﺪﻳﻦ ﻣﺴﺎﻟﻪ ﺑﺎﻳﺴﺘﻲ ﺑﺸﻜﻨﻴﻢ‪.‬‬

‫در اﻳﻦ ﺳﻄﺢ ﺑﺎﻻﺗﺮ ﺑﺎﻳﺴﺘﻲ اﺑﺘﺪا ﺑﻪ ﻣﺴﺌﻠﻪ ﻧﮕﺎه ﻛﻨﻴﺪ ﺑﻪ ﺟﺎي آﻧﻜﻪ ﺑﻪ ﻗﻴﺪﻫﺎ و ﻣﺤﺪودﻳﺖ ﻫﺎي ﻛﻮﭼﻚ ﻧﮕﺎه ﻛﻨﻴﺪ‪.‬‬

‫ﻣﺴﺎﺋﻠﻲ ﭼﻮن دﭘﻮ‪ ،‬و ﻣﺎﺷﻴﻦ ﺳﻴﺎر ﺑﺮاي ﺗﻌﻤﻴﺮ و ﺗﻌﻤﻴﺮﮔﺎه و ‪...‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪50 ‬‬

‫ﺗﻘﺴﻴﻢ زﻣﺎﻧﻲ از ﻟﺤﺎظ ﻃﺮح ﻫﺎ در ﻣﺴﺎﺋﻞ‬

‫‪Page‬‬

‫ﻫﺮ ﻣﺴﺎﻟﻪ را در ﻳﻚ ﭘﺎراﮔﺮاف ﺑﻨﻮﻳﺴﻴﻢ‪ ،‬و ﻣﺤﺪوده ﻣﺴﺎﻟﻪ را ﻣﺸﺨﺺ ﻛﻨﻴﻢ‪ .‬ﻣﺸﺨﺺ ﺑﺎﺷﺪ ﻛﻪ ﻣﺴﺎﻟﻪ ﺑﻪ ﭼﻪ ﺷﻜﻞ اﺳﺖ‪.‬‬

‫ﺟﻤﻠﻪ ﮔﻮﻳﺎ ﺑﺎﺷﺪ‪.‬‬

‫‪ .1‬ﻣﺴﺌﻠﻪ زﻳﺮﺳﺎﺧﺖ‪  :‬‬

‫ﺗﻘﺴﻴﻢ ﺑﻨﺪي و ﻣﻜﺎن ﻳﺎﺑﻲ راه ﻫﺎ ‪ ‬‬ ‫‪.1.1‬‬

‫ﺗﻘﺴﻴﻢ ﺑﻨﺪي ﺧﻮد ﺷﻬﺮ ‪ ‬‬ ‫‪.1.2‬‬

‫‪ .2‬ﻣﺴﺌﻠﻪ ﺳﺨﺖ اﻓﺰاري اﺗﻮﺑﻮس‪  :‬‬

‫ﻣﻜﺎن ﻳﺎﺑﻲ دﭘﻮﻫﺎ‬ ‫‪.2.1‬‬

‫ﺗﻌﺪاد اﺗﻮﺑﻮس ﻫﺎ ‪ ‬‬ ‫‪.2.2‬‬

‫ﻣﻜﺎن ﺗﻌﻤﻴﺮات و رزرو ﻫﺎ و ﺗﻌﺪاد ‪ ‬‬ ‫‪.2.3‬‬

‫ﻣﻜﺎن دﭘﻮي ﺗﻌﻤﻴﺮ ﺳﻴﺎر ‪ ‬‬ ‫‪.2.4‬‬

‫ﻣﺤﻞ ﻳﺎﺑﻲ اﻳﺴﺘﮕﺎه ﻫﺎ ) ﻣﻜﺎن ﻫﺎي ﺧﺎص( ‪ ‬‬ ‫‪.2.5‬‬

‫‪ .3‬ﻣﺴﺌﻠﻪ ﻧﺮم اﻓﺰار اﺗﻮﺑﻮس‪:‬‬

‫زﻣﺎن ﻳﺎﺑﻲ ‪ ‬‬ ‫‪.3.1‬‬

‫ﺳﻴﺴﺘﻢ ﻓﺮوش ﺑﻠﻴﻂ ‪ ‬‬ ‫‪.3.2‬‬

‫ﻣﺴﺌﻠﻪ اﻃﻼع رﺳﺎﻧﻲ ‪ ‬‬ ‫‪.3.3‬‬

‫ﻣﻜﺎن ﺗﺮﻣﻴﻨﺎل ﻫﺎ )دﭘﻮ ﺷﺐ ﻣﻲ ﺧﻮاﺑﻨﺪ‪ ،‬اﻳﻦ را در روز(‬ ‫‪.3.4‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺗﻘﺴﻴﻢ ﺑﻨﺪي اﺗﻮﺑﻮس ﻫﺎ )رده ﺑﻨﺪي‪ ،‬از ﻟﺤﺎظ ﻛﻼس‪ ،‬ﻫﻢ آﻟﻮدﮔﻲ‪ ،‬ﺳﺮﻋﺖ و ‪  (...‬‬ ‫‪.3.5‬‬
‫‪51 ‬‬

‫ﻣﺴﻴﺮﻳﺎﺑﻲ اﺗﻮﺑﻮس‬ ‫‪.3.6‬‬

‫‪Page‬‬

‫اﻃﻼع رﺳﺎﻧﻲ ﻣﺴﻴﺮﻫﺎ ﺑﻄﻮر ﻓﻌﺎل ﺑﺮاي ﺗﻔﺎوت ﺑﻴﻦ اﺗﻮﺑﻮس ﻫﺎ‪.‬‬

‫در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ﻣﺴﻴﺮ وﻳﮋه ﺑﺮاي اﺗﻮﺑﻮس ﻳﺎ ﻣﻴﺮ ﻣﺸﺘﺮك‪.‬‬

‫در ﻧﻈﺮ ﮔﺮﻓﺘﻦ ورود ﺳﺮﻳﻊ )ﺳﻄﺢ ﭘﺎﻳﻴﻦ( ﻳﺎ ﻛﺎرﺗﻲ ﺑﻮدن‬

‫ﻣﺤﻞ ﻳﺎﺑﻲ ‪ service center‬ﻫﺎ‪.‬‬

‫ﺗﺎرﻳﺦ‪/02 :‬آذر‪1387/‬‬

‫اﻻن دو دﺳﺘﻪ دﻳﮕﺮ ﺗﻜﻨﻴﻚ را ﻣﻲ ﺧﻮاﻫﻴﻢ ﺗﺪرﻳﺲ ﻛﻨﻴﻢ و ﻳﻚ دﺳﺘﻪ را ﺷﻤﺎ اراﺋﻪ ﻣﻲ دﻫﻴﺪ‪ ،‬ﻛﻪ دو دﺳﺘﻪ اي ﻛﻪ اﺳﺘﺎد ﻳﺎد ﻣﻲ دﻫﻨﺪ‪ ،‬ﺷﺒﻴﻪ ﺳﺎزي و‬
‫ﻣﺪل ﺻﻒ اﺳﺖ‪ ،‬ﻛﻪ ﻋﻤﺪﺗﺎ ﺑﺮاي ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ ﺳﻴﺴﺘﻢ ﺑﻜﺎر ﻣﻲ روﻧﺪ‪ ،‬ﻣﺎ اﺛﺮ ﻳﻚ ﺳﺮي از ﺳﻴﺎﺳﺖ ﻫﺎ را در ﻋﻤﻠﻜﺮد ﺳﺎزﻣﺎن ﻣﻲ ﺳﻨﺠﻴﻢ دﻧﺒﺎل‬
‫ﺑﻬﻴﻨﻪ ﺳﺎزي ﻧﻴﺴﺘﻴﻢ‪ ،‬ﺑﺮاي ﻣﺜﺎل ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ ﺳﺎﺧﺘﺎر ﻳﻚ ﭘﻤﭗ ﺑﻨﺰﻳﻦ را اﺻﻼح ﻛﻦ‪ ،‬ﺷﻤﺎ ﺑﮕﻮﻳﻴﻢ ﻛﻪ ﭼﻪ ﻛﻨﻴﻢ‪ ،‬ﺑﺎ اﻳﻦ ﻣﻴﺰان ﺑﻮدﺟﻪ‪ ،‬ﺳﻨﺎرﻳﻮﻫﺎﻳﻲ‬
‫ﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد‪ ،‬در ﮔﺎم اول ﺷﺎﻳﺪ ﺧﺮﻳﺪ زﻣﻴﻦ ﺧﻮب ﺑﺎﺷﺪ‪ ،‬ﺷﺎﻳﺪ ﻓﺮدي ﺑﮕﻮﻳﺪ ﻫﺮ ﭘﻤﭙﻲ ﭼﻬﺎر ﺳﻮﺧﺖ را ﺑﺪﻫﺪ‪ ،‬ﭘﻤﭗ ﻫﺎ را ﻫﻤﻪ ﻋﻮض ﻛﻨﻴﺪ‪ ،‬اﻳﻦ‬
‫ﻳﻚ راه ﻣﻲ ﺷﻮد‪ ،‬ﻛﻪ ﻣﻲ ﮔﻮﻳﺪ اﻧﺘﻈﺎر ﺑﺮاي ﻣﻮاردي ﻛﻪ ﻣﺎ ﺑﻴﺨﻮد ﻣﻨﺘﻈﺮ ﻣﻲ ﺷﻮﻳﻢ‪ ،‬ﻳﻜﻲ دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﺑﻴﻦ ﻫﺮ دو ردﻳﻒ ﻳﻚ ﺟﺎﻳﻲ ﺧﺎﻟﻲ‬
‫ﺑﻴﻨﺸﺎن اﺳﺖ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ ﻓﺎﺻﻠﻪ ﭘﻤﭗ ﻫﺎ را ﺑﺎز ﻛﻨﻴﺪ‪ ،‬ﻓﺮدي دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﮔﻠﻮﮔﺎه ﻓﺮدي اﺳﺖ ﻛﻪ اﻳﺴﺘﺎده اﺳﺖ ﻛﻪ ﭘﻮل ﺑﺪﻫﺪ و‬
‫ﻳﻚ دﻗﻴﻘﻪ اﺿﺎﻓﻪ ﺗﺮ ﭘﻮل دادن ﻣﺸﻜﻞ ﺳﺎز اﺳﺖ‪ ،‬ﻳﻚ ﻓﺮدي دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻣﺒﺘﻨﻲ ﺑﺮ ﺗﻜﻨﻮﻟﻮژي ﻛﻦ‪ ،‬ﻛﻪ اﻳﻦ ﻣﻲ ﺷﻮد ‪ 10‬ﺗﺎ ﺳﻨﺎرﻳﻮ ﻛﻪ وﻗﺘﻲ‬
‫وزن آﻧﻬﺎ را ﻣﻲ ﺳﻨﺠﻴﻢ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺒﻴﻨﻴﻢ ﻛﻪ ﻛﺪام ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬‬

‫اﻳﻦ ﻣﻮارد ﺟﻮاب ﺑﻬﻴﻨﻪ ﻧﺪارد‪ ،‬ﭼﻮن ﻧﻤﻲ ﺷﻮد ﻛﻪ ‪ fact‬ﻫﺎ را ﻣﺪل ﻛﺮد و ﺟﺰﺋﻲ ﻧﮕﺮي ﻛﺮد‪ ،‬ﻣﻲ روﻧﺪ ﺳﺮاغ ‪، simulation‬در اﻳﻦ روش ﺳﻨﺎرﻳﻮﻫﺎي‬
‫ﻣﺨﺘﻠﻒ را ﭼﻚ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻣﺎ در ﺻﻨﻌﺖ ﻫﻮاﻳﻲ و ﻏﻴﺮه اﻳﻨﻬﺎ را ﺑﺮرﺳﻲ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﺳﺎده را اﻣﺮوز ﻣﻲ ﺑﻴﻨﻴﻢ ﺑﺎﻗﻲ را در ﻣﻘﺎﻟﻪ اي ﻣﻲ ﺑﻴﻨﻴﺪ‪ ،‬و‬
‫ﻛﺎرﺑﺮدﻫﺎي دﻳﮕﺮ را ﻣﻲ ﺑﻴﻨﻴﻢ‪ ،‬وﻗﺘﻲ ﻫﺴﺖ ﻓﺮدي دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﺑﺎ ﻣﺪل رﻳﺎﺿﻲ ﺑﺮاﻳﻢ ﻣﺸﺨﺺ ﻛﻦ ﻛﻪ ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﺑﺎ اﻳﻦ اﻟﮕﻮ ﭼﻨﺪ ﺗﺎ ﻣﺎﺷﻴﻦ‬
‫ﻣﻨﺘﻈﺮﻧﺪ و ﭼﻪ ﻣﺪت زﻣﺎن ﺳﺮوﻳﺲ‪ ،‬اﺳﺖ ﻛﻪ ﺗﺌﻮري ﺻﻒ ﭘﺎﺳﺨﮕﻮﺳﺖ‪ ،‬ﻣﺎ ﺳﺮاغ اﺛﺒﺎت ﻧﻤﻲ روﻳﻢ‪ ،‬در ﻻﻳﻪ اﺳﺘﻔﺎده ﻫﺴﺘﻴﻢ‪ ،‬ﺗﻔﺎوت ﺑﺎ اﻳﻨﺠﺎ‪ ،‬اﻳﻦ‬
‫اﺳﺖ ﻛﻪ در ﻣﻮرد ﻗﺒﻠﻲ ﻣﺎ ﺑﻬﻴﻨﻪ ﺳﺎزي ﻣﻲ ﻛﺮدﻳﻢ‪ ،‬و در ﻧﻬﺎﻳﺖ آﻧﺎﻟﻴﺰ ﺣﺴﺎﺳﻴﺖ اﻧﺠﺎم ﻣﻲ دادﻳﻢ‪ ،‬دﺳﺘﻪ اي دﻳﮕﺮ از ﻣﺪﻟﻬﺎ ‪ AHP/ANP‬ﺑﻮد ﻛﻪ ﺑﺪرد‬
‫ﺟﺎﻳﻲ ﻣﻲ ﺧﻮرد ﻛﻪ ﭼﻨﺪ ﺗﺎ ‪ Alternative‬داﺷﺘﻴﻢ و ﭼﻨﺪ ﺗﺎ ﻣﻌﻴﺎر ﺳﻤﺖ دﻳﮕﺮ داﺷﺘﻴﻢ‪ ،decision tree ،‬ﺑﺪرد اﻳﻦ ﺑﻮد ﻛﻪ اﻳﻨﺠﺎ ‪ event‬ﻫﺎي ﻏﻴﺮ‬
‫ﻗﺎﺑﻞ ﻛﻨﺘﺮل ﺗﺎﺛﻴﺮ ﮔﺬار ﺑﻮد‪ ،‬و ﺑﻌﺪ ﺳﺮاغ ‪ utility theory‬ﻣﻲ رﻓﺘﻴﻢ ﻛﻪ ﺟﺎﻫﺎﻳﻲ ﺑﻮد ﻛﻪ ﭘﻮل ارزش واﻗﻌﻲ را ﻧﺪاﺷﺖ‪ ،‬ﮔﻔﺘﻴﻢ ﻛﻪ ﺑﺮاي ﺑﺮﺧﻲ از‬
‫ﻣﺴﺎﺋﻞ ‪ linear‬راه ﺣﻞ ﻫﺎﻳﻲ ﻫﺴﺘﻨﺪ ﻛﻪ ‪ complexity‬را ﻛﻢ ﻣﻲ ﻛﻨﺪ‪ ،‬ﻟﺬا اﻻن ﺑﻪ ﺷﺒﻴﻪ ﺳﺎزي و ﺗﺌﻮري ﺻﻒ را ﻣﻲ ﮔﻮﻳﻴﻢ ﺑﻌﺪ ﻫﻢ اراﺋﻪ ﻫﺎي ﺷﻤﺎ‬
‫اﺳﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻧﺘﻈﺎر ﻣﻲ رود ﻫﺮ ﮔﺮوه ﻣﻌﻠﻤﻲ ﻛﻨﺪ‪ ،‬و اﺻﻼ اﺳﺘﺎد ﺷﺎﮔﺮدي ﻧﺒﺎﺷﺪ‪ 20 ،‬دﻗﻴﻘﻪ ﺟﺎي اﺳﺘﺎد درس ﻣﻲ دﻫﻴﻢ‪ ،‬ﭼﺎﻟﺶ ﺗﺴﻠﻂ در ﺣﺎﻟﻲ ﻛﻪ ﻣﺘﺨﺼﺺ‬
‫‪52 ‬‬

‫ﻧﻴﺴﺘﻴﺪ و ﻛﺎرﺑﺮدي ﮔﻔﺘﻦ اﺳﺖ‪ ،‬و ﻧﺒﺎﻳﺴﺘﻲ وﻓﺎداري ﺑﻴﺶ از ﺣﺪ ﺑﻪ ﻣﺘﻦ ﻧﺒﺎﻳﺴﺘﻲ داﺷﺘﻪ ﺑﺎﺷﻴﺪ‪ ،‬ﭼﻮن ﻣﺘﻦ ﺑﺮاي ﺷﻤﺎ و زﻣﺎن ﺗﻨﻈﻴﻢ ﻧﺸﺪه اﺳﺖ‪،‬‬
‫ﭼﻴﺰي ﻛﻪ ﻧﻤﻲ ﻓﻬﻤﻴﺪ را ﻧﮕﻮﻳﻴﺪ‪ ،‬و ﻓﻘﻂ ﻣﻄﺎﻟﺐ ﻣﻬﻢ را ﺑﮕﻮﻳﻴﺪ‪ .‬ﺳﻌﻲ ﻛﻨﻴﺪ ﺑﺎ ﻣﺜﻼ ﺑﮕﻮﻳﻴﺪ‪ ،‬داﺋﻢ ﺑﺎ ﻣﺜﺎل ﺑﮕﻮﻳﻴﺪ ﻛﻪ اﺳﺎﻧﺲ ﻧﺒﺎﺷﺪ ﻓﻘﻂ‪ ،‬ﺳﻌﻲ ﻛﻨﻴﺪ‬
‫‪Page‬‬

‫ﻃﺮف را ﺷﻴﺮﻓﻬﻢ ﻛﻨﻴﺪ‪ ،‬در ‪ 5‬دﻗﻴﻘﻪ اول ﻳﺎ ﺗﻮﺟﻪ را ﺟﻠﺐ ﻣﻲ ﻛﻨﻴﺪ ﻳﺎ ﻣﻲ رود‪ ،‬و راﺑﻄﻪ ﻫﻢ اﺳﺘﺎد ﺷﺎﮔﺮدي ﻧﻴﺴﺖ‪ ،‬ﻛﺎرﺗﺎﺑﻞ را ﻣﻲ آورد‪ ،‬در دﻧﻴﺎي‬
‫واﻗﻌﻲ ﻛﻪ اﮔﺮ اراﺋﻪ ﻣﻨﺎﺳﺐ ﻧﺒﻮد ﺳﻮﺋﻴﭻ ﻛﻨﺪ‪ ،‬ﻟﺬا ﺑﺎﻳﺴﺘﻲ ‪ ey e contact‬داﺷﺘﻪ ﺑﺎﺷﻴﺪ‪ ،‬ﻛﻪ ﺧﻴﻞ ﺧﻴﻠﻲ ﻣﻬﻢ اﺳﺖ‪ ،‬و در ﺿﻤﻦ ﻣﺜﺎل زﻳﺎد ﺑﺰﻧﻴﺪ‪.‬‬

‫ﻣﺴﺎﻟﻪ ﺣﻤﻞ و ﻧﻘﻞ ﻋﻤﻮﻣﻲ را ﻧﺴﺨﻪ ‪ 1‬را دوﺷﻨﺒﻪ ﻣﻲ دﻫﻴﺪ‪ ،‬و ﻧﺴﺨﻪ ‪ 2‬را ﺟﻠﺴﻪ اول اراﺋﻪ ﻫﺎ ﻣﻲ آورﻳﺪ‪ ،‬ﻛﻪ دﻟﻴﻞ دو ﻧﺴﺨﻪ اي ﺷﺪن ﺑﺮاي اراﺋﻪ اﻳﻦ‬
‫دو ﻣﻮرد درس ﺟﺪﻳﺪ اﺳﺖ‪.‬‬

‫ﺗﺎ اراﺋﻪ ﻫﺎ ﺷﺮوع ﺷﻮد ﺑﺎﻳﺴﺘﻲ ﺗﻼش ﻛﻨﻴﺪ ﭘﺮوژه ﺗﻌﺮﻳﻒ ﻛﻨﻴﺪ ﻛﻪ در ﭼﻨﺪ ﺻﻔﺤﻪ ﺑﺎﺷﺪ‪ .‬ﺳﻌﻲ ﻛﻨﻴﺪ در ﻃﻮل اﻳﻦ ﻣﺪت ﭘﺮوژه را ﺗﻌﺮﻳﻒ ﻛﻨﻴﺪ‪.‬‬

‫ﺑﺮاي ﭘﺮوژه ﻛﺴﻲ ﺑﺨﻮاﻫﺪ ﻣﻮﻓﻖ ﺑﺎﺷﺪ ﺑﺎﻳﺴﺘﻲ ﺗﻼش ﻛﻨﺪ ﺑﻪ دﻧﻴﺎي دور و اﻃﺮاﻓﺶ ﺑﺎ ﻣﻨﻄﻖ ‪ decision making‬ﻧﮕﺎه ﻛﻨﺪ‪.‬‬

‫در اﻣﺘﺤﺎن ﭘﺎﻳﺎن ﺗﺮم ‪ art of modeling‬را ﺧﻮاﻫﻴﻢ داﺷﺖ‪ ،‬آﻧﭽﻪ ﻛﻪ ﺗﺎ ﻛﻨﻮن ﺗﺎ ﻣﻴﺎن ﺗﺮم داﺷﺘﻴﻢ ﺣﺬف ﺷﺪ‪ ،‬ﻓﻘﻂ ﻫﻨﺮ ﻣﺪﻟﺴﺎزي در ﭘﺎﻳﺎن ﺗﺮم ﻣﻲ‬
‫آﻳﺪ‪.‬‬

‫ﺑﺮاي ﺗﻤﺮﻳﻦ ﻛﻼﺳﻲ در ﺷﺒﻴﻪ ﺳﺎزي ﺑﺎ ‪ excel‬اﺳﺖ وﻟﻲ ﺑﺮاي ﭘﻴﺎده ﺳﺎزي ﺑﺎﻳﺴﺘﻲ از ﻧﺮم اﻓﺰار ﻣﺮﺑﻮط اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪.‬‬

‫ﻣﺴﺎﺋﻠﻲ ﻛﻪ ﺗﺎ ﻛﻨﻮن ﺣﻞ ﻛﺮدﻳﻢ ‪ deterministic‬ﺑﻮد‪ ،‬اﻣﺎ اﻳﻨﺠﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﺎﻫﻴﺖ ‪ Probability‬ﺳﻴﺴﺘﻢ ﻫﺎ را در ارزﻳﺎﺑﻲ ﺳﻴﺴﺘﻢ ﻫﺎ ﺑﻴﺎورﻳﻢ‪.‬‬

‫ﺳﻴﺴﺘﻤﻲ ﻛﻪ ﺑﻪ ﻣﺮدم ﺧﺪﻣﺖ ﻣﻲ دﻫﺪ از ﺳﻤﺘﻲ ﺳﻄﺢ ﺳﺮوﻳﺲ ﺑﺮاي آن ﻣﻬﻢ اﺳﺖ ﻛﻪ واژه ﻋﺎم ﺗﺮ آن رﺿﺎﻳﺖ ﻣﺸﺘﺮي اﺳﺖ‪ ،‬ﻛﻪ ﺑﺮاي آن ﺑﺎﻳﺴﺘﻲ‬
‫ﺗﻤﺎم ﺗﺸﻜﻴﻼت را ﺑﻜﺎر ﺑﺮد ﻛﻪ آن را ﺑﺎﻻ ﺑﺮد‪ ،‬از ﺳﻤﺘﻲ دﻳﮕﺮ ﺑﺎﻳﺴﺘﻲ ﺑﻪ ﻋﻨﻮان ﻣﺪﻳﺮ ﺷﻤﺎ ‪ resource utilization‬ﻳﻌﻨﻲ درﺻﺪ ﺑﻜﺎرﮔﻴﺮي ﻣﻨﺎﺑﻊ‪ ،‬ﻛﻪ‬
‫ﺑﺎﻻﻧﺲ ﻛﺮدن اﻳﻨﻬﺎ در ﻋﻤﻞ ﻣﺸﻜﻞ اﺳﺖ‪.‬‬

‫ﻟﺬا ﺗﻮازن ﭘﻴﺪا ﻛﺮدن ﺑﻴﻦ آﻧﻬﺎ ﻛﺎر ﻣﺸﻜﻠﻲ اﺳﺖ‪ ،‬در اﻛﺜﺮ ﻣﻮاﻗﻊ ﺑﺎﻻﻧﺲ ﻛﺮدن اﻳﻦ دو ﻣﻌﻴﺎر ﻣﺸﻜﻞ اﺳﺖ‪ ،‬ﻛﻪ ﺷﺒﻴﻪ ﺳﺎزي ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﻛﻪ اﻳﻦ‬
‫ﻛﺎر را اﻧﺠﺎم دﻫﻴﺪ‪ ،‬ﺑﺮاي آﻧﻜﻪ ﺑﺒﻴﻨﻴﺪ ﻣﺎﻫﻴﺖ اﺣﺘﻤﺎﻟﻲ را ﭼﮕﻮﻧﻪ ﺑﻴﺎورﻳﻢ اﺑﺘﺪا ﻣﺜﺎﻟﻲ ﻣﻲ آورﻳﻢ‪:‬‬

‫ﻳﻚ ﻓﺮودﮔﺎه ﺑﻴﻦ اﻟﻤﻠﻠﻲ دارﻳﻢ ﻛﻪ ﻋﻤﺪه ﻣﺼﺮف ﺑﺮاي ﭘﺮوازﻫﺎي داﺧﻠﻲ اﺳﺖ ﺑﻪ ﻣﺤﺾ ﭘﻴﺎده ﺷﺪن از ﻫﻮاﭘﻴﻤﺎ دو ﻛﺎر در ﻓﺮودﮔﺎه ﺑﺎﻳﺴﺘﻲ اﻧﺠﺎم‬
‫دﻫﻴﺪ‪ ،pass control ،‬ﺑﻌﺪ از آن ﺑﺎر را ﺗﺤﻮﻳﻞ ﻣﻲ ﮔﻴﺮﻳﺪ‪ ،‬اﮔﺮ ﺑﭙﺮﺳﻨﺪ ﻣﺪت ﻛﻨﺘﺮل ﮔﺬرﻧﺎﻣﻪ و ﮔﺮﻓﺘﻦ ﺑﺎر ﭼﻘﺪر ﻃﻮل ﻣﻲ ﻛﺸﺪ ﻣﻲ ﮔﻮﻳﻴﻢ ﺑﺴﺘﮕﻲ‬
‫دارد‪....‬‬

‫ﮔﺎم دوم ﺑﺤﺚ ﻛﻨﺘﺮل ﻛﺮدن ﺑﺎر و اﺛﺎﺛﻴﻪ اﺳﺖ‪.‬‬

‫ﺗﺠﺮﺑﻪ ﻗﺒﻠﻲ ﻓﺮودﮔﺎه ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ‪:‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪53 ‬‬
‫‪Page‬‬

‫ﻛﻪ اﻳﻦ ﻣﻮرد ﻧﺘﻴﺠﻪ ﺗﺤﻘﻴﻘﺎت ﺑﻮده اﺳﺖ‪،‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﺑﻌﺪ از آن ﻳﻚ ﺻﻒ دارﻳﻢ ﻛﻪ ﻳﻜﻲ ﻫﻢ ﺑﻴﺸﺘﺮ ﻧﻴﺴﺖ‪ ،‬و ﻣﻜﺎﻧﻴﺰم ‪ first in‐first out‬اﺳﺖ‪،‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪54 ‬‬
‫‪Page‬‬

‫اﻛﻨﻮن ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﺮاي ‪ N‬ﻧﻔﺮ ﺳﻴﺴﺘﻢ را ﺷﺒﻴﻪ ﺳﺎزي ﻧﻤﺎﻳﻴﻢ‪ ،‬ﺣﺎل ﻛﻪ ﻳﻚ ﻧﻔﺮ داﺧﻞ ﻣﻲ آﻳﺪ‪ ،‬ﻣﺪت زﻣﺎﻧﻲ را ﺑﺮاي ﻛﻨﺘﺮل ﭘﺎﺳﭙﻮرت اﺧﺘﺼﺎص ﻣﻲ‬
‫دﻫﻴﻢ‪ ،‬ﻣﺪت زﻣﺎﻧﻲ را ﺑﺮاي ﻛﻨﺘﺮل ﺑﺎر اﺧﺘﺼﺎص ﻣﻲ دﻫﻴﻢ‪ ،‬ﻣﺎ ﻳﻚ ﻋﺪد ﺗﺼﺎدﻓﻲ ﺗﻮﻟﻴﺪ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬و ﻋﺪد را ﺑﻪ ‪ 0 ،scale‬ﺗﺎ ‪ 100‬ﻣﻲ ﺑﺮﻳﻢ ﻛﻪ ﻣﻲ‬
‫ﮔﻮﻳﻴﻢ در ﻫﺮ رﻧﺞ ﻗﺮار ﮔﻴﺮد‪ ،‬ﭼﻪ ﻣﻴﺰان زﻣﺎن در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﻢ‪ ،‬و ﻛﻞ ﺑﺎزه ‪ 0‬ﺗﺎ ‪ 100‬را ﺑﻪ ﭼﻨﺪ ﺑﺎزه ﻣﻲ ﺷﻜﻨﺪ‪ ،‬ﻛﻪ ﻃﻮل ﺑﺎزه ﻣﺘﻨﺎﺳﺐ ﺑﺎ اﻳﻦ‬
‫اﺣﺘﻤﺎل ﻫﺎﺳﺖ‪:‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪55 ‬‬
‫‪Page‬‬

