اخبار و اعلانات

 آمار

تعداد نشریات43
تعداد شماره‌ها1,801
تعداد مقالات14,703
تعداد مشاهده مقاله39,543,663
تعداد دریافت فایل اصل مقاله15,345,335
گرمسیری, کریم, بالوئی جام خانه, هادی, قربان پور, احمد. (1404). ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین. , 16(2), 1-26. doi: 10.22108/pom.2025.143022.1582
کریم گرمسیری; هادی بالوئی جام خانه; احمد قربان پور. "ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین". , 16, 2, 1404, 1-26. doi: 10.22108/pom.2025.143022.1582
گرمسیری, کریم, بالوئی جام خانه, هادی, قربان پور, احمد. (1404). 'ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین', , 16(2), pp. 1-26. doi: 10.22108/pom.2025.143022.1582
گرمسیری, کریم, بالوئی جام خانه, هادی, قربان پور, احمد. ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین. , 1404; 16(2): 1-26. doi: 10.22108/pom.2025.143022.1582

ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین

پژوهش در مدیریت تولید و عملیات
مقاله 2، دوره 16، شماره 2 - شماره پیاپی 41، تیر 1404، صفحه 1-26    اصل مقاله (2.64 M)
نوع مقاله: مقاله پژوهشی- فارسی
شناسه دیجیتال (DOI): 10.22108/pom.2025.143022.1582
نویسندگان
کریم گرمسیری1؛ هادی بالوئی جام خانه* 2؛ احمد قربان پور2
1دانشجوی دکتری گروه مدیریت صنعتی، دانشکده کسب و کار و اقتصاد، دانشگاه خلیج فارس، بوشهر، ایران
2استادیار گروه مدیریت صنعتی، دانشکده کسب و کار و اقتصاد، دانشگاه خلیج فارس، بوشهر، ایران
چکیده
ظهور انقلاب صنعتی ۴.۰، چالش‌های جدیدی را برای کسب‌وکارها، در بخش‌های تولیدی و صنعتی ایجاد کرده است. با توجه به نقش کلیدی صنایع پتروشیمی در توسعۀ اقتصادی و صنعتی کشور، هدف این پژوهش، ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت ۴.۰ است. روش‌شناسی این پژوهش، از دو مرحلۀ شناسایی شاخص‎‍های ارزیابی میزان آمادگی و خوشه‌بندی شرکت‌های پتروشیمی، با استفاده از الگوریتم آمیختۀ کای میانگین - الگوریتم بهینه‌سازی ازدحام ذرات[i] تشکیل شده است. جامعۀ آماری پژوهش، شرکت‌های صنایع پتروشیمی ایران است. پرسش‌نامۀ استاندارد ابزار ارزیابی آمادگی صنعت ۴.۰ دانشگاه وارویک، بین ۷۸ شرکت از صنایع پتروشیمی ایران توزیع‎‍ و داده‌های جمع‌آوری‎‍شده با استفاده از الگوریتم Kmeans-PSO تحلیل شد. نتایج نشان می‌دهد که ۴۲ شرکت در خوشۀ اول و از حیث میزان آمادگی برای سازگاری با تحولات صنعت ۴.۰، عملکرد پایین و ۳۶ شرکت در خوشۀ دوم با عملکرد متوسط قرار دارند. این پژوهش میزان آمادگی شرکت‌های پتروشیمی را در پذیرش فناوری‌های صنعت ۴.۰ ارزیابی و راهنمایی‌هایی را برای مدیران و صنایع بالادستی برای تقویت، بهبود و انتقال آنها به‎‍سمت یک سازمان بالغ و آماده برای سازگاری با فناوری‌های صنعت ۴.۰ ارائه کرد.تاکنون پژوهشی دربارۀ ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی برای سازگاری با تحولات صنعت ۴.۰ و خوشه‌بندی آنها انجام نشده است و این پژوهش یکی از نخستین تحقیقات در این زمینه است.
کلیدواژه‌ها
ارزیابی آمادگی؛ تحولات صنعت ۴.۰؛ خوشه‌بندی؛ سازگاری؛ صنایع پتروشیمی؛ یادگیری ماشین
اصل مقاله

a.               1- مقدمه

امروزه شرکت‌های تولیدی به‌ویژه در صنایع پتروشیمی، به‎‍دلیل پیشرفت‌های اخیر محیطی، اجتماعی، اقتصادی و فناوری، با چالش‌های اساسی ناشی از انقلاب صنعتی ۴.۰ مواجه‎‍اند. این چالش‌ها نیازمند قابلیت‌های جدید و رویکردهای چابک و پاسخگو هستند. از طرفی در حالی که تحقیقات زیادی در زمینۀ آمادگی پذیرش فناوری‌های صنعت ۴.۰ انجام شده است،‎‍ هنوز خلأهایی در ارزیابی دقیق و جامع وضعیت آمادگی شرکت‌های پتروشیمی برای سازگاری با صنعت ۴.۰ و این تحولات، وجود دارد.

از زمان ظهور انقلاب صنعتی، محققان تلاش کرده‎‍اند تا راه‎‍های نوآورانه‎‍ای را برای تقویت فرآیند تولید به نفع راندمان تولید، کاهش هزینه و کیفیت محصول بیابند. صنعت ۴.۰ نشان‎‍‎‍دهندۀ دیجیتالی‎‍شدن تمام سیستم‎‍ها و فرآیندهای موجود در زنجیرۀ ارزش سازمان است و فناوری‌های نوینی مثل اینترنت اشیا و سیستم‌های سایبر-فیزیکی را معرفی کرده است که‎‍ به بهبود کارایی و کاهش هزینه‌ها کمک می‎‍کنند (Chen et al., 2017; Wang et al., 2016). صنایع نسل۴.۰ در حال تغییر اکوسیستم تولیدی جهان با ادغام فناوری‎‍های دیجیتال در نحوۀ تولید، بهبود و توزیع محصولات شرکت‎‍هاست. با این حال، شرکت‌های تولیدی به‎‍دلیل ناآگاهی از میزان آمادگی و سازگاری با فناوری‎‍های صنعت۴.۰، بیشتر در ادغام این فناوری‌ها در بخش‌های سازمانی خود، با شکست مواجه می‎‍شوند. با به‎‍کارگیری مدل‌های آمادگی پذیرش فناوری‎‍های صنعت ۴.۰، وضعیت فعلی شرکت‎‍ها‎‍ ارزیابی و راهکارهایی برای تقویت، بهبود و انتقال آنها به‎‍سمت یک سازمان بالغ و آماده برای فناوری‎‍های صنعت ۴.۰ ارائه می‎‍شود (Grufman et al., 2020). در این عصر، فناوری‌های نوظهور، شرکت‌های تولیدی سنتی را به کارخانه‌های هوشمند تبدیل می‌کنند که افراد، محصولات، اطلاعات و ماشین‌های مبتنی بر فناوری را به محیط‌های دیجیتال و خودکار منتقل می‌کنند.‎‍ با ظهور فناوری صنعتی دیجیتال تحولی که در آن حسگرها، ماشین‎‍ها، محصولات و سیستم‎‍های فناوری اطلاعات در سراسر زنجیرۀ ارزش به هم متصل می‎‍شوند، وضعیت تمام اجزای یک سیستم در زمان واقعی مشخص می‎‍شود و تصمیم‌گیری‌های بعدی بهبود می‎‍یابد. فناوری‎‍های صنعت ۴.۰ انعطاف‎‍پذیری بیشتری را برای شرکت به ارمغان می‎‍آورد تا محصولات با کیفیت بالا و با هزینۀ کمتر را تولید کند. با این حال، برای دستیابی به این روند، صنایع باید‎‍ رویکردهای تصمیم‎‍گیری را تطبیق دهند و تقویت کنند (Nouinou et al., 2023). به‎‍کارگیری فناوری‎‍های صنعت ۴.۰ برای دستیابی به اهداف حیاتی مانند کارایی هزینه، انعطاف‎‍پذیری، چابکی و سیستم‎‍های تولید مشتری‎‍محور مفید خواهد بود و به‎‍طور مثبت بر فرآیندهای تجاری تأثیر می‎‍گذارد و آنها را مولدتر و کارآمدتر می‎‍کند (Monshizadeh et al., 2023). در این راستا با توجه به اینکه بسیاری از کارشناسان و محققان دانشگاهی بر توسعۀ مدل‌های میزان آمادگی شرکت برای پذیرش فناوری تمرکز کرده‌اند و بیشتر این مدل‎‍ها بر ارزیابی ابعاد بدون تجزیه و تحلیل و خوشه‎‍بندی شرکت‎‍ها تمرکز داشتند، ولی‎‍ هنوز تحقیق جامعی از حیث ارزیابی میزان آمادگی شرکت‎‍های صنایع پتروشیمی برای سازگاری با تحولات صنعت ۴.۰ و خوشه‎‍بندی آنها وجود ندارد؛ بنابراین هدف اصلی این پژوهش، ارزیابی میزان آمادگی شرکت‎‍های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم با رویکرد یادگیری ماشین است. برای دستیابی به این هدف، به سؤال‎‍های زیر پاسخ داده خواهد شد:

۱) شرکت‌های صنایع پتروشیمی از حیث ویژگی‎‍های سازگاری با تحولات صنعت نسل چهارم، در چند خوشه‎‍بندی قرار می‎‍گیرند؟

۲) عملکرد فعلی خوشه‎‍های شرکت‌های صنایع پتروشیمی از حیث میزان آمادگی در سازگاری با تحولات صنعت نسل چهارم چگونه است؟

۳) مدل یادگیری میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم، به چه صورت است؟

پاسخ به سؤالات فوق، به خوشه‌بندی شرکت‌های پتروشیمی بر‎‍اساس ویژگی‌های سازگاری با تحولات صنعت ۴.۰، عملکرد فعلی خوشه‌های شرکت‌ها را در زمینۀ آمادگی برای سازگاری با تحولات صنعت ۴.۰ و مدل یادگیری میزان آمادگی شرکت‌ها در سازگاری با تحولات صنعت ۴.۰ بررسی می‎‍کند. این پژوهش به درک بهتر، نیاز به برنامه‌ریزی استراتژیک برای ارتقای سطح آمادگی شرکت‌ها و بهبود عملکرد آنها کمک می‌کند.