‫در ﺷﺒﻴﻪ ﺳﺎزي‪ ،‬ﺑﺎﻳﺴﺘﻲ زﻣﺎﻧﻲ ﻛﻪ ﭼﻨﺪ دﻗﻴﻘﻪ ﺧﺪﻣﺖ ﺑﮕﻴﺮﻧﺪ را ﻧﻴﺰ اﺳﺘﺨﺮاج ﻛﻨﻴﻢ‪ ،‬اﻃﻼﻋﺎﺗﻲ را ﺑﺎﻳﺴﺘﻲ ‪ record‬ﻛﻨﻴﻢ‪ ،‬اﻳﻦ اﻃﻼﻋﺎت ﺑﺮ اﺳﺎس‬
‫ﻳﻚ ﻣﻜﺎﻧﻴﺰم ﺷﺒﻴﻪ ﺳﺎزي‪ ،‬آن اﺳﺖ ﻛﻪ ﻛﻲ ﻛﻨﺘﺮل آﻏﺎز ﻣﻲ ﮔﺮدد‪ ،‬و ﻃﻮل ﻣﺪﺗﻲ ﻛﻪ ﻣﻲ ﻛﺸﺪ ﻛﻪ ﺳﺮوﻳﺲ ﮔﺮﻓﺘﻪ ﺷﻮد‪ ،‬وﻗﺘﻲ ﻛﻪ ﺳﺮوﻳﺲ در ﮔﺎم‬
‫ﺑﻌﺪي ﺷﺮوع ﻣﻲ ﺷﻮد‪ ،‬و ﻣﺪت زﻣﺎن ﺳﺮوﻳﺲ در آن ﻧﻴﺰ ﻣﺸﺨﺺ ﻣﻲ ﺷﻮد‪.‬‬

‫ﻣﺪﻟﻬﺎي ﺷﺒﻴﻪ ﺳﺎزي ﺑﺎﻳﺴﺘﻲ ﺗﺼﺪﻳﻖ ﺷﻮد و ﺑﻌﺪ از آن ﻣﻲ ﺗﻮان ﺑﺎ ﺗﻐﻴﻴﺮ ﭘﺎراﻣﺘﺮﻫﺎ ﺑﺮرﺳﻲ ﻧﻤﻮد ﻛﻪ ﭼﻪ ﺗﻐﻴﻴﺮاﺗﻲ رخ ﻣﻲ دﻫﺪ‪.‬‬

‫زﻣﺎن آﻏﺎز ﺳﺮوﻳﺲ ﻣﺴﺎﻓﺮ= زﻣﺎﻧﻲ ﻛﻪ ﻧﻔﺮ ﻗﺒﻞ ﺳﺮوﻳﺴﺶ آﻏﺎز ﺷﺪ‪ +‬زﻣﺎن ﺳﺮوﻳﺲ ﺑﻪ ﻧﻔﺮ ﻗﺒﻞ‬

‫زﻣﺎﻧﻲ ﻛﻪ ﺳﺮوﻳﺴﺶ در اﻳﺴﺘﮕﺎه دوم ﺷﺮوع ﻣﻲ ﺷﻮد ﺑﺮاﺑﺮ اﺳﺖ ﺑﺎ ﻣﻴﺰاﻧﻲ ﻛﻪ در ﺻﻒ اﻳﺴﺘﺎده اﺳﺖ ﻳﺎ ﺧﻴﺮ‪ ،‬ﻣﺎ ﺑﺮاي ارزﻳﺎﺑﻲ ﻧﻴﺎز ﺑﻪ اﻋﺪاد ﺗﺼﺎدﻓﻲ‬
‫دارﻳﻢ ﻛﻪ ﺗﻮﻟﻴﺪ ﻣﻲ ﻧﻤﺎﺋﻴﻢ‪.‬‬

‫ﻋﻤﻠﻴﺎت ﺷﺒﻴﻪ ﺳﺎزي ﺑﺼﻮرت دﺳﺘﻲ ﻗﺎﺑﻞ اﻧﺠﺎم اﺳﺖ‪ ،‬ﻛﻪ ﻧﻤﻮﻧﻪ اي در زﻳﺮ آﻣﺪه اﺳﺖ‪ :‬ﻛﻪ ﺑﺮ ﺣﺴﺐ ﻋﺪد ﺗﺼﺎدﻓﻲ ﻣﺎ زﻣﺎن ﺳﺮوﻳﺲ ﻣﺘﻨﺎﻇﺮ را‬
‫ﻣﺸﺨﺺ ﻧﻤﻮده اﻳﻢ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪56 ‬‬
‫‪Page‬‬

‫ﺗﺎرﻳﺦ‪/10 :‬آذر‪1387/‬‬

‫ﺳﻴﻤﻮﻻﺗﻮر ﻛﺎر ﺗﻘﻠﻴﺪ را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ ،‬ﺧﺮوﺟﻲ آن ﺷﺒﻴﻪ ﺧﺮوﺟﻲ اﺳﺖ‪،‬‬

‫ﻣﺎ ‪ ،performance measure‬ﺷﺎﺧﺺ ﻋﻤﻠﻜﺮد اﺳﺖ‪ ،‬ﻛﻪ از آﻧﺠﺎ ﻣﻲ ﻓﻬﻤﻲ ﻛﻪ ﺳﻴﺴﺘﻢ ﺧﻮب اﺳﺖ ﻳﺎ ﺑﺪ اﺳﺖ‪.‬‬

‫ﻣﺎ ﭼﻬﺎر ﻧﻮع ﺷﺒﻴﻪ ﺳﺎزي دارﻳﻢ‪:‬‬

‫ﻣﻮﻧﺖ ﻛﺎرﻟﻮ ‪ ‬‬ ‫‪.1‬‬

‫ﭘﻴﻮﺳﺘﻪ ‪ ‬‬ ‫‪.2‬‬

‫روﻳﺪادﻫﺎي ﮔﺴﺴﺘﻪ ‪ ‬‬ ‫‪.3‬‬

‫ﺗﺮﻛﻴﺐ ﭘﻴﻮﺳﺘﻪ و ﮔﺴﺴﺘﻪ )ﻫﻴﺒﺮﻳﺪ( ‪ ‬‬ ‫‪.4‬‬

‫اﮔﺮ ﻣﻨﺤﻨﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻛﻪ ﻣﻲ ﺧﻮاﻫﻴﻢ ﺳﻄﺢ زﻳﺮ آن را ﺣﺴﺎب ﻛﻨﻴﻢ‪ ،‬وﻟﻲ ﻧﺘﻮاﻧﻴﻢ اﻧﺘﮕﺮال ﺑﮕﻴﺮﻳﻢ‪ ،‬ﻣﻲ ﮔﻮﻳﻨﺪ ﺑﻪ ﻗﺴﻤﺖ ﻫﺎي ﻣﺴﺎوي ﺑﺸﻜﻨﻴﻢ‪،‬اﮔﺮ ﮔﻔﺘﻪ ﺷﻮد‬
‫ﻛﻪ ﺗﺼﺎدﻓﻲ ﺑﺸﻜﻨﻴﺪ‪ ،‬و ‪ n‬ﺑﺎر اﻳﻦ ﻛﺎر را اﻧﺠﺎم دﻫﻴﺪ‪ stochastic ،‬اﺳﺖ ﭼﻮن اﺣﺘﻤﺎﻟﻲ ﺑﺪﺳﺖ ﻣﻲ آورﻳﻢ‪ ،‬اﺻﻞ اﺳﺎﻧﺲ در ﻓﺮودﮔﺎه زﻣﺎن ﺟﻠﻮ رﻓﺘﻦ ﺑﻮد‪ ،‬ﻣﺎ ﻓﺮض‬
‫ﻣﻲ ﮔﺬارﻳﻢ ﻛﻪ ﻣﻘﺪار ﻫﺮ ﻣﺘﻐﻴﺮ در زﻣﺎن ‪ t‬ﺗﺎﺑﻊ آن ﻣﺘﻐﻴﺮ در زﻣﺎن ‪ t‐1‬اﺳﺖ ﺷﺒﻴﻪ ﺳﺎزي ﭘﻴﻮﺳﺘﻪ را در ﺳﻴﺴﺘﻢ دﻳﻨﺎﻣﻴﻚ ﻳﺎد ﻣﻲ ﮔﻴﺮد‪ ،‬ﻛﻪ ﻣﺜﻼ ﻣﻮﺟﻮدي ﺧﻮدروﻫﺎ‬
‫در ﺳﺎﻳﭙﺎ در ‪ 2‬ﺑﻌﺪ از ﻇﻬﺮ ﭼﻨﺪﺗﺎﺳﺖ ﻛﻪ ﻣﻲ ﺷﻮد ﻛﻪ دﻟﺘﺎ ‪ t‬دﻟﺘﺎ ‪ t‬ﺟﻠﻮ ﺑﺮود ﭼﻘﺪر اﺳﺖ‪.‬‬

‫در ‪ descrete event simulation‬ﻛﻪ ﻳﻌﻨﻲ رﺧﺪادﻫﺎ در ﻧﻘﺎط زﻣﺎﻧﻲ اﺗﻔﺎق ﻣﻲ اﻓﻨﺪ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻳﻚ ﺳﺮي ﺗﻌﺎرﻳﻒ ﺑﺎﻳﺴﺘﻲ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﻳﻚ ﺳﺮي ﻣﻮﺟﻮدﻳﺖ ‪ entity‬ﺑﺎﻳﺴﺘﻲ ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﺷﻴﺌﻲ اﺳﺖ ﻛﻪ در ﺳﻴﺴﺘﻢ ﻋﻼﻗﻪ دارﻳﻢ ﺷﺒﻴﻪ ﺳﺎزي ﻛﻨﻴﻢ‪ ،‬اﻳﻨﻬﺎ‬
‫‪57 ‬‬

‫ﻋﻨﺎﺻﺮ ﻣﺪل ﺳﺎزي اﺳﺖ‪ ،‬اﻳﻦ ﻣﻮﺟﻮدﻳﺖ ﻣﻲ ﺗﻮاﻧﺪ ‪ attribute‬داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﺗﺎﻛﺴﻲ ﺑﺎ ﻏﻴﺮ ﺗﺎﻛﺴﻲ ﺗﻔﺎوت داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬ﺣﺘﻲ اﮔﺮ ﺟﺎﻳﻲ ﻛﻪ ﺳﺮوﻳﺲ‬
‫دادن اﻳﻨﻜﻪ ﺧﺎﻧﻢ راﻧﻨﺪه اﺳﺖ ﻳﺎ آﻗﺎ‪ attribute ،‬اﺳﺖ‪ .‬ﺑﻌﺪ ﻛﻪ ﺑﻪ ﺳﻴﺴﺘﻢ ﻣﻲ آﻳﺪ ﻳﻚ ﺳﺮي ‪ activity‬ﺗﻌﺮﻳﻒ ﻣﻲ ﺷﻮد ﻛﻪ ﭼﻴﺰي اﺳﺖ ﻛﻪ زﻣﺎن ﻣﺸﺨﺺ ﺑﻪ‬
‫‪Page‬‬

‫ﺧﻮدش اﺧﺘﺼﺎص دﻫﺪ‪ ،‬زﻣﺎن ﻣﺸﺨﺺ ﻳﺎ ﺛﺎﺑﺖ دارد‪ ،‬در ﭘﻤﭗ ﺑﻨﺰﻳﻦ از زﻣﺎﻧﻲ اﺳﺖ ﻛﻪ ﺷﺮوع ﻣﻲ ﻛﻨﺪ ﺗﺎ زﻣﺎﻧﻲ ﻛﻪ ﺳﺮوﻳﺲ ﮔﺮﻓﺘﻪ اﺷﺖ‪ ،‬اﮔﺮ ﭘﻮل دادن ﻣﻬﻢ ﺷﻮد‬
‫آن ﻫﻢ ﻣﻲ ﺷﻮد ‪ activity‬ﺟﺪا‪ ،‬ﺷﻤﺎ در ﺻﻒ ﻣﻲ اﻳﺴﺘﻴﺪ ﻛﻪ ‪ activity‬ﺑﺮ ﺷﻤﺎ داده ﺷﻮد‪ ،‬ﭼﺮا ﻛﻪ اﻟﮕﻮﻳﻲ ﻧﺪارد‪ ،‬ﺗﻌﺮﻳﻒ ‪ activity‬ﻟﺬا ﺑﺮ ﻣﺒﻨﺎي ﻧﺮخ زﻣﺎﻧﻲ‬
‫ﺧﺎص اﺳﺖ‪ .‬ﻃﻮل ﻣﻲ داﻧﻨﺪ‪ ،‬ﺻﻒ ﻗﺎﻧﻮن ﺧﺎص ﺧﻮد را دارد و ﻇﺮﻓﻴﺖ دارد و ‪ activity‬ﻧﻴﺴﺖ‪.‬‬

‫ﺷﻤﺎ ‪ Performance measure‬ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻴﺪ ﻛﻪ ﻳﻜﻲ را ﻣﻲ ﮔﺬارﻳﺪ ﻣﺘﻮﺳﻂ زﻣﺎن اﻧﺘﻈﺎر در ﺻﻒ‪ ،‬ﻳﻜﻲ دﻳﮕﺮ را ﻣﻲ ﺗﻮاﻧﻴﺪ ﻣﺘﻮﺳﻂ ﻃﻮل ﺻﻒ در ﻧﻈﺮ‬
‫ﺑﮕﻴﺮﻳﺪ‪ ،‬ﺷﻤﺎ اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﻛﻨﻴﺪف و ﺗﻔﺎوت ﺑﺎ ﮔﺬر زﻣﺎن ﻧﺸﺎن ﻣﻲ دﻫﻴﺪ‪ ،‬ﺟﻨﺲ ‪ activity‬ﻧﻴﺴﺖ‪ ،‬وﻟﻲ اﻧﺪازه ﮔﻴﺮي ﻣﻲ ﺷﻮد‪.‬‬

‫وﺿﻌﻴﺖ ﺳﻴﺴﺘﻢ را ﭼﮕﻮﻧﻪ ﻧﺸﺎن ﻣﻲ دﻫﻴﺪ؟‬

‫ﺣﺎﻟﺖ در ﻛﻠﻤﻪ ﻳﻌﻨﻲ ﻣﺠﻤﻮﻋﻪ ﻣﺘﻐﻴﺮﻫﺎﻳﻲ ﻛﻪ در زﻣﺎن اﻧﺪازه ﮔﻴﺮي ﺑﻪ زﻣﺎن ارﺗﺒﺎط ﻧﺪارﻧﺪ‪ ،‬ﻣﺜﻼ ﻣﻲ ﮔﻮﻳﻴﻴﻢ ﻛﻪ اﻻن ﭼﻨﺪ ﻧﻔﺮ در اﺗﺎق ﻧﺸﺴﺘﻪ اﻧﺪ‪ ،‬اﻳﻦ ﺑﻪ ﺷﺒﻴﻪ‬
‫ﺳﺎزي ﻛﺎري ﻧﺪارد‪ ،‬ﻧﮕﺎه ﻣﻲ ﻛﻨﻲ ﻣﻲ ﺑﻴﻨﻲ‪ ،‬وﻟﻲ اﻳﻨﻜﻪ ﺑﮕﻮﻳﻲ در ﺳﺎﻋﺖ ﭼﻘﺪر ﻣﻲ دﻫﻲ ﻣﻲ ﮔﻮﻳﻲ در ﺳﺎﻋﺖ ﺑﺎﻳﺴﺘﻲ ﺑﺪاﻧﻴﻢ ﻛﻪ ﺷﺮوع و ﭘﺎﻳﺎن ﭼﻴﺴﺖ‪ ،‬ﻟﺬا ﻣﺎ‬
‫ﻣﻨﺠﻨﻲ ﻋﻤﻠﻜﺮد در ﻃﻮل زﻣﺎن را دارﻳﻢ‪.‬‬

‫‪ State of the system‬ﭼﻴﺴﺖ؟ ﭼﻴﺰي ‪ state‬را ﺑﻪ ﻫﻢ ﻣﻲ زﻧﺪ ﻛﻪ ورودي و ﺧﺮوﺟﻲ ﻫﺎﺳﺖ ﻛﻪ ‪ event‬اﺳﺖ‪ ،‬ﻟﺬا در اﻳﻦ ﺳﻴﺴﺘﻢ ﺑﺎﻳﺴﺘﻲ ﺗﻌﺮﻳﻒ ﻛﻨﻲ ﻛﻪ‬
‫‪ event‬ﭼﻴﺴﺖ ﻛﻪ ﺑﺎ آن ﺣﺎﻟﺖ ﺳﻴﺴﺘﻢ ﺗﻐﻴﻴﺮ ﻛﻨﺪ‪ ،‬ﻟﺬا زﻣﺎﻧﻲ ﻛﻪ ﻣﺎﺷﻴﻦ وارد ﺳﻴﺴﺘﻢ ﻣﻲ ﺷﻮد ﺣﺎﻟﺖ ﺳﻴﺴﺘﻢ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪف ﻟﺤﻈﻪ اي ﻛﻪ ﻳﻚ ﻣﺎﺷﻴﻦ ﺳﻮﺧﺖ‬
‫ﮔﻴﺮي را ﺷﻮرع ﻣﻲ ﻛﻨﺪ ﺣﺎﻟﺖ ﺳﻴﺴﺘﻢ ﺗﻐﻴﻴﺮ ﻣﻲ ﻛﻨﺪ‪ ،‬و ﭘﻤﭙﻲ ﭘﺮ ﻣﻲ ﺷﻮد و ﺻﻒ ﻛﻢ ﻣﻲ ﺷﻮد‪ ،‬ﻟﺬا ﻫﻨﺮ ﺷﻤﺎﺳﺖ ﻛﻪ ﺗﻌﺮﻳﻒ ﻛﻨﻴﺪ ﻛﻪ ﭼﻪ ‪ event‬اﺳﺖ و ﭼﻪ‬
‫ﻧﻴﺴﺖ‪ ،‬و ﻣﻤﻜﻦ اﺳﺖ در دﻧﻴﺎي واﻗﻌﻲ ﺑﻲ ﻧﻬﺎﻳﺖ اﺗﻔﺎق اﻓﺘﺪ‪ ،‬اﻣﺎ ﺷﻤﺎ آﻧﻬﺎ را ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﺪ ﻧﺒﻴﻨﻴﺪ‪ ،‬وﻳﮋﮔﻲ ‪ event‬اﻳﻦ اﺳﺖ ﻛﻪ ﻧﻤﻲ ﺑﻴﻨﻴﺪ‪.‬‬

‫ﺷﻤﺎ ﺗﻐﻴﻴﺮ ‪ state of system‬را در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻳﺪ ﻛﻪ آن را ‪ event‬ﻫﺎ ﺗﻐﻴﻴﺮ ﻣﻲ دﻫﺪف در ﺷﺒﻴﻪ ﺳﺎزي ﺑﺎﻧﻚ‪ entity ،‬ﻣﺸﺘﺮﻳﺎن اﺳﺖ‪ ،‬ﺳﻼم و ﺧﺪاﺣﺎﻓﻆ‬
‫‪ event‬ﻫﺎﺳﺖ‪ performance measure ،‬ﭼﻴﺴﺖ‪ ،‬درﺻﺪ زﻣﺎن ﺑﻲ ﻛﺎري ﺧﺪﻣﺖ ﮔﻴﺮﻧﺪﮔﺎن‪ ،‬ﻣﺘﻮﺳﻂ ﺗﻌﺪاد اﻓﺮاد ﻣﻨﺘﻈﺮ ﺑﺮاي ﺳﺮوﻳﺲ در ﺑﺎﻧﻚ‪ ،‬وارﻳﺎﻧﺲ‬
‫زﻣﺎن ﺣﻀﻮر در ﺳﻴﺴﺘﻢ‪ ،‬ﻣﺘﻮﺳﻂ زﻣﺎن ﺣﻀﻮر در ﺳﻴﺴﺘﻢ از ﺟﻤﻠﻪ ‪ performance measure‬ﻫﺎ ﻫﺴﺘﻨﺪ‪.‬‬

‫ﻣﺎ ‪ event‬ﺷﺮوع و ﭘﺎﻳﺎن ﺑﺼﻮرت ﻧﻘﻄﻪ اي دارﻳﻢ و ‪ activity‬ﻓﺎﺻﻠﻪ ﺑﻴﻦ اﻳﻦ دو اﺳﺖ‪.‬‬

‫در ﺷﺒﻴﻪ ﺳﺎزي ﭘﺮﺳﺶ ﻣﻲ ﺷﻮد ﻛﻪ زﻣﺎن ﺷﺒﻴﻪ ﺳﺎزي را ﭼﮕﻮﻧﻪ ﺟﻠﻮ ﻣﻲ روﻳﺪ‪ ،‬ﭼﺮا ﻛﻪ ‪ descrete‐event‬ﻳﻌﻨﻲ در ﻧﻘﺎط ﮔﺴﺴﺘﻪ ‪ event‬اﺗﻔﺎق اﻓﺘﺪ و ﺳﻴﺴﺘﻢ‬
‫را ﺟﻠﻮ ﺑﺒﺮد‪ ،‬ﻳﻜﻲ ‪ fixed time‬دارﻳﻢ و ﻳﻜﻲ ‪ next event‬را دارﻳﻢ‪ .‬در ﭘﻤﭗ ﺑﻨﺰﻳﺪن ‪ fixed time‬ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ دﻗﻴﻘﻪ اي ﺟﻠﻮ ﻣﻲ ﺑﺮﻳﻢ‪ ،‬دﻗﻴﻘﻪ دﻗﻴﻘﻪ زﻣﺎن‬
‫را ﺟﻠﻮ ﻣﻲ ﺑﺮﻳﻢ و ﻣﻲ ﺑﻴﻨﻴﻢ ﭼﻴﺰي اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻳﺎ ﺧﻴﺮ‪ ،‬آن ﻳﻜﻲ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﺟﻠﻮ ﺗﺮ ﻓﻜﺮ ﻛﻦ و ﺑﺒﻴﻦ اوﻟﻴﻦ ‪ event‬ﻛﻲ اﺳﺖ و ﺑﭙﺮ ﺑﻪ آن و ﺟﻠﻮ ﺑﺮو‪.‬‬

‫اﻳﻦ ﻣﺒﺤﺚ در ‪ 10‬دﻗﻴﻘﻪ و ﻳﻚ روز ﺑﻮدن اﺳﺖ‪ ،‬و وﻗﺘﻲ ﻛﻮﺗﺎه ﺑﺎﺷﺪ اﺟﺎزه ‪ interaction‬را ﻣﻲ دﻫﺪ ﻛﻪ داﺋﻢ ورودي را ﺗﻐﻴﻴﺮ دﻫﻲ ﺗﺎ ﻧﺘﻴﺠﻪ را ﺑﺒﻴﻨﻴﻢ‪.‬‬

‫ﻳﻚ ﺑﺮﻧﺎﻣﻪ ﺷﺒﻴﻪ ﺳﺎزي‪ ،‬ﻳﻚ روﺗﻴﻦ اﺻﻠﻲ اﺳﺖ ﻛﻪ اﺑﺘﺪا روﺗﻴﻨﻲ را ﺻﺪا م ﻳﻜﻨﺪ ﻛﻪ ‪ initialization‬ﻛﻨﺪ‪ ،‬ﻳﻚ روﺗﻴﻦ دارد ﻛﻪ ‪ next event‬را ﻣﻲ ﻳﺎﺑﺪ ﻛﻪ ﻣﻲ‬
‫ﮔﻮﻳﺪ ﺑﭙﺮ ﺟﻠﻮ‪ ،‬و ﻳﻚ ﻣﻮرد دارد ﻛﻪ ‪ event‬را ﻓﻌﺎل ﻣﻲ ﻛﻨﺪ‪،‬‬

‫ﺑﺤﺚ ‪ validation‬و ‪ verification‬را دارﻳﻢ‪.‬‬

‫ﺷﺒﻴﻪ ﺳﺎزي ‪ airline‬اﻣﺮﻳﻜﺎ‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺮاي اﻧﺠﺎم ﺗﻤﺮﻳﻦ ﺑﻪ ﻛﺘﺎب ﻣﺮاﺟﻌﻪ ﻧﻤﺎﻳﻴﺪ‪.‬‬
‫‪58 ‬‬

‫ﺑﺮاي اﻃﻤﻴﻨﺎن از اﻳﻨﻜﻪ ﺟﺎﻳﮕﺰﻳﻦ ﺧﻮﺑﻲ اﺳﺖ ﺑﺎﻳﺴﺘﻲ ‪ tuning‬و ‪ validation‬اﻧﺠﺎم دﻫﻴﻢ‪.‬‬
‫‪Page‬‬

‫‪ :Verify‬اﮔﺮ ﻛﺎري را ﻣﻲ ﺧﻮاﻫﺪ اﻧﺠﺎم دﻫﺪ ﺗﺴﺖ آﻧﻜﻪ اﻳﻦ ﻛﺎر را ﺻﺤﻴﺢ اﻧﺠﺎم ﻣﻲ دﻫﺪ ﻳﺎ ﺧﻴﺮ‪ ،‬روش ‪ debugging‬اﺳﺖ‪ ،‬ﻳﻚ راه ﺣﻞ ‪anti‐debugging‬‬
‫اﺳﺖ ﻛﻪ ﺑﺼﻮرت ﮔﺮاﻓﻴﻜﻲ راه ﺣﻞ را اﺳﺘﺨﺮاج ﻛﻨﻴﻢ‪.‬‬

‫‪ :Validation‬ﺑﺪرﺳﺘﻲ ﻛﺎر ﻣﻲ ﻛﻨﺪ وﻟﻲ ﻛﺎر درﺳﺖ را اﻧﺠﺎم ﻧﻤﻲ دﻫﺪ ﻣﻲ ﮔﻮﻳﻨﺪ ‪ validate‬ﻧﻴﺴﺖ‪ ،‬راه ﺣﻞ اﺳﺘﻔﺎده از ‪ expert‬ﻫﺎ و ﺗﺤﻠﻴﻞ ﻫﺎي آﻣﺎري‬
‫اﺳﺖ‪.‬‬

‫اﺑﺘﺪاي ﺷﺒﻴﻪ ﺳﺎزي ﺑﺎﻳﺴﺘﻲ ﻫﺪف را ﺗﻌﺮﻳﻒ ﻛﻨﻴﻢ‪.‬‬

‫ﻧﻴﺎز‪:‬‬

‫داﻧﺶ آن ﻓﻴﻠﺪ را ﺑﺪاﻧﺪ ‪ ‬‬ ‫‪.1‬‬

‫آدم ﻫﺎﻳﻲ ﻛﻪ ﻣﺪﻟﺴﺎزي ﻛﻨﻨﺪ ‪ ‬‬ ‫‪.2‬‬

‫‪  Programming‬‬ ‫‪.3‬‬

‫ﺟﻤﻊ ﻛﺮدن داده ‪  data gathering‬‬ ‫‪.4‬‬

‫ﻣﺘﺨﺼﺼﻴﻦ آﻣﺎر ﺧﺮوﺟﻲ را ﺗﺤﻠﻴﻞ و ورودي را ﻣﻲ دﻫﻨﺪ‪  .‬‬ ‫‪.5‬‬

‫ﺑﺎﻳﺴﺘﻲ ‪ end user‬را ‪ Involve‬ﻛﻨﻴﻢ ﭼﻮن ﻛﺎر را ﺑﺎور ﻧﻤﻲ ﻛﻨﺪ در ﻏﻴﺮ اﻳﻨﺼﻮرت‪ ،‬و ﻛﺎر را او ﺑﺎﻳﺴﺘﻲ در ﻧﻬﺎﻳﺖ ﻋﻤﻠﻲ ﺳﺎزد‪.‬‬

‫اﺑﺰار ﻫﺎي ﺷﺒﻴﻪ ﺳﺎزي‪:‬‬

‫زﺑﺎن ﻫﺎي ﻋﻤﻮﻣﻲ ‪ ‬‬ ‫‪.1‬‬

‫زﺑﺎن ﻫﺎي ﺗﺨﺼﺼﻲ ﺷﺒﻴﻪ ﺳﺎزي‪ ،‬ﭘﻴﻜﺞ ﻋﻤﻮﻣﻲ ﺷﺒﻴﻪ ﺳﺎزي ‪ ‬‬ ‫‪.2‬‬

‫ﭘﻜﻴﺞ ﺗﺨﺼﺼﻲ )ﻗﺎﻧﻊ ﻛﺮدن ﻣﺪﻳﺮﻫﺎ ﺑﺮاي ﭘﻮل ﺑﺎﻻ اﻳﻨﺠﺎ ﻣﻬﻢ اﺳﺖ( ‪ ‬‬ ‫‪.3‬‬

‫ﻫﺮ ﭼﻪ در ﻣﻮارد ﻓﻮق ﺑﺎﻻ ﻣﻲ ﺑﺮﻳﻢ زﻣﺎن و ﻫﺰﻳﻨﻪ و ﻋﺪم ﻗﻄﻌﻴﺖ در ﻣﻮرد ﻧﺘﻴﺠﻪ ﻧﻬﺎﻳﻲ ﺑﺎﻻ ﻣﻲ رود‪ ،‬ﻣﻮﺟﺐ ‪ flexibility‬ﻣﻲ ﺷﻮد‪.‬‬

‫ﻣﻌﻤﻮﻻ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﻳﺎ داده ﻫﺎي زﻳﺎد ﻳﺎ ﺧﻴﻠﻲ ﻛﻢ دارﻳﻢ ﻛﻪ ﻣﺘﺨﺼﺼﻴﻦ آﻣﺎر اﻳﻦ ﻣﺸﻜﻞ را ﻣﻌﻤﻮﻻ ﺣﻞ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫ﻣﺸﻜﻞ‪:‬‬

‫‪ documentation ،Code verification‬ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ اﻧﺠﺎم ﻧﻤﻲ ﮔﻴﺮد‪ ،‬و ﻣﻌﻤﻮﻻ اﻓﺮادي ﻛﻪ ﻛﺪ ﻣﻲ زﻧﻨﺪ ﺑﻪ ﻋﻘﺐ ﺑﺮ ﻧﮕﺸﺘﻪ و ﭼﻚ ﻧﻤﻲ ﻛﻨﻨﺪ‪.‬‬

‫روش ﺗﻮرﻳﻨﮓ ﻣﻲ ﮔﻮﻳﺪ ﺧﺮوﺟﻲ در ﺟﺪول اﺳﺖ‪ ،‬ﻣﻲ ﮔﻮﻳﺪ ﻋﺪدﻫﺎ را دارﻳﻢ روي ﻫﻢ ﺑﮕﺬارﻳﻢ و ورودي ﺑﻪ ﺳﻴﺴﺘﻢ واﻗﻌﻲ ﺑﺪﻫﻴﺪ و ﺧﺮوﺟﻲ ﺑﮕﻴﺮﻳﺪ‪ ،‬ورودي ﻫﺎي‬
‫ﺷﺒﻴﻪ ﺳﺎزي را ﻻي ﻛﺎﻏﺬﻫﺎي ورودي واﻋﻘﻲ ﺑﮕﺬارﻳﻢ و ﺑﺮ ﺑﺰﻧﻴﻢ و ﺑﻪ ﻓﺮدي ﻣﺘﺨﺼﺺ ﺑﺪﻫﻴﻢ ﻛﻪ ﺑﻪ ﻣﺎ ﺑﮕﻮﻳﺪ ﻧﺎﻣﻨﺎﺳﺐ دارﻳﻢ ﻳﺎ ﻧﻪ‪ ،‬و اﮔﺮ ﺑﮕﻮﻳﺪ اﻳﻦ ‪ 2‬ﻣﻮرد ﺑﺎ‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺎﻗﻲ ﻣﻮارد ﻧﻤﻲ ﺧﻮاﻧﺪ در اﻳﻨﺼﻮرت ﺑﻪ ﭼﺎﻟﺶ ﻛﺸﻴﺪه ﻣﻲ ﺷﻮد ﻓﺮد ﻛﻪ ﭼﺮا‪ ،‬ﺧﺮوﺟﻲ ﺷﺒﻴﻪ ﺳﺎزي ‪ abnormal‬ﺑﻮده اﺳﺖ‪ ،‬اﮔﺮ ﺗﻔﺎوت ﻧﺪاﺷﺖ و ﮔﻔﺖ ﺧﻮب اﺳﺖ‬
‫‪59 ‬‬

‫ﻛﻪ ﻫﻤﻪ ﭼﻴﺰ ﺑﻪ ﺧﻮﺑﻲ ﭘﺎﻳﺎن ﻣﻲ ﻳﺎﺑﺪ‪.‬‬

‫‪Page‬‬

‫آﻧﭽﻪ در ﺷﺒﻴﻪ ﺳﺎزي ﺑﺴﻴﺎر ﻣﻬﻢ اﺳﺖ‪ ،‬اﻳﻨﻜﻪ ﺑﺎزه ﺷﺒﻴﻪ ﺳﺎزي ﺑﻪ اﻧﺪازه ﻛﺎﻓﻲ ﺑﺰرگ ﺑﺎﺷﺪ‪ ،‬ﻛﻪ ﺣﺎﻟﺖ ﺧﺎص ﻧﺸﺪه‪ ،‬و اﻳﻨﻜﻪ ﺷﺒﻴﻪ ﺳﺎزي ﺑﻪ ﺗﻌﺪاد زﻳﺎدي ﺑﺎر اﺟﺮا‬
‫ﺷﺪه ﺑﺎﺷﺪ‪.‬‬

‫وﻳﮋﮔﻲ ﻫﺎي ﺗﻮاﺑﻊ ﺗﻮزﻳﻊ ﻣﺨﺘﻠﻒ‪:‬‬

‫وارﻳﺎﻧﺲ ﻛﻢ ﺑﻪ ﻣﻌﻨﺎي ﻣﻨﻈﻢ ﺑﻮده اﺳﺖ‪ ،‬وﻳﮋﮔﻲ ﺗﻮزﻳﻊ ﭘﻮاﺳﻮن ﺑﺮاﺑﺮي وارﻳﺎﻧﺲ و ﻣﻴﺎﻧﮕﻴﻦ اﺳﺖ‪.‬‬

‫در ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻫﻨﺪﺳﻲ ﻣﺎ ﺑﺤﺚ ‪ memoryless‬ﺑﻮدن را دارﻳﻢ‪ ،‬ﻳﻌﻨﻲ وﺿﻌﻴﺖ اﺻﻼ ﺗﺎﺑﻊ ﮔﺬﺷﺘﻪ ﻧﻴﺴﺖ‪ ،‬ﻳﻌﻨﻲ اﮔﺮ ﻣﻦ در ﺣﺎل ﻣﺎﻫﻴﮕﻴﺮي ﺑﻮدﻣﻒ ﺗﺎ ﺣﺎﻻ ﭼﻴﺰي‬
‫ﻧﮕﺮﻓﺘﻢ‪ ،‬و ﻓﺮدي دﻳﮕﺮ آﻣﺪه ﻣﺎ ﻫﻴﮕﻴﺮي ﻛﻨﻪ‪ ،‬اﺣﺘﻤﺎل اﻳﻨﻜﻪ اون ﻣﺎﻫﻲ ﺑﮕﻴﺮه‪ ،‬دﻗﻴﻘﺎ ﺑﺮاﺑﺮ اﺣﺘﻤﺎﻟﻲ ﻫﺴﺖ ﻛﻪ ﻣﻦ ﻣﺎ ﻫﻲ ﺑﮕﻴﺮم‪ ،‬و اﺻﻼ ﺑﻪ ﺳﺎﺑﻘﻪ ﻣﺎ ﺑﺴﺘﮕﻲ ﻧﺪاره‬
‫در ﺗﻮزﻳﻊ ﻫﻨﺪﺳﻲ ﻣﺎ ﺑﺮاﺑﺮي ﻣﻴﺎﻧﮕﻴﻦ و اﻧﺤﺮاف ﻣﻌﻴﺎر را دارﻳﻢ‪.‬‬

‫)‪  P(x>x+t|x>2)=p(x>5‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫در وﺳﺎﻳﻞ اﻟﮕﺘﺮوﻧﻴﻚ اﻳﻦ ﺗﻮزﻳﻊ اﻫﻤﻴﺖ ﻣﻲ ﻳﺎﺑﺪ ﻛﻪ از آن ﺑﺮاي ‪ maintenance management‬اﺳﺘﻔﺎده ﻣﻲ ﻧﻤﺎﻳﻨﺪ‪ ،‬ﻛﻪ ﻫﻤﻪ ﻻﻣﭗ ﻫﺎ را در وﻗﺖ ﺧﺎﺻﻲ‬
‫‪60 ‬‬

‫ﭘﺎﻳﻴﻦ ﻣﻲ رﻳﺰﻧﺪ‪ ،‬و ﻻﻣﭗ ﺟﺪﻳﺪ ﺟﺎﻳﮕﺰﻳﻦ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫‪Page‬‬

‫ﺷﺮاﻳﻂ ﺗﻮاﺑﻊ ﭘﻮاﺳﻮن‪:‬‬

‫ﻳﻜﻲ در ﻫﺮ زﻣﺎن وارد ﻣﻲ ﺷﻮد‪  .‬‬ ‫‪.1‬‬

‫زﻣﺎن ازدﺣﺎم و ﺧﻠﻮﺗﻲ ﻧﺪاﺷﺘﻪ ﺑﺎﺷﻴﻢ‪  .‬‬ ‫‪.2‬‬

‫ﺗﻌﺪاد ورود و ﺧﺮوج ﺑﻪ ﺑﺎزه زﻣﺎﻧﻲ ﻓﻘﻂ واﺑﺴﺘﻪ ﺷﻮد ﻧﻪ زﻣﺎن ورود‪  .‬‬ ‫‪.3‬‬

‫اﻟﮕﻮي ورود ﺑﻪ ﺳﻴﺴﺘﻢ در ﻳﻚ دوره زﻣﺎﻧﻲ روي ﺗﺸﺨﻴﺺ اﻟﮕﻮ وورد ﺗﺎﺛﻴﺮ ﻧﮕﺬارد‪) .‬اﮔﺮ ﺗﻌﺪاد ورود را در دوره زﻣﺎﻧﻲ ﺑﺪاﻧﻴﻢ‪ ،‬ﺗﺎﺛﻴﺮي روي ﺗﻌﺪاد ورود‬ ‫‪.4‬‬
‫در دوره زﻣﺎﻧﻲ دﻳﮕﺮ ﻧﻤﻲ ﮔﺬارد( ‪ ‬‬

‫وﻗﺘﻲ ﺗﻌﺪاد ورود از زﻣﺎن ‪ 0‬ﺗﺎ ‪ t‬از ﺗﺎﺑﻊ ﭘﻮاﺳﻮن ﭘﻴﻮري ﻛﻨﺪ‪ inter arrival time ،‬ﺑﺼﻮرت ﻧﻤﺎﻳﻲ اﺳﺖ‪  .‬‬ ‫‪.5‬‬

‫در ﺳﻴﺴﺘﻢ ﻫﺎ ﻣﻌﻤﻮﻻ ﻧﻈﻢ ﺑﻪ ﺣﺪي اﺳﺖ ﻛﻪ وارﻳﺎﻧﺲ از ﻣﻴﺎﻧﮕﻴﻦ ﻛﻤﺘﺮ اﺳﺖ‪ ،‬وﻗﺘﻲ ﻣﻲ ﮔﻮﻳﻲ ﭘﻮاﺳﻮن ﻳﻌﻨﻲ ﺧﻴﻠﻲ ﺑﻲ ﻧﻈﻢ اﺳﺖ‪ ،‬و ﻟﺬا‬ ‫‪.6‬‬
‫‪ conservative‬ﻣﻲ ﺑﺎﺷﺪ‪ ،‬و آراﻣﺶ ﻣﻲ دﻫﺪ ﻛﻪ ﻟﺬا ﻣﺘﺨﺼﺼﻴﻦ در اﺳﺘﻔﺎده از آن ﻣﻲ داﻧﻨﺪ ﻛﻪ ﻣﺪﻳﺮ را ﮔﻤﺮاه ﻧﻜﺮده و ‪ misguide‬ﻧﻨﻤﻮده اﻧﺪ‪ ،‬و‬
‫ﻣﺤﻴﻂ را ﻫﻤﻮاره ﺑﺪﺗﺮ ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪ ،‬اﮔﺮ دو ﻓﺮآﻳﻨﺪ ورودي ﭘﻮاﺳﻮن ﺑﺎ ﺛﺎﺑﺖ ‪  λ1 ‬و ‪ λ2‬داﺷﺘﻪ ﺑﺎﺷﻴﻢ در اﻳﻨﺼﻮرت ﺗﻮزﻳﻊ ﺟﻤﻊ اﻳﻦ دو ﻓﺮاﻳﻨﺪ ﻧﻴﺰ‬
‫ﺗﻮزﻳﻊ ﭘﻮاﺳﻮن ﺑﺎ ‪ λ1+λ2 ‬اﺳﺖ‪  .‬‬

‫ﺑﺮﻋﻜﺲ را ﻫﻢ دارﻳﻢ ﻛﻪ اﮔﺮ ‪ split‬ﺷﻮد و ورودي ‪ λ‬ﺑﺎﺷﺪ‪ ،‬ﺧﺮوﺟﻲ ‪ λp‬ﺑﺎﺷﺪ و ﭘﻮاﺳﻮن‪ ،‬ﻟﺬا ﺧﺮوﺟﻲ دوم ﻫﻢ )‪ λ(1‐p‬اﺳﺖ‪  .‬‬ ‫‪.7‬‬

‫دوﺳﺘﺎﻧﻲ ﻛﻪ در ﺑﺤﺚ ﺷﺒﻴﻪ ﺳﺎزي ﻧﻴﺎز ﺑﻪ ﺟﺰوه دﻳﮕﺮي ﻫﺴﺘﻨﺪ‪ ،‬ﻣﻦ ﺟﺰوه اي دﻳﮕﺮ را ﻛﻪ اﻳﻦ درس را در ﻛﺎرﺷﻨﺎﺳﻲ دارم‪ ،‬اﻟﺒﺘﻪ ﻧﻪ‬
‫ﺑﺼﻮرت ﺗﺎﻳﭙﻲ دارم‪ ،‬در ﺑﺤﺚ ﻣﺪﻟﺴﺎزي ﻫﻢ ﻳﻚ ﻓﺼﻞ از ﻛﺘﺎب ﺣﻞ ﻣﺴﺎﻟﻪ اي را دارﻳﻢ‪ ،‬ﻛﻪ ﻣﻨﺎﺳﺐ اﺳﺖ‪.‬‬

‫آﻧﭽﻪ ﻛﻪ ﻓﻬﻤﻴﺪﻳﺪ‪ ،‬را در ‪ 4‬ﺑﺮﮔﻪ ﺑﻨﻮﻳﺴﻴﺪ‪ ،‬ﻋﻼوه ﺑﺮ اراﺋﻪ ﻫﺎ ﺑﻴﺎورﻳﺪ‪ .‬ﻣﻌﻴﺎرﻫﺎ را ﺗﺎ آﺧﺮ ﻫﻔﺘﻪ ﻣﻲ دﻫﻴﻢ‪ ،‬و ﻫﺮ ﮔﺮوﻫﻲ ﻛﻪ ارزﻳﺎﺑﻲ ﻣﻲ ﺷﻮد ﺗﻮﺳﻂ ﺑﺎﻗﻲ اﻋﻀﺎ ﻧﻴﺰ‬
‫ارزﻳﺎﺑﻲ ﻣﻲ ﮔﺮدﻧﺪ‪.‬‬

‫در ﻣﻮرد ﻣﻮﺿﻮع ﭘﺮوژه ﺣﺘﻤﺎ ﺑﺎ ‪ TA‬ﻫﺎ ﻣﺸﻮرت ﻛﻨﻴﺪ‪ ،‬اول ﺑﻪ ﭼﺎﻟﺶ ﺑﭙﺮدازﻳﺪ و ﺑﻌﺪ ﺑﻪ ﻣﺘﺪ ﺑﭙﺮدازﻳﺪ‪.‬‬

‫ـﺎﺑﻊ ‪ ،Vlookup‬در ردﻳﻒ اول ﭘﻴﺪا ﻣﻲ ﻛﻨﺪ‪ ،‬و در ردﻳﻒ ﺳﻮم ﻣﻌﺎدل را ﻣﻲ ﻳﺎﺑﺪ‪ ،‬و ﺑﻪ ﻋﺪد ﻗﺒﻠﻲ ﺑﻴﻦ آﻧﻬﺎ ﻧﮕﺎﺷﺖ‪.‬‬

‫‪ Frequency‬ﻧﻴﺰ ﺗﺎﺑﻌﻲ اﺳﺖ ﻛﻪ ﻣﻲ ﺷﻤﺎرد‪ ،‬ﻛﻪ در ﻳﻚ ﺟﺪول ﭼﻨﺪ ﺑﺎر ﻋﺪدي ﺗﻜﺮار ﺷﺪه اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪/16 :‬اذر‪1387/‬‬

‫ﻣﺎ ﺑﺮاي ﺻﻒ ﺳﻪ ﻣﻮﻟﻔﻪ اﺳﺎﺳﻲ دارﻳﻢ‪ ،‬ﻳﻜﻲ ﺟﻤﻌﻴﺘﻲ اﺳﺖ ﻛﻪ ﺑﻪ ﺻﻒ ﻣﻲ ﭘﻴﻮﻧﺪد‪ ،‬ﺑﻌﺪ ﺳﺮوﻳﺲ ﻣﻲ ﮔﻴﺮﻧﺪ‪ ،‬و ﺑﻌﺪ ﺧﺎرج ﻣﻲ ﺷﻮﻧﺪ‪ ،‬ﻳﻚ ﺳﻴﺴﺘﻢ ﺻﻒ اﮔﺮ ﺳﺎده‬
‫ﺑﺎﺷﺪ‪ ،‬ﻫﻢ از ﻃﺮﻳﻖ ﺷﺒﻴﻪ ﺳﺎزي و ﻫﻢ از ﻃﺮﻳﻖ ﺗﺤﻠﻴﻞ ﻫﺎي رﻳﺎﺿﻲ ﻗﺎﺑﻞ ﺗﺤﻠﻴﻞ اﺳﺖ‪ ،‬اﮔﺮ ﭘﻴﭽﻴﺪه ﺑﺎﺷﺪ‪ ،‬ﺳﺮاغ ﺷﺒﻴﻪ ﺳﺎزي ﻣﻲ روﻳﻢ‪ .‬از دﻳﺪ دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﻨﺪ‪،‬‬
‫اﮔﺮ ﺧﻮاﺳﺘﻴﺪ ﻛﻪ وﺿﻌﻴﺖ را از ﻃﺮﻳﻖ ﮔﺬﺷﺖ زﻣﺎن ﺑﺮرﺳﻲ ﻛﻨﻴﻢ ﻣﻲ ﮔﻮﻳﻨﺪ ﺳﺮاغ ﺷﺒﻴﻪ ﺳﺎزي ﺑﺮوﻳﺪ‪ ،‬و اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﻛﻠﻲ ﺑﺮرﺳﻲ ﻛﻨﻴﻢ ﺳﺮاغ ﺗﺌﻮري ﻫﺎي ﺻﻒ‬
‫ﻣﻲ روﻳﻢ‪ ،‬از ﺳﻤﺘﻲ دﻳﮕﺮ ﻣﻲ ﮔﻮﻳﻨﺪ از ﻣﻨﺎﺑﻊ زﻳﺎد اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪ ،‬ﻛﻪ ﻣﺠﻤﻮﻋﻪ اﻗﺘﺼﺎدي اﺳﺖ‪ ،‬و اﮔﺮ ﺗﻌﺪاد ﺳﺮوﻳﺲ دﻫﻨﺪه ﻫﺎ را زﻳﺎد ﻛﻨﻴﻢ رﺿﺎﻳﺖ ﺑﺎﻻ ﻣﻲ رود‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﻌﻤﻮﻻ ﻳﻚ ﻧﻤﻮدار ﻣﻲ ﻛﺸﻨﺪ‪ ،‬ﺑﺮاي ﭼﻨﻴﻦ ﺳﻴﺴﺘﻤﻲ اﮔﺮ ﻳﻚ ﻣﺤﻮر ﻫﺰﻳﻨﻪ و ﻳﻚ ﻣﺤﻮر ﺳﻄﺢ ﺳﺮوﻳﺲ ﺑﺎﺷﺪ‪ ،‬ﺷﻤﺎ ﺑﺎﻳﺴﺘﻲ ﺑﺮاي ﺳﻄﺢ ﺳﺮوﻳﺲ ﭘﻮل ﺧﺮج ﻛﻨﻴﺪ‪ ،‬و‬
‫‪61 ‬‬

‫اﮔﺮ ﻫﺰﻳﻨﻪ را ﭘﺎﻳﻴﻦ ﺑﻴﺎورﻳﺪ‪ ،‬رﺿﺎﻳﺖ ﻛﻢ ﻣﻲ ﺷﻮد‪ ،‬ﻟﺬا ﺑﻬﺘﺮ اﺳﺖ ﻛﻪ ﺗﻌﺎدﻟﻲ از آﻧﻬﺎ را اﺳﺘﺨﺮاج ﻛﻨﻴﻢ‪..‬‬
‫‪Page‬‬

‫اوﻟﻴﻦ ﭼﻴﺰي ﻛﻪ ﺑﺪان ﻧﮕﺎه ﻣﻲ ﻛﻨﻴﻢ‪ ،‬وﻳﮋﮔﻲ ﻫﺎي ‪ calling population‬ﻣﻲ ﺑﺎﺷﺪ‪ .‬ﻛﻪ ﺟﻤﻌﻴﺖ ﻣﺘﻘﺎﺿﻴﺎﻧﻲ اﺳﺖ ﻛﻪ ﻓﺮاﺧﻮاﻧﻲ ﻣﻲ ﺷﻮﻧﺪ‪ ،‬ﺳﻴﺴﺘﻢ ﺻﻒ ﻣﻲ‬
‫ﺗﻮاﻧﺪ ﻣﺤﺪود ﻳﺎ ﻧﺎﻣﺤﺪود ﺑﺎﺷﺪ‪ .‬ﺗﺸﺨﻴﺺ آن ﻣﻬﻢ اﺳﺖ‪ ،‬ﺟﺎﻳﻲ ﻟﺐ ﻣﺮز ﻣﻲ رﺳﻴﻢ ﻛﻪ ﻣﻌﻠﻮم ﻧﻤﻲ ﺷﻮد ﻣﺤﺪود ﻳﺎ ﻧﺎﻣﺤﺪود اﺳﺖ‪ .‬ﭼﻪ ﺗﻔﺎوت و اﺛﺮي در ورود ﻣﻤﻜﻦ‬
‫اﺳﺖ ﮔﺬاﺷﺘﻪ ﺷﻮد ﻛﻪ ﺟﻤﻌﻴﺖ ﻣﺘﻘﺎﺿﻴﺎن ﻣﺤﺪود ﻳﺎ ﻧﺎﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬اﮔﺮ ‪ 5‬ﺗﺎ ﻣﺎﺷﻴﻨﻲ ﻛﻪ ﺧﺪﻣﺖ ﻣﻲ دﻫﻴﻢ‪ ،‬ﻫﺮ ﻛﺪام ﺑﻬﺮ ﺣﺎل ﻋﻘﺐ ﺟﻠﻮ ﻣﻲ ﺷﻮد‪ ،‬اﮔﺮ ﺗﻤﺎم ﻣﺎﺷﻴﻦ‬
‫ﻫﺎ ﻛﺎرﺷﺎن ﺗﻤﺎم ﺷﻮد و ﻣﻨﺘﻈﺮ ﺑﺎﺷﻨﺪ ﻛﻪ ﻗﻄﻌﻪ ‪ feed‬ﺷﻮد‪ ،‬ﺑﺪﻳﻦ ﻣﻌﻨﺎﺳﺖ ﻛﻪ ﻫﻤﻪ از ﺟﻤﻌﻴﺖ ﻣﺘﻘﺎﺿﻴﺎن ﺑﻴﺮون ﺑﻴﺎﻳﻨﺪ‪ ،‬اﮔﺮ ﺑﺪاﻧﻴﻢ ﻛﻪ آﻫﻨﮓ ورود ﭼﻴﺴﺖ‪ ،‬ﻫﻤﻴﻦ‬
‫ﻛﻔﺎﻳﺖ اﺳﺖ‪ ،‬ﻳﻚ ‪ extreme‬دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ ﻫﺮ ﭘﻨﺞ ﺗﺎ دارن ﺳﺮوﻳﺲ ﻣﻲ ﮔﻴﺮﻧﺪ و آﻫﻨﮓ ورود ﻣﺎﻛﺰﻳﻤﻢ اﺳﺖ‪ ،‬اﮔﺮ ﻧﺎﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬اﻳﻨﻜﻪ ﺳﺮوﻳﺲ اﻻن ﻣﻲ‬
‫ﮔﻴﺮﻧﺪ ﺑﺎ ﭼﻪ آﻫﻨﮕﻲ ﺗﺎﺛﻴﺮ روي آﻫﻨﮓ ورود ﻧﺪارد‪ ،‬وﻗﺘﻲ ﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬ﭼﺮا آﻫﻨﮓ ﺳﺮوﻳﺲ‪ ،‬ﺑﺮ روي آﻫﻨﮓ ورود ﻣﻮﺛﺮ اﺳﺖ‪.‬‬

‫ﻇﺮﻓﻴﺖ ﻳﻚ ﺳﻴﺴﺘﻢ ﺻﻒ ﭼﻴﺴﺖ؟ ﻣﺠﻤﻮع ﺗﻌﺪادي ﻣﺠﺎزﻧﺪ ﻛﻪ در ﺻﻒ ﺑﺎﻳﺴﻨﺪ ﺑﻪ اﺿﺎﻓﻪ اﻓﺮادي ﻛﻪ در ﺳﺮورﻫﺎ ﻫﺴﺘﻨﺪ را ﻇﺮﻓﻴﺖ ﺳﻴﺴﺘﻢ ﮔﻮﻳﻨﺪ‪ ،‬ﻇﺮﻓﻴﺖ‬
‫ﺳﻴﺴﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ ﻣﺤﺪود ﻳﺎ ﻧﺎﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬اﻣﺎ اﻳﻦ ﭼﻪ اﺛﺮي در آﻫﻨﮓ ورود دارد؟ وﻗﺘﻲ ﻇﺮﻓﻴﺖ ﺳﻴﺴﺘﻢ ﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬ﺗﻔﺎوت ﺑﻴﻦ آﻫﻨﮓ ورود‪ ،‬و آﻫﻨﮓ ورود‬
‫ﻣﻮﺛﺮ دارﻳﻢ‪ ،‬آﻫﻨﮓ ورود ﻣﻮﺛﺮ درﺻﺪي از ﻣﺎﺷﻴﻦ ﻫﺎﺳﺖ ﻛﻪ ﻣﻲ ﺑﻴﻨﻨﺪ ﺻﻒ ﺧﺎﻟﻲ اﺳﺖ و وارد ﻣﻲ ﺷﻮﻧﺪ‪ ،‬اﮔﺮ اﻳﻨﻬﺎ را در زﻣﺎن ﺷﺒﻴﻪ ﺳﺎزي ﻳﻚ ﺳﻴﺴﺘﻢ ﭘﻴﭽﻴﺪه در‬
‫ﻧﻈﺮ ﻧﮕﻴﺮﻳﺪ‪ ،‬آﺧﺮش در ‪ validation‬ﻣﻲ ﮔﻮﻳﻨﺪ ﺧﺮوﺟﻲ ﺑﺎ واﻗﻌﻴﺖ ﻧﻤﻲ ﺧﻮاﻧﺪ‪ .‬در ﺣﺎﻻﺗﻲ ﻇﺮﻳﻔﻲ ﻫﻢ ﻧﺎﻣﺤﺪود ﺑﻮدن در ﺳﺮور ﺗﻌﺮﻳﻒ ﻣﻲ ﮔﺮدد‪ ،‬ﻣﺜﻼ ﺑﺎر دارﻳﺪ‬
‫ﺑﻌﺪ از ﻓﺮودﮔﺎه ﺑﻪ ﻫﺘﻞ‪ ،‬اﮔﺮ ‪ 3‬ﻛﺎرﮔﺮ ﻫﺘﻞ ﺑﺮاي ﺣﻤﻞ ﺑﺎر دارد‪ ،‬اﮔﺮ ﺷﻤﺎ ﻣﻨﺘﻈﺮ ﺑﺎﺷﻴﺪ‪ ،‬ﻛﻪ از اﻳﻦ ‪ 3‬ﺧﺪﻣﺘﮕﺬار اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪ ،‬ﻣﻲ ﮔﻮﻳﻴﺪ ‪ capacity‬ﺧﺪﻣﺘﮕﺬاران ‪3‬‬
‫اﺳﺖ‪ ،‬اﮔﺮ ﻫﺮ ﻓﺮد ﺧﻮدش ﺑﺎر را ﺑﺒﺮد‪ capacity ،‬ﺳﺮور ﻣﻲ ﺷﻮد ﺑﻲ ﻧﻬﺎﻳﺖ‪ ،‬ﭼﻮن ﻫﺮ ﻛﺴﻲ ﺧﻮدش اﻳﻦ ﻛﺎر را اﻧﺠﺎم ﻣﻲ دﻫﺪ‪ .‬ﻟﺬا در ﺷﻬﺮوﻧﺪ اﮔﺮ ﻫﺮ ﻛﺲ ﻣﺠﺎز‬
‫ﺑﺎﺷﺪ ﺑﺮود ﺑﺎر ﺑﺮدارد اﻳﻦ ‪ ،activity‬ﻇﺮﻓﻴﺖ ﺳﺮور ﺑﻲ ﻧﻬﺎﻳﺖ اﺳﺖ‪.‬‬

‫ﺟﻨﺒﻪ ﺳﻮﻣﻲ ﻛﻪ ﻳﻚ ﺳﻴﺴﺘﻢ ﺻﻒ را ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﺪ‪ arrival process ،‬اﺳﺖ‪ ،‬ﻛﻪ ﻓﺮآﻳﻨﺪ ورود اﺳﺖ‪ ،‬ﻛﻪ ﺑﺮاي دو دﺳﺘﻪ ﻣﺪل ﺗﻌﺮﻳﻒ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻳﻚ دﺳﺘﻪ ﻛﻪ‬
‫‪ population‬ورود ﻧﺎ ﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬و ﻳﻜﻲ اﻳﻨﻜﻪ ‪ Population‬ورود ﻧﺎﻣﺤﺪود ﺑﺎﺷﺪ‪ ،‬ﺑﺮاي ﺣﺎﻟﺖ ﺟﻤﻌﻴﺖ ﻣﺘﻘﺎﺿﻴﺎن ﻧﺎﻣﺤﺪود دو ﺣﺎﻟﺖ ﻣﻲ ﺗﻮاﻧﺪ داﺷﺘﻪ ﺑﺎﺷﺪ‪،‬‬
‫ﻳﺎ ورود ﺗﺼﺎدﻓﻲ ﺑﺎﺷﺪ‪ ،‬ﻳﺎ ﺑﺮﻧﺎﻣﻪ رﻳﺰي ﺷﺪه ﺑﺎﺷﺪ‪ .‬اﮔﺮ ورود ﺳﺮ ﻟﺤﻈﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﺸﺨﺺ و ‪ deterministic‬و ﺛﺎﺑﺖ اﺳﺖ‪ ،‬وﻗﺘﻲ ﻛﻪ اﻧﺤﺮاف داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﺣﺎﻟﺖ‬
‫‪ random‬ﻛﻨﺘﺮل ﺷﺪه را ﺧﻮاﻫﺪ داﺷﺖ‪.‬‬

‫وﻗﺘﻲ ورود ﺗﺼﺎدﻓﻲ ﺑﺎﺷﺪ‪ ،‬ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ ﻧﻤﺎﻳﺶ دﻫﻨﺪه ﺗﻮزﻳﻊ ﻧﻤﺎﻳﻲ اﺳﺖ‪ ،‬وﻗﺘﻲ ورود ﻧﻤﺎﻳﻲ ﺑﺎﺷﺪ‪ ،‬در اﻳﻨﺼﻮرت ‪ inter rrival time‬ﻣﻲ ﺷﻮد ﻧﻤﺎﻳﻲ‪.‬‬

‫ﺣﺎﻟﺖ دﻳﮕﺮي ﻫﻢ در ورود دارﻳﻢ ﻛﻪ ﻛﻨﺘﺮل ﺷﺪه ﺑﺎﺷﺪ‪ ،‬ﻣﺜﻼ در ﺧﻂ ﻣﻮﻧﺘﺎژ ﻫﺎ ﻓﺮض اﻳﻦ اﺳﺖ ﻛﻪ ﺧﻂ ﻫﻴﭻ وﻗﺖ ﻧﺨﻮاﺑﺪ‪ ،‬ﻟﺬا ﻣﺪل را اﻳﻦ ﻣﻲ ﮔﻴﺮﻧﺪ ﻛﻪ ﺣﺘﻤﺎ ﻳﻚ‬
‫ﻣﻮرد داﺧﻞ ﺳﺮور ﺑﺎﺷﺪ‪.‬‬