در ادامه، نگارش مقاله به شرح زیر سازمان‎‍دهی شده است. در بخش مبانی نظری و پیشینۀ پژوهش، دربارۀ صنعت نسل چهارم و مدل‌های ارزیابی آمادگی موجود در حوزۀ مرتبط ‎‍بحث می‎‍شود.

به‎‍دنبال بخش روش‌شناسی، چارچوب‎‍ استفاده‎‍شده برای ارزیابی آمادگی شرکت‌ها در سازگاری با تحولات صنعت ۴.۰ و جزئیات مربوط به روش خوشه‌بندی توضیح داده شده است. در بخش یافته‌ها، نتایج ارزیابی اولیه، با بحث دربارۀ شرکت‌های صنایع پتروشیمی بیان می‌شود. درنهایت در بخش پایانی، یافته‌های اصلی، محدودیت‌های پژوهش و تحقیقات آتی ارائه می‌شود.

b.               2- مبانی نظری و پیشینۀ تجربی

در این بخش از پژوهش، متغیرهای اصلی و فرعی را بررسی می‎‍کنیم که در ارزیابی آمادگی شرکت‌ها برای سازگاری با تحولات صنعت ۴.۰ به کار می‎‍روند. در جدول ۱، مدل‌های مختلف ارزیابی آمادگی شرکت‌ها برای سازگاری با صنعت ۴.۰ و ابعاد کلیدی هر مدل معرفی شده است.

c.                2-1 صنعت نسل ۴.۰

 توسعۀ فناوری و راه‌حل‌های هوشمند در حال تکامل است و هیچ نشانه‌ای از کاهش سرعت وجود ندارد. صنایع برای رقابت‎‍پذیری در فضای بین‎‍المللی، نیازمند دستیابی به این فناوری‎‍ها هستند. انقلاب صنعتی ۴.۰، اولین بار در سال 2011 در آلمان و در نمایشگاه هانوفر[i] معرفی شد. در این نمایشگاه، بحث‎‍هایی برای توصیف اینکه چگونه صنعت۴.۰، انقلابی در ایجاد زنجیره‎‍های ارزش جهانی ایجاد می‎‍کند، برگزار شده است (Popkova et al., 2019). با توجه به اینکه این مفهوم کاملاً جدید است، هنوز هیچ اتفاق نظری دربارۀ یک تعریف مشترک برای صنعت ۴.۰ وجود ندارد. صنعت ۴.۰ بیشتر یک اصطلاح گسترده، عمومی و فراگیر برای توصیف تلاقی روندها و فناوری‎‍هایی است که پتانسیل تغییر شکل مکانیسم‎‍های ارائۀ ارزش برای خدمات و محصولات را دارند؛ بنابراین، برخی از نویسندگان به ضرورت تعریفی پویا و جامع اشاره‎‍ و صنعت ۴.۰ را  تغییر منطق تولید به‎‍سمت رویکرد غیرمتمرکز فزاینده و خودتنظیم‌کنندۀ‎‍ خلق ارزش‎‍ توصیف کرده‌اند که با مفاهیم و فناوری‌هایی مانند سیستم‎‍های فیزیکی-سایبری، اینترنت اشیا[ii] (IOT)، محاسبات ابری، تولید مواد افزودنی و کارخانه‎‍های هوشمند امکان‌پذیر است‎‍ (Mittal et al., 2018). با این راه‌حل‌های هوشمند جدید، صنعت ۴.۰ برای هر صنعتی در سرتاسر جهان سودمند است که آمادۀ استفاده از فناوری‌ها باشد ‎‍(Maisiri & Van Dyk, 2019). صنعت ۴.۰ فرصت‌ها، پیشرفت‌ها و مزایای متعددی مانند تولید انبوه بسیار سازگار، انعطاف‌پذیر و سفارشی‌سازی‎‍شده، هماهنگی زنجیره‌های ارزش در زمان واقعی و بهینه‌سازی آنها، کاهش هزینه‌های پیچیدگی و ظهور خدمات و مدل‌های تجاری جدید را ارائه می‌دهد. فناوری‎‍های جدید مانند اینترنت اشیا، اینترنت خدمات[iii]، داده‌های بزرگ[iv]، تجزیه و تحلیل داده‌های بزرگ، سیستم‌های فیزیکی-سایبری[v]، ربات‌های مستقل[vi] و رایانش ابری[vii] باعث ایجاد مدل‎‍های تجاری جدید و تغییرات در سیستم‎‍های تولید، مصرف، حمل و نقل، توزیع و غیره می‎‍شود. در عصر صنعت ۴.۰، شرکت‎‍ها به‎‍دنبال بهره‎‍برداری از داده‎‍های موجود برای اتخاذ تصمیمات مبتنی بر داده، برای به دست آوردن مزیت رقابتی‎‍اند (Chen et al., 2017).

صنعت ۴.۰، چهارمین انقلاب صنعتی شناخته می‌شود که با ظهور فناوری‌های نوین مانند اینترنت اشیا (IOT)، سیستم‌های سایبر - فیزیکی و تحلیل داده‌های کلان، به تحول در فرایندهای تولید و تجاری‌سازی منجر شده است. این تحول نه‌تنها به بهبود کارایی و کاهش هزینه‌ها کمک می‌کند، این امکان را به سازمان‌ها می‌دهد که به تقاضاهای متغیر بازار پاسخ دهند و محصولات سفارشی را با کیفیت بالاتر تولید کنند که به گفتۀ (Wang et al., 2016)، این تحول به ایجاد کارخانه‌های هوشمند منجر می‌شود که در آنها ارتباط بین ماشین‌ها و سیستم‌ها به شکل بهینه‌تری مدیریت می‌شود. با وجود مزایای فراوان، پذیرش صنعت ۴.۰ با چالش‌هایی نیز همراه است. راج و همکاران [viii] (2020)، موانع موجود در پذیرش این فناوری‌ها را بررسی و عواملی مثل‎‍ وجودنداشتن استراتژی دیجیتال و کمبود منابع را به‎‍عنوان موانع اصلی شناسایی کرده‌اند. همچنین، فرصت‌هایی نظیر بهبود فرآیندهای تولید، افزایش بهره‌وری و ایجاد مدل‌های کسب‌وکار جدید نیز در این زمینه وجود دارد که‎‍ به شرکت‌ها کمک می‎‍کند تا در بازار رقابتی باقی بمانند.

d.               2-2 میزان آمادگی شرکت‌ها در سازگاری با تحولات صنعت نسل ۴.۰

بررسی و مطالعه دربارۀ آمادگی صنعت ۴.۰، راهی است که به شرکت‌ها در جهت آماده‎‍شدن برای چالش‎‍هایی کمک می‎‍کند که ممکن است هنگام تغییر به انقلاب جدید ظاهر شوند (Hofmann & Rüsch, 2017). مدل ارزیابی آمادگی و سازگاری با تحولات، باید شرکت را به سطحی از آگاهی و شناخت برساند تا متوجه شوند شرکت آمادۀ شروع فرآیند تحول برای صنعت ۴.۰ است یا خیر. میتال و همکاران[ix] (2018) ارزیابی آمادگی را به ‎‍‎‍«ابزار ارزیابی برای تحلیل و تعیین سطح آمادگی شرایط، نگرش‎‍ها و منابع، در تمام سطوح یک سیستم‎‍ مورد نیاز برای دستیابی به یک هدف» تعریف می‎‍کنند. شوماخر و همکاران[x] (2016) بیان می‎‍کنند که تفاوت بین مدل بلوغ و مدل آمادگی، در ارزیابی آمادگی قبل از شروع فرآیند تحول است.