‫ﺑﻌﺪ ﺑﻌﺪي ﻛﻪ ﺑﻪ ﺻﻒ ﻧﮕﺎه ﻣﻲ ﻛﻨﻨﺪ ‪ Queuing behavior & Discipline‬اﺳﺖ‪   Discipline .‬اﻳﻦ اﺳﺖ ﻛﻪ ﺳﺮوﻳﺲ دﻫﻲ ﺑﺮ ﭼﻪ ﻣﺒﻨﺎﻳﻲ اﺳﺖ‪ ،‬و ﺑﻪ ﻛﺪام‬
‫ﺧﺪﻣﺖ ﻣﻲ دﻫﺪ‪ ،FIFO ،‬ﻧﻮع ﻣﻌﻤﻮل اﺳﺖ‪ ،shortest processing time ،‬و ‪ LIFS‬را دارﻳﻢ‪ ،‬و ﻣﻮردي دﻳﮕﺮ ﻫﻢ اوﻟﻮﻳﺖ اﺳﺖ‪ ،‬ﻣﺜﻼ ﻛﻼس ﺑﻨﺪي ﻧﻮع‬
‫ﻣﺮﻳﺾ ﻫﺎ در اورژاﻧﺲ‪ ،‬اﻳﻦ ‪ priority‬ﮔﺎه دﻳﻨﺎﻣﻴﻚ اﺳﺖ و ﮔﺎه اﺳﺘﺎﺗﻴﻚ اﺳﺖ‪ ،‬ﻣﺜﻼ اﺳﺘﺎﺗﻴﻚ ﻓﺮدي ﻛﻪ ﺗﻬﺪﻳﺪ ﺟﺎﻧﻲ ﻧﺪارد ﺗﺎ ﭼﻨﺪ ﺳﺎﻋﺖ ﻣﻲ ﺗﻮاﻧﺪ داﺧﻞ ﺑﻤﺎﻧﺪ؟‬
‫ﺑﻪ ﺣﺎل ﺣﺪ ﺗﺤﻤﻠﻲ وﺟﻮد دارد‪ random order ،‬دﻳﮕﺮ ﻧﻈﻤﻲ اﺳﺖ ﻛﻪ ﺗﺼﺎدﻓﻲ ﻣﻤﻜﻦ اﺳﺖ اﺳﺘﻔﺎده ﺷﻮد‪ ،‬اﻣﺎ رﻓﺘﺎر ﺻﻒ ﭼﻴﺴﺖ؟ رﻓﺘﺎر ﻣﻮﺟﻮدﻳﺖ ﻫﺎﻳﻲ ﻛﻪ‬
‫داﺧﻞ ﺻﻒ ﻣﻲ آﻳﻨﺪ را رﻓﺘﺎر ﮔﻮﻳﻨﺪ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﺻﻒ را ﺗﺮك ﻛﻨﻨﺪ‪ ،‬ﻣﺜﻼ از ﺣﺪي ﺑﻴﺸﺘﺮ ﺷﻮد در ﺻﺤﺒﺖ ﺑﺎ ‪ 110‬ﮔﻮﺷﻲ را ﻣﻲ ﮔﺬارﻳﻢ‪ ،‬ﻣﺜﻼ ﻣﻲ ﮔﻮﻳﻴﻢ ﺑﻄﻮر‬
‫ﻣﺘﻮﺳﻂ ﻧﻤﻲ ﺧﻮاﻫﻴﻢ ﻣﺸﺘﺮﻳﺎن از ﺣﺪي ﺑﻴﺸﺘﺮ از ﺳﻴﺴﺘﻢ ﺧﺎرج ﺷﻮد‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﻓﺮدي ﺻﻒ را ﺗﺎزه ﻛﻨﺪ‪ ،‬اﺻﻄﻼح اﻳﻦ اﺳﺘﻜﻪ ‪ leave‬ﻳﺎ ‪ Move‬و ‪ jocky‬را‬
‫ﻫﻢ داﺷﺘﻪ ﺑﺎﺷﻴﻢ ﻳﻌﻨﻲ ﺑﺎزي ﻛﻨﻴﻢ از ﺻﻔﻲ ﺑﻪ ﺻﻒ دﻳﮕﺮ ﺑﭙﺮﻳﻢ‪.‬‬

‫اﻟﻤﺎن ﺑﻌﺪي ﻛﻪ ﺑﺎﻳﺴﺘﻲ ﺑﺪان ﺑﭙﺮدازﻳﻢ ﭼﻴﺴﺖ؟ زﻣﺎن ﺳﺮوﻳﺲ اﺳﺖ‪ ،‬ﻛﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺛﺎﺑﺖ ‪ constant‬ﺑﺎﺷﺪ ﻛﻪ ‪ deterministic‬اﺳﺖ و ﻣﻲ ﺗﻮاﻧﺪ ‪random‬‬
‫ﺑﺎﺷﺪ‪ ،‬وﻗﺘﻲ ﺗﺼﺎدﻓﻲ ﺑﻮد ﻳﻌﻨﻲ ﻣﺪت ﺳﺮوﻳﺲ ﻣﺘﻐﻴﺮ ﺗﺼﺎدﻓﻲ اﺳﺖ‪ ،‬اﻣﺎ اﻳﻦ اﻟﻤﺎن ﻫﺎ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻫﻢ ‪ identical‬اﺳﺖ و ﻫﻢ ﻣﺴﺘﻘﻞ اﺳﺖ‪ .‬اﮔﺮ ﻧﻮع ﻛﺴﻲ ﻛﻪ ﺑﻪ‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫آن ﺳﺮوﻳﺲ ﻣﻲ دﻫﻴﻢ ﻓﺮق ﻛﻨﺪ ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﻧﻴﺰ ﺗﻔﺎوت ﻣﻲ ﻛﻨﺪ‪ ،‬ﻣﺜﻼ ﺗﺎﺑﻊ ﺳﺮوﻳﺲ از ‪ van‬ﻣﺘﻔﺎوت اﺳﺖ‪ .‬اﻳﻦ در راﺑﻄﻪ ﺑﺎ زﻣﺎن ﺳﺮوﻳﺲ اﺳﺖ‪ ،‬اﻣﺎ ﻣﻜﺎﻧﻴﺰم‬
‫‪62 ‬‬

‫ﺳﺮوﻳﺲ دﻫﻲ‪ ،‬ﺳﻴﺴﺘﻢ ﻣﻲ ﺗﻮاﻧﺪ ‪ sink‬ﺑﺎﺷﺪ ﻳﺎ ‪ multiserver‬ﺑﺎﺷﺪ‪ ،‬ﮔﺎﻫﻲ راﺑﻄﻪ ‪ one to many‬ﻳﺎ ‪ many to one‬را دارﻳﻢ‪ ،‬ﺳﺮوري ﻫﻤﺰﻣﺎن ﺑﻪ ‪ m‬ﺗﺎ‬
‫ﺳﺮوﻳﺲ ﻣﻲ دﻫﺪ ﻳﺎ اﻳﻨﻜﻪ ‪ M‬ﺗﺎ ﺳﺮور ﻫﻤﺰﻣﺎن روي ﻳﻚ ﻛﺎر ﻓﻌﺎﻟﻴﺖ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬
‫‪Page‬‬

‫در ﻛﺎرواش‪ ،‬ﻛﻪ ‪ 10‬ﻧﻔﺮ در ﺣﺎل ﺷﺴﺘﺸﻮ ﻫﺴﺘﻨﺪ ‪ many to one‬اﺳﺖ‪ ،‬در ﻣﻮرد اﺳﺘﺎد و داﻧﺸﺠﻮﻳﺎن ﻫﻢ ‪ one to many‬را دارﻳﻢ‪.‬‬

‫ﺣﺎل اﮔﺮ ﺑﺨﻮاﻫﻴﻢ اورژاﻧﺲ‪ ،‬اﻳﺴﺘﮕﺎه ﻣﺘﺮو‪ ،‬و روﺗﺮﻫﺎي اﻳﻨﺘﺮﻧﺘﻲ را اﻳﻨﮕﻮﻧﻪ ﺗﺤﻠﻴﻞ ﻛﻨﻴﻢ ﻣﺸﻜﻞ دار ﻣﻲ ﺷﻮد‪ ،‬ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ ﺑﻪ ‪ 5‬اﻟﻤﺎن ﻳﻚ ﺻﻒ ﻧﮕﺎه ﻛﻨﻴﺪ‪ ،‬و‬
‫ﻫﺮ ﺟﺎ ﺑﻮد و ﻫﺮ ﻛﺪام از اﻳﻦ ﻛﻼس ﻫﺎ را در ﺑﺮ ﻣﻲ ﮔﺮﻓﺖ‪ ،‬از راﺑﻄﻪ ﻫﺎي آن ﻛﻼس اﺳﺘﻔﺎده ﻛﻨﻴﺪ‪.‬‬

‫ﻳﻚ ﺳﻴﺴﺘﻢ ﺑﺼﻮرت ‪ A/B/C/N/K‬اﺳﺖ‪.‬‬

‫‪  Interarrival time distribution/servicetime distribution/serverno/ capacity/population‬‬

‫‪ :Capacity‬ﻣﺎﻛﺰﻳﻤﻢ ﺗﻌﺪادي ﻛﻪ در ﺻﻒ ﺑﺎﺷﻨﺪ‪ ،‬و در ﺣﺎل ﺳﺮوﻳﺲ ﮔﻴﺮي ﺑﺎﺷﻨﺪ‪  .‬‬

‫ﻧﻮت‪ $ :‬ﺑﺠﺎي ﻋﻼﻣﺖ ﺑﻲ ﻧﻬﺎﻳﺖ اﺳﺘﻔﺎده ﻣﻲ ﮔﺮدد‪.‬‬

‫‪M/M/1/$/$‬‬

‫ﻣﻲ ﮔﻮﻳﺪ ﺟﻤﻌﻴﺖ ﻣﺘﻘﺎﺿﻴﺎن ﺑﻲ ﻧﻬﺎﻳﺖ اﺳﺖ‪ ،‬از ﺳﻴﺴﺘﻢ ﻣﺸﺘﺮي ‪ drop‬ﻧﻤﻲ ﺷﻮد و در ﺻﻒ ﻣﻲ رود‪ ،‬ﻳﻚ ﺳﺮور دارﻳﻢ و ﺗﺎﺑﻊ ﺗﻮزﻳﻊ ﺳﺮوﻳﺲ و ﺑﻴﻦ ورود ﻧﻤﺎﻳﻲ‬
‫اﺳﺖ‪.‬‬

‫‪ :M‬ﺗﻮزﻳﻊ ﻧﻤﺎﻳﻲ‬

‫‪ D‬ﻳﻌﻨﻲ ﺛﺎﺑﺖ ﺑﺎﺷﺪ‪.‬‬

‫‪ G‬ﻳﻌﻨﻲ ﺗﻮزﻳﻊ دﻟﺨﻮاه‪ ،‬ﻫﺮ ﭼﻪ ﺑﺎﺷﺪ‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ و وارﻳﺎﻧﺲ دارد‪.‬‬

‫‪ :Ek‬ﻳﻌﻨﻲ ﺗﻮزﻳﻊ ارﻻﻧﮓ ﻣﺮﺗﺒﻪ ‪ k‬ام‪.‬‬

‫در اﻳﻦ ﺳﻴﺴﺘﻢ ﻛﻪ ﻣﺒﻨﺎي ﻛﺎر ﻣﺎﺳﺖ‪ ،‬ﻓﺮض ﻣﻲ ﺷﻮد ﻛﻪ ﻧﻈﻢ ﺻﻒ ﻫﻢ ‪ fifo‬اﺳﺖ‪،‬‬

‫در ‪ chapter 6‬ﻛﻪ در ‪ ftp‬ﺑﻮد‪ ،‬ﻳﺎ ‪ chapter 14‬ﻛﺘﺎب ﺧﻮدﻣﺎن ﺑﺮاي اﻳﻦ ﻣﻮارد را ﺑﻴﺎن ﻛﺮده اﺳﺖ‪.‬‬

‫ﻣﺎ ﺑﺎﻳﺴﺘﻲ ﻳﻚ ﺳﺮي ‪ Performance measure‬داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬ﻛﻪ در ﻫﺮ ﺳﻴﺴﺘﻤﻲ اﺳﺘﻔﺎده ﻣﻲ ﺷﻮد ﻛﻪ ﺟﻬﺖ اﻳﻦ اﺳﺖ ﻛﻪ ﺑﺒﻴﻨﻨﺪ ﻣﺸﺘﺮي راﺿﻲ اﺳﺖ‪:‬‬

‫‪ :L‬ﻣﺘﻮﺳﻂ ﺗﻌﺪاد ﻣﺸﺘﺮﻳﺎن ﺣﺎﺿﺮ در ﺳﻴﺴﺘﻢ در ﻫﺮ زﻣﺎن اﻧﺘﺨﺎﺑﻲ‪ .‬ـ)ﻓﺮض ﻣﻲ ﺷﻮد ﻛﻪ ﺳﻴﺴﺘﻢ ﻣﺎﻧﻨﺪ درﻳﺎﺟﻪ اي آرام ﻫﺴﺖ‪ ،‬ﻣﻲ ﮔﻮﻳﻴﻢ ﻫﺮ زﻣﺎن ﻣﺘﻮﺳﻂ زﻣﺎﻧﻲ‬
‫ﻛﻪ ﻣﺸﺘﺮي در آن اﺳﺖ اﻳﻦ ﻣﻴﺰان اﺳﺖ( ‪ ‬‬

‫‪ :LQ‬ﺑﻄﻮر ﻣﺘﻮﺳﻂ در ﻫﺮ ﻟﺤﻈﻪ ﭼﻨﺪ ﻣﺘﻘﺎﺿﻲ در ﺻﻒ اﺳﺖ‪  ،‬‬

‫‪ :W‬ﻣﺘﻮﺳﻂ زﻣﺎﻧﻲ اﺳﺘﻚ ه ﻳﻚ ﻣﺸﺘﺮي در ﺳﻴﺴﺘﻢ ﺷﻤﺎ ﺑﻪ ﺳﺮ ﻣﻲ ﺑﺮد‪ ،‬ﻳﺎ دارد ﺧﺪﻣﺖ ﻣﻲ ﮔﻴﺮد‪ ،‬ﻳﺎ در ﺻﻒ اﺳﺖ‪  .‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪ :WQ‬ﭼﻪ ﻣﺪﺗﻲ ﻳﻚ ﻣﺸﺘﺮي ﺑﻄﻮر ﻣﺘﻮﺳﻂ در ﺻﻒ ﻣﻲ ﻣﺎﻧﺪ‪ .‬ﻛﻪ اﻳﻦ ﺑﻴﺸﺘﺮ ﺑﻴﺮون را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪.‬‬
‫‪63 ‬‬

‫‪ :ρ‬ﻣﻴﺰان ﺑﻬﺮه ﺑﺮداري از ﺧﺪﻣﺖ دﻫﻨﺪه ﻫﺎﺳﺖ‪  .‬‬

‫‪Page‬‬

‫‪ µ‬آﻫﻨﮓ ﺧﺪﻣﺖ دﻫﻲ ‪ ‬‬

‫‪ λ‬آﻫﻨﮓ ورود‪ ،:‬ﻣﺎ ﺑﺮآورد ﻣﻲ ﻛﻨﻴﻢ و ﻳﻚ ﺑﺎر روي آن ﻣﻲ ﮔﺬارﻳﻢ‪.‬‬

‫‪ 1/µ‬ﻣﺘﻮﺳﻂ ﻣﺪت ﺧﺪﻣﺖ دﻫﻲ‪.‬‬

‫ﻣﻮارد ﻓﻮق را ﺑﺎ ‪ hat‬ﻧﺸﺎن ﻣﻲ دﻫﻨﺪ‪ ،‬و ﺑﺮآوردي اﺳﺖ و وﻗﺘﻲ ﻛﻪ اﻳﻨﻬﺎ را ﺑﻪ ﺳﻤﺖ ﺑﻲ ﻧﻬﺎﻳﺖ ﻣﻴﻞ ﻣﻲ دﻫﻴﻢ‪ ،‬آﻧﻬﺎ ﺑﻪ اﺻﻠﻲ ﻣﻲ رﺳﻨﺪ‪،‬‬

‫‪ ،L=λ.W‬اﻳﻦ را ﻟﻴﺘﻞ اﺳﺘﺨﺮاج ﻛﺮد ﻛﻪ از ﻓﻮرﻣﻮل ﻫﺎي اﺳﺎﺳﻲ اﺳﺖ‪ ،‬ﻳﻌﻨﻲ اﮔﺮ ‪ T‬ﺑﻪ ﺳﻤﺖ ﺑﻲ ﻧﻬﺎﻳﺖ رود و ﺳﻴﺴﺘﻢ ‪ stable‬ﺑﺎﺷﺪ‪.‬‬

‫ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﭼﻨﺪ ﻧﻔﺮ داﺧﻞ ﺳﻴﺴﺘﻢ ﻫﺴﺘﻦ= آﻫﻨﮓ ورود )ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﭼﻨﺪ ﺗﺎ ﺑﻪ ﺳﻴﺴﺘﻢ روﺟﻮع ﻣﻲ ﻛﻨﻨﺪ( * ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﭼﻘﺪر ﻫﺮ ﻛﺪام آﻧﻬﺎ ﻣﻲ ﻣﺎﻧﻨﺪ‪.‬‬

‫ﻫﺮ ﻧﮕﺎه ﺑﻪ ﭘﺎرﻛﻴﻨﮓ ﭼﻨﺪ ﺗﺎ ﻣﺎﺷﻴﻦ ﻫﺴﺘﻨﺪ= ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﭼﻨﺪﺗﺎ ﺗﻮي ﭘﺎرﻛﻨﻴﮓ اﺳﺖ* ﺑﻄﻮر ﻣﺘﻮﺳﻂ ﭼﻨﺪﺗﺎ ﻣﺎﺷﻴﻦ وارد آن ﻣﻲ ﺷﻮد‪.‬‬

‫اﮔﺮ ‪ 5‬ﺗﺎ ‪ arrival‬در ‪ 20‬دﻗﻴﻘﻪ داﺷﺘﻪ ﺑﺎﺷﻴﻢ‪ ،‬و ﻫﺮ ﻛﺪام ﻫﻢ ﻛﻪ وارد ﻣﻲ ﺷﻮﻧﺪ‪ w=4.6 ،‬دﻗﻴﻘﻪ ﺑﺎﺷﺪ‪ ،‬ﻟﺬا‪:‬‬

‫‪4.6*5/20=L‬‬

‫ﺑﺎ ‪ hat‬ﮔﺬاﺷﺘﻦ ﻧﺸﺎن ﻣﻲ دﻫﻴﻢ ﻛﻪ زﻣﺎن ﻣﺸﺎﻫﺪه زﻣﺎن ﻣﺤﺪودي ﺑﻮده اﺳﺖ‪.‬‬

‫‪W=WQ+1/µ‬‬

‫‪ L‬ﺑﺎ اﺳﺘﻔﺎده از ﻓﻮرﻣﻮل ﻟﻴﺘﻞ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺮاي ﺣﺠﻢ اﻧﺒﺎر وﻗﺘﻲ ﻛﻪ ﻣﻴﺰان ﺧﻮاب ﺟﻨﺲ در اﻧﺒﺎر و آﻫﻨﮓ ورود را ﻣﻲ داﻧﻴﻢ ﻣﻴﻔﻴﺪ اﺳﺖ‪ ،‬ﻳﺎ ﻣﻲ ﺗﻮاﻧﺪ ﻃﻮل ﺻﻒ ﭘﺸﺖ‬
‫ﭼﺮاغ را ﻧﻴﺰ ﺑﻪ ﻫﻤﻴﻦ ﺷﻜﻞ ﺣﺴﺎب ﻛﺮد‪.‬‬

‫ﺑﺤﺚ ‪ server  utilization‬از ﻣﻨﻈﺮ ﻣﺸﺘﺮي ‪ LQ‬و ‪ WQ‬ﻧﺸﺎن دﻫﻨﺪه رﺿﺎﻳﺖ ﺑﻮدﻧﺪ‪ ،‬اﮔﺮ ﻣﺎ ‪ server  utilization‬را ﺑﺮاي اﻳﻦ ﺳﻴﺴﺘﻢ ﺑﺒﻴﻨﻴﻢ‬
‫‪ G/G/1/$/$‬ﺑﺮاي ﻣﺤﺎﺳﺒﻪ ‪ server utilization‬در اﻳﻦ ﺳﻴﺴﺘﻢ‪:‬‬

‫‪  arrival rate= Λ‬‬

‫‪  service rate= µ‬‬

‫‪  E(S)=1/µ‬‬

‫ﺗﺎرﻳﺦ‪/18 :‬آذر‪1387/‬‬

‫اول ﺟﻠﺴﻪ اراﺋﻪ ﺷﺒﻴﻪ ﺳﺎزي ‪ Call Center‬اﻧﺠﺎم ﺷﺪ‪.‬‬

‫اﮔﺮ ‪ λs<λ‬ﺑﺎﺷﺪ ﺳﻴﺴﺘﻢ ‪ unstable‬ﻣﻲ ﺑﺎﺷﺪ‪ ،‬ﻳﻌﻨﻲ ﺑﺎ ﻧﺮخ ‪ λ‐λs‬ﺑﻲ ﻧﻬﺎﻳﺖ ﻣﻲ ﮔﺮدد‪.‬‬

‫ﺑﺮاي ﺗﻌﺎدل ﺑﺎﻳﺴﺘﻲ ‪ λ=λs‬ﺑﺎﺷﺪ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﺘﻮﺳﻂ ﺗﻌﺎد آﻧﻬﺎﻳﻲ ﻛﻪ در ﻫﺮ ﻟﺤﻈﻪ ﺑﻪ ﺳﺮور ﻧﮕﺎه ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﭼﻨﺪ ﻧﻔﺮ از ﺳﺮور ﺳﺮوﻳﺲ ﻣﻲ ﮔﻴﺮﻧﺪ‪ 0<=Ls<1 ،‬اﺳﺖ‪ ،‬ﺑﻨﻮﻋﻲ ‪ ρ<Ls‬را ﻧﺸﺎن ﻣﻲ دﻫﺪ‪ .‬ﻟﺬا اﮔﺮ‬
‫‪64 ‬‬

‫ﻗﺒﻮل ﻛﻨﻴﻢ‪.‬‬
‫‪Page‬‬

‫‪ ،ρ=Ls=λs.Ws=λ/µ‬ﻣﺘﻮﺳﻂ زﻣﺎﻧﻲ ﻛﻪ ﻣﺸﺘﺮي داﺧﻞ ﺳﺮور اﺳﺖ‪.‬‬

‫وﻗﺘﻲ زﻳﺮﻧﻮﻳﺲ ‪ s‬ﻣﻲ ﮔﺬارﻳﻢ‪ ،‬ﻳﻌﻨﻲ ورود ﺑﻪ داﺧﻞ ﺳﺮور ﻳﺎ ﻛﻞ ﺳﻴﺴﺘﻢ‪ .‬ﻫﻤﻴﺸﻪ ‪  λ ،ρ<=1‬ﺗﺤﺖ ﻛﻨﺘﺮل ﻣﺎ ﻧﻴﺴﺖ و ﻣﺎ ﻳﻘﻴﻦ ﻧﻤﻲ ﻛﻨﻴﻢ ﭘﺲ اﮔﺮ ‪ λ‬از ‪ µ‬ﺑﻴﺸﺘﺮ‬
‫ﺷﺪ‪ stable ،‬ﻧﻴﺴﺖ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﻣﻲ ﮔﻮﻳﻴﻢ‪ λ/µ ،‬دﻳﮕﺮ ‪ ρ‬را ﻧﺸﺎن ﻧﻤﻲ دﻫﺪ و ﺷﺪت آﻣﺪ و ﺷﺪ اﺳﺖ‪ ،‬ﻋﻤﻼ ﻛﺴﻲ ‪ ρ‬را روي ‪ 1‬ﺗﻨﻈﻴﻢ ﻧﻤﻲ ﻛﻨﺪ‪.‬‬

‫∞ ‪.Ls=λs.Ws=λ.1/µ ،L=λω ،ρ=λ/µ ، G / G / 1 / ∞ /‬‬

‫∞‪G/G/c/∞/‬‬

‫‪  0<=Ls<=c, p=Ls/c‬‬

‫‪  Ls=λ/µ=>ρ=λ/cµ‬‬

‫‪ Incentive ،Technology ،Training ،BPM‬راه ﻫﺎي اﻓﺰاﻳﺶ ‪   ρ‬اﺳﺖ‪ ،‬در ﺣﺎﻟﺖ اول ﻫﻢ ﻫﻤﻴﻦ ﺑﻮد‪ ،‬اﻳﻨﺠﺎ ﻳﻚ ﭘﺎراﻣﺘﺮ ‪ c‬دارﻳﻢ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﺮاي‬
‫ﺗﻨﻈﻴﻢ از آن اﺳﺘﻔﺎده ﻛﻨﻴﻢ‪.‬‬

‫‪  Cost‬‬ ‫•‬

‫‪  Customer‬‬ ‫‪o‬‬

‫‪  Queue‬‬ ‫ƒ‬

‫‪  System‬‬ ‫ƒ‬

‫‪  Server‬‬ ‫‪o‬‬

‫‪  c.ρ.β :Busy‬‬ ‫ƒ‬

‫‪  (1‐ρ).c.β :Idle‬‬ ‫ƒ‬

‫‪  ρ‬ﺿﺮﻳﺐ ﺑﻬﺮه ﺑﺮداري اﺳﺖ‪ β ،‬ﭘﻮل ﺑﻪ ازاي ﻫﺮ ﺳﺎﻋﺖ‪ c ،‬ﺗﻌﺪاد ﺧﺪﻣﺖ دﻫﻨﺪﮔﺎن‪.‬‬

‫‪  c.LQ=A.C.ρ.H‬‬

‫ﻣﺴﺎﻟﻪ دﻣﻮراژ را در ﻛﺸﺘﻲ راﻧﻲ دارﻳﻢ ﻛﻪ اﮔﺮ دﻳﺮﺗﺮ از وﻗﺖ ﺗﺨﻠﻴﻪ ﻛﻨﻴﻢ ﺧﺴﺎرت ﺑﺎﻳﺴﺘﻲ ﺑﺪﻫﻴﻢ ﻛﻪ از اﻳﻦ ﻓﻮرﻣﻮل ﻫﺎ اﺳﺘﻔﺎدﻫﻤﻲ ﮔﺮدد‪.‬‬

‫ﻓﺼﻠﻲ را ﻛﻪ اﺳﺘﺎد ﻓﺮﺳﺘﺎده وﻗﺘﻲ ﺑﺨﻮاﻧﻴﺪ ﻣﺘﻮﺟﻪ ﻣﻲ ﺷﻮﻳﺪ‪ ،‬ﻛﻪ ﻧﺼﻒ ﻓﺼﻞ ﮔﻔﺘﻪ ﻧﺸﺪه‪ ،‬اﻣﺎ آﻧﻬﺎ ﭼﻨﺪان اﻫﻤﻴﺖ ﻧﺪارد‪ ،‬اﮔﺮ آﻧﻬﺎ را ﺗﺸﺨﻴﺺ دﻫﻴﺪ ﻓﻘﻂ ﺑﺎ اﻧﺠﺎم‬
‫ﻳﻚ ﺳﺮي ﻋﻤﻠﻴﺎت ﺳﺎده ﻣﺴﺎﺋﻞ را ﺣﻞ ﻣﻲ ﻛﻨﻴﺪ‪ ،‬ﻣﻬﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﻣﺘﻮﺟﻪ ﺷﻮﻳﺪ ﻛﻪ ﻛﺪام ﻳﻚ از اﻧﻮاع زﻳﺮ اﺳﺖ‪:‬‬

‫∞ ‪M / M /1/ ∞ /‬‬

‫∞ ‪M / G /1/ ∞ /‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫∞‪M /M /c/∞/‬‬
‫‪65 ‬‬

‫∞‪M /G/c/∞/‬‬
‫‪Page‬‬

‫‪M /M /c/k /k‬‬

‫ﺗﺎرﻳﺦ‪/23 :‬آذر‪1387/‬‬

‫ﺟﻠﺴﻪ اراﺋﻪ ﻫﺎي ‪:1‬‬

‫ﻫﺮ ﺟﺎ ﺷﻚ ﻛﺮدﻳﺪ ﻻزم اﺳﺖ ﻛﻪ رﺳﻤﻲ ﺑﺮوﻳﺪ‪ ،‬رﺳﻤﻲ ﺑﺮوﻳﺪ‪.‬‬

‫‪  Framing .1‬‬

‫ﻓﺮض ﻛﻨﻴﻢ ﻳﻚ ﻣﺴﺎﻟﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺳﺎده دارﻳﻢ ﻛﻪ دو اﻧﺘﺨﺎب دارﻳﻢ‪ ،‬ﻛﻪ ﻣﻮرد اول ‪ 100‬دﻻر ﻣﻲ دﻫﺪ‪ ،‬ﻣﻮرد دوم ‪ %50‬ﻣﻤﻜﻦ اﺳﺖ ‪ 200‬دﻻر‪ ،‬و‬
‫‪ %50‬ﻫﻴﭻ ﭼﻴﺰ‪ ،‬ﺗﺌﻮري ﻫﺎ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ اﻧﺴﺎن ﻫﺎ ‪ rational‬اﻧﺪ‪ .‬در دﻧﻴﺎي واﻗﻌﻲ دﻳﺪﮔﺎه ﻫﺎي اﻓﺮاد ﻫﻢ ﻣﻄﺮح ﻣﻲ ﮔﺮدد‪ ،‬ﻓﺮد ﻳﻌﻨﻲ اﻳﻦ ﺗﺼﻤﻴﻢ ﻳﺮا‬
‫واﺣﺪ در ﻧﻈﺮ ﺑﮕﻴﺮد ﻳﺎ ﺑﻪ ﻋﻨﻮان ﺗﺼﻤﻴﻤﻲ در ﻣﻴﺎن ﻣﺠﻤﻮﻋﻪ اي از ﺗﺼﻤﻴﻢ ﻫﺎ‪ ،‬ﻳﺎ اﻳﻨﻜﻪ ﮔﻤﺎن ﻛﻨﺪ در ﺑﻴﻦ ﭼﻨﺪ راه ﺣﻞ ‪ 2‬ﺗﺎ را اﻧﺘﺨﺎب ﻛﻨﺪ‪ ،‬ﻳﺎ اﻳﻨﻜﻪ‬
‫از ﺑﻴﻦ ﭼﻨﺪ ﻣﻮرد ‪ 2‬ﺗﺎ را رد ﻛﻨﺪ‪ ،‬اﻳﻦ ﻧﻮع ﻧﮕﺎه ﻫﺎ ﻣﻮﺟﺐ ﻣﻲ ﺷﻮد در ﻣﺴﺎﺋﻞ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻳﻜﺴﺎن اﻧﺘﺨﺎب ﻫﺎي ﻣﺘﻔﺎوت داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻓﺮﻳﻢ ﻣﺪل‬
‫ذﻫﻨﻲ اﺳﺖ ﻛﻪ اﻓﺮاد ﺑﺮاي ﺣﻞ ﻣﺴﺎﻟﻪ ﻣﻲ ﺳﺎزﻧﺪ‪ ،‬ﺑﺮاي ﻳﻚ ﻣﺴﺎﻟﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي اﺑﺘﺪا ﻳﻚ ‪ Mental representation‬ﻳﺎ ﻣﺪل ﺗﺼﻤﻴﻢ ﮔﻴﺮي‬
‫را ﻣﻲ ﺳﺎزد‪ ،‬ﻛﻪ ﻣﻨﺠﺮ ﺑﻪ ‪ judgement‬ﻣﻲ ﺷﻮد و ﻣﻮﺟﺐ راه ﺣﻞ ﻣﻲ ﺷﻮد‪.‬‬

‫وﻗﺘﻲ ﻣﺪل ذﻫﻨﻲ اﻓﺮاد ﻣﺘﻔﺎوت ﺑﺎﺷﺪ‪ ،‬و ﺑﻨﻮﻋﻲ ﻓﺮﻳﻢ ﻣﺘﻔﺎوت ﺑﺎﺷﺪ‪ ،‬راه ﺣﻞ ﻫﺎﻳﻲ ﻛﻪ در ﻧﻈﺮ ﻣﻲ ﮔﻴﺮﻧﺪ ﻣﺘﻔﺎوت اﺳﺖ‪ .‬آﻧﻬﺎ ﺑﺮرﺳﻲ ﻛﺮدﻧﺪ و ﻓﻬﻤﻴﺪﻧﺪ‬
‫ﻛﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ اﻓﺮاد را ﻓﺮﻳﻢ ﻛﻨﻨﺪ‪ ،‬ﺑﻪ اﻳﻦ ﻧﺘﻴﺠﻪ رﺳﻴﺪﻧﺪ ﻛﻪ اﻓﺮاد اﻃﻼﻋﺎﺗﻲ ﻛﻪ ﺑﻪ آﻧﻬﺎ داده ﻣﻲ ﺷﻮد‪ ،‬دوﺑﺎره ‪ reframe‬ﻧﻤﻲ ﻛﻨﻨﺪ‪ ،‬و ‪ passive‬اﻧﺪ‬
‫و ﻫﻤﺎﻧﮕﻮﻧﻪ ﻛﻪ ﻣﻲ ﮔﻴﺮﻧﺪ اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫ﻳﻚ ﻣﺴﺎﻟﻪ ﺗﺼﻤﻴﻢ ﮔﻴﺮي را ﺑﺎ دو اراﺋﻪ ﻣﺨﺘﻠﻒ‪ ،‬داﺷﺘﻪ اﻧﺪ‪ ،‬و ﺗﺼﻤﻴﻢ اﻓﺮاد ﻣﺘﻔﺎوت ﺑﻮده اﺳﺖ‪ ،‬ﻟﺬا ﻣﺪل ذﻫﻨﻲ ﻣﺨﺘﻠﻒ در اﻓﺮاد ﻣﻮﺟﺐ اﻳﺠﺎد‬
‫ﺗﺼﻤﻴﻤﺎت ﻣﺨﺘﻠﻒ ﻣﻲ ﮔﺮدد‪.‬‬

‫ﻣﺎ ﻳﻚ ﺳﺮي روش ﺑﺮاي ﻓﺮﻳﻢ ﻛﺮدن ﻧﺘﺎﻳﺞ دارﻳﻢ‪ ،‬روش اول اﻳﻦ اﺳﺖ ﻛﻪ ﻳﻚ روش ﻳﻜﺴﺎن را ﺑﺼﻮرت ﻳﻚ دﺳﺘﺎورد ﻳﺎ از دﺳﺖ داده ﻧﺸﺎن دﻫﻴﻢ‪،‬‬
‫ﻣﺘﺪ ﺑﻌﺪي اﻳﻨﺎﺳﺖ ﻛﻪ ﻧﺘﺎﻳﺞ ﻳﻚ ﺗﺼﻤﻴﻢ را ﺑﺼﻮرت ﻳﻚ ﺑﻠﻮك ﻧﺸﺎن دﻫﻴﻢ ﻳﺎ ﺟﺪاﺟﺪا ﻧﺸﺎن دﻫﻴﻢ‪ ،‬ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل‪ ،‬ﻳﻚ ﻣﺮﻳﻀﻲ ﻣﻲ آﻳﺪ و اﮔﺮ ﺑﻴﺎﻳﺪ‬
‫‪ 600‬ﻧﻔﺮ را ﻣﻲ ﻛﺸﺪ‪ ،‬ﻛﻪ ﻳﻜﻲ را ﺑﺎﻳﺴﺘﻲ اﻧﺘﺨﺎب ﻛﻨﻨﺪ‪ ،‬ﺑﻌﺪ از اﻧﺠﺎم ﺑﺮﻧﺎﻣﻪ اول ‪ 200‬ﻧﻔﺮ زﻧﺪه ﻣﻲ ﻣﺎﻧﻨﺪ‪ ،‬و ﺑﺮاي ﺑﺮﻧﺎﻣﻪ دوم اﺣﺘﻤﺎل ﻳﻚ ﺳﻮم ‪600‬‬
‫ﻧﻔﺮ زﻧﺪه ﻣﻲ ﻣﺎﻧﻨﺪ و ﺑﻪ اﺣﺘﻤﺎل دو ﺳﻮم ﻣﻲ ﻣﻴﺮﻧﺪ‪ .‬در اراﺋﻪ دوم‪ ،‬ﺑﺮﻧﺎﻣﻪ ﺳﻮم ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ‪ 400‬ﻧﻔﺮ ﻣﻲ ﻣﻴﺮﻧﺪ‪ ،‬و در ﺑﺮﻧﺎﻣﻪ ﭼﻬﺎرم ﻣﻲ ﮔﻮﻧﺪ ﺑﻪ‬
‫اﺣﺘﻤﺎل ﻳﻚ ﺳﻮم ‪ 600‬ﻧﻔﺮ زﻧﺪه ﻣﻲ ﻣﺎﻧﻨﺪ‪ ،‬ﻛﻪ اﻳﻦ دو اراﺋﻪ ﻣﺨﺘﻠﻒ ﻣﻨﺠﺮ ﺑﻪ دو ﺗﺼﻤﻴﻢ ﻣﺨﺘﻠﻒ ﺷﺪ‪.‬‬

‫ﻣﺮﺟﻊ ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ ﻧﻪ ‪ gain‬دارﻳﻢ و ﻧﻪ ‪ loss ‬دارﻳﻢ‪ ،‬وﻗﺘﻲ ﻣﻲ ﮔﻮﻳﻴﻢ ‪ 100‬دﻻر ﻣﻲ ﮔﻴﺮم ‪ loss‬اﺳﺖ و وﻗﺘﻲ ﻣﻲ ﮔﻮﻳﻴﻢ ﻣﻲ ﮔﻴﺮي ﻳﻚ ‪gain‬‬
‫دارد و وﺳﻂ ﻫﻢ ﻛﻪ ارزش ﺧﻨﺜﻲ دارد ﻳﻌﻨﻲ ﻧﻪ ﺳﻮد و ﻧﻪ ﺿﺮر‪ .‬اﻓﺮاد ﺑﻪ از دﺳﺖ دادن ﺣﺴﺎﺳﻴﺖ ﺑﻴﺸﺘﺮي دارﻧﺪ‪ ،‬ﺗﺎ ﺑﺪﺳﺖ آوردن‪ ،‬در اراﺋﻪ اول ﻣﺴﺎﻟﻪ‬
‫ﻓﻮق‪ ،‬وﻗﺘﻲ راﺟﻊ ﺑﻪ زﻧﺪه ﻣﺎﻧﺪن ﺻﺤﺒﺖ ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻣﺮﺟﻊ ذﻫﻨﻲ را ﻣﻲ ﮔﺬارﻳﻢ ﻛﻪ ﻛﺴﻲ زﻧﺪه ﻧﻤﻲ ﻣﺎﻧﺪ‪ ،‬و ﺑﺎ اﺟﺮاي اﻳﻦ ﺑﺮﻧﺎﻣﻪ ﻳﻚ ﺳﺮي زﻧﺪه ﻣﻲ‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻣﺎﻧﻨﺪ‪ ،‬و ﻟﺬا ﺑﺮرﺳﻲ در ﻧﺎﺣﻴﻪ ‪ gain‬اﺳﺖ‪ ،‬ﻟﺬا آﻧﻬﺎ ‪ risk averse‬ﺣﺎﺿﺮ ﻣﻲ ﺷﻮﻧﺪ‪ ،‬و ﺑﺮﻧﺎﻣﻪ اول را ﻣﻲ ﭘﺬﻳﺮﻧﺪ‪ ،‬در اراﺋﻪ دوﻣﻲ ﭘﻴﺶ ﻓﺮض اﻳﻦ اﺳﺖ‬
‫‪66 ‬‬

‫ﻛﻪ ﻛﺴﻲ ﻧﻤﻲ ﻣﻴﺮد‪ ،‬و ﺑﻪ اﻳﻦ ﺷﻜﻞ اﻓﺮاد ﺑﻪ دﻧﺒﺎل اﻳﻦ ﻫﺴﺘﻨﺪ ﻛﻪ اﺣﺘﻤﺎل ﻣﺮدن ﻛﻤﺘﺮ ﺑﺎﺷﺪ‪.‬‬
‫‪Page‬‬

‫وﻗﺘﻲ ﻣﺎ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻳﻚ ‪ joint value‬را ارزش دﻫﻲ ﻛﻨﻴﻢ‪ ،‬دو روش ﻓﺮﻳﻤﻴﻨﮓ دارﻳﻢ ﻳﻜﻲ اﻳﻨﻜﻪ ‪ aggregate‬ﻧﮕﺎه ﻛﻨﻴﻢ و ارزش آن را‬
‫ﻣﺸﺨﺺ ﻛﻨﻴﻢ و ﻳﻚ راه اﻳﻦ اﺳﺖ ﻛﻪ ‪ disaggregate‬ﻧﮕﺎه ﻛﻨﻴﻢ ﻛﻪ ﻫﺮ ﻛﺪام ارزش ﻣﺘﻔﺎوت دارد‪ .‬ﻣﺎ ﭼﻬﺎر ﺣﺎﻟﺖ ﻣﺨﺘﻠﻒ دارﻳﻢ‪ ،‬ﻳﻜﻲ ﻫﺮ دو‬
‫ﻣﺜﺒﺖ اﻧﺪ‪ ،‬ﻓﺮض ﻛﻨﻴﺪ ﻛﻪ دو ﺗﺎ ‪ 40‬دﻻر ﺑﺎﺷﺪ‪ ،‬اﻳﻨﻜﻪ ﻳﺎ ﻳﻚ ‪ 80‬دﻻر ﺑﮕﻴﺮﻳﻢ‪ ،‬ارزش ‪ 80‬دﻻر‪ ،‬ﺑﺮاﺑﺮ دو ﺗﺎ ‪ 40‬دﻻر ﻧﻴﺴﺖ‪ ،‬ﻟﺬا ﻓﺮد دو ﺗﺎ ‪ 40‬دﻻر را‬
‫ﺗﺮﺟﻴﺢ ﻣﻲ دﻫﺪ‪ ،‬و ارزش ﻣﻨﻔﻲ دو ﺗﺎ ‪ 40‬دﻻر از دﺳﺖ دادن‪ ،‬ﺑﻴﺶ از ﻳﻚ ‪ 80‬دﻻر از دﺳﺖ دادن اﺳﺖ‪ ،‬ﻟﺬا ﺗﺮﺟﻴﺢ ﻣﻲ دﻫﻴﻢ ‪ aggregate‬ﻧﮕﺎه‬
‫ﻛﻨﻴﻢ‪ ،‬در ﺣﺎﻟﻴﻜﻪ در ﻣﻮرد اول ﻳﻌﻨﻲ ‪ multiple gain‬ﻣﺎ ‪ disaggregate‬ﻋﻤﻞ ﻛﺮدﻳﻢ‪.‬در ‪ Large Gain‬و ‪ Small Loss‬ﻣﺎ ‪ aggregate‬را‬
‫دارﻳﻢ‪ .‬در ‪ Large Loss‬و ‪ Small Gain‬ﻣﺎ ِ‪ Disaggregate‬ﻋﻤﻞ ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ارزش از دﺳﺖ دادن ﻳﻚ ﭼﻴﺰ ﺑﺴﻴﺎر ﺑﺎﻻﺗﺮ از ارزش از دﺳﺖ دادن اﺳﺖ‪.‬‬

‫‪ Sunk Cost effect‬اﺛﺮ دﻳﮕﺮي اﺳﺖ‪ ،‬وﻗﺘﻲ ﻣﻲ ﺧﻮاﻫﻴﻢ ﻣﻌﺎﻣﻠﻪ اي اﻧﺠﺎم دﻫﻴﻢ‪ ،‬ﺑﻪ ﻣﺤﻆ اﻳﻨﻜﻪ ﭘﻮل را ﭘﺮداﺧﺖ ﻣﻲ ﻛﻨﻴﻢ ﺣﺴﺎﺑﻲ در ذﻫﻦ ﻣﺎ‬
‫اﻳﺠﺎد ﻣﻲ ﻛﻨﺪ‪ ،‬و ﺗﺎ وﻗﺘﻴﻜﻪ ﻣﻘﺎﺑﻞ را ﻧﮕﻴﺮﻳﻢ ﺣﺴﺎب ﺑﺎز ﻣﻲ ﻣﺎﻧﺪ‪ ،‬ﻟﺬذذا اﻳﻦ ﺣﺴﺎب ﺑﺎز ﺑﻌﺪا در ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺎ ﺗﺎﺛﻴﺮ ﻣﻲ ﮔﺬارد‪) .‬ﻧﻤﻮﻧﻪ ﻏﺬا ﺧﻮردن‬
‫زﻳﺎد در رﺳﺘﻮران وﻗﺘﻲ ﭘﻮل داده اﻳﻢ(‬

‫ﺑﺤﺚ دﻳﮕﺮ ‪ ،Statusquo bias‬اﻓﺮاد ﺗﻤﺎﻳﻞ دارﻧﺪ وﺿﻌﻴﺖ ﺧﻮد را ﺣﻔﻆ ﻛﻨﻨﺪ‪ .‬و اﻳﻦ ﻣﻲ ﮔﻮﻳﺪ از دﺳﺖ دادن ﻫﺰﻳﻨﻪ ﺑﻴﺸﺘﺮي از ﺑﺪﺳﺖ آوردن‬
‫ﻣﺸﺎﺑﻪ دارد‪.‬‬

‫ﻣﻮرد دﻳﮕﺮ اﻳﻦ اﺳﺖ ﻛﻪ اﻓﺮاد ﺗﻤﺎﻳﻞ ﻧﺪارﻧﺪ ﻛﻪ ﺗﺼﻤﻴﻢ ﺑﮕﻴﺮﻧﺪ‪.‬‬

‫ﻧﻜﺘﻪ ﻣﻬﻢ آن اﺳﺖ ﻛﻪ ﻣﺴﺎﺋﻞ ﻳﻜﺴﺎﻧﻲ ﻣﺎ دارﻳﻢ ﻫﻤﭽﻨﺎﻧﻜﻪ در ﻛﻞ ﻣﺴﺎﺋﻞ ﻓﺮﻳﻤﻴﻨﮓ دارﻳﻢ‪ ،‬ﻓﺮﻳﻢ ﻫﺎي ﺳﺎﺧﺘﺎري ﻣﺨﺘﻠﻔﻲ دارﻳﻢ‪ ،‬و ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ‬
‫ﻧﺘﺎﻳﺞ ﻣﺨﺘﻠﻒ دارﻳﻢ‪.‬‬

‫ﻣﺎ ﻳﻚ ﻣﺴﺎﻟﻪ دارﻳﻢ ﻛﻪ ﻳﻚ ﺟﻔﺖ ﺗﺼﻤﻴﻢ ﮔﻴﺮي دارﻳﻢ‪ ،‬ﻳﻚ ﺷﺎﻧﺲ ﺑﺮد و ﻳﻚ ﺷﺎﻧﺲ ﺑﺎﺧﺖ دارﻳﻢ و ﻫﺮ ﻛﺪام ﭘﻴﺎﻣﺪي دارد در ﺣﺎﻟﺖ اول ‪risk ‬‬
‫‪ averse‬ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬و در ﺣﺎﻟﺖ دوم ‪.risk taking‬‬

‫در ﻣﺴﺎﺋﻞ ﻳﻜﺴﺎن وﻗﺘﻲ ﺟﺎﻳﻲ ‪ Broad‬و ﺟﺎﻳﻲ ‪ narrow‬ﻓﺮﻳﻢ ﺷﺪه اﻧﺪ ﺗﺼﻤﻴﻤﺎت ﻣﺨﺘﻠﻒ ﻣﻲ ﮔﻴﺮﻧﺪ‪ ،‬ﻟﺬا ‪ aggregate‬و ‪disaggregate‬‬
‫ﻧﺘﺎﻳﺞ ﻣﺘﻔﺎوﺗﻲ در ﭘﻲ دارد‪.‬‬

‫‪ ،Task framing‬ﻣﻲ ﺧﻮاﻫﻴﻢ ﺑﻪ ﻧﻮع ﻫﺎي ﻣﺨﺘﻠﻒ ﻓﺮﻳﻢ ﻛﻨﻴﻢ و ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺎي ﻣﺨﺘﻠﻒ را از اﻓﺮاد ﺑﮕﻴﺮﻳﻢ‪ ،‬دو روش دارﻳﻢ‪:‬‬

‫‪ .1‬ﺑﮕﻮﻳﻴﻢ ﺑﻴﻦ ﭼﻨﺪ ﮔﺰﻳﻨﻪ اﻧﺘﺨﺎب ﻛﻨﻴﺪ‪  .‬‬

‫‪ .2‬از ﺑﻴﻦ اﻳﻦ ﮔﺰﻳﻨﻪ ﻫﺎ ﮔﺰﻳﻨﻪ ﻫﺎي ﺑﺪ را رد ﻛﻨﻴﺪ‪  .‬‬

‫ﺗﻔﺎوت دارﻳﻢ‪ .‬در ﻫﺮ ﻛﺪام از ﺣﺎﻟﺖ ﻫﺎ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻳﻚ دادﮔﺎه ﺣﻀﺎﻧﺖ دارﻳﻢ ﻛﻪ ﺑﻪ ‪ parent A‬ﻳﺎ ‪ parent B‬ﺑﺎﺷﺪ‪ ،‬ﻣﻮرد اول ﻣﺘﻮﺳﻂ اﺳﺖ‪ ،‬و ﻣﻮرد دوم ﻳﻚ ﺳﺮي ﻣﻮارد و ﺻﻔﺎت ﻣﺜﺒﺖ و ﻣﻨﻔﻲ‬
‫‪67 ‬‬

‫دارد‪ .‬ﻗﺘﻲ دادن ﺑﺎﺷﺪ‪ ،‬ﻣﻮارد ﻣﺜﺒﺖ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﻣﻲ ﺷﻮد ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ‪ overweight‬ﺑﻪ ﺳﻤﺖ ﻣﻮرد دوم ﻣﻲ رود‪ ،‬وﻗﺘﻲ ﻛﻪ ﺑﮕﻮﻳﻴﻢ ﻛﻪ رد‬
‫ﻛﻨﻴﻢ در اﻳﻦ ﺣﺎﻟﺖ ﺧﺼﻮﺻﻴﺎت ﻣﻨﻔﻲ را ‪ overweight‬ﻣﻲ ﻛﻨﺪ و ﺣﻀﺎﻧﺖ را ﺑﻪ اوﻟﻲ ﻣﻲ دﻫﺪ‪.‬‬
‫‪Page‬‬

‫در اﻳﻨﺠﺎ ﻣﺴﺎﺋﻞ ﻳﻜﺴﺎن و ﻓﺮﻳﻢ ﻫﺎي ﻣﺘﻔﺎوت دارﻳﻢ‪ ،‬ﻧﻜﺘﻪ ﻣﻬﻢ اﻳﻦ اﺳﺖ ﻛﻪ ﻓﺮﻳﻢ ﺷﺪن و ﻋﺪم آن ﻧﻴﺴﺖ‪ ،‬ﻓﺮﻳﻢ ﻫﺎي ﻣﺨﺘﻠﻒ وﺟﻮد دارد‪ ،‬اﻳﻨﻜﻪ‬
‫ﺑﮕﻮﻳﻴﻢ ﻛﺴﻲ ﻓﺮﻳﻢ ﻧﺸﺪه اﺳﺖ وﺟﻮد ﻧﺪارد‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﺑﺸﻮد ﻓﺮﻳﻢ را ﺧﻮب و ﺑﺪ ﺗﻌﺮﻳﻒ ﻛﺮد اﻣﺎ اﻳﻦ ﺧﻮب ﻳﺎ ﺑﺪ ﺷﺪن ﻧﻴﺴﺖ‪ .‬اﮔﺮ ﺑﺼﻮرت ﻋﻤﻠﻴﺎﺗﻲ‬
‫ﺑﻪ ﺗﺼﻤﻴﻤﺎت دﻧﻴﺎي واﻗﻌﻲ ﺗﻮﺟﻪ ﻛﻨﻴﻢ‪ ،‬ﻣﺴﺎﻟﻪ اي دارﻳﻢ و در ﻣﻮرد آن ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﻴﺮﻳﻢ‪ ،‬اﻳﻨﻜﻪ ﭼﻲ ﺟﻮري در ﻣﻮرد ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻓﻜﺮ ﻣﻲ ﻛﻨﻴﻢ‬
‫‪ ،Task Framing‬و وﻗﺘﻲ ﻛﻪ ﺑﻪ آﺧﺮ ﻓﻜﺮ ﻣﻲ ﻛﻨﻴﻢ ‪ Outcome Framing‬اﺳﺖ‪.‬‬

‫ﻫﻴﭻ ﺗﺼﻤﻴﻢ ﻋﻘﻼﻳﻲ اﻣﺮوز ﻧﻤﻲ ﺗﻮاﻧﺪ ﮔﺮﻓﺘﻪ ﺷﻮد‪ ،‬ﻣﮕﺮ اﻳﻨﻜﻪ دﻧﻴﺎ را آﻧﮕﻮﻧﻪ ﻛﻪ ﻫﺴﺖ ﻳﺎ ﺧﻮاﻫﺪ ﺑﻮد ﺑﺒﻴﻨﻴﻢ‪ .‬ﻣﺎ ﺑﺎ ﮔﺮوه ﻫﺎ و ﺳﺎزﻣﺎن ﻫﺎ ﻃﺮف‬
‫ﻫﺴﺘﻴﻢ‪ .‬ﻟﺬا دﻧﻴﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻳﻚ دﻧﻴﺎي اﺟﺘﻤﺎﻋﻲ در ﻧﻈﺮ ﮔﻴﺮﻳﻢ‪ ،‬ﻟﺬا ﻋﺎﻣﻞ ﻫﺎﻳﻲ ﺑﻪ ذﻫﻦ ﻣﺎ ﻣﻲ رﺳﺪ‪ .‬ﻛﻪ ﺗﺼﻤﻴﻤﺎﺗﻲ ﻛﻪ ﻣﻲ ﮔﻴﺮﻳﻢ روي‬
‫دﻳﮕﺮان ﭼﻪ ﺗﺎﺛﻴﺮي دارد‪ ،‬آﻳﺎ اﮔﺮ ﻣﻦ ﺗﺼﻤﻴﻤﻲ ﺑﮕﻴﺮﻳﻢ ﻛﻪ ﻛﺎﻻﻳﻲ را ﺑﺎ ﻗﻴﻤﺘﻲ ﺑﻔﺮوﺷﻢ‪ ،‬روي آﻧﻬﺎ ﭼﻪ ﺗﺎﺛﻴﺮي ﻣﻲ ﮔﺬارد‪ ،‬و آﻳﺎ آﻧﻬﺎ ﺑﺎ ﻳﻚ ﺣﺮﻛﺖ‬
‫ﻣﻤﻜﻦ اﺳﺖ ﺑﺎﻋﺚ ﺷﻮﻧﺪ ﻛﻪ ﻣﺎ ﻫﻢ دﭼﺎر ﻣﺸﻜﻞ ﺷﻮﻳﻢ‪ .‬ﺑﺨﺶ دﻳﮕﺮ ﺑﺤﺚ دﭘﺎرﺗﻤﺎﻧﻲ اﺳﺖ‪ ،‬دﭘﺎرﺗﻤﺎﻧﻲ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻧﻴﺮوي اﻧﺴﺎﻧﻲ ﺑﺪﺳﺖ ﺑﻴﺎورد‪ ،‬و‬
‫دﭘﺎرﺗﻤﺎﻧﻲ دﻳﮕﺮ ﻫﻢ ﭘﻮل ﺑﺪﺳﺖ ﺑﻴﺎورد‪ ،‬ﻛﻪ وزارت ﻛﺎر در اﺳﺘﺨﺪام ﭘﻮل دﻫﺪ‪ ،‬ﺗﺼﻤﻴﻤﺎﺗﻲ ﻛﻪ ﻣﻲ ﮔﻴﺮﻳﺪ در اﻏﻠﺐ ﻣﻮارد در ‪ context‬ﮔﺮوه ﻣﻬﻢ ﺗﺮ‬
‫ﻫﺴﺘﻨﺪ‪ ،‬ﺑﻪ ﻋﻨﻮان ﻳﻚ ﻧﻘﺶ‪ ،‬ﺗﺼﻤﻴﻢ رﻳﺴﻚ ﮔﺮوه ﻣﻲ ﺷﻮد ﻛﻪ در آن ﻧﻘﺶ دارﻳﻢ‪ .‬اﻳﻦ ﺳﻪ ﻣﻮﺿﻮع در ‪ context social‬ﻣﻌﻨﺎﻫﺎي ﻣﺨﺘﻠﻔﻲ دارد‪،‬‬

‫‪ Behavioral Game Theory‬را ﺑﻴﺎن ﻣﻲ ﻛﻨﻴﻢ‪.‬‬

‫ﺑﻪ زﻧﺪاﻧﻲ ‪ A‬ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻛﻪ زﻧﺪاﻧﻲ ‪ B‬اﻋﺘﺮاف ﻧﻜﻨﺪ‪ ،‬ﺑﻪ ﺗﻮ ﻣﺠﺎزات ﺧﻔﻴﻒ ﺑﻪ دﻳﮕﺮي ﻣﺠﺎزات ﺳﻨﮕﻴﻦ‪ ،‬ﺑﻪ دﻳﮕﺮي ﺑﺮﻋﻜﺲ ﻣﻲ ﮔﻮﻳﻨﺪ‪ ،‬اﮔﺮ ﻫﺮ دو‬
‫اﻋﺘﺮاف ﻛﻨﻴﺪ‪ ،‬ﻣﺠﺎزات ﺳﻨﮕﻴﻦ‪ ،‬و اﮔﺮ ﺑﺮﻋﻜﺲ ﻫﺮ دو ﻣﺠﺎزات ﺧﻔﻴﻒ‪.‬‬

‫ﺗﺌﻮري ﺑﺎزي ﻓﻘﻂ ﻣﺘﻮﺟﻪ ﻣﻨﺎﻓﻊ ﺧﻮد ﻫﺴﺘﻨﺪ‪ ،‬و اﮔﺮ ﺑﻪ دﻳﮕﺮان ﺗﻮﺟﻪ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻣﻲ ﺧﻮاﻫﻨﺪ ﺑﺒﻴﻨﺪ از ﻃﺮﻳﻖ آن ﻣﻲ ﺗﻮاﻧﻨﺪ ﻣﻨﺎﻓﻊ ﺧﻮد را ﭘﻴﺪا ﻛﻨﻨﺪ ﻳﺎ ﻧﻪ‪،‬‬
‫ﻟﺬا ﻳﺎ ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ زﻧﺪاﻧﻲ زود اﻋﺘﺮاف ﻛﻨﺪ‪ ،‬ﻳﺎ ﻫﺮ دو اﻋﺘﺮاف ﻧﻜﻨﻨﺪ‪ ،‬اﻣﺎ در ﻋﻤﻞ اﻳﻦ اﺗﻔﺎق ﻧﻤﻲ اﻓﺘﺪ‪ ،‬ﺑﺎزي ﻫﺰارﭘﺎ دارﻳﻢ‪ ،‬ﻛﻪ ﻧﻜﺘﻪ ﺗﺮﻳﻜﻲ اﻳﻦ اﺳﺖ‬
‫ﻛﻪ ﻣﻲ ﮔﻮﻳﻨﺪ اﻳﻦ دﻳﺎﮔﺮام را دارﻳﺪ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ آن ﺑﺎزي ﻛﻨﻴﺪ‪ ،‬از دﻳﺪﮔﺎه ﺗﺌﻮري ﺑﺎزي‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ ﻫﺎ داﺋﻢ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮﻧﺪ‪ ،‬و ﻟﺬا ﻧﺘﻴﺠﻪ‬
‫‪ game theory‬ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﺑﺎزي ﻧﺒﺎﻳﺴﺪي ﺟﻠﻮ رود‪ ،‬و ﻫﻤﺎن ﺟﺎ ‪ stop‬ﻛﻨﺪ‪ ،‬اﻣﺎ در ﻋﻤﻞ ﺑﺎزﻳﮕﺮان ﺗﻮﻗﻒ ﻧﻤﻲ ﻛﻨﻨﺪ‪ ،‬و ﺟﻠﻮ ﻣﻲ روﻧﺪ‪ ،‬و ﺑﻤﺮور‬
‫ﺷﺪت ‪ trust‬ﻛﺎﻫﺶ ﻣﻲ ﻳﺎﺑﺪ‪ ،‬و ﻟﺬا ﻧﻪ ﺳﺮﻳﻊ ﺟﻠﻮ ﻣﻲ رود‪ ،‬ﻛﻪ ﻛﺴﻲ زودﺗﺮ از ﻣﺎ ﻣﺘﻮﻗﻒ ﻛﻨﺪ‪ ،‬و ﻧﻪ اﻳﻨﻜﻪ آرام ﺟﻠﻮ ﺑﺮود ﻳﺎ ﺑﻴﺎﺳﺘﻴﺪ‪.‬‬