ارزیابی آمادگی ابزاری است که برای تجزیه و تحلیل و تعیین سطح آمادگی شرکت مورد نیاز برای دستیابی به اهدافش استفاده می‎‍شود (Mittal et al., 2018). تاکنون مدل‎‍های متعددی برای ارزیابی آمادگی شرکت به‎‍جهت پذیرش و سازگاری با تحولات صنعت ۴.۰ منتشر شده است. در این مدل‌ها رویکردهای مختلفی به صنعت ۴.۰ وجود دارد. برای به دست آوردن درک روشنی از تفاوت‎‍های بین هر مدل، روشن‎‍کردن جزئیات بیشتری از تفاوت‎‍های بین سطوح و ویژگی‎‍های هر مدل ارزیابی مهم است. این تفاوت‎‍ها در میزان جزئیات ارائه‎‍شده با ابعاد فرعی هر مدل منعکس می‎‍شود. برخی از این مدل‎‍ها بر فناوری‎‍ استفاده‎‍شده در ساخت و همچنین در خود محصول تمرکز می‎‍کنند؛ در حالی که مدل‎‍های دیگر ارزیابی بر جنبه‎‍های دیگر تأکید می‎‍کنند (جدول ۱). این جدول، مدل‌های مختلف ارزیابی عملکرد، امکانات شرکت‌های مختلف و آمادگی شرکت‌ها را برای سازگاری با تحولات صنعت ۴.۰ در صنایع مختلف در سال‌های 2015، 2017 و 2024 مقایسه کرده است. این جدول مبنایی برای برنامه‌ریزی استراتژیک و بهبود فرآیندها در راستای سازگاری با صنعت ۴.۰ است و به کمک آن، شرکت‌ها با درک بهتری از جنبه‌های مختلف آمادگی خود، مدل مناسب برای ارزیابی آمادگی‎‍شان را انتخاب‎‍‎‍ و تصمیمات بهتری در زمینۀ پذیرش فناوری‌های جدید اتخاذ می‎‍کنند. منظور از سطوح، تعداد مراحل یا مراحلی است که شرکت باید قبل از اجرای کامل صنعت ۴.۰ طی کند. این سطوح، ویژگی‎‍های هر مدل ارزیابی را به بخش‎‍های آسان و‎‍ فهم‎‍پذیر تجزیه می‎‍کند؛ مانند ابعاد اصلی و یا ابعاد فرعی(Anderl et al., 2015).

                               i.            جدول ۱- مقایسۀ مدل‌های مختلف ارزیابی آمادگی شرکت برای سازگاری با تحولات صنعت ۴.۰

1. Table 1- Comparison of different models for evaluating the company's readiness to adapt to industry 4.0 developments

آگکا و همکاران[xi] (2017)

چمنیز[xii]

(2024)

آندرل و همکاران[xiii]

(2015)

لیچبالو و همکاران[xiv]

(2015)

مدل

ابعاد

ü  

ü  

ü  

ü  

محصول

ü  

ü  

ü  

ü  

فرایند

 

ü  

 

ü  

افراد

ü  

 

 

ü  

تکنولوژی

ü  

ü  

 

ü  

سازمان

ü  

 

 

ü  

استراتژی

 

ü  

 

 

فرهنگ

ü  

 

 

 

دولت

 

 

 

ü  

سیستم اطلاعاتی

ü  

 

 

 

خدمات مشتق از داده

ü  

 

 

 

زنجیرۀ تأمین

 

مفهوم از ابعاد، به‎‍عنوان تعداد حوزه‌های درون یک شرکت مرتبط با هر مفهومی درک می‎‍شود که در مدل در نظر گرفته شده است‎‍.

یکی از آنها، ابزار ارزیابی آمادگی صنعت نسل چهارم است ‎‍که واحد تحقیقاتی به نام WMG در دانشگاه وارویک[xv] آن را ارائه کرده است. این ابزار ارزیابی آمادگی از شش بعد اصلی و ۳۷ بعد فرعی مرتبط با صنعت ۴.۰ تشکیل شده است (Agca et al., 2017). هدف آنها ارائۀ راهی ساده و عینی برای شرکت‎‍ها به‎‍جهت شروع ارزیابی آمادگی و جاه‎‍طلبی آیندۀ خود با استفاده از پتانسیل عصر فیزیکی سایبری است. این ابزار ارزیابی آمادگی به‎‍صورت جامع طراحی شده است و فراتر از حوزۀ فناوری، تمامی بخش‎‍های سازمان را در بر می‎‍گیرد. این ابزار حول چهار سطح آمادگی(مبتدی، متوسط، باتجربه و متخصص) طراحی شده است.

e.                3- پیشینۀ تجربی

سونی و نایک[xvi] (2020) مقاله‎‍ای سیستماتیک را با عنوان «عوامل حیاتی برای اجرای موفقیت‎‍آمیز صنعت نسل ۴.۰، بررسی و جهت‎‍گیری تحقیقات آینده» نوشتند. آنها در این مطالعه با بررسی چگونگی پیاده‎‍سازی موفق صنعت نسل۴.۰ در سازمان‎‍ها، 10 عامل کلیدی را شناسایی کردند. این عوامل به این شرح‎‍اند: هم‌راستایی با استراتژی سازمانی، حمایت مدیر ارشد، آموزش و توانمندسازی کارکنان، توسعۀ فرهنگ نوآوری، توسعۀ زیرساخت‎‍های دیجیتال، مدیریت تغییر، یکپارچگی سیستم، تحلیل داده‎‍ها و تصمیم‎‍گیری مبتنی بر داده‎‍ها، همکاری با ذینفعان و توجه به جنبه‎‍های پایداری. این عوامل به‎‍طور مستقیم با ابعاد اصلی و فرعی ارائه‎‍شده از سوی دانشگاه وارویک مرتبط‎‍اند؛ برای مثال عامل «هم‌راستایی با استراتژی سازمانی»، به‎‍ نیاز یک استراتژی همسو با ابعاد مختلف سازمان اشاره دارد که در زمینۀ محصولات و خدمات و همچنین زنجیرۀ تأمین اثرگذار است و عامل «حمایت مدیر ارشد»، به بهبود فرهنگ نوآوری و توانمندسازی کارکنان کمک می‎‍کند. این عوامل کلیدی به‌عنوان عوامل موفقیت در پیاده‌سازی و پذیرش فناوری‌های صنعت ۴.۰، به ابعاد اصلی کمک می‌کنند تا سازمان‌ها‎‍ به‌طور مؤثرتری در مسیر دیجیتال‌سازی و بهبود مستمر حرکت کنند.

راماناتن و سامارانایاک[xvii] (2022) در مقالۀ خود با موضوع «ارزیابی آمادگی صنعت ۴.۰ در تولید: یک چارچوب خودتشخیصی و یک مطالعۀ موردی گویا»، با بررسی یک شرکت تولیدی و طرح موضوعI4.0RAF[xviii] ، چارچوبی با هشت عامل کلیدی معرفی کردند که به شرکت‎‍ها کمک می‎‍کند تا اولویت‎‍های ورود به محیط صنعت نسل ۴.۰ را شناسایی کنند. این هشت عامل عبارت‎‍اند از استراتژی و سازمان، تجهیزات، سیستم‌هایIT، منابع انسانی، مدیریت زنجیرۀ تأمین، مدیریت کیفیت، مدیریت عملیات و تعریف محصول که این عوامل به‎‍صورت مستقل ارزیابی شدند و به شرکت‎‍ها کمک کردند تا بدون نیاز به تحلیل‌های پیچیده، سطح آمادگی خود را از‎‍نظر هر عامل مشخص کنند. نتایج این تحقیق نیز، مشابه بسیاری از تحقیقات ازجمله کستلو برانکو و همکاران[xix] (2019) به مدیران و سازمان‎‍ها کمک می‌کند تا نیازهای خود را بهتر شناسایی کنند و برنامه‎‍ریزی بهتری در راستای انتقال به صنعت نسل ۴.۰ انجام دهند.

اوستونداگ و همکاران[xx] (2018) در بخشی از کتاب خود با عنوان صنعت ۴.۰: مدیریت تحول دیجیتال، ‎‍جنبه‌های مختلف صنعت نسل ۴.۰ و همچنین تحلیل و مدیریت تغییرات ناشی از این صنعت را در سازمان‎‍ها و صنایع بررسی کردند که برخی از آنها عبارت‎‍اند از تحول دیجیتال، مدل‌های بلوغ و آمادگی، فناوری‎‍های کلیدی و مدیریت استراتژیک. در بخشی از کتاب به‎‍صورت مقاله در دسترس مدل‌های بلوغ و آمادگی برای استراتژی‌های صنعت ۴.۰ بررسی شده است و به چالش‎‍های شرکت‌ها در فرآیند تحول به‎‍سمت صنعت نسل ۴.۰ اشاره می‌شود. آنها با طرح پرسش‎‍نامه و ابزارهای ارزیابی سطح بلوغ سازمانی و تحلیل به کمک فرمول‎‍های ریاضی، یک مدل بلوغ جدید شامل ابعاد و زمینه‎‍های مرتبط با صنعت نسل۴.۰ را ارائه کردند. مدیران و سازمان‎‍ها با کمک این مدل‎‍ها، تصمیمات بهتری در راستای پذیرش و تحول شرکت از‎‍طریق صنعت نسل۴.۰ می‎‍گیرند.

کاسترو و همکاران[xxi] (2020) در پژوهشی، آمادگی صنعت ۴.۰ شرکت‌های پرتغالی را ارزیابی کردند. آنها در مقالۀ خود با توسعۀ سیستم خودارزیاب SHIFTo4.0 که برای پذیرش مفاهیم صنعت نسل ۴.۰ طراحی شده است، آمادگی شرکت‌ها را در شش بعد مختلف ارزیابی می‌کنند. با کمک نتایج این مطالعه و سیستم خودارزیاب، شرکت‎‍ها، به‎‍خصوص‎‍ شرکت‌های کوچک و متوسط (SMEs) در پرتغال،‎‍ توانایی‎‍ها و ضعف‎‍های خود را شناسایی می‎‍کنند، روند دیجیتال‎‍سازی و فرایندهای خود را بهبود می‎‍دهند و استراتژی‎‍های مناسبی را برای پذیرش صنعت نسل۴.۰‎‍ پیاده‎‍سازی می‎‍کنند.