‫ﺟﻨﺒﻪ اﻧﺴﺎﻧﻲ را ﻧﻴﺰ ﺑﺎﻳﺴﺘﻲ در ﻣﺤﺎﺳﺒﺎت در ﻧﻈﺮ ﺑﮕﻴﺮﻳﻢ‪ .‬در ﺷﺮاﻳﻂ واﻗﻌﻲ ﺗﺎ ﭼﻪ ﺣﺪ ﻋﺪاﻟﺖ ﺑﻴﻦ دو ﻃﺮف ﺑﻴﺎﻳﺪ‪ ،‬و ﻣﺴﺎوات رﻋﺎﻳﺖ ﺷﻮد‪ ،‬و اﻳﻦ ﺑﺮ‬
‫اﺳﺎس ﻧﻈﺮﻳﺎت ﺗﺌﻮري ﺑﺎزي اﺳﺖ ﻛﻪ ‪ fairness‬و ‪ rational‬را ﻣﻲ ﮔﻔﺖ‪.‬‬

‫در ﻋﻤﻞ اﻓﺮاد ﺑﻪ ﺳﻤﺖ ﻳﻚ ﺗﻮزﻳﻊ ﻋﺎدﻻﻧﻪ و ﺑﺎ ﻣﺴﺎوات ﻣﻲ روﻧﺪ‪.‬‬

‫در ﻋﻤﻞ ﻃﺮف اول ﻛﻤﺘﺮ از ‪ %40‬ﭘﻴﺸﻨﻬﺎد ﻧﻤﻲ ﻛﻨﺪ‪ ،‬و در ﻃﺮف دوم ﻫﻢ ﻛﻤﺘﺮ از ‪ %20‬ﻗﺒﻮل ﻧﻤﻲ ﻛﻨﺪ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻓﺮاد ﻫﻤﻴﺸﻪ ﺳﻌﻲ ﻣﻲ ﻛﻨﻨﺪ در ﻋﻤﻞ ﻫﻤﻜﺎري ﺑﺠﺎي ﻣﻜﺎن ‪ free rider‬داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻟﺬا ‪ fairness‬و ‪ cooperation‬ﻛﻪ ﻏﻴﺮ اﻗﺘﺼﺎدي ﺑﻮد‬
‫‪68 ‬‬

‫ﻧﺸﺎن ﻣﻲ داد ﻛﻪ اﻓﺮاد ﻧﺴﺒﺖ ﺑﻪ ﻣﻮارد اﻗﺘﺼﺎدي ﺣﺴﺎس ﻫﺴﺘﻨﺪ‪ ،‬وﻟﻲ اﻳﻦ دو ﻣﻮرد اﻧﺴﺎﻧﻲ ﻧﻴﺰ ﺑﺮاي آﻧﻬﺎ اﻫﻤﻴﺖ دارد‪.‬‬
‫‪Page‬‬

‫ﻳﻚ ﺳﺮي ﻓﺮﺿﻴﺎت در ﻣﺬاﻛﺮات وﺟﻮد دارد‪:‬‬

‫‪ .1‬آدم ﻫﺎ ﻣﻲ داﻧﻨﺪ ﻛﻪ ﻣﻨﺎﻓﻊ آﻧﻬﺎ ﺑﺎ ﻫﻢ در ﺗﻀﺎد اﺳﺖ‪  ،‬‬

‫‪ compromise‬اﻣﻜﺎن ﭘﺬﻳﺮ اﺳﺖ‪  .‬‬ ‫‪.2‬‬

‫‪ .3‬ﻣﻤﻜﻦ اﺳﺖ ﻛﻪ ﭘﻴﺸﻨﻬﺎدي داده ﺷﻮد و رد ﺷﻮد و ‪ counter offer‬داده ﺑﺎﺷﺪ‪  ،‬‬

‫‪ .4‬ﻣﻬﻢ اﻳﻦ اﺳﺖ ﻛﻪ دو ﻃﺮف ﺑﻪ ﺗﻮاﻓﻖ روي ‪ counter offer‬ﺑﺮﺳﻨﺪ‪  .‬‬

‫زﻣﺎﻧﻲ ‪ distributive bargaining‬اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ ﻛﻪ ﻣﻨﺎﺑﻊ ﻣﺸﺘﺮك ﺑﻴﻦ اﻓﺮاد وﺟﻮد ﻧﺪاﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬در واﻗﻊ ﺑﻪ ﻗﻴﻤﺖ ﻣﻨﺎﺑﻊ ﺑﺎﻧﻚ دﻳﮕﺮ ﺳﻬﻢ ﺧﻮد‬
‫را زﻳﺎد ﻣﻲ ﻛﻨﺪ‪ ،‬در ﻃﺮف دﻳﮕﺮ ‪ Integrative Bargaining‬دارﻳﻢ ﻛﻪ ﻣﻨﺎﺑﻊ ﻣﺸﺘﺮك ﺣﺪاﻗﻞ ﺑﻴﻦ ﮔﺮوه ﻫﺎ دارﻳﻢ و ‪ joint profit‬و ﭼﻴﺰي ﻛﻪ‬
‫ﻣﺸﺘﺮك از اﻳﻦ ﻣﻮرد ﺑﺪﺳﺖ ﺑﻴﺎورﻧﺪ‪ ،‬دو ﻧﻔﺮ ﻛﻪ ﻣﺬاﻛﺮه ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻳﻚ ﻧﻔﺮ ﭘﻮﺳﺖ ﭘﺮﺗﻘﺎل را ﻣﻲ ﺧﻮاﻫﺪ‪ ،‬و ﻳﻚ ﻧﻔﺮ آب ﻣﻲ ﺧﻮاﻫﺪ‪ ،‬ﻟﺬا آﻧﻬﺎ‬
‫‪ Integrative bargaining‬اﻧﺠﺎ ﻣﻲ دﻫﻨﺪ‪ .‬در ﺑﺴﻴﺎري از ﻣﻮارد ﻣﻌﻤﻮﻻ دﻧﺒﺎل ‪ Integrative bargaining‬ﻫﺴﺘﻨﺪ در ‪ negotiation‬ﻫﻢ دو‬
‫ﺑﺤﺚ ‪ fairness‬و ‪ cooperation‬ﻣﻄﺮح ﻣﻲ ﮔﺮدد‪.‬‬

‫ﺗﻘﺴﻴﻢ ﺑﻨﺪي ﻋﺎدﻻﻧﻪ ﮔﺎﻫﻲ ﻣﻨﺎﻓﻊ ﻃﺮف ﻫﻢ در آن اﺳﺖ ﻳﻌﻨﻲ ‪ %100‬ﻋﺎدﻻﻧﻪ ﻧﻴﺴﺖ‪ ،‬ﻣﺜﻼ آزﻣﺎﻳﺸﻲ ﻛﻪ ‪ 10‬ﺳﺎﻋﺖ ﻓﺮد ﻛﺎر ﻛﺮده ﺑﻮد‪ ،‬و ﺗﻮ ‪7‬‬
‫ﺳﺎﻋﺖ اﻳﻨﺠﺎ اوﻟﻲ ‪ 25‬دﻻر و دوﻣﻲ ‪ 35.24‬ﺑﻮد‪ ،‬و در ﺑﺎزي ﺑﺮﻋﻜﺲ اوﻟﻲ ‪ 25‬دﻻر و دوﻣﻲ ‪ 30.29‬ﮔﺮﻓﺖ‪ ،‬و ﻣﻌﻴﺎر ﻫﺎي ‪ subjective‬ﺷﺪ‪ ،‬و ﮔﻔﺖ‬
‫ﻣﻦ ﺗﺠﺮﺑﻪ ام ﺑﻴﺸﺘﺮ اﺳﺖ‪ ،‬و ‪...‬‬

‫در ﺑﺤﺚ ﻫﺎي ‪ negotiation‬اﮔﺮ ‪ fairness‬و ‪ cooperation‬رﻋﺎﻳﺖ ﻧﺸﻮﻧﺪ ‪ impass‬و ﺑﻦ ﺑﺴﺖ را ﺷﺎﻫﺪ ﻫﺴﺘﻴﻢ‪.‬‬

‫‪ 5‬ﻣﺪل ﺗﺼﻤﻴﻢ ﮔﻴﺮي در ﺳﺎزﻣﺎن دارﻳﻢ‪.‬‬

‫ﺗﺎرﻳﺦ‪/25 :‬آذر‪1387/‬‬

‫اراﺋﻪ اﺣﺴﺎﺳﺎت‪:‬‬

‫اﺣﺴﺎﺳﺎت در ﺗﺼﻤﻴﻢ ﮔﻴﺮي‪ ،‬ﻋﻮاﻣﻞ زﻳﺎدي در ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻮﺛﺮ اﻧﺪ‪ ،‬اﺣﺴﺎﺳﺎت ﻳﻜﻲ از آﻧﻬﺎﺳﺖ‪.‬ﻓﻘﻂ ﻓﻜﺮ ﻛﺮدن ﻧﻴﺴﺖ ﻛﻪ در ﺗﺼﻤﻴﻤﺎت ﻣﻮﺛﺮ‬
‫اﺳﺖ ﺑﻠﻜﻪ اﺣﺴﺎﺳﺎت ﻧﻴﺰ ﺑﺴﻴﺎر ﻣﻮﺛﺮ اﺳﺖ‪ ،‬ﻣﺤﻘﻘﺎن ﻣﻲ داﻧﺴﺘﻨﺪ ﻛﻪ اﺣﺴﺎﺳﺎت در ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻣﻮﺛﺮ اﺳﺖ‪ ،‬اﻣﺎ ﺳﻌﻲ ﻣﻲ ﻛﺮدﻧﺪ ﻧﻘﺶ آن را ﺑﻪ ﺻﻔﺮ‬
‫ﺑﺮﺳﺎﻧﻨﺪ‪ ،‬اﻣﺎ اﻣﺮوز ﺑﻪ اﻳﻦ ﻧﺘﻴﺠﻪ رﺳﻴﺪﻧﺪ ﻛﻪ ﺗﺎﺛﻴﺮﮔﺬار اﺳﺖ‪ .‬ﻣﺤﻘﻘﺎن ﺑﺎ ﺑﺮرﺳﻲ ﺑﻴﻤﺎراﻧﻲ ﻛﻪ ﺑﺨﺶ اﺣﺴﺎﺳﺎت ﻣﻐﺰ آﻧﻬﺎ ﻛﺎر ﻧﻤﻲ ﻛﺮد‪ ،‬و ﻟﺬا ﺗﺼﻤﻴﻢ‬
‫ﮔﻴﺮان ﺧﻮﺑﻲ ﻧﺸﺪﻧﺪ‪.‬‬

‫در ‪ mood‬ﺧﻮب ﻳﺎ ﺑﺪ ﺗﺼﻤﻴﻤﺎت ﻣﺨﺘﻠﻔﻲ ﻣﻲ ﮔﺮﻧﺪ‪ ،‬ﻟﺬا ﺑﺎﻳﺴﺘﻲ ﺳﻌﻲ ﻛﻨﻴﺪ ﻛﻪ در ‪ mood‬ﺧﻮب ﺗﺼﻤﻴﻢ ﮔﺮﻓﺘﻪ ﺷﻮد‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺧﺎﻧﻢ آﻳﺴﻦ و ﺗﺴﺖ ﺧﻼﻗﻴﺖ و اﺛﺮ آن در ﺗﺼﻤﻴﻢ ﮔﻴﺮي‪ ،‬اﻓﺮادي ﻛﻪ ﺧﻮﺷﺤﺎل اﻧﺪ در ﺗﺴﺖ ﺧﻼﻗﻴﺖ ﺧﻮب ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬و در ﺣﺴﺎﺳﻴﺖ ﺑﻪ رﻳﺴﻚ‬
‫‪69 ‬‬

‫و ﺿﺮر اﻓﺮادي ﻛﻪ روز را ﺑﺎ ‪ mood‬ﺧﻮب ﺷﺮوع ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﺿﺮر ﻛﻤﺘﺮي ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫‪Page‬‬

‫ﻣﻮد ﺧﻮب ﺗﺼﻤﻴﻢ ﺧﻴﻠﻲ ﺧﻮﺑﻲ رو ﺗﺼﻤﻴﻤﺎت دارد‪ regret ،‬ﻳﺎ ﺣﺴﺮت را دارﻳﻢ ﻛﻪ روي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺴﻴﺎر ﺗﺎﺛﻴﺮ ﮔﺬار اﺳﺖ‪ ،‬از ﻳﻚ اﺷﺘﺒﺎه‬
‫راﻧﻨﺪﮔﻲ‪ ،‬ﺗﺎ ﻫﺮ ﻧﻮع دﻳﮕﺮ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎﺷﺪ‪ .‬ﻣﻤﻜﻦ اﺳﺖ اﺗﻔﺎﻗﻲ ﺑﻴﻔﺘﺪ و ﭘﺸﻴﻤﺎن ﺷﻮﻳﺪ و ﻟﺬا ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﺪ از ﺗﺼﻤﻴﻢ دوري ﻛﻨﻴﺪ‪ .‬ﺗﺤﻘﻴﻖ‪ 1200 :‬دﻻر‬
‫ﻫﺮ دو ﻧﻔﺮ از دﺳﺖ دادﻧﺪ‪ ،‬ﻳﻜﻲ داﺷﺘﻪ و از دﺳﺖ داده‪ ،‬ﻳﻜﻲ ﺧﺮﻳﺪه و از دﺳﺖ داده‪ ،‬ﻟﺬا ‪ lost‬ﺑﺮاي اﻧﺠﺎم دادن ﻛﺎر ﺑﺴﻴﺎر ﻣﻮﺛﺮ ﺗﺮ از اﻧﺠﺎم ﻧﺪادن‬
‫اﺳﺖ‪.‬‬

‫در ﺗﺤﻘﻴﻘﻲ از اﻓﺮاد ﭘﺮﺳﻴﺪﻧﺪ در ﻣﻘﺎﺑﻞ ﭼﻪ ﭼﻴﺰﻫﺎﻳﻲ ﺣﺴﺮت ﻧﻤﻲ ﺧﻮرﻧﺪ‪ %90 ،‬ﮔﻔﺘﻨﺪ ﻛﻪ از ﻛﺎرﻫﺎﻳﻲ ﻛﻪ ﻧﻤﻲ ﻛﻨﻨﺪ‪ ،‬ﻳﻌﻨﻲ ﻣﺜﻼ ﺗﺮك ﻛﺮدن ﺳﻴﮕﺎر‪.‬‬
‫ﻳﻚ ﻣﺴﺎﺑﻘﻪ اي دارﻳﻢ ﻛﻪ دو اﻧﺘﺨﺎب دارﻳﺪ اﮔﺮ اﻟﻒ را اﻧﺘﺨﺎب ﻛﻨﻴﺪ ﺑﻴﻦ ﻳﻚ ﺗﺎ ‪ 30 30‬دﻻر‪ ،‬و ﺗﺎ ‪ 100‬ﻫﻴﭽﻲ‪ ،‬ﺑﺮاي ﻟﻮﺗﺎري ب‪ ،‬اوﻟﻲ ﻫﻴﭽﻲ و‬
‫دوﻣﻲ ‪ 10‬دﻻر ﺑﻮده اﺳﺖ‪ regret ،‬ﻣﻘﺎﻳﺴﻪ راه ﺣﻞ ﻫﺎي ﻣﺨﺘﻠﻒ ﺑﺎ ﻫﻢ اﺳﺖ‪ ،‬و ‪ disappointment‬ﻣﻘﺎﻳﺴﻪ ‪ alternative‬ﻫﺎ ﺑﺎ ﻫﻢ ﻫﺴﺖ‪.‬‬

‫ﻫﺰﻳﻨﻪ اي ﻛﻪ ﻛﺮده ﺑﻮدﻧﺪ و ﻗﺎﺑﻞ ﺑﺎزﮔﺸﺖ ﻧﺒﻮد را ﺳﻌﻲ ﻣﻲ ﻛﻨﻨﺪ اﺳﺘﻔﺎده ﻛﻨﻨﺪ‪ ،‬و در ﻣﻮرد دوم ﻫﻢ ﻫﻤﻴﻦ ﺑﻮد ﻛﻪ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻛﺮده ﺑﻮد و اﻻن‬
‫ﺑﺮاي اﻳﻨﻜﻪ زﻳﺎن ﻧﻜﻨﺪ ﺑﺎز ﻫﻢ ﺳﺮﻣﺎﻳﻪ ﮔﺬاري ﻣﻲ ﻛﺮد‪.‬‬

‫ﻟﺬا ﻫﺰﻳﻨﻪ ﻫﺎﻳﻲ ﻛﻪ ﻗﺒﻼ اﻧﺠﺎم ﺷﺪه اﺳﺖ‪ ،‬اﻻن ﺟﺰﺋﻲ از ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﺴﺘﻨﺪ‪ ،‬وﻗﺘﻲ ﺗﺼﻤﻴﻤﻲ ﻣﻲ ﮔﻴﺮﻳﻢ و ‪ fail‬ﻣﻲ ﺷﻮد‪ ،‬ﻫﺰﻳﻨﻪ آن را ﻗﺴﻤﺘﻲ از‬
‫ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺟﺪﻳﺪ ﻣﻲ ﮔﺮدد‪ ،‬و اﻳﻦ ﺑﺨﺎﻃﺮ ﺗﺮس از ‪ loss‬اﺳﺖ‪،‬‬

‫ﻣﺜﺎل‪ :‬اﻓﺮادي ﻛﻪ از ﺗﺨﻔﻴﻒ ‪ %50‬ﺧﺒﺮ ﻧﺪاﺷﺘﻪ اﻧﺪ‪ ،‬ﺑﻴﺸﺘﺮ از اﻳﻦ ﻛﺎﻻ ﺧﺮﻳﺪه اﻧﺪ‪ ،‬و اﻳﻦ اﺛﺮ اﻳﻨﺮﺳﻲ اﺳﺖ‪.‬‬

‫اﺛﺮ ‪ :Endowment‬ﻣﺜﺎل ﻟﻴﻮان ﺑﺎ آرم داﻧﺸﮕﺎه و داد و ﺳﺘﺪ‪ ،‬اﻧﺘﻈﺎر ﻣﻲ رﻓﺖ ﻛﻪ ‪ %50‬اﻓﺮاد وارد ﻣﻌﺎﻣﻠﻪ ﺑﺎ ﻫﻢ ﺷﻮﻧﺪ‪ ،‬اﻣﺎ ﺗﻌﺪاد ﻛﻤﻲ اﻳﻦ ﻛﺎر را ﻣﻲ‬
‫ﻛﻨﻨﺪ‪ ،‬آﻧﻬﺎﻳﻲ ﻛﻪ ﻟﻴﻮان را داﺷﺘﻨﺪ‪ ،‬آن را دﻟﺒﺴﺘﮕﻲ داﺷﺘﻨﺪ‪ ،‬و آﻧﻬﺎ ﺑﻴﺸﺘﺮ از ﺑﺎزار ارزﻳﺎﺑﻲ ﻣﻲ ﻛﺮدﻧﺪ‪ ،‬و در ﻣﻘﺎﺑﻞ آﻧﻬﺎ ﺧﺮﻳﺪار ﻫﺎ ﺑﺮ ﻋﻜﺲ ﺑﻮد‪.‬‬

‫‪ :Status Quo Bias‬ﺗﺮس از ﺗﻐﻴﻴﺮ اﺳﺖ‪ .‬ﻣﺜﺎل دو ﺷﺮط‪ :‬ﺗﻐﻴﻴﺮ ﻣﻲ ﺗﻮاﻧﻴﺪ داﺷﺘﻪ ﺑﺎﺷﻴﺪ ﻳﺎ ﻧﻪ‪ ،‬و ﺑﺮﺧﻲ دﻳﮕﺮ اﺟﺒﺎري اﺳﺖ ﺗﻐﻴﻴﺮ‪.‬‬

‫‪ Over confindence‬و اﻋﺘﻤﺎد ﺑﻨﻔﺲ ﻛﺎذب‪ ،‬ﺣﺎﻟﺘﻲ اﺳﺖ ﻛﻪ ﺷﻚ ﻫﺎ را ﻛﻨﺎر ﻣﻲ ﮔﺬارﻳﻢ و اﺣﺴﺎس ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻛﺎر را اﻧﺠﺎم دﻫﻴﻢ‪.‬‬
‫ﭼﺮا اﻋﺘﻤﺎد ﺑﻨﻔﺲ ﻛﺎذب ﭘﻴﺪا ﻣﻲ ﻛﻨﻴﻢ؟ در ﻣﻮاﺟﻬﻪ ﺑﺎ ﻣﻮﺿﻮع ﺳﻪ ﺣﺎﻟﺖ دارﻳﻢ‪:‬‬

‫‪ .1‬از ﺳﻄﺢ ﺗﻮاﻧﺎﻳﻲ ﻫﺎي ﻣﺎ ﺧﺎرج اﺳﺖ و ﺑﺎﻳﺴﺘﻲ ﺗﻤﺎم ﺗﻮاﻧﺎﻳﻲ ﻫﺎ را ﺟﻤﻊ ﻛﻨﻴﻢ ﻛﻪ ﻏﻠﺒﻪ ﻛﻨﻴﻢ ﻣﻤﻜﻦ اﺳﺖ ﻧﺘﻮاﻧﻴﻢ‪  .‬‬

‫‪ .2‬اﻳﻦ ﻣﻮﺿﻮع در ﺳﻄﺢ ﺗﻮاﻧﺎﻳﻲ ﻣﺎ ﻫﺴﺖ و اﮔﺮ ﺗﻼش ﻛﻨﻴﻢ ﻣﻲ ﺗﻮاﻧﻴﻢ ﻏﻠﺒﻪ ﻛﻨﻴﻢ‪  .‬‬

‫‪ .3‬ﺣﺎﻟﺘﻲ ﻛﻪ ﻣﻮﺿﻮع ﺑﺴﻴﺎر ﺳﺎده اﺳﺖ‪ ،‬و ارزش ﻧﺪارد ﻛﻪ ﻛﺎر ﻛﻨﻴﺪ‪ .‬ﻛﻪ اﻳﻦ اﻋﺘﻤﺎد ﺑﻪ ﻧﻔﺲ ﻛﺎذب اﺳﺖ‪ ،‬ﻣﺜﺎل ﺧﺮﮔﻮش و ﻻك ﭘﺸﺖ‪  .‬‬

‫ﻧﻜﺘﻪ ﻣﻬﻢ اﻳﻦ اﺳﺖ ﻛﻪ وﻗﺘﻲ ﻣﻲ ﺗﻮاﻧﻴﻢ ﺑﮕﻮﻳﻴﻢ ﻛﺎر ﺳﺎده اﺳﺖ ﻛﻪ ﺗﻤﺎم ﺗﻼش را ﺑﺮاي ﻛﺎر ﺻﺮف ﻛﻨﻴﻢ‪.‬‬

‫ﻣﺜﺎل ﻳﻚ ﻛﻮﺋﻴﺰ‪ :‬ﻣﺮﻛﺰ اﻳﺎﻻت را ﺑﻨﻮﻳﺴﻴﺪ‪ ،‬و ﭼﻘﺪر ﻣﻄﻤﺌﻨﻴﺪ ﻛﻪ ﻣﺮﻛﺰي ﻛﻪ ﻧﻮﺷﺘﻴﺪ ﻣﺮﻛﺰ اﺳﺖ‪ ،‬در ﻛﻼس ﺑﺎ ارزﻳﺎﺑﻲ دﻳﺪﻧﺪ ‪ %25 ،50/50‬ﺗﻮاﻧﺴﺘﻨﺪ‬
‫ﻛﻪ ﺑﺎﺷﻨﺪ‪ ،‬و ﺑﺎﻻي ‪ %75‬ﮔﻔﺘﻨﺪ ﺑﺎﻻي ‪ %80‬ﭘﺲ ﻛﻼس ‪ Overconfindence‬داﺷﺘﻪ ﺑﺎﺳﺖ‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫اﻣﺎ ‪ ،overconfidence‬ﻣﻲ ﮔﻮﻳﻨﺪ ﻛﻪ دﻗﺖ ﻛﻨﻴﺪ ﻛﻪ اﻓﺮادي ﻛﻪ ﻣﺸﺎوره ﻣﻲ دﻫﻨﺪ ﺑﻪ اﻳﻦ ﺷﻜﻞ ﻧﺒﺎﺷﻨﺪ‪ ،‬ﭘﻴﺸﻨﻬﺎد اﻳﻦ ﺑﻮده ﻛﻪ ﻛﺴﻲ ‪ %100‬ﮔﻔﺖ‬
‫‪70 ‬‬

‫اﻃﻤﻴﻨﺎن دارد‪ ،‬اﺻﻼ ﺗﻮﺟﻪ ﻧﻜﻨﻴﺪ‪.‬‬

‫‪Page‬‬

‫ﻫﻮاﺷﻨﺎﺳﻲ ﺟﺎﻳﻲ اﺳﺖ ﻛﻪ ﺧﻮب ﻫﻤﻴﺸﻪ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﺗﻌﺎرﻳﻒ ﻣﺨﺘﻠﻒ ﺑﺮاي ﻣﺤﺎﺳﺒﻪ رﻳﺴﻚ‪ ،‬در ﻣﻬﻨﺪﺳﻲ ﻣﻲ ﮔﻮﻳﻨﺪ اﺣﺘﻤﺎل واﻗﻌﺎ ﺿﺮب در ﺿﺮر و زﻳﺎن واﻗﻌﻪ اﺳﺖ‪.‬‬

‫ﭼﺮا اﻓﺮاد رﻳﺴﻚ ﻧﻤﻲ ﻛﻨﻨﺪ‪ ،‬ﺷﺎﻳﺪ ﻃﺒﻖ ﻧﻈﺮﻳﻪ ‪ ،prospect theory‬ارزش ﭘﺎﻳﻴﻦ ﺗﺮ از ﺣﺪ ﻣﻌﻤﻮل ﺑﺎﺷﺪ‪ .‬ﺷﺎﻳﺪ ﻫﻢ ﻗﻠﺐ ﺗﻮ ﻗﻠﺒﺸﻮن ﻧﺒﺎﺷﻪ ﺳﻜﻪ‬
‫ﺑﺮود ﺑﺎﻻ و ﭘﺎﻳﻴﻦ ﺑﻴﺎﻳﺪ‪.‬‬

‫ﺑﺮﺧﻲ از اﻓﺮاد رﻳﺴﻚ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬و ﺑﻴﻤﻪ ﻫﻢ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬اﺣﺴﺎﺳﺎت در ﺗﺼﻤﻴﻢ ﮔﻴﺮي و رﻳﺴﻚ ﺑﺴﻴﺎر اﻫﻤﻴﺖ دارد‪.‬‬

‫ﺑﻴﻦ ﻳﻚ ﺳﺮي اﻓﺮاد ﮔﻔﺘﻨﺪ ﻛﻪ ﻛﺎر ﭘﺮﺧﻄﺮ را ﻟﻴﺴﺖ ﻛﻦ‪ ،‬ﮔﻔﺘﻨﺪ ﻛﻪ ﻛﻮﻫﻨﻮردي‪ ،‬ﺷﻨﺎ در درﻳﺎ‪ ،‬و اﻧﺮژي ﻫﺴﺘﻪ اي‪ ،‬اﻣﺎ اﻳﻨﻬﺎ از ﻃﻮﻓﺎن و ﺳﻴﻞ ﻛﻤﺘﺮ‬
‫اﺳﺖ‪ ،‬دﻟﻴﻞ اﻳﻦ اﺳﺖ ﻛﻪ اﻳﻨﻬﺎ را ﭘﺮ ﺧﻄﺮ ﻧﻤﻲ داﻧﻨﺪ ﭼﻮن آن را ﻫﻀﻢ ﻛﺮده اﻧﺪ‪.‬‬

‫اﻓﺮاد ﺗﺮﺳﻲ ﻛﻪ از رﻳﺴﻚ دارﻧﺪ ﺑﺎ ﻋﻮاﻣﻞ دﻳﮕﺮ ﺟﻤﻊ ﻣﻲ ﻛﻨﻨﺪ و در ﻣﻮرد آن ﭼﻴﺰ ﻧﻈﺮ ﻣﻲ دﻫﻨﺪ‪ ،‬ﻋﻮاﻣﻞ دﻳﮕﺮ ﻣﺎﻧﻨﺪ ﻛﻮﻫﻨﻮردي اﺳﺖ‪ ،‬ﻳﺎ ﺧﻮدم‬
‫رﻳﺴﻚ را ﻛﻨﺘﺮل ﻛﻨﻢ ﻣﺎﻧﻨﺪ راﻧﻨﺪﮔﻲ‪ ،‬اﻣﺎ در ﻣﻮرد اﻧﺮژي اﺗﻤﻲ ﭼﻮن ﻫﻴﭻ ﮔﻮﻧﻪ دﻳﺪي ﻧﺪارﻧﺪ دﻳﺪ ﻣﻨﻔﻲ دارﻧﺪ و ﻋﻮض ﻛﺮدن اﻳﻦ دﻳﺪ ﻣﻨﻔﻲ ﺳﺨﺖ‬
‫اﺳﺖ‪.‬‬

‫اراﺋﻪ‪ :‬ﺗﺨﺼﺺ ﮔﺮاﻳﻲ در ﻗﻀﺎوت و ﺗﺼﻤﻴﻢ ﮔﻴﺮي‬

‫‪  JDM: Judgment and Decision Making‬‬

‫ﺻﺎﺣﺒﻨﻈﺮ‪ : expert-‬ﻣﺘﺨﺼﺺ‪ :‬ﻓﺮدي ﻛﻪ ﺑﻪ ﺳﻄﺤﻲ از ﻣﻬﺎرت و ﺧﺒﺮﮔﻲ ﺧﺎص در ﻳﻚ ﺣﻮزه داﻧﺶ رﺳﻴﺪه اﺳﺖ ﻛﻪ ﻫﻤﺘﺎﻳﺎﻧﺶ ﻫﻴﭽﻮﻗﺖ ﺑﻪ آن‬
‫ﺣﺪ ﻧﻤﻲ رﺳﻨﺪ‪ ،‬ﭘﻴﺶ ﺑﻴﻨﻲ‪ ،‬دﻗﺖ اﻇﻬﺎر ﻧﻈﺮﻫﺎ‪ ،‬ﻣﻘﺒﻮﻟﻴﺖ‪ ،‬ﻣﻬﺮاﺗﻬﺎي وﻳﮋه‪ ،‬ﺑﻲ رﻗﻴﺐ ﺑﻮدن‪ ،‬ﻣﺎﻧﻨﺪ ﻋﻼﻣﻪ ﺟﻌﻔﺮي‪  .‬‬

‫ﺣﺮﻓﻪ اي‪  professional-‬‬

‫ﺗﺎزه ﻛﺎر‪   Novice-‬‬

‫ﭼﮕﻮﻧﻪ ﻳﻚ ﻓﺮد ﻏﻴﺮ ﻣﺘﺨﺼﺺ ﻣﺘﺨﺼﺺ ﺷﻮد‪ ،‬وﺟﻪ ﺗﻤﺎﻳﺰ ﭼﻴﺴﺖ‪ ،‬و ﭼﻪ ﻛﺴﻲ ﻣﺘﺨﺼﺺ ﻣﺤﺴﻮب ﻣﻲ ﺷﻮد‪.‬‬

‫اﻓﺮاد ﺗﺼﻤﻴﻢ ﮔﻴﺮﻧﺪه ﻣﻌﻤﻮﻻ دو دﻳﺪﮔﺎه دارﻧﺪ‪ ،‬ﻳﻜﻲ دﻳﺪﮔﺎه ﺣﺴﻲ و ﺷﻬﻮدي اﺳﺖ‪ ،‬و ﻳﻚ دﻳﺪﮔﺎه ﻫﻢ ﺳﻴﺴﺘﻤﺎﺗﻴﻚ اﺳﺖ‪.‬‬

‫ﺗﺌﻮري ﻫﺎي ﻫﻨﺠﺎري ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪ ،Normative‬ﻣﻨﻄﻖ ﻣﻌﻤﻮل و رﺳﻤﻲ‪ ،‬ﺗﺌﻮري ﻫﺎي اﺣﺘﻤﺎﻻت‪ ،‬ﺗﺌﻮري ﻫﺎي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ‪0‬ﻣﺜﻞ ﺑﺮﻧﺎﻣﻪ‬
‫رﻳﺰي ﺧﻄﻲ(‬

‫ﻣﺮاﺣﻠﻲ ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﻫﻨﺠﺎري‪:‬‬

‫‪ .1‬ﺗﻌﺮﻳﻒ ﻣﺴﺎﻟﻪ ‪ ‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪ .2‬ﺗﻮﺳﻌﻪ ﻣﺪل ‪ ‬‬
‫‪71 ‬‬

‫‪ .3‬ﺟﻤﻊ آوري داده ﻫﺎ ‪ ‬‬

‫‪Page‬‬

‫‪ .4‬ﺑﺪﺳﺖ آوردن راه ﺣﻞ ﻫﺎ ‪ ‬‬

‫‪ .5‬ﺗﺴﺖ و راه ﺣﻞ ‪ ‬‬

‫‪ .6‬ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ ‪ ‬‬

‫‪ .7‬ﭘﻴﺎده ﺳﺎزي ﻧﺘﺎﻳﺞ ‪ ‬‬

‫در دﻫﻪ ‪ ،70‬ﻛﺎﺗﻤﻦ و ﺗﺮوﺳﻜﻲ‪ ،‬ﺗﺌﻮري ﻫﺎي ﺗﻮﺻﻴﻒ و روﻳﻜﺮدﻫﺎي ذﻫﻨﻲ ﻛﺎرﻫﺎﻳﻲ اﻧﺠﺎم دادﻧﺪ و ﻧﺘﺎﻳﺠﻲ ﻣﻄﺮح ﺳﺎﺧﺘﻨﺪ‪ ،‬ﺗﺼﻤﻴﻤﺎﺗﻲ ﻛﻪ ﺑﺮ اﺳﺎس‬
‫ﺗﻤﺎﻳﻼت ذﻫﻨﻲ اﺳﺖ داراي ﺧﻄﺎﻫﺎﻳﻲ اﺳﺖ‪ ،‬ﺑﺮﺧﻲ از اﻳﻦ ﺧﻄﺎﻫﺎ ﺧﻄﺎي »ﻣﻦ ﻣﻲ داﻧﺴﺘﻢ« ﻛﻪ ﻓﺮد وﻗﺘﻲ اﺗﻔﺎﻗﻲ ﻣﻲ اﻓﺘﺪ و ﻧﺘﻴﺠﻪ اي اﻋﻼم ﻣﻲ‬
‫ﺷﻮد ﻣﻲ ﮔﻮﻳﺪ ﻣﻦ ﻣﻲ داﻧﺴﺘﻢ‪ ،‬ﺧﻄﺎي ﭘﺲ ﮔﻮﻳﻲ ﻛﺮدن اﺳﺖ‪ ،‬ﻛﻪ ﻓﺮد در ﻛﺎرﻫﺎي دﻳﮕﺮ از ﺗﺠﺎرب ﮔﺬﺷﺘﻪ دﻳﮕﺮان اﺳﺘﻔﺎده ﻧﻤﻲ ﻛﻨﺪ و دﭼﺎر‬
‫ﺧﻄﺎﻫﺎي ﻣﺨﺘﻠﻒ ﻣﻲ ﺷﻮد‪ ،‬ﻳﺎ ﺧﻄﺎي ﻗﺎﻟﺐ ﺑﻨﺪي در ﻣﻬﻨﺪﺳﻴﻦ‪ ،‬ﻛﻪ اﻓﺮاد ﺑﺮ اﺳﺎس اﻃﻼﻋﺎﺗﻲ ﻛﻪ در دﺳﺖ دارﻧﺪ و ﻓﺮﻳﻢ آن ﻗﻀﺎوت ﻣﻲ ﻛﻨﻨﺪ‪ .‬آﻳﺎ‬
‫ﺣﺘﻲ در ﺷﺮاﻳﻂ آزﻣﺎﻳﺸﮕﺎﻫﻲ ﻫﻢ ﻣﻲ ﺷﻮد ﻳﻚ ﺳﺮي از ﺗﻤﺎﻳﻼت ذﻫﻨﻲ در ﺷﺮاﻳﻂ ﺗﺼﻤﻴﻢ ﮔﻴﺮي از آزﻣﺎﻳﺸﮕﺎﻫﻲ اﻧﺠﺎم ﻣﻲ ﮔﺮﻓﺖ ﺑﻲ ﺛﻤﺮ ﺑﻮد‪.‬‬

‫ﻣﻌﻤﻮﻻ دﻛﺘﺮ ﻫﺎ در ﻫﺰﻳﻨﻪ ﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ﭘﺰﺷﻜﻲ راﺣﺖ ﺗﺮ آن را ﻣﻲ ﭘﺬﻳﺮﻧﺪ ﺗﺎ ﻣﺴﺎﺋﻞ ﻏﻴﺮ ﭘﺰﺷﻲ‪.‬‬

‫دو ﺷﻴﻮه ﻋﻤﻮﻣﻲ ﻣﻄﺎﻟﻌﻪ در اﻳﻦ زﻣﻴﻨﻪ وﺟﻮد دارد‪:‬‬

‫‪ .1‬آزﻣﺎﻳﺸﮕﺎﻫﻲ‪ :‬ﺑﺎ اﻳﻦ ﻓﺮض ﻛﻪ ﻓﺮد را در ﺷﺮاﻳﻂ ﻛﻨﺘﺮل ﺷﺪه و ﺧﺎﺻﻲ ﻗﺮار دﻫﻨﺪ‪ ،‬دﻳﺪﻧﺪ ﻣﺘﺨﺼﺺ رﻓﺘﺎرﻫﺎﻳﺸﺎن در ﺷﺮاﻳﻂ ﻛﻨﺘﺮل ﺷﺪه‬
‫در ﻣﻮرد ﻳﻚ ﻣﻮﺿﻮع ﺧﺎص ﺑﻪ ﭼﻪ ﺗﺮﺗﻴﺐ اﺳﺖ‪  .‬‬

‫‪ .2‬ﺷﺮاﻳﻂ ﻃﺒﻴﻌﻲ‪ :‬اﺷﻜﺎﻻت ﺷﺮاﻳﻂ آزﻣﺎﻳﺸﮕﺎﻫﻲ را ﻣﻄﺮح ﻛﺮدﻧﺪ‪ ،‬و اﻓﺮاد ﻣﺘﺨﺼﺺ را در ﺷﺮاﻳﻂ ﻣﺸﺎﺑﻪ ﺷﺮاﻳﻂ ﻛﺎري‪ ،‬ﺑﺎ ﻫﻤﻪ ﻋﺪم ﻗﻄﻌﻴﺖ‬
‫ﻫﺎ و ﻣﺤﺪودﻳﺖ ﻫﺎي زﻣﺎﻧﻲ ﻗﺮار دادﻧﺪ‪ ،‬ﻛﻪ اﻓﺮاد ﻣﺘﺨﺼﺺ ﭼﮕﻮﻧﻪ ﺗﺼﻤﻴﻤﺎت ﻗﺎﺑﻞ ﭘﺬﻳﺮش و ﻣﻌﻘﻮل ﺑﮕﻴﺮﻧﺪ‪  .‬‬

‫ﺗﻌﺮﻳﻒ دﻗﻴﻖ ﺗﺮي ﺑﺮاي ﻣﺘﺨﺼﺺ‪:‬‬

‫ﻓﺮدي اﺳﺖ ﻛﻪ داراي ﻳﻚ ﺳﺮي ﻣﻬﺎرت ﻫﺎي وﻳﮋه در ﻃﺢ‪ ،‬و ﻋﻤﻖ در آن ﺣﻮزه داﻧﺶ ﺑﺎﺷﺪ‪ ،‬و ﺗﺠﺮﺑﻴﺎت ﻛﺎﻓﻲ در اﻳﻦ زﻣﻴﻨﻪ ﻧﻴﺰ داﺷﺘﻪ ﺑﺎﺷﺪ‪ ،‬و‬
‫ﺑﺤﺚ ﻣﻘﺒﻮﻟﻴﺖ ﻫﻢ ﻣﺘﺨﺼﺺ را از ﻫﻤﻜﺎران و ﻫﻤﺘﺎﻳﺎﻧﺶ ﺑﺎﻻ ﺑﺎﺷﺪ‪.‬‬

‫ﻓﺮدي ﻛﻪ در ﺣﻮزه اي ﻣﺘﺨﺼﺺ اﺳﺖ ﻣﻤﻜﻦ اﺳﺖ در ﺣﻮزه ﻣﺸﺎﺑﻪ ﻣﺘﺨﺼﺺ ﻣﺤﺴﻮب ﻧﮕﺮدد‪.‬‬

‫ﻳﻚ ﺳﺮي ﺗﺤﻘﻴﻘﺎت اﻧﺠﺎم ﺷﺪه اﺳﺖ ﻛﻪ ﭼﮕﻮﻧﻪ ﻣﻤﻜﻦ اﺳﺖ ﻓﺮدي ﺑﻪ ﺳﻤﺖ ﻣﺘﺨﺼﺺ ﺷﺪن ﺑﺮود‪ ،‬ﭼﻪ اﺗﻔﺎﻗﺎﺗﻲ ﺑﺎﻳﺴﺘﻲ ﺑﺮاي آن رخ دﻫﺪ‪.‬‬

‫ﻓﺮدي ﻛﻪ ﻋﻤﻠﻜﺮد آن از ﺣﺎﻟﺖ ﻣﺘﻐﻴﺮ و ﻏﻴﺮ ﻗﺎﺑﻞ اﻃﻤﻴﻨﺎن ﺑﻪ ﻋﻤﻠﻜﺮد اﺳﺘﻮار و ﻛﺎرآﻣﺪ ﺗﺒﺪﻳﻞ ﺷﻮد ﺷﺎﺧﺺ ﻣﺘﺨﺼﺺ ﺷﺪن را ﻣﻲ ﺗﻮاﻧﺪ در ﺧﻮد‬
‫ﺑﺒﻴﻨﺪ‪ ،‬ﺑﻪ ﺟﺎي ﺟﺰﺋﻲ ﻧﮕﺮ و ﺑﻪ اﺳﺘﺮاﺗﮋي ﻛﻠﻲ ﺑﺮﺳﺪ‪ ،‬و از دﻳﺪ ﺟﺰﺋﻲ ﻧﮕﺮ ﺑﻪ دﻳﺪ ﻛﻠﻲ ﻧﮕﺮ ﺗﺒﺪﻳﻞ ﺷﻮد‪ ،‬و ﺳﻌﻲ ﻛﻨﺪ ﻣﺴﺎﺋﻞ را ﺑﺎ ﻫﻢ ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﻛﻨﺪ‪ ،‬و ﻫﻤﭽﻨﻴﻦ ﺧﻮد ﺑﺎوري و ﺧﻮد اﺗﻜﺎﻳﻲ در ﺧﻮدش ﻧﻬﺎدﻳﻨﻪ ﺷﺪه ﺑﺎﺷﺪ‪ ،‬و ﻣﺴﺎﺋﻞ ﺟﺪﻳﺪ را ﺗﺠﺰﻳﻪ ﺗﺤﻠﻴﻞ ﻛﻨﺪ و اﻟﮕﻮﻫﺎي ﺟﺪﻳﺪ ﺑﺮاي آن ﭘﻴﺶ‬
‫‪72 ‬‬

‫ﺑﻴﻨﻲ ﻛﻨﺪ‪.‬‬
‫‪Page‬‬

‫ﺗﻔﺎوت ﺑﻴﻦ ﻣﺘﺨﺼﺼﻴﻦ و اﻓﺮاد ﻏﻴﺮ ﻣﺘﺨﺼﺺ در ﻋﻤﻖ ﺷﻴﻮه درك ﻣﺴﺎﺋﻞ ﻣﻲ ﺗﻮان ﻣﻄﺮح ﻛﺮد‪ ،‬اﻓﺮاد ﻣﺘﺨﺼﺺ اﻓﺮادي اﻧﺪ ﻛﻪ در ﻣﺴﺎﺋﻞ ﻋﻤﻴﻖ‬
‫ﻣﻲ ﺷﻮﻧﺪ‪،‬‬

‫ﻣﺜﺎل ﻫﺎﻳﻲ در زﻣﻴﻨﻪ ﻓﺮﻣﺎﻧﺪﻫﺎن ﺟﻨﮓ در ﻣﺘﺨﺼﺼﺎن اﻧﺠﺎم ﺷﺪه ﻛﻪ اﻓﺮاد ﻣﺘﺨﺼﺺ ﻋﻼوه ﺑﺮ ﺗﻮﭘﻮﻟﻮژي‪ ،‬ﺑﻪ زﻣﺎﻧﺒﻨﺪي ﺣﻤﻠﻪ‪/‬دﻓﺎع‪ ،‬و ﺗﺮﺗﻴﺐ ﻫﺮ ﻳﻚ‬
‫از وﻗﺎﻳﻊ ﻧﻴﺰ ﺗﻮﺟﻪ دارد‪.‬‬

‫ﻣﺎﻫﻴﺖ ﺗﺨﺼﺺ‬

‫ﻋﻠﻢ ﺑﻪ دو ﺻﻮرت ‪ explicit‬و ‪ tacit‬ﺗﻘﺴﻴﻢ ﺑﻨﺪي ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻋﻠﻢ ‪ explicit‬ﭼﻴﺰي اﺳﺖ ﻛﻪ ﻳﺎد ﻣﻲ ﮔﻴﺮﻳﻢ و ﺑﺎ ﻣﻄﺎﻟﻌﻪ و آﻣﻮزش ﻛﻼﺳﻴﻚ ﻗﺎﺑﻞ‬
‫درك اﺳﺖ‪ ،‬اﻣﺎ ‪ tacit‬ﻣﻬﺎرت ﻫﺎي ادراﻛﻲ اﺳﺖ ﻛﻪ از آن ﺑﻪ ﺷﻜﻞ ‪ know how‬ﻧﺎم ﺑﺮده ﻣﻲ ﺷﻮد و ﻓﻦ ﻛﻮزه ﮔﺮي اﺳﺖ ﻛﻪ در ﻃﻮل زﻣﺎن‬
‫ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ و ﺑﻪ راﺣﺘﻲ ﻫﻢ ﻗﺎﺑﻞ اﻧﺘﻘﺎل ﻧﻴﺴﺖ‪ tacit knowledge ،‬اﺳﺖ‪ ،‬ﻛﻪ اﻳﻦ ﻣﻬﺎرت ﻫﺎ را ﺑﺎﻳﺴﺘﻲ در ﻃﻮل زﻣﺎن در ﺧﻮدش اﻳﺠﺎد ﻛﻨﺪ‬
‫ﻛﻪ ﺑﮕﻮﻳﻴﻢ اﻳﻦ ﻋﻠﻢ را ﺟﺬب ﻛﺮده اﺳﺖ‪.‬‬

‫ﺗﻔﺎوت ﻫﺎي ﻣﺘﺨﺼﺼﻴﻦ و ﻏﻴﺮ ﻣﺘﺨﺼﺼﻴﻦ‪:‬‬

‫ﺷﺒﻴﻪ ﺳﺎزي ذﻫﻨﻲ ‪ mental simulation‬اﺳﺖ‪ ،‬اﻳﻦ ﻣﺪل ﻫﺎ از ﻃﺮز ﺗﺼﻤﻴﻢ ﮔﻴﺮي آﺗﺶ ﻧﺸﺎن ﻫﺎ اﺳﺖ‪ ،‬ﻛﻪ وﻗﺘﻲ ﺳﺮ ﺻﺤﻨﻪ ﻣﻲ رﺳﺪ ﻓﻘﻂ ﻳﻚ‬
‫ﺳﺮي داده ﻫﺎي ورودي ﻣﺤﺪود و ﺑﺴﺘﻪ دارد‪ ،‬ﺑﺎﻳﺴﺘﻲ از اﻟﮕﻮﻫﺎي ذﻫﻨﻲ و ﭘﺲ زﻣﻴﻨﻪ ﻫﺎ ﺑﺒﻴﻨﺪ در داﺧﻞ ﺳﺎﺧﺘﻤﺎن ﭼﻪ اﺗﻔﺎﻗﻲ اﻓﺘﺎده اﺳﺖ‪ ،‬ﻣﻨﺒﻊ آﺗﺶ‬
‫ﻛﺠﺎﺳﺖ‪ ،‬ﻫﻨﻮز ﻧﺸﺖ ﻣﻲ ﺷﻮد‪ ،‬ﻳﺎ ﻣﻲ ﺗﻮان اﻃﻔﺎء ﺣﺮﻳﻖ را اﻧﺠﺎم داد‪ ،‬ﻣﺤﺪودﻳﺖ زﻣﺎﻧﻲ ﻫﻢ ﻣﺴﺎﻟﻪ اي اﺳﺖ ﻛﻪ ﺑﺴﻴﺎر ﺗﺎﺛﻴﺮ ﮔﺬار اﺳﺖ‪ ،‬ﻛﺎرﺷﻨﺎﺳﺎن‬
‫ﺗﺼﺎدﻓﺎت ﻫﻢ ﻣﺜﺎل ﺷﺒﻴﻪ ﺳﺎزي ذﻫﻨﻲ اﺳﺖ‪ ،‬ﻛﻪ ﺑﺎ دﻳﺪن ﻇﻮاﻫﺮ و ﺻﺪﻣﻪ ﻫﺎ ﻳﻚ ‪ mental simulation‬اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ و ﻣﻲ داﻧﻨﺪ در ﺻﺤﻨﻪ‬
‫ﭼﻪ اﺗﻔﺎﻗﻲ اﻓﺘﺎده اﺳﺖ‪ ،‬و ﺑﻴﺶ از ‪ %90‬ﻣﻮاﻗﻊ ﺷﺒﻴﻪ ﺳﺎزي ﺧﻮﺑﻲ اﻧﺠﺎم ﻣﻲ دﻫﻨﺪ‪ .‬اﻓﺮاد ﻣﺘﺨﺼﺺ‪ ،‬ﻣﺸﻜﻼت و ﻧﺎﺑﻬﻨﺠﺎري ﻫﺎ را ﺳﺮﻳﻊ ﻣﻲ ﺷﻨﺎﺳﻨﺪ‬
‫و ﺗﺸﺨﻴﺺ ﻣﻲ دﻫﻨﺪ‪ ،‬ﻣﺘﺨﺼﺼﻴﻦ ﺑﻼﻓﺎﺻﻠﻪ روي ﻧﻘﻄﻪ اﺻﻠﻲ ﻣﺴﺎﻟﻪ دﺳﺖ ﻣﻲ ﮔﺬارﻧﺪ‪ ،‬و ﺳﺮﻳﻊ اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ‪ ،‬ﻣﺘﺨﺼﺼﻴﻦ ﻋﺪم ﻗﻄﻌﻴﺖ ﻫﺎ را‬
‫ﺧﻴﻠﻲ ﺧﻮب ﻣﺪﻳﺮﻳﺖ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻏﻴﺮ ﻣﺘﺨﺼﺼﻲ ﺑﺎ ﺣﺎﻟﺖ ﻫﺎي اﺳﺘﺎﺗﻴﻚ ﺧﻮﺑﻨﺪ‪ ،‬اﻣﺎ ﻣﺘﺨﺼﺼﻴﻦ ﻋﺪم ﻗﻄﻌﻴﺖ ﻫﺎ را در ﺷﺮاﻳﻂ ﭘﻮﻳﺎ ﺧﻮب ﻣﺪﻳﺮﻳﺖ ﻣﻲ‬
‫ﻛﻨﻨﺪ‪ ،‬ﻣﺘﺨﺼﺼﻴﻦ ﻧﻘﺎط ﻗﻮت و ﺿﻌﻒ را ﺧﻮب در ﻣﺴﺎﻟﻪ ﻟﺤﺎظ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬آﻧﻬﺎ ﻣﻲ داﻧﻨﺪ ﻛﻪ ﺿﻌﻒ ﻫﺎ ﻛﺠﺎﺳﺖ و ﻛﺠﺎﻫﺎ ﻣﻲ ﺗﻮاﻧﻨﺪ روي ﺧﻮدﺷﺎن‬
‫اﺗﻜﺎ ﻛﻨﻨﺪ و ﻛﺠﺎ ﻧﻤﻲ ﺗﻮاﻧﻨﺪ‪.‬‬

‫ﻣﺪل ﺳﻪ ﮔﺎﻧﻪ ‪ ،Recogniation‐Primed Decision ،RPD‬اﻳﻨﻬﺎ ﻣﺪل ﻫﺎي اﻧﻄﺒﺎق ﺳﺎده‪ ،‬ﺷﻨﺎﺧﺖ ﻣﻮﻗﻌﻴﺖ‪ ،‬ارزﻳﺎﺑﻲ ﮔﺰﻳﻨﻪ اﺳﺖ‪ ،‬ﻛﻪ ﺑﺮاي‬
‫ﻣﻮاردي اﺳﺖ ﻛﻪ ﻧﻤﻲ ﺗﻮان ﺑﺎ ﻣﺪل ﻫﺎي اول ﻛﺘﺎب آن را ﺣﻞ ﻛﺮد‪.‬‬

‫ﺳﺎده ﺗﺮﻳﻦ ﺣﺎﻟﺖ ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺷﻨﺎﺧﺘﻲ اﻧﻄﺒﺎق ﺳﺎده اﺳﺖ‪ ،‬ﻓﺮض اﻳﻦ اﺳﺖ ﻛﻪ ﺑﻪ ﻣﺤﺾ اراﺋﻪ ﻣﺴﺌﻠﻪ‪ ،‬ﺑﺨﺎﻃﺮ ﺳﺎده ﺑﻮدن ﻣﺴﺎﻟﻪ‪ ،‬ﻳﺎ ﻣﺪل ﻫﺎي‬
‫ذﻫﻨﻲ ﺑﻼﻓﺎﺻﻠﻪ ‪ match‬ﻣﻲ ﺷﻮد و ﻣﻲ ﻓﻬﻤﺪ ﻣﺎﻧﻨﺪ آن ﭼﻴﺰي ﺑﻮده ﻛﻪ دﻳﺪه اﺳﺖ‪ ،‬ﻣﺜﻼ ﻳﻚ آﺗﺶ ﻓﺸﺎن ﻛﻪ در وﻳﻼي ﭼﻮﺑﻲ ﺑﻮده اﺳﺖ‪ ،‬و ﺑﻪ‬
‫ﻓﺮض اﻳﻨﻜﻪ ﻫﻤﻴﻦ اﺗﻔﺎق ﺳﺎل ﺑﻌﺪ ﺑﻴﻔﺘﺪ‪ ،‬او ﺗﺼﻤﻴﻤﻲ ﻛﻪ ﻗﺒﻼ ﮔﺮﻓﺘﻪ اﺳﺖ اﻳﻨﺠﺎ اﻋﻤﺎل ﻣﻲ ﻛﻨﺪ‪ ،‬و ﺳﺎده ﺑﻪ اﻧﺘﺨﺎب ﻣﻲ رﺳﺪ‪ .‬ﻣﻌﻤﻮﻻ ﻣﻮﻗﻊ ﺣﻞ‬
‫ﻣﺴﺎﻟﻪ ﺑﺎ ﺗﺎﺑﻊ ﻫﺪف و اﻫﺪاف ﻣﺤﺘﻤﻞ‪ ،‬و اﻳﻨﻜﻪ راه ﺣﻞ ﻫﺎ ﭼﻪ ﻣﻲ ﺗﻮاﻧﺪ ﺑﺎﺷﺪ روﺑﺮو ﻫﺴﺖ‪ ،‬و ﻣﺴﺎﻟﻪ اﮔﺮ از ﺟﻨﺲ اﺣﺘﻤﺎل ﺑﺎﺷﺪ‪ ،‬در ﺣﻞ ﻣﺴﺎﻟﻪ ﻛﻤﻚ‬
‫ﻣﻲ ﻛﻨﺪ‪ ،‬و ﺑﺎز ﻣﻲ ﺗﻮان ﮔﻔﺖ ﻛﻪ ﻓﺮد ﻧﻘﺶ اﺻﻠﻲ را دارد‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺷﻄﺮﻧﺞ ﺑﺎزﻫﺎ در ﺣﺮﻛﺎت اﺑﺘﺪاﻳﻲ ‪ variation‬ﻫﺎي ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﺳﺖ و در اﺑﺘﺪا ﻫﺮ ﻛﺪام ‪ variation‬ﻫﺎي ﺧﻮد را دارﻧﺪ ﻛﻪ ﺗﺎ ‪ 8 ،7‬ﺣﺮﻛﺖ اول‬
‫‪73 ‬‬

‫ﻣﻮﺟﻮد اﺳﺖ‪.‬‬
‫‪Page‬‬

‫ﻫﺮ ﻛﺪام از ﺣﺮﻛﺎت ﺗﺼﻤﻴﻢ ﮔﻴﺮﻧﺪﮔﺎن ﻳﻚ ﻓﺮاﻳﻨﺪ ﭘﻴﭽﻴﺪه اﺳﺖ و در ‪ snapshot‬ﺑﻪ اﻧﺪازه ‪ 1‬ﺛﺎﻧﻴﻪ‪ ،‬ﻳﻚ ﺳﺮي ﺳﺎده ﺳﺎزي و ﺳﻨﺎرﻳﻮ ﻣﻲ ﺳﺎزد ﻛﻪ‬
‫ﺳﻌﻲ ﻣﻲ ﻛﻨﺪ ﺑﻪ ﻣﺪل ﻫﺎﻳﻲ ﺑﺮﺳﺎﻧﺪ ﻛﻪ ﻣﻲ ﺷﻨﺎﺳﺪ‪ ،‬ﻣﻤﻜﻦ اﺳﺖ ﭘﺘﺎﻧﺴﻴﻞ داﺷﺘﻪ ﺑﺎﺷﺪ ﻛﻪ ﺑﻪ اﻟﮕﻮﻫﺎﻳﻲ ﺑﺮﺳﺎﻧﺪ ﻛﻪ ﻣﻲ ﺷﻨﺎﺳﺪ‪ ،‬ﺑﻌﺪ ﻣﻲ ﻓﻬﻤﺪ آﻳﺎ‬
‫ﺑﺎﻳﺴﺘﻲ ﻣﺪل را ‪ revise‬ﻛﻨﺪ ﻳﺎ روي ﺳﻨﺎرﻳﻮ ﺳﺎزي ﻛﺎر ﻛﻨﺪ‪ ،‬ﻣﺪل ﺳﻮم ﻛﻪ ارزﻳﺎﺑﻲ ﮔﺰﻳﻨﻪ اﺳﺖ‪ ،‬ﻣﺴﺎﻟﻪ ﺳﺨﺖ اﺳﺖ‪ ،‬و ﻗﺎﺑﻞ ‪ vision‬ﻛﺮدن ﻧﻴﺴﺖ و‬
‫وﻗﺘﻲ ﻧﻤﻲ ﺗﻮاﻧﻴﺪ ﺳﻌﻲ ﻣﻲ ﻛﻨﻴﺪ ﮔﺰﻳﻨﻪ ﻫﺎ را ﺗﺤﻠﻴﻞ ﻛﻨﻴﺪ‪ ،‬در ﻣﻮارد ﻗﺒﻠﻲ ﮔﺰﻳﻨﻪ ﻧﺪاﺷﺘﻴﻢ و اﺣﺘﻤﺎﻻت ﻣﻄﺮح ﺑﻮد‪ ،‬و روي ﮔﺰﻳﻨﻪ ﻫﺎ اﺗﻜﺎ ﻧﺪاﺷﺘﻨﺪ‪،‬‬
‫اﻳﻨﺠﺎ وارد ﻳﻜﻲ از ﮔﺰﻳﻨﻪ ﻫﺎ ﺷﺪه اﻳﻢ‪ ،‬ﻣﺜﻼ ﻳﻚ ﮔﺰﻳﻨﻪ آﺗﺶ ﻧﺸﺎن اﻳﻦ اﺳﺖ ﻛﻪ ﺳﺮﻳﻊ وارد ﺧﺎﻧﻪ ﺷﻮد و ﮔﺰﻳﻨﻪ وارد ﺷﺪن را وارد ﻣﻲ ﻛﻨﺪ‪ ،‬و ﺑﻌﺪ در‬
‫ذﻫﻨﺶ ﺑﺮ اﺳﺎس ﺷﺒﻴﻪ ﺳﺎزي ذﻫﻨﻲ ارزﻳﺎﺑﻲ ﻣﻲ ﻛﻨﺪ ﻛﻪ اﮔﺮ ﻗﺎﺑﻞ ﻗﺒﻮل ﻧﺒﻮد دوﺑﺎره اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﻣﺘﺨﺼﺼﻴﻦ ﺑﻪ ﺟﺎي ‪ optimum answer‬ﺑﻪ ‪ workable scenario‬ﻓﻜﺮ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻫﺪف در ﺟﻨﮓ وﺳﻴﻠﻪ را ﺗﻮﺟﻴﻪ ﻣﻲ ﻛﻨﺪ‪ ،‬و ﻟﺰوﻣﻲ ﺑﻪ‬
‫اﻃﻼﻋﺎت ﻣﺎﻫﻮاره اي ﻧﻴﺴﺖ و ﻓﻘﻂ ﻣﻬﻢ اﺳﺖ ﻛﻪ ‪ workable‬ﺑﺎﺷﺪ‪ ،‬ﺑﻪ ﻫﻤﻴﻦ دﻟﻴﻞ ﺳﻨﺎرﻳﻮ اول را ﻣﻲ ﭘﺬﻳﺮد‪ .‬آﺗﺶ ﻧﺸﺎن ﻫﺎ ﻫﻴﭻ ﺑﻪ ﺗﺼﻤﻴﻢ‬
‫ﮔﻴﺮي اﻋﺘﻘﺎد ﻧﺪارﻧﺪ و ﻋﻤﻞ ﻣﻬﻢ اﺳﺖ‪ ،‬و آﻧﻬﺎ ﻳﻚ ﺳﻨﺎرﻳﻮ ﻣﻲ ﮔﻴﺮد و ﺳﺮﻳﻊ ﻳﻚ ﺳﻨﺎرﻳﻮي ﺑﺪ ﻛﻨﺎرش ﻣﻲ ﮔﺬارد و اﻳﻦ را اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﭼﮕﻮﻧﻪ ﺗﺨﺼﺺ را ﻧﻬﺎدﻳﻨﻪ ﻛﻨﻴﻢ‪ ،‬ﻣﻄﺎﻟﻌﺎت اﻧﺠﺎم ﺷﺪه وﻟﻲ اﺛﺒﺎت ﻧﺸﺪه‪:‬‬