پازی و همکاران[xxii] (2023) مطالعه‎‍ای با عنوان «فناوری‌های صنعت نسل۴.۰: عوامل موفقیت حیاتی برای اجرا و بهبود در شرکت‌های تولیدی» را به چاپ رساندند که هدف آن شناسایی فاکتورهای کلیدی موفقیت در پیاده‌سازی فناوری‌های صنعت نسل ۴.۰ و بهبودهای ناشی از آن بوده است. آنها تعدادی از کارخانه‎‍های تولیدی در ایتالیا، که حداقل یک‎‍بار پیاده‎‍سازی موفق فناوری‎‍های صنعت نسل ۴.۰ را انجام داده بودند، را‎‍ بررسی کردند. همچنین داده‎‍های خود را از‎‍طریق بازدیدهای میدانی و مصاحبه‌های ساختاریافته، با مدیران و کارکنان این شرکت‎‍ها جمع‎‍آوری و تأثیرات و فرصت‌های فناوری‌های صنعت نسل ۴.۰ را بر آنها بررسی کردند. نتایج آنها نشان داد که فاکتورهای کلیدی موفقیت شامل «مدیریت ناب، آموزش و توانمند‎‍سازی کارکنان، تشکیل تیم‌های چندوظیفه‌ای و مدیریت کیفیت و بهبود مستمر» است و پیاده‎‍سازی فناوری‎‍های جدید و بهبودهای ناشی از این پیاده‌سازی‌ها‎‍ تدریجی (کایزن) یا انقلابی (جهشی و یک‎‍باره/ نوآوری) و توجه به نیازهای مشتریان به‎‍عنوان پیش‌نیاز برای بهبودهای انقلابی(جهشی و یک‎‍باره/ نوآوری) مطرح شده است. راجنی و کوکسیس[xxiii] (2018) در مطالعه‎‍ای با عنوان «ارزیابی آمادگی شرکت‎‍ها در صنعت ۴.۰»، جنبه‎‍های مختلف صنعت نسل۴.۰ را بررسی کردند. آنها آمادگی شرکت‌ها برای پذیرش این صنعت، تغییر و تحولات ناشی از دیجیتالی‎‍شدن، مدل‌های ارزیابی و بلوغ، تهدیدها و فرصت‎‍های صنعتی‎‍شدن و اهمیت تدوین استراتژی را برای حفظ رقابت‎‍پذیری بررسی کردند. نتایج این مطالعه نشان داد، سازمان‎‍ها با تمرکز بر سطح آمادگی خود و با استفاده از مدل‌های آمادگی و بلوغ، سطح بلوغ خود را ارزیابی و توانایی‎‍ها و ضعف‎‍های خود را شناسایی کنند و با توجه به فرهنگ سازمانی و فناوری‎‍های نوین،‎‍ استراتژی‌های مناسبی را برای دیجیتالی‎‍کردن فرآیندهای خود تدوین کنند، با شناخت تهدیدها و فرصت‎‍های صنعتی‎‍شدن و ارزیابی خود،‎‍ تهدیدها را به فرصت‌های بهبود و نوآوری تبدیل‎‍ و بهترین تصمیمات استراتژیک را اتخاذ کنند. سازمان‎‍ها باید با کمک ابزارها و مدل‌های ارزیابی، برای هدایت فرآیندهای تحول استفاده کنند. شوماخر و همکاران (2016) در مقاله‎‍ای با عنوان «مدل بلوغ برای ارزیابی آمادگی و بلوغ صنعت نسل۴.۰ بنگاه‎‍های تولیدی»، آمادگی و بلوغ شرکت‌های تولیدی را برای پذیرش مفاهیم و فناوری‌های صنعت ۴.۰ نظیر اینترنت اشیا‎‍، رایانش ابری و چالش‌های عمده‌ای‎‍ بررسی و ارزیابی کردند که شرکت‌های تولیدی در مواجهه با مفاهیم جدید صنعت ۴.۰ با آن روبه‎‍رو هستند‎‍. آنها به کمک مطالعۀ سیستماتیک، مصاحبه‎‍های کارشناسی و مدل‎‍سازی مفهومی، مدل بلوغی را توسعه دادند که شامل ۹ بُعد کلیدی سازمانی و فناوری است (استراتژی، رهبری، مشتری، محصول، عملیات، فرهنگ، افراد و کارکنان، فناوری). هدف این مطالعه، کمک به شرکت‌ها در شناسایی توانایی‎‍ها و ضعف‎‍های خود در زمینۀ تحول دیجیتال و بهبود تدوین استراتژی‌های مرتبط با صنعت نسل ۴.۰ است. نویسندگان، نرم‎‍افزاری طراحی کردند که از‎‍طریق تکمیل پرسش‎‍نامه‎‍ای استاندارد و پردازش و ارزیابی خودکار در نرم‎‍افزار و اعلام نتیجۀ سطح بلوغ، در قالب گزارش‎‍های شفاف و کاربردی به شرکت‎‍ها کمک می‎‍کند تا سطح بلوغ خود را اندازه‎‍گیری‎‍ و‎‍ برای اتخاذ تصمیمات استراتژیک و برنامه‎‍های خود از این گزارش‎‍ها استفاده کنند.

همان‌طور که پیش‌تر نیز اشاره شد، انقلاب صنعتی ۴.۰ برای سازمان‌ها و صنایعی که با چالش‌های این انقلاب‎‍ هم‌راستا شوند، فرصت خوبی برای رشد و تکامل فراهم کرده است. شرکت‌های نفت و گاز و صنایع پتروشیمی نیز، از این قاعده مستثنا نیستند. در این راستا، پژوهش‌ها نشان می‌دهند که ارزیابی آمادگی سازمان‌ها برای پذیرش فناوری‌های جدید، به‌ویژه فناوری‌های دیجیتال و بلاک‌چین، از اهمیت ویژه‌ای برخوردار است. فارسیجانی و اله‌ کرم‌پور[xxiv] (2022) در تحقیق کاربردی - پیمایشی خود، به نام «ارزیابی میزان آمادگی برای به‌کارگیری فناوری بلاک‌چین در شرکت ملی گاز ایران»، آمادگی شرکت ملی گاز ایران را برای پذیرش فناوری بلاک‌چین بررسی کردند. جمع‌آوری داده‌ها از روش‌های کتابخانه‌ای و میدانی انجام‎‍ و در بخش میدانی، از پرسش‌نامۀ مقایسات زوجی برای جمع‌آوری داده‌ها استفاده شده است. تحلیل داده‌ها با استفاده از روش سلسله‌مراتبی فازی (FAHP[xxv]) انجام شده است که شامل وزن‌دهی مؤلفه‌ها و زیرمؤلفه‌ها می‌شود. نتایج این پژوهش نشان می‌دهد که شرکت‌های نفت و گاز به‎‍دلیل نوسانات بازار و چالش‌های شدید اقتصادی، نیازمند به‌کارگیری فناوری‌های جدیدند تا‎‍ در بازار رقابتی باقی بمانند. همچنین نشان دادند که عوامل سازمانی و فناوری، بالاترین میزان آمادگی را دارند؛ در حالی که عوامل محیطی و انسانی در سطح پایین‌تری قرار دارند.

با توجه به اینکه هوش مصنوعی‎‍ یکی از محورهای اساسی تحول در صنایع مختلف شناخته شده‌ است، صفری و ابراهیمی[xxvi] (2022) در مقاله‎‍ای با عنوان «اولویت‎‍بندی حوزه‌های کاربردی به‌منظور جاری‌سازی فناوری هوش مصنوعی»، چالش‌ها و فرصت‌های پیاده‌سازی این فناوری را در حوزه‌های مختلف بررسی کردند. آنها از روش‌های تحلیلی و تصمیم‌گیری چندمعیاره، برای شناسایی و وزن‌دهی معیارهای مؤثر بر اولویت‎‍بندی حوزه‌های کاربردی هوش مصنوعی استفاده کردند. حوزه‌های کاربردی با کمک یکی از روش‎‍های تصمیم‎‍گیری چندمعیاره به نام COPRAS[xxvii]، رتبه‌بندی شده‌اند. نتایج این پژوهش نشان می‌دهد که حوزه‌های اقتصاد، حمل‌ونقل و حکمرانی (حمایت مدیر ارشد) به ترتیب بیشترین اولویت را برای به‌کارگیری فناوری هوش مصنوعی دارند. رویکرد بیان‎‍شده در این پژوهش،‎‍ مدل‎‍ مفیدی برای ارزیابی و تحلیل میزان آمادگی صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم به کار می‎‍رود. خلاصه‌ای از آنچه در پیشینۀ تجربی ذکر شد، در جدول ۲ آمده است. در این جدول ابعاد ذکر‎‍شده در هر منبع با توجه ‌به جدول ۳ و ابعاد اصلی و فرعی ابزار ارزیابی میزان آمادگی صنعت ۴.۰ ارائه‎‍شده از سوی دانشگاه وارویک، آمده است.