‫‪ .1‬ﮔﻨﺠﻴﻨﻪ ذﻫﻦ را ﮔﺴﺘﺮده ﻛﻨﻴﺪ‪ ،‬ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ ﻓﺮد ﺑﻪ ﺳﻤﺖ ﻣﺘﺨﺼﺺ ﺷﺪن ﭘﻴﺶ رود‪  .‬‬

‫‪ .2‬ﺑﺎزﺧﻮرد دﻗﻴﻖ و ﺑﻪ ﻣﻮﻗﻊ داﺷﺘﻪ ﺑﺎﺷﻴﺪ )ﻣﺜﻼ ﻫﻮاﺷﻨﺎﺳﻲ در ﻣﻘﺎﺑﻞ رواﻧﻜﺎوي ﺑﺎزﺧﻮرد ﻧﺪارد و دﻗﻴﻖ ﻫﻢ ﻧﻴﺴﺖ ‪،‬ﮔﻔﺘﻪ ﻣﻲ ﺷﻮد ﻓﺮد ﺳﻌﻲ‬
‫ﻣﻲ ﻛﻨﺪ ﺷﻬﻮد ﺗﺨﺼﺼﻲ داﺷﺘﻪ ﺑﺎﺷﺪ‪  .‬‬

‫ﺗﻜﻨﻴﻚ ﺟﺪﻳﺪ ﻳﺎدﮔﻴﺮي و ‪ mental  Simulation‬ﻛﻤﻚ ﻣﻲ ﻛﻨﺪ‪ ،‬و ‪ coaching‬را در ﺗﺨﺼﺺ ﻣﻬﻢ ﻣﻲ داﻧﻨﺪ‪ ،‬ﻫﻤﺮاه ﺑﻮدن ﻳﻚ ﻣﺮﺑﻲ‬
‫ﻣﺘﺨﺼﺺ ﺑﺴﻴﺎر ﺗﺎﺛﻴﺮ ﮔﺬار اﺳﺖ‪ ،‬ﻛﻪ اﻟﮕﻮﻫﺎ را ﮔﺴﺘﺮش دﻫﺪ‪.‬‬

‫ﻧﺘﺎﻳﺞ‪:‬‬

‫‪ .1‬ﺑﺎ ﺗﺨﺼﺺ ﻓﺮد و ﻣﺘﺨﺼﺺ ﺷﺪن ﻓﺮد ﻣﺪل ذﻫﻨﻲ اش ﺑﻪ ﺳﻤﺖ ﻓﺮآﻳﻨﺪ ﻛﻼﺳﻴﻚ از ﺳﻤﺖ ‪ 3‬ﺣﺎﻟﺘﻲ ﻣﻲ رود‪ ،‬و اﻳﻦ ﻣﻄﻠﺐ ﺻﺤﻴﺢ‬
‫ﻧﻴﺴﺖ‪  .‬‬

‫‪ .2‬ﻣﻘﺎﻳﺴﻪ ﺷﺮاﻳﻂ ﻣﺴﺎﻟﻪ ﺑﺎ ﭼﻴﺰﻫﺎﻳﻲ ﻛﻪ ﻣﻲ ﺷﻨﺎﺳﻨﺪ و ﺧﻮاﻧﺪن ﻣﺴﺎﻟﻪ‪  .‬‬

‫‪ .3‬ﺑﺎ روش ﻫﺎي ‪ AHP‬ﻧﻴﺴﺖ و ﺑﺮ اﺳﺎس ﺷﻬﻮد اﺳﺖ‪  .‬‬

‫ﻣﺘﺨﺼﺼﻴﻦ در ﺗﺠﺰﻳﻪ و ﺗﺤﻠﻴﻞ وﻗﺖ ﺻﺮف ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻏﻴﺮ ﻣﺘﺨﺼﺼﻴﻦ ﺳﺮﻳﻊ وارد ﮔﺰﻳﻨﻪ ﻫﺎ ﻣﻲ ﺷﻮﻧﺪ‪ .‬اﻳﻨﻬﺎ ﻋﻤﺪﺗﺎ ﺑﺮ اﺳﺎس داده ﻓﻴﻠﺪ اﺳﺖ و اﻳﻦ‬
‫ﻫﺎ اﺛﺒﺎت ﻧﺸﺪه اﺳﺖ‪.‬‬

‫ﺗﺎرﻳﺦ‪/30 :‬آذر‪1387/‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫‪،Behavioral Game Theory‬‬
‫‪74 ‬‬

‫ﻳﻚ اﺑﺰار رﻳﺎﺿﻲ اﺳﺖ‪ ،‬ﺳﻪ ﻣﺤﻴﻂ ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي وﺟﻮد دارد‪ ،‬وﻗﺘﻲ ﻛﻪ ﻣﺜﻼ در ﺑﺎزي ‪ X‐O‬ﻫﺴﺘﻴﻢ‪ ،‬ﻳﻚ ﻋﺪم ﻗﻄﻌﻴﺖ وﺟﻮد دارد‪ ،‬ﺑﺎ ﻓﺮض‬
‫‪Page‬‬

‫اﻳﻨﻜﻪ رﻗﻴﺐ ﻫﻢ ﻫﻮﺷﻤﻨﺪ اﺳﺖ‪ ،‬ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺣﺪس ﻣﻲ ﺗﻮان ﻧﻘﻄﻪ ﺑﻬﻴﻨﻪ ﺑﺮاي ﺣﺮﻛﺖ را اﻧﺘﺨﺎب ﻛﺮد‪ cooperation ،conflict ،‬و‬
‫‪ coordination‬را ‪ game theory‬ﺗﻮﺿﻴﺢ ﻣﻲ دﻫﺪ‪،‬‬

‫اوﻟﻴﻦ ﻛﺎر را ﺟﺎن ﻧﻴﻮﻣﻦ ﻣﻄﺮح ﻛﺮد‪ ،‬ﻛﻪ در اﺑﺘﺪا ﺑﺤﺚ ﻫﺎ در ﺷﺎﺧﻪ اي رﻳﺎﺿﻲ ﻣﻄﺮح ﺷﺪ‪ ،‬او ﻛﺎرﺑﺮدﻫﺎي اﻗﺘﺼﺎدي را در ﻛﺘﺎب ﺧﻮد ﻣﻄﺮح ﺳﺎﺧﺖ‪،‬‬

‫اﺑﺘﺪا ﻓﺮم ﻋﺎدي را اﺳﺘﻔﺎده ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﺳﻪ وﻳﮋﮔﻲ دارﻳﻢ‪ ،‬ﻛﻪ ﻣﺠﻤﻮﻋﻪ اي از ‪ n‬ﺑﺎزﻳﻜﻦ اﺳﺖ‪ ،‬ﻛﻪ ﻳﻚ ﺳﺮي اﺳﺘﺮاﺗﮋي ﻫﺴﺘﻨﺪ‪ ،‬و ﻫﻤﻪ ﺑﻪ دﻧﺒﺎل اﻳﻦ‬
‫ﻫﺴﺘﻨﺪ ﻛﻪ ﺳﻮد ﺧﻮد را ﻣﺎﻛﺰﻳﻤﻢ ﻛﻨﻨﺪ ‪،‬اﻟﺒﺘﻪ اﻳﻦ اﻳﺮادي ﺑﻮد ﻛﻪ ﻣﻄﺮح ﺷﺪ ﻛﻪ ﻳﻌﻨﻲ در ﺑﺮﺧﻲ ﻣﻮاﻗﻊ از ﺳﻮدﺷﺎن اﻓﺮاد ﻣﻲ ﮔﺬرﻧﺪ‪.‬‬

‫ﺗﻮﺿﻴﺢ ﻣﻮﻗﻌﻴﺖ ﻫﺎي ‪:game theory‬‬

‫‪  :Conflict .1‬‬

‫‪ :Cooperation .2‬دو ﻓﺮد را در دو ﺳﻠﻮل ﺟﺪاﮔﺎﻧﻪ ﻗﺮار ﻣﻲ دﻫﻨﺪ و از آﻧﻬﺎ ﭘﺮﺳﺶ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬ﻛﻤﺘﺮﻳﻦ ‪ pay off‬را ﺑﺎ ‪ ،1‬و ﺑﺮاي آزادي ﺑﺎ‬
‫‪ 4‬ﻣﺪل ﻣﻲ ﻛﻨﻴﻢ‪ ،‬ﻫﺮ ﻓﺮد ﻣﻲ ﺗﻮاﻧﺪ اﻋﺘﺮاف ﻛﻨﺪ ﻳﺎ ﺧﻴﺮ‪ ،‬ﻧﺘﻴﺠﻪ ﺗﺮﻛﻴﺐ اﺳﺘﺮاﺗﮋي ﻫﺎ ‪ 4‬ﺗﺎ ﺣﺎﻟﺖ دارد‪ ،‬اﮔﺮ ﻫﺮ دو اﻋﺘﺮاف ﻛﻨﻨﺪ‪ ،‬ﺟﻔﺖ‬
‫زﻧﺪان ﻣﻲ روﻧﺪ‪ ،‬اﻣﺎ ﭼﻘﺪر ‪ cooperation‬ﻣﻲ ﺗﻮاﻧﺪ ﻣﻮﺛﺮ ﺑﺎﺷﺪ‪ ،‬اﻳﻨﻜﻪ در ﻣﻘﺎﺑﻞ اﺳﺘﺮاﺗﮋي ﻃﺮف دوم ﺑﻬﺘﺮﻳﻦ ﺣﺎﻟﺖ را ﺑﺮاي ﺧﻮدﻣﺎن‬
‫اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻴﻢ‪ ،‬اﮔﺮ اﻳﻦ دو ﺑﺎ ﻫﻢ ﻫﻤﻜﺎري داﺷﺘﻪ ﺑﺎﺷﻨﺪ‪ ،‬ﻣﻲ ﮔﻮﻳﻨﺪ اﻋﺘﺮاف ﻧﻤﻲ ﻛﻨﻴﻢ‪ ،‬و ‪ 5‬ﺳﺎل ﻫﺮ دو ﺧﻮاﻫﻨﺪ در زﻧﺪان ﻣﺎﻧﺪ‪ ،‬و اﻳﻦ‬
‫ﺧﻮب اﺳﺖ‪ .‬اﻣﺎ ﻫﻤﻴﺸﻪ اﻳﻨﺠﻮﻳﺮي ﻧﻴﺴﺖ‪  .‬‬

‫‪  Coordination .3‬‬

‫در ﺣﻘﻴﻘﺖ ﺑﺎ ارزﻳﺎﺑﻲ در ﻃﻲ زﻣﺎن‪ ،‬و در ﻧﻈﺮ ﮔﺮﻓﺘﻦ دو ﻋﺎﻣﻞ و ﺑﺮﺧﻮرد در ﻣﻘﺎﺑﻞ ﻋﺎﻣﻞ دﻳﮕﺮ‪ ،‬ﻛﻼ وﺿﻌﻴﺖ ‪ 2‬ﺑﻪ ‪ 2‬اﻧﺘﺨﺎب ﻧﻤﻲ ﺷﻮد‪ ،‬ﻛﻪ اﻳﻦ‬
‫در ﺟﺪول زﻳﺮ ﻃﺒﻖ ﻣﻴﺰان ﺑﺮد ﻫﺎ آﻣﺪه اﺳﺖ‪:‬‬

‫‪C‬‬ ‫‪D‬‬

‫‪C‬‬ ‫‪2.2‬‬ ‫‪0.3‬‬

‫‪D‬‬ ‫‪3.0‬‬ ‫‪1.1‬‬

‫ﺑﻨﻮﻋﻲ ﺑﺎزي ﺑﻪ ﺳﻤﺖ ﻧﻘﻄﻪ ‪ 1.1‬ﻣﻲ رود در ﺣﺎﻟﻴﻜﻪ اﮔﺮ ﻫﻤﻜﺎري ﻣﻲ ﺷﺪ ﺑﻪ ‪ 2.2‬ﻣﻲ رﺳﻴﺪﻧﺪ‪ ،‬ﻛﻪ ﻣﻨﺎﺳﺐ ﺗﺮ ﺑﻮد‪.‬‬
 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺑﺤﺚ ﺑﻌﺪي ‪ coordination‬اﺳﺖ‪ ،‬ﻛﻪ ﻓﺮض ﻛﻨﻴﻢ ﻣﻲ ﺧﻮاﻫﻨﺪ ﺳﺮاغ ﺷﻜﺎر ﮔﻮزن ﻳﺎ ﺧﺮﮔﻮش ﺑﺮوﻧﺪ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﺮاي ﺷﻜﺎر ﮔﻮزن‬
‫‪75 ‬‬

‫ﺑﺎﻳﺴﺘﻲ ﺑﺎ ﻫﻢ ﺳﺮاغ ﮔﻮزن ﺑﺮوﻧﺪ‪ ،‬اﮔﺮ ﻳﻜﻲ دﻧﺒﺎل ﺧﺮﮔﻮش رود‪ ،‬ﻫﺮ دو ﺑﻪ ﺷﻜﺎر ﺧﺮﮔﻮش ﻣﻲ روﻧﺪ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ در ﻣﻘﺎﺑﻞ اﺳﺘﺮاﺗﮋي ﻫﺎي‬
‫ﻣﺮي‪ ،‬ﺟﺎن ﻧﻤﻲ داﻧﺪ ﻛﻪ ﭼﻪ ﻛﻨﺪ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ‪ dominance‬ﺟﻮاب ﻧﻤﻲ دﻫﺪ‪ ،‬و ﺟﺎن ﻧﺶ‪ nash equilibrium ،‬را ﻣﻄﺮح ﺳﺎﺧﺖ‪ ،‬ﺛﺎﺑﺖ‬
‫‪Page‬‬

‫ﻣﻲ ﻛﻨﺪ ﻛﻪ ﺑﺎزي ﻫﺎ ﻳﻚ ﻧﻘﻄﻪ ﺗﻌﺎدل دارﻧﺪ‪ .‬ﻛﻪ ﺑﻪ ﺳﻤﺖ آن ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﻨﺪ‪.‬‬

‫‪ ،Zero‐sum game‬در اﻳﻦ ﺣﺎﻟﺖ ﻣﺎ ﻫﻴﭻ ﻧﻘﻄﻪ ﺗﻌﺎدﻟﻲ ﻧﺪارﻳﻢ‪ ،‬ﭼﻮن ﺟﻤﻊ ‪ pay‐off‬ﻫﺎ ﺻﻔﺮ اﺳﺖ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﻪ ﻧﻈﺮ ﻧﻘﺎط ﺗﻌﺎدل‬
‫ﻧﺪارﻳﻢ‪ ،‬اﻣﺎ ﺟﺎن ﻧﺶ ﻣﻲ ﮔﻮﻳﺪ ﻛﻪ ﻫﺮ ﭼﻘﺪر ﻛﻪ ﺑﺎزي ﺗﻜﺮار ﺷﻮد‪ ،‬ﻓﺮد ﺣﺎﺿﺮ ﻧﻴﺴﺖ اﺳﺘﺮاﺗﮋي را ﺗﻐﻴﻴﺮ دﻫﺪ‪ ،‬و ﻧﻪ ﻧﻘﻄﻪ ﺗﻌﺎدل‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﻣﺎ‬
‫‪ mix strategy‬را دﻧﺒﺎل م ﻳﻜﻨﻴﻢ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﺑﺎﻳﺴﺘﻲ اﺳﺘﺮاﺗﮋي ﻫﺎي ﺧﻮد را در ﺣﺎﻻت ﻣﺨﺘﻠﻒ ﺑﺎ ﻫﻢ ‪ Mix‬ﻛﻨﻨﺪ‪ ،‬ﻳﻌﻨﻲ در ‪ 3‬ﺣﺎﻟﺖ ﻣﺮي‬
‫و ﺟﺎن ‪ C‬را اﻧﺘﺨﺎب ﻛﻨﻨﺪ از ‪ 4‬ﺣﺎﻟﺖ و ﻳﻚ ﺣﺎﻟﺖ ‪ D‬را اﻧﺘﺨﺎب ﻛﻨﺪ‪ .‬اﮔﺮ ‪ D‬ﻣﺮي را ﻣﻘﺎﻳﺴﻪ ﻛﻨﻴﻢ‪ ،‬ﭼﺮا ﻛﻪ اﮔﺮ اﻳﻦ ﻛﺎر را ﻧﻜﻨﺪ‪ ،‬ﺑﻨﻮﻋﻲ ﻃﺮف‬
‫ﻣﻘﺎﺑﻞ ﻣﻲ ﻓﻬﻤﺪ‪ ،‬و ﺑﺎ اﻧﺘﺨﺎب ﻫﺎﻳﺶ او را ﺷﻜﺴﺖ ﻣﻲ دﻫﺪ‪ ،‬ﻛﻪ اﻳﻦ اﺛﺒﺎت رﻳﺎﺿﻲ ﻫﻢ دارد‪.‬‬

‫ﻓﺮض در رﻳﺎﺿﻲ اﻳﺪه آل ﺑﻮدن ﺑﻮد‪ ،‬ﻛﻪ اﻓﺮاد ﻣﻨﻄﻘﻲ ﻋﻤﻞ ﻣﻲ ﻛﻨﻨﺪ‪ ،‬در ‪ behavioral‬ﻣﺎ ﺑﺎ اﻓﺮاد ﻋﺎدي ﺳﺮو ﻛﺎر دارﻳﻢ ﻛﻪ اﻓﺮادي ﻣﻌﻤﻮﻟﻲ‬
‫اﻧﺪ ﻛﻪ ﺑﺎ رﻳﺎﺿﻴﺎت ﻧﻤﻲ ﺷﻮد آﻧﻬﺎ را ﺗﻮﺟﻴﻪ ﻛﺮد‪.‬‬

‫ﻫﻢ ‪ marry‬و ﻫﻢ ‪ john ‬ﺑﺎ ﻫﻢ ﺗﺼﻤﻴﻢ ﻣﻲ ﮔﺮﻓﺘﻨﺪ ﭼﻪ ﻛﻨﻨﺪ‪ ،‬اﻳﻦ ﺑﺎزي ﻫﺎ ﻣﻌﻤﻮﻻ ﻛﻨﺪ اﺳﺖ‪ ،‬ﻟﺬا ﺳﺮاغ ﺑﺎزي ﻫﺎي ﻧﻮﺑﺘﻲ ﻣﻲ روﻳﻢ‪ ،‬ﻛﻪ اول‬
‫ﻳﻚ ﻧﻔﺮ ﺣﺮﻛﺖ ﻣﻲ ﻛﻨﺪ و ﺑﻌﺪ ﻃﺮف دوم‪.‬‬

‫اوﻟﻴﻦ ﻣﺜﺎل ‪ mini‐ultimatum game‬اﺳﺖ‪ .‬ﻛﻪ ﺑﺎ اﻧﺘﺨﺎب ﻫﺎﻳﻲ ﻛﻪ ﻣﻲ ﺷﻮد و رد و ﻗﺒﻮل ﻃﺮف ﻣﻘﺎﺑﻞ ﺑﺮﻧﺪه و ﺑﺎزﻧﺪه ﻣﻴﺰاﻧﻲ را ﻣﻲ ﺑﺮﻧﺪ‪،‬‬
‫ﻳﺎ ﻧﻤﻲ ﺑﺮﻧﺪ‪ ،‬ﻣﺎ اﺑﺘﺪا ارزﻳﺎﺑﻲ ﻣﻲ ﻛﻨﻴﻢ ﻛﻪ ﻛﺪام ﭘﻴﺸﻨﻬﺎد ﻣﻨﺎﺳﺐ اﺳﺖ‪ ،‬اوﻟﻴﻦ ﺑﺎر ﮔﻮس اﻳﻦ ﺑﺎزي را ﻣﻄﺮح ﻛﺮد‪ ،‬اﮔﺮ آن ﺑﺎزي را ﺑﺮرﺳﻲ ﻛﻨﻴﻢ‪،‬‬
‫ﺟﺎن ﻛﻤﺘﺮﻳﻦ ﻣﻘﺪار را ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ‪ ،‬و ﻣﺮي ﻫﻢ ﻣﻲ ﮔﻮﻳﺪ از ﻫﻴﭽﻲ اﻳﻦ ﻣﻘﺪار ﺑﻬﺘﺮ اﺳﺖ‪ ،‬اوﻟﻴﺖ اﺟﺘﻤﺎﻋﻲ ﺗﺼﻤﻴﻤﺎت را ﻋﻮض ﻣﻲ ﻛﻨﺪ‪.‬‬

‫ﮔﻮس آزﻣﺎﻳﺶ را اﻧﺠﺎم داد‪ ،‬و ﻛﻤﺘﺮﻳﻦ ﭘﻴﺸﻨﻬﺎد ﺗﻮﺳﻂ ‪ marry‬ﻫﺎ رد ﻣﻲ ﺷﺪ‪ ،‬و اﻳﻦ ﺑﺨﺎﻃﺮ اوﻟﻮﻳﺖ ﻫﺎي اﺟﺘﻤﺎﻋﻲ ﺑﻮد‪ ،‬ﻛﻪ ﺳﻪ ﻧﻮع اوﻟﻴﺖ‬
‫اﺟﺘﻤﺎﻋﻲ دارﻳﻢ‪:‬‬

‫‪ .1‬ﻣﻨﻔﻲ‪ :‬اﻳﻦ ﻣﻲ ﮔﻮﻳﺪ اﻓﺮاد از ﺑﻲ ﻋﺪاﻟﺘﻲ ﻧﻔﺮت دارﻧﺪ‪ ،‬وﻗﺘﻲ ﻛﻪ ﻏﻴﺮ ﻣﻨﺼﻔﺎﻧﻪ اﺳﺖ ﭘﻴﺸﻨﻬﺎد‪ ،‬او ﺧﻮﺷﺶ ﻧﻤﻲ اﻳﺪ و او آن را رد ﻣﻲ ﻛﻨﺪ‪،‬‬
‫ﻳﻌﻨﻲ ﻧﻤﻲ ﮔﻮﻳﺪ ﻛﻪ ﺑﻪ از ﻫﻴﭽﻲ اﺳﺖ‪ ،‬و ﺑﺮاي ﺟﺮﻳﻤﻪ اﺳﺖ‪  .‬‬

‫‪ .2‬ﻣﺜﺒﺖ ‪ :Positive reciprocity‬اﻳﻨﺠﺎ ﻣﻘﺎﺑﻠﻪ ﺑﻪ ﻣﺜﻞ ﻣﺜﺒﺖ اﺳﺖ‪ ،‬در اﻳﻦ ﺣﺎﻟﺖ ﺣﺘﻲ ‪ 1‬ﺳﻨﺖ ﻫﻢ ﭘﻴﺸﻨﻬﺎد دﻫﺪ‪ ،‬ذاﺗﺎ اﻳﻦ را ﻣﻲ ﭘﺬﻳﺮد و‬
‫ﺟﺎﻳﺰه ﺑﻪ ﻃﺮف ﻣﻘﺎﺑﻞ ﻣﻲ دﻫﺪ‪  .‬‬

‫‪ :Altruism .3‬ﺣﺲ ﺑﺸﺮدوﺳﺘﺎﻧﻪ اﺳﺖ‪ ،‬ﻛﻪ از ﺑﺎزي ‪ Dictator game‬اﺳﺖ‪ ،‬ﻛﻪ ﺑﺨﺸﻲ را ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ‪ ،‬و اﮔﺮ ﻗﺒﻮل ﻛﻨﺪ ‪ x‬ﺑﻪ او‬
‫ﻣﻲ رﺳﺪ و ‪ 10‐x‬را ﺧﻮدش دارد‪ ،‬و اﮔﺮ ﻗﺒﻮل ﻧﻜﻨﺪ ‪ 10‬ﺗﺎ را ﺧﻮدش ﺑﺮ ﻣﻲ دارد‪ ،‬اﻳﻦ ﻣﻘﺪار ‪ x‬اي ﻛﻪ ﭘﻴﺸﻨﻬﺎد ﻣﻲ دﻫﺪ از ﻣﻴﺰان ﭘﻮل‬
‫ﺑﺎزي ‪ altimutom‬ﻛﻤﺘﺮ اﺳﺖ‪ ،‬ﭼﻮن ﭘﻮل ﺑﺮاي ﺟﺎن اﺳﺖ‪ ،‬درﺣﺎﻟﻲ ﻛﻪ در ﺑﺎزي ‪ altimuatom‬ﻣﻲ ﺗﺮﺳﺪ ﻛﻪ ﻧﭙﺬﻳﺮد و ﻣﺸﻜﻞ اﺳﺖ‪  .‬‬

‫در ﻧﻬﺎﻳﺖ ﻳﻚ ﻋﺒﺎرت رﻳﺎﺿﻲ ﺑﺮ ﺣﺴﺐ ﺳﻪ ﻣﻮرد ﺑﺪﺳﺖ ﻣﻲ آﻳﺪ‪.‬‬

 ‫‪ ‬ﺟﺰوه درس ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺮاي ﻣﺪﻳﺮان‬
‫اراﺋﻪ‪ :‬ﺟﻨﺎب آﻗﺎي دﻛﺘﺮ ﻋﻴﺴﺎﻳﻲ‬
‫ﻣﺴﺘﻨﺪ ﺷﺪه ﺗﻮﺳﻂ‪ :‬ﻣﻴﺜﻢ ﺣﺠﺎزي ﻧﻴﺎ‬
‫‪ ‬‬
‫ﺗﺼﻤﻴﻢ در ﻫﺮ ﻣﻮﻗﻌﻴﺖ ﺑﻪ ﻋﻜﺲ اﻟﻌﻤﻞ ﺑﻘﻴﻪ ﻧﻴﺰ ارﺗﺒﺎط دارد‪ ،‬و ﻟﺬا ﺑﺮاي ﺗﺼﻤﻴﻢ ﮔﻴﺮي ﺑﺎﻳﺪ ﺑﺪاﻧﻴﺪ ﻛﻪ رﻗﺒﺎ ﭼﻪ ﺗﺼﻤﻴﻤﻲ ﻣﻲ ﮔﻴﺮﻧﺪ‪ ،‬اﻫﻤﻴﺖ اﻳﻦ‬
‫‪76 ‬‬

‫ﺑﺤﺚ را در ﺟﻨﮓ ﻳﺎ ﺑﺎزارﻳﺎﺑﻲ در ﻣﻮرد ﻛﺎﻻي ﺧﺎص ﻣﻲ ﺗﻮان درﻳﺎﻓﺖ‪ ،‬ﻛﺎرﺑﺮد ﺟﺪﻳﺪ ﺗﺮ ‪ game theory‬در ﺑﺎزي ﻛﺎﻣﭙﻴﻮﺗﺮي اﺳﺖ‪ ،‬ﻛﻪ دﻧﻴﺎي‬
‫ﻣﺠﺎزي رﻓﺘﺎرش را ﺑﻬﻴﻨﻪ ﻣﻲ ﻛﻨﺪ‪ ،‬و اﺳﺘﺮاﺗﮋي ﻫﺎﻳﻲ را در ﭘﻴﺶ ﻣﻲ ﮔﻴﺮد ﻛﻪ ﺷﻤﺎ را ﺑﻪ ﭼﺎﻟﺶ ﺑﻜﺸﺪ‪.‬‬
‫‪Page‬‬

‫اﮔﺮ ﺑﺨﻮاﻫﻴﻢ ﻣﻔﻬﻮم رﻓﺘﺎر رﻗﺒﺎ را درك ﻛﻨﻴﻢ‪ ،‬ﺑﺎزي دارﻳﻢ ﻛﻪ از ﻫﻤﻪ ﺑﺎزي ﻫﺎ ﺟﺬاب ﺗﺮ اﺳﺖ‪ ،‬اﻳﻨﺠﺎ ﻳﻚ ﻋﺪد ﺑﻴﻦ ‪ 1‬ﺗﺎ ‪ 100‬اﻧﺘﺨﺎب ﻣﻲ ﻛﻨﻴﺪ‪ ،‬و ﺑﺎ‬
‫اﻧﺘﺨﺎب اﻳﻦ ﻋﺪد ﺷﻤﺎ ‪ IQ‬ﺗﺎن ﺣﺴﺎب ﻣﻲ ﺷﻮد‪ ،‬ﻣﻴﺎﻧﮕﻴﻦ اﻋﺪاد ﺟﻤﻊ در ﻳﻚ اﺣﺘﻤﺎل ﺗﺼﺎدﻓﻲ ﺿﺮب ﻣﻲ ﺷﻮد‪ ،‬و ﻛﺴﻲ ﺑﺮﻧﺪه اﺳﺖ‪ ،‬ﻛﻪ ﻋﺪد اﻧﺘﺨﺎﺑﻲ‬
‫ﺑﻪ اﻳﻦ ﻋﺪد ﻧﺰدﻳﻚ ﺗﺮ ﺑﺎﺷﺪ‪.‬‬

‫‪ ‬‬