                                   i.            جدول ۲- مقایسۀ ابعاد شناسایی‎‍شده در پیشینۀ پژوهش با ابعاد مدل ارائه‎‍شدۀ دانشگاه وارویک

1. Table 2- Comparison of dimensions identified in the literature review with the dimensions of the model provided by the University of Warwick

منبع

ابعاد شناسایی‎‍شده

ارتباط با ابعاد دانشگاه وارویک

سونی و نایک (2020)

هم‌راستایی با استراتژی سازمانی

اهداف و استراتژی‌های کلی سازمان

حمایت مدیر ارشد

نقش کلیدی مدیران در هدایت تغییرات

آموزش و توانمندسازی کارکنان

ارتقا مهارت‌ها و دانش کارکنان

توسعۀ فرهنگ نوآوری

ایجاد محیطی که تشویق به نوآوری را ممکن کند

توسعۀ زیرساخت‌های دیجیتال

سرمایه‌گذاری در فناوری‌های اطلاعات و ارتباطات

مدیریت تغییر

فرایندهای مدیریت تغییر برای پذیرش فناوری‌های جدید

یکپارچگی سیستم

ضرورت یکپارچه‌سازی فرایندها و سیستم‌ها

تحلیل داده‌ها و تصمیم‌گیری مبتنی بر داده‌ها

استفاده از داده‌ها برای اتخاذ تصمیمات استراتژیک

همکاری با ذی‌نفعان

تعامل با ذی‌نفعان داخلی و خارجی

توجه به جنبه‌های پایداری

توجه به جنبه‌های زیست‌محیطی و اجتماعی

راماتن و همکاران (2022)

استراتژی و سازمان

هم‌راستایی استراتژی با اهداف سازمان

تجهیزات

ارزیابی و به‌روزرسانی تجهیزات

سیستم‌های IT

زیرساخت‌های فناوری اطلاعات

منابع انسانی

توانمندی‌ها و مهارت‌های کارکنان

مدیریت زنجیرۀ تأمین

یکپارچگی و کارایی زنجیرۀ تأمین

مدیریت کیفیت

فرایندهای کنترل کیفیت و بهبود مستمر

مدیریت عملیات

بهینه‌سازی فرایندهای عملیاتی

تعریف محصول

مشخصات و ویژگی‌های محصولات

اوستونداگ و همکاران (2018)

تحول دیجیتال

فرایندهای دیجیتال‌سازی و تغییرات ناشی از آن

مدل‌های بلوغ و آمادگی

ارزیابی سطح بلوغ سازمانی

فناوری‌های کلیدی

شناسایی و استفاده از فناوری‌های جدید

مدیریت استراتژیک

تدوین استراتژی‌های مناسب برای تحول

کاسترو و همکاران (2020)

استراتژی

تطابق استراتژی با نیازهای صنعت ۴.۰

تجهیزات

ارزیابی و به‌روزرسانی تجهیزات

سیستم‌های IT

زیرساخت‌های فناوری اطلاعات

منابع انسانی

آموزش و توانمندسازی کارکنان

مدیریت زنجیرۀ تأمین

بهبود فرایندهای زنجیرۀ تأمین

مدیریت کیفیت

کنترل و بهبود کیفیت محصولات و خدمات

پازی و همکاران ((2023

مدیریت ناب

بهینه‌سازی فرایندها و کاهش هدررفت

آموزش و توانمندسازی کارکنان

ارتقای مهارت‌ها و دانش کارکنان

تشکیل تیم‌های چندوظیفه‌ای

همکاری بین بخش‌ها و تخصص‌های مختلف

مدیریت کیفیت و بهبود مستمر

فرایندهای کنترل کیفیت و نوآوری

راجنی و کوکسیس (2018)

آمادگی برای پذیرش صنعت ۴.۰

ارزیابی سطح آمادگی سازمان

مدل‌های ارزیابی و بلوغ

استفاده از مدل‌های بلوغ برای شناسایی توانایی‎‍ها و ضعف‎‍ها

تهدیدها و فرصت‌های صنعتی‌شدن

شناسایی و مدیریت تهدیدها و فرصت‌ها

تدوین استراتژی

ایجاد استراتژی‌های مناسب برای رقابت‌پذیری

شوماخر و همکاران (2016)

استراتژی

تدوین استراتژی‌های مرتبط با صنعت ۴.۰

رهبری

نقش رهبری در تحول دیجیتال

مشتری

توجه به نیازهای مشتریان

محصول

نوآوری در محصولات و خدمات

عملیات

بهینه‌سازی فرایندهای عملیاتی

فرهنگ

ایجاد فرهنگ سازمانی مناسب برای تحول

افراد و کارکنان

توانمندسازی و آموزش کارکنان

فناوری

استفاده از فناوری‌های نوین

فارسیجانی و اله کرم‌پور (2022)

عوامل سازمانی

تدوین استراتژی‌های مرتبط با صنعت ۴.۰ و مؤلفه‌های مدیریتی

عوامل فناوری

زیرساخت‌های فناوری اطلاعات

عوامل انسانی

توانمندسازی و آموزش کارکنان

عوامل محیطی

شناسایی و مدیریت تهدیدها و فرصت‌ها

صفری و ابراهیمی (2023)

اقتصاد

بهره‌وری، کاهش هزینه‌ها و افزایش درآمدها

حمل‌ونقل

بهینه‌سازی فرایندهای عملیاتی برای حمل‌ونقل و لجستیک

حکمرانی (حمایت مدیر ارشد)

نقش کلیدی مدیران در هدایت تغییرات

کشاورزی

نوآوری در محصولات و خدمات (کشاورزی)

علم‌وفناوری

زیرساخت‌های فناوری اطلاعات

اجتماع و فرهنگ

شناسایی و مدیریت تهدیدها و فرصت‌ها با توجه به فرهنگ سازمانی

محیط‎‍زیست

توجه به جنبه‌های زیست‎‍محیطی و اجتماعی

صنعت و انرژی

ارزیابی و به‌روزرسانی تجهیزات برای استفاده از فناوری‌های هوش مصنوعی در بهینه‌سازی مصرف انرژی و بهبود فرایندهای تولید

 

با توجه ‌به جدول فوق، ابعاد مشترک منابع مختلف، نشان‌‎‍دهندۀ اهمیت استراتژی، آموزش، مدیریت تغییر، فناوری و کیفیت در پیاده‌سازی موفق صنعت ۴.۰ در سازمان‌ها هستند که از ابعاد اصلی ذکرشده در دانشگاه وارویک‎‍اند. پرسش‌نامۀ ارزیابی دانشگاه وارویک در ادامه در جدول ۳ آمده است. تمرکز بر این ابعاد، به سازمان‌ها در راستای شناسایی میزان آمادگی‌شان برای سازگاری با تحولات صنعت ۴.۰ کمک بسزایی می‎‍کند.

f.                4- روش‎‍شناسی پژوهش

این پژوهش ازنظر‎‍ هدف، توسعه‌ای - کاربردی و به‎‍لحاظ گردآوری داده، میدانی است. جامعۀ آماری آن، شرکت‌های صنایع پتروشیمی ایران‎‍اند. روش‌شناسی این پژوهش از دو مرحلۀ شناسایی شاخص‎‍های ارزیابی میزان آمادگی و خوشه‌بندی شرکت‌های پتروشیمی با استفاده از الگوریتم آمیختۀ کای میانگین - الگوریتم بهینه‌سازی ازدحام ذرات  تشکیل شده است. در مرحلۀ نخست این پژوهش، با مطالعۀ مبانی نظری و مرور پیشینۀ تجربی و نیز مصاحبه با خبرگان، شاخص‎‍های ارزیابی آمادگی صنعت ۴.۰ که‎‍ دانشگاه وارویک آن را ارائه داد، مبنای پژوهش حاضر قرار گرفت؛ سپس با استفاده از پرسش‌نامۀ استاندارد ارزیابی آمادگی صنعت ۴.۰ دانشگاه وارویک، داده‌های ۷۸ شرکت از صنایع پتروشیمی ایران جمع‌آوری شد. پرسش‌نامۀ الکترونیکی پژوهش حاضر از‎‍طریق سایت پرس لاین، طراحی، توزیع و جمع‎‍آوری شد.

شایان ذکر است مقایسۀ ارتباط بین ابعاد شاخص‌هایی که‎‍ محققان آن را شناسایی کردند و ابعاد پرسش‌نامۀ دانشگاه وارویک، در جدول ۲ آمده است. هدف از این کار، شناسایی و تحلیل همپوشانی‌ها و تفاوت‌های موجود بین این دو مجموعه از شاخص‌هاست. این مقایسه به ما کمک می‌کند تا درک بهتری از عوامل مؤثر بر آمادگی صنعت ۴.۰ به دست آوریم و همچنین اعتبار و قابلیت اعتماد ابزار ارزیابی‎‍ استفاده‎‍شده را تقویت کنیم. به‌علاوه، نتایج این مقایسه ‎‍ به توسعۀ نظری و عملی در زمینۀ ارزیابی آمادگی صنایع منجر می‎‍شود و مسیرهای جدیدی را برای تحقیقات آینده فراهم می‎‍آورد.

با توجه به اینکه در این پژوهش از پرسش‌نامۀ استاندارد دانشگاه وارویک استفاده شد و پرسش‌نامۀ مذکور به‎‍طور گسترده‌ای در مطالعات مختلف به کار رفت، روایی و پایایی آن در زمینۀ ارزیابی آمادگی صنعت ۴.۰ تأیید شده است.

ابزار ارزیابی ارائه‎‍شده از سوی دانشگاه وارویک برای ارزیابی میزان آمادگی سازگاری صنعت ۴.۰، در جدول (۳) نشان ‌داده‌ شده است.

        i.            جدول ۳- ابعاد اصلی و فرعی ابزار ارزیابی میزان آمادگی صنعت ۴.۰ ارائه‎‍شده از سوی دانشگاه وارویک(Agca et al., 2017)

1. Table 3- The main and sub-dimensions of the Industry 4.0 readiness assessment tool provided by the University of Warwick (Agca et al., 2017)

ابعاد فرعی

ابعاد

سفارشی‌سازی محصولات

محصولات و خدمات

ویژگی‌های دیجیتالی محصولات

خدمات داده‌محور

سطح استفاده از داده‌های محصول

سهم درآمد

اتوماسیون

تولید و عملیات

یکپارچه‌سازی ماشین و سیستم عملیاتی (M2M)

آمادگی تجهیزات برای صنعت ۴.۰

قطعات خودکار (ربات‌های صنعتی که وظایف مختلفی مثل جوشکاری و مونتاژ را به‎‍طور خودکار انجام می‌دهند)

فرایندهای خودبهینه‌سازی

مدل‌سازی دیجیتال

جمع‌آوری داده‌های عملیاتی

استفاده از داده‌های عملیات

استفاده از راه‌حل ابری

امنیت داده و فناوری اطلاعات

درجۀ اجرای استراتژی

استراتژی و سازمان

اندازه‌گیری

سرمایه‌گذاری‌ها

قابلیت‌های افراد

همکاری

رهبری

تأمین مالی

کنترل موجودی با استفاده از مدیریت دادۀ بلادرنگ

زنجیرۀ تأمین

یکپارچه‌سازی زنجیرۀ تأمین

رؤیت‎‍پذیری زنجیرۀ تأمین

انعطاف‌پذیری زنجیرۀ تأمین

مدت‌زمان تحویل سفارش (LT[xxviii])

مدل کسب‌وکار «به‌عنوان خدمات»‎‍

مدل تجاری

تصمیمات مبتنی بر داده

ردیابی در زمان واقعی

زمان‌بندی لحظه‌ای و خودکار

کانال‌های بازاریابی یکپارچه

کسب‌وکار پشتیبانی‎‍شده از فناوری اطلاعات

مدل‌های قراردادی

ملاحظات حقوقی

ریسک

حفاظت داده

مالکیت معنوی

 

در ادامه، به‌منظور خوشه‎‍بندی داده‎‍ها به‎‍دلیل پیچیده‎‍بودن ماهیت مسئله و نیز غلبه بر ضعف‎‍های شناخته‎‍شده در روش‎‍های خوشه‎‍بندی کلاسیک، از الگوریتم آمیختۀ کای میانگین - الگوریتم بهینه‎‍سازی[xxix] ازدحام ذرات استفاده شده است. الگوریتم Kmeans-PSO یک ترکیب از دو الگوریتم K-means و بهینه‌سازی ازدحام ذرات (PSO) است. در این الگوریتم، ابتدا تعداد خوشه‌ها (K) به‌صورت تصادفی انتخاب می‌شود و سپس، مراکز اولیۀ خوشه‌ها تعیین می‌شوند. فرایند بهینه‌سازی با استفاده از PSO به شرح زیر است:

گام ۱) از میان N داده‌ای که باید خوشه‌بندی شود، تعداد k داده به‎‍صورت تصادفی انتخاب‎‍ و مرکز خوشه‌ها به‎‍صورت  در نظر گرفته می‌شود؛

گام ۲) برای t از یک تا  مراحل زیر انجام می‌شود:

2-1) برای ذرۀ i ام، مقادیر  و  با استفاده از رابطه‌های (۴) و (۵) محاسبه می‌شود. هر ذرۀ i، دارای یک موقعیت در فضای d‌بعدی مسئله است که در تکرار t ام، با بردار رابطۀ (۳) نشان داده می‌شود.

(1)

 

همچنین، هر ذره دارای سرعتی است که هدایت حرکت ذره را بر عهده دارد و در تکرار t ام با بردار رابطۀ (۴) نمایش داده می‌شود.

(2)

 

ذره در هر تکرار برای ذخیره‌کردن بهترین موقعیت پیشین خود، از حافظه‌ای با عنوان بردار P نمایانگر در رابطۀ (۵) استفاده می‌کند.

(3)

 

در هر تکرار، مقادیر  یعنی بهترین موقعیتی که ذره تاکنون به آن رسیده‎‍ و  بهترین موقعیتی محاسبه می‎‍شود که تاکنون با جمعیت ذرات به دست آمده ‌است‎‍. درنهایت، سرعت و موقعیت هر ذره به‎‍روز می‌شو‎‍د.

(4)

 

(5)

 

در رابطه‌های بالا، t بیانگر شمارۀ تکرار و پارامترهای  و  عامل‌های یادگیری و نیز  و  دو عدد تصادفی یکنواخت‎‍اند که در بازۀ  قرار دارند (Golmakani & Fazel, 2011). برای محاسبۀ ضریب اینرسی (W) از رابطۀ (6) استفاده می‌شود.

(6)

 

‎‍ ‎‍ با کمک رابطه ۷ محاسبه می‎‍شود.

(7)

 

در رابطة فوق  و مقدار آنها برابر با 05/2 است. برای محاسبۀ ضریب یادگیری شخصی ( )، از رابطۀ ۸ و برای محاسبۀ ضریب یادگیری جمعی ( ) از رابطۀ ۹ استفاده می‌شود (Clerc & Kennedy, 2002).

(8)

 

(9)

 

۲-۲) فاصلۀ اقلیدسی  با مراکز همه‌ی ذرات محاسبه می‌شود.

۲-۳) دادۀ  به خوشه‌ای نسبت داده می‌شود که با مرکز آن خوشه، کمترین فاصله را داشته باشد (رابطۀ ۱۰).

(10)

 

که در آن  بیانگر مرکز خوشۀ jام و  بیانگر مرکز خوشۀ ‌pام است.

۲-۴) در این الگوریتم، هر ذره یک مقدار شایستگی دارد. تابع شایستگی ذرات با استفاده از رابطۀ (۱۱) محاسبه می‌شود.

(11)

 

در رابطۀ بالا  بیانگر موقعیت مکانی ذره و  بیانگر مرکز خوشه است. همچنین d و k به ترتیب نمایانگر فاصله و تعداد خوشه‌ها هستند.

۲-۵)  و  به‎‍روز می‌شوند.

۲-۶) مرکز خوشه‌های مربوط به هر ذره با رابطۀ (۱۲) به‌روز می‌شوند.

(12)

 

گام ۳) شرط توقف بررسی می‌شود. اگر شرط برقرار بود، متوقف می‌شود و در غیر این صورت به گام ۲ برمی‌گردد.

در ادامه، به‌منظور تعیین تعداد بهینۀ خوشه از روش سیلهوت استفاده شد. این روش بر‎‍اساس میانگین فاصلۀ هر‎‍یک از نمونه‎‍های یک خوشه با تمام نمونه‎‍های موجود در همان خوشه و میانگین فاصلۀ کل نمونۀ موجود در خوشه‎‍های دیگر با یک خوشۀ مشخص تعریف می‎‍شود. بر‎‍اساس این دیدگاه، برای هر خوشه میزان پراکندگی و همبستگی داده‎‍ها تعیین می‎‍شود که مقادیر بیشینۀ این شاخص برای تعیین تعداد بهینۀ خوشه به کار می‎‍رود. شاخص سیلهوت بر‎‍اساس رابطۀ (۱۳) محاسبه می‎‍شود.

(13)

 

 نمایانگر‎‍ تشابه‎‍نداشتن درون خوشه‎‍ای و  نمایانگر‎‍ تشابه‎‍نداشتن با خوشه‎‍های دیگر است. مقدار این شاخص بین 1- تا 1 متغیر است. مقدار بیشتر عملکرد مطلوب‎‍تر خوشه‎‍بندی را نشان می‎‍دهد (Umargono et al., 2019).

g.               5- گام‌های اجرایی پژوهش

با توجه ‌به اینکه هر مرحله از پژوهش به‌منظور دستیابی به اهداف مشخص و بهینه‌سازی نتایج طراحی شده است، گام‌های اجرایی این پژوهش به‌صورت خلاصه در شکل (۱) نشان داده شده است:

 

 

شکل ۱- مراحل اجرایی فرایند پژوهش

Fig. 1- Steps of conducting resaerch

h.               5-1 شبکۀ عصبی چندلایه (Multi layer Perceptron)

شبکۀ عصبی مصنوعی، از انواع مدل‎‍های غیرپارامتریک هوش مصنوعی با ساختار و عملکردی مشابه نورون‎‍ها در عصب مغز است. رایج‎‍ترین شبکۀ عصبی، شبکۀ عصبی چندلایۀ پرسپترون است. این شبکه مکمل شبکۀ عصبی پیش‌خور است که از سه نوع لایه (یک‌لایه نورون‌های ورودی، یک یا چندلایه نورون‎‍های پنهان و یک‌لایه نورون‎‍های خروجی) تشکیل شده است. لایۀ ورودی سیگنال ورودی را برای پردازش دریافت می‎‍کند. کار مورد نیاز، مانند پیش‌بینی و طبقه‌بندی ازطریق لایۀ خروجی انجام می‌شود. تعداد دلخواه لایه‌های پنهان که بین لایۀ ورودی و خروجی قرار می‌گیرند، موتور محاسباتی واقعی MLP[xxx] هستند. شبکه‎‍های عصبی چندلایه، مسائلی را حل می‎‍کنند که به‌صورت خطی ‎‍‌تفکیک‎‍دادنی نیستند‎‍. طبقه‎‍بندی الگو، تشخیص، پیش‎‍بینی و تقریب از موارد استفاده این نوع شبکه‎‍هاست. محاسبات در لایۀ خروجی و لایه‎‍های میانی به‎‍ازای هر نورون به‌صورت رابطۀ ۱۴ و ۱۵ انجام می‎‍شود:

(14)

 

(15)

 

در روابط فوق  و  بردار بایاس و  و  و  و  تابع محرک است.

i.                 6- مطالعۀ موردی و یافته‎‍های پژوهش

در این پژوهش در ابتدا با مطالعۀ کتابخانه‌ای و مصاحبه با خبرگان دانشگاهی و صنایع پتروشیمی، شاخص‎‍های ابزار ارزیابی میزان آمادگی شرکت‌ها شناسایی شدند؛ سپس با توجه به پرسش‌نامه که مبنای آن ابزار ارزیابی آمادگی صنعت ۴.۰ (دانشگاه وارویک) است، داده‌های ۷۸ شرکت صنایع پتروشیمی ایران جمع‌آوری و‎‍ تجزیه و تحلیل شد. خلاصه‌ای از نتایج ارزیابی میزان آمادگی شرکت صنایع پتروشیمی ایران برای سازگاری با تحولات صنعت ۴.۰ در شکل (۲) نشان داده شده است.

 

 

شکل ۲- خلاصه‌ای از نتایج ارزیابی آمادگی شرکت‌های صنایع پتروشیمی

Fig. 2- A summary of the results of the readiness assessment of petrochemical companies

در ادامه به‌منظور تعیین تعداد بهینۀ خوشه، از معیار سیلوئت استفاده شده است. شکل (۳) مقدار شاخص سیلوئت را به‌ازای مقدارهای مختلف k نشان می‌دهد.

 

شکل ۳- مقدار شاخص سیلوئت برای تعداد خوشۀ ۱ تا ۱۰

Fig.3- Silhouette index value for cluster number 1 to 10

همان‌گونه در شکل فوق مشخص است، به‎‍ازای 2 k =، مقدار سیلوئت بیشتری دارد و تعداد بهینۀ خوشه انتخاب می‎‍شود. در ادامه، الگوریتم تلفیقی به‌منظور تنظیم پارامترهای الگوریتم چند بار اجرا شد. مقدار پارامترها و مقدار بهینۀ تابع هدف در هر اجرا در جدول (۴) آورده شده است.

                                                  i.            جدول ۴- مقدار پارامترهای الگوریتم Kmeans-PSO و مقدار بهینۀ تابع هدف

1. Table 4- The parameters of the Kmeans-PSO algorithm and the optimal value of the objective function

 

اجرای اول

اجرای دوم

اجرای سوم

اجرای چهارم

تعداد خوشه‌ها (K)

2

2

2

2

ماکزیمم تعداد تکرار (Max It)

200

200

200

200

تعداد اعضای جمعیت (Npop)

70

70

50

50

ضریب اینرسی (w)

7298/0

7/0

8/0

9/0

ضریب یادگیری شخصی ( )

4962/1

2

8/1

4/1

ضریب یادگیری جمعی ( )

4962/1

2

8/1

4/1

مقدار بهینۀ تابع هدف (Bestcost)

72/437

91/439

98/440

97/443

 

جدول فوق نشان می‎‍دهد مقدار Bestcost در اجرای اول نسبت‎‍به دیگر اجراها کمتر است؛ بنابراین پارامترهای مدل بر‎‍اساس اجرای اول تنظیم‎‍ و سپس خوشه‌بندی صنایع انجام شد. در نتیجۀ آن، تعداد ۴۴ تا از شرکت‌ها در خوشۀ اول و ۳۴ شرکت دیگر در خوشۀ دوم قرار گرفته است. در ادامه، میزان همگرایی الگوریتم محاسبه شد. شکل (۴) همگرایی را نشان می‌دهد.

شکل ۴- مقدار بهینۀ تابع هدف الگوریتم تلفیقی Kmeans-PSO

Fig. 4- Optimum value of the objective function of the combined Kmeans-PSO algorithm

بعد از اجرای الگوریتم در تکرار اول، مقدار تابع هدف برابر 29/611 و در تکرار 200 این مقدار به 72/437 کاهش پیدا کرده است. در ادامه، پیش‌بینی عملکرد صنایع با الگوریتم دسته‎‍بندی شبکه‌های عصبی انجام شده است. در این پژوهش، تعداد نمونه‎‍ها شامل ۷۸ و تعداد ویژگی‎‍ها برابر ۳۷ واحد انتخاب شده است. در ستون برچسب نیز، کد خوشۀ هر‎‍یک از نمونه‎‍ها، که در مرحلۀ قبل محاسبه شد، آورده می‎‍شود. به‎‍منظور اجرای الگوریتم دسته‎‍بندی، داده‎‍ها به سه قسمت داده‌های آموزش، اعتبارسنجی و تست یا آزمایش تقسیم‎‍بندی شده‌اند. جدول (۵) اطلاعات مربوط به این داده‎‍های‎‍ مطالعه‎‍شده را نشان می‎‍دهد که بر‎‍اساس داده‌های آموزش، اعتبارسنجی و آزمایش تقسیم شدند‎‍.

                                                      ii.            جدول ۵- اطلاعات مربوط به داده‌های آموزش، اعتبارسنجی و آزمایش

1. Table 5- Information about training, validation and testing data

داده‌ها

تعداد

درصد

داده‌های آموزش

54

70

داده‌های اعتبارسنجی

12

15

داده‌های آزمایش

12

15

شبکۀ عصبی ایجاد‎‍شده دارای مشخصات به شرح جدول (۶) است.

                                                     iii.            جدول ۶- اطلاعات مربوط به داده‌های آموزش، اعتبارسنجی و آزمایش

1. Table 6- Information about training, validation and testing data

مشخصات شبکه

تعداد نورون

تابع انتقال

لایۀ ورودی

۳۷

همانی

لایۀ پنهان

۱۰

sigmoid

لایۀ خروجی

۱

softmax

 

الگوریتم‌های استفاده‎‍شده در شبکۀ عصبی این پژوهش از تقسیم تصادفی[xxxi]، آموزش با استفاده از گرادیان مزدوج مقیاس‌بندی‎‍شده[xxxii] و آنتروپی متقاطع[xxxiii] استفاده شده است. از تقسیم تصادفی برای تقسیم داده‌ها به‎‍طور تصادفی در فرایندهای مختلف استفاده شد. از گرادیان مزدوج مقیاس‌بندی‎‍شده برای بهینه‌سازی و آموزش استفاده شد تا سرعت همگرایی افزایش یابد و بهینه‌سازی کارآمدتری فراهم شود. از آنتروپی متقاطع نیز، برای اندازه‌گیری فاصلۀ بین توزیع پیش‌بینی‌شده و توزیع واقعی استفاده شد. در این پژوهش شبکۀ عصبی ۷۰ بار اجرا شد. خطاهای مربوط به آموزش، اعتبارسنجی و تست در قالب شکل (۵) نشان ‌داده ‌شده است.

شکل ۵- خطاهای مربوط به آموزش، اعتبارسنجی و تست

Fig. 5- Errors related to training, validation and testing

مطابق شکل فوق، کمترین خطا و بهترین عملکرد اعتبارسنجی در تکرار ۱ و برابر با 010424/0 است. در ادامه نمودار گرادیانت تابع خطا در قالب شکل(۶) آورده شده است. مشخص است که در این نمودار، کمترین مقدار گرادیانت در تکرار ۷ اتفاق افتاده است.

شکل ۶- گرادیانت تابع خطا

Fig. 6- Error function gradient

در ادامه، به‌منظور اندازه‎‍گیری شاخص‎‍هایی مانند دقت و صحت، مدل ماتریس سردرگمی[xxxiv] در قالب جدول (۷) محاسبه شد.

                                                                                            iv.            جدول ۷- ماتریس سردرگمی

1. Table 7- Confusion matrix

Predicted

 

 

خوشه 2

خوشه 1

42

1

41

خوشه 1

actuale

36

33

3

خوشه 2

78

34

44

 

 

همان‌گونه که در شکل فوق نشان ‌داده‌ شده است، در کل ۷۸ داده در مجموعه داده‌ها قرار دارد، ۴۲ داده در کلاس خروجی یک قرار دارد که ۴۱ نمونه به‌درستی و ۱ نمونه به‎‍اشتباه طبقه‌بندی شده است و ۳۶ داده در کلاس خروجی دو قرار دارد که ۳۳ نمونه به‌درستی و ۳ نمونه به‎‍اشتباه طبقه‌بندی شده است. شکل (۷) نتایج خوشه‎‍بندی صنایع نفتی را نشان می‌دهد.

 

شکل ۷- نتایج خوشه‎‍بندی صنایع پتروشیمی

Fig. 7- The results of clustering petrochemical industries

بنابراین، دقت طبقه‌بندی برای مجموعه‌داده‌ها 9/94% است. به‎‍منظور تعیین متوسط دقت تابع پیش‎‍بینی شبکۀ عصبی، الگوریتم هفتاد بار اجرا ‎‍ و دقت داده‌های تست در هر بار محاسبه شد. رابطۀ ۱۶ فاصلۀ اطمینان میانگین دقت را محاسبه می‎‍کند.

(16)

 

در رابطۀ فوق،  سطح اطمینان،  میانگین نمونه،  میانگین دقت شبکۀ عصبی،  انحراف معیار نمونه و n تعداد نمونه است.

(17)

P (89/78 ≤ ≤ 92/86) = 0.95

با ۹۵درصد اطمینان، میانگین دقت شبکۀ عصبی ایجاد‎‍شده در این مطالعه، بین ۷۸/۸۹ تا ۸۶/۹۲درصد است.

j.                 6-1 عملکرد شرکت‌های صنایع پتروشیمی در هر خوشه

با توجه ‌به یافته‌های الگوریتم Kmeans-PSO، صنایع پتروشیمی از حیث میزان آمادگی، در دو خوشه طبقه‌بندی شدند. مراکز خوشه‌ها در هر‎‍یک از ابعاد فرعی (شاخص‌ها) در شکل (۸) نشان داده شده است. یافته‌های پژوهش نشان می‌دهد که شرکت‌های صنایع پتروشیمی، متعلق به خوشۀ اول و خوشۀ دوم در بیشتر شاخص‌ها (ابعاد فرعی) دارای عملکردی پایین‎‍اند و تنها در شاخص‌هایی مانند‎‍ استفاده از داده‌های عملیات، امنیت داده و فناوری اطلاعات، رؤیت‎‍پذیری زنجیرۀ تأمین، مدت‎‍زمان تحویل سفارش (LT[xxxv])، مدل کسب‌وکار «به‎‍عنوان خدمات»، تصمیمات مبتنی بر داده، ردیابی در زمان واقعی و مدل‌های قراردادی عملکردی متوسط دارند.

 

شکل ۸- مراکز خوشه‌ها در هر‎‍یک از ابعاد فرعی

Fig. 8- Cluster centers in each of the subdimensions

 

 

k.               6- بحث و مقایسه یافته‌ها

امروزه شرکت‎‍های تولیدی به‎‍دلیل پیشرفت‌های اخیر محیطی، اجتماعی، اقتصادی و فناوری با چالش‌های اساسی روبه‎‍رو هستند. برای رویارویی با این چالش‌ها، شرکت‌های تولیدی به قابلیت‌هایی جدید و به شیوه‌ای چابک و پاسخگو نیاز دارند. صنعت ۴.۰، انقلابی دیجیتالی است که نشان‌دهندۀ دیجیتالی‌شدن تمام سیستم‎‍ها و فرایندهای موجود در زنجیرۀ ارزش سازمان است. این انقلاب بر یکپارچه‎‍سازی اشیای فیزیکی، ماشین‎‍ها، سیستم‎‍ها و فرایندها ازطریق یک شبکۀ متصل تأکید دارد. فناوری‌های صنعت ۴.۰ این امکان را برای شرکت‌ها فراهم می‎‍آورد تا محصولات خود را با کیفیت بالاتر و هزینۀ پایین‌تر تولید کنند. با این حال‎‍ برای دستیابی به این امکان، مستلزم تطبیق و تقویت رویکردهای تصمیم‌گیری صحیح و‎‍ اجرایی در سازمان‌هاست؛ بنابراین، ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت نسل چهارم، همواره ‎‍یک دغدغۀ اصلی است که در این مطالعه بررسی شده است.

در این پژوهش، ابتدا میزان آمادگی صنایع پتروشیمی برای سازگاری با تحولات صنعت ۴.۰ بر‎‍اساس ابزار ارزیابی ارائه‎‍شده از سوی دانشگاه وارویک (Agca et al., 2017) سنجش شد. همان‎‍طور که در شکل (۱) آمده است، وضعیت موجود صنایع پتروشیمی در ابعاد مختلف‎‍ سنجش‎‍شده نشان می‎‍دهد که آمادگی شرکت‎‍های پتروشیمی ایران برای پذیرش تحولات در ابعاد استراتژی و سازمانی در سطح مبتدی (سطح یک) و در دیگر ابعاد، یعنی محصولات و خدمات، تولید و عملیات، زنجیرۀ تأمین، ملاحظات حقوقی و مدل کسب‌وکار در سطح متوسط (سطح دو) قرار دارند. به‎‍عبارتی، آمادگی شرکت‌های پتروشیمی ایران برای پذیرش تحولات در ابعاد استراتژی و سازمانی در سطح مبتدی و در ابعاد دیگر، مانند محصولات و خدمات، تولید و عملیات، زنجیرۀ تأمین و ملاحظات حقوقی در سطح متوسط قرار دارد. این وضعیت بیانگر این است که صنایع پتروشیمی ایران در‎‍مجموع، در شرایط مناسبی قرار ندارند. برای رسیدن به سطوح بالاتر آمادگی، یعنی رسیدن به سطح باتجریه (سطح سوم) و سطح متخصص (سطح چهارم)، به برنامه‌ریزی و اقداماتی مؤثر نیاز دارند.

یافته‌های این پژوهش همچنین نشان می‌دهد که صنایع پتروشیمی در ابعاد فرعی، درجۀ اجرای استراتژی، سرمایه‌گذاری‌ها و تأمین مالی، از بعد استراتژی و سازمانی‎‍ پایین است و آمادگی لازم برای سازگاری با تحولات انقلاب صنعتی چهارم را ندارد. این واقعیت، ضرورت ارزیابی و تجزیه ‌و تحلیل دقیق هر‎‍یک از ابعاد سازمانی را نمایان می‌کند. آگاهی از میزان آمادگی صنایع پتروشیمی در ابعاد مختلف، به شناسایی وضعیت موجود و ارائۀ برنامه‌های بهبود متوازن و واقع‌بینانه کمک شایانی می‎‍کند. به‌طور کلی، با توجه ‌به ابزار ارزیابی میزان آمادگی دانشگاه وارویک، هر‎‍یک از ابعاد سازمان، از زوایای مختلف‎‍ ارزیابی و تجزیه و تحلیل می‎‍شود که در شکل (۱) نتایج ارزیابی هر‎‍یک از ابعاد اصلی و فرعی در شرکت‌های صنایع پتروشیمی‎‍ مطالعه‎‍شده، نشان ‌داده ‌شده است. سیاست‌ها و استراتژی‌ها و اولویت‌های برنامه‌های سازمان در راستای تعالی عملکرد، بر‎‍اساس آن تنظیم می‎‍شود.

بخش دیگری از پژوهش حاضر، شرکت‌های صنایع پتروشیمی را خوشه‌بندی می‎‍کند. نتایج خوشه‎‍بندی نشان می‌دهد که تعداد ۴۲ واحد از صنایع پتروشیمی در خوشۀ اول و ۳۶ واحد دیگر در خوشۀ دوم قرار گرفتند. شرکت‌های خوشۀ اول از حیث میزان آمادگی برای سازگاری با تحولات صنعت ۴.۰ عملکرد پایین‌تری دارند؛ در حالی که واحدهای خوشۀ دوم عملکرد متوسطی در برخی ویژگی‌ها از خود نشان می‌دهند.

در‎‍نهایت، اشاره می‌شود که تا‎‍کنون پژوهش مشابهی دربارۀ بررسی میزان آمادگی صنایع پتروشیمی ایران در سازگاری با تحولات و همچنین خوشه‌بندی آن با رویکرد یادگیری ماشین، انجام نشده است.

از طرفی مطالعات شوماخر و همکاران (2016)، ارزیابی آمادگی و بلوغ شرکت‌های تولیدی را برای پذیرش مفاهیم و فناوری‌های صنعت ۴.۰، نظیر اینترنت اشیا‎‍ و رایانش ابری و چالش‌های عمده‌ای را بررسی کرد که شرکت‌های تولیدی در مواجهه با مفاهیم جدید صنعت ۴.۰ با آن روبه‎‍رو هستند‎‍. با توجه به اینکه یافته‎‍های این پژوهش نشان داد که آمادگی شرکت‌های پتروشیمی ایران برای سازگاری با تحولات صنعت ۴.۰ در ابعاد مختلف، در سطح پایینی قرار دارد، بنابراین نظر به یافته‎‍های شوماخر و همکاران (2016)، شرکت‌های تولیدی در مواجهه با مفاهیم جدید صنعت ۴.۰ با چالش‌های جدی روبه‎‍رو هستند و‎‍ به ارتقای سطح آمادگی خود نیاز دارند.

راج و همکاران (2020) در پژوهشی نشان دادند که «فقدان استراتژی دیجیتال در کنار کمبود منابع»، برجسته‎‍ترین مانع در اقتصادهای توسعه‎‍یافته و در حال توسعه ظاهر می‎‍شود. این یافته‌ها با وضعیت فعلی صنایع پتروشیمی ایران همخوانی دارد؛ جایی که پایین‎‍بودن سرمایه‌گذاری‌ها و تأمین مالی، یکی از نقاط ضعف کلیدی شناسایی شده است.

میتال و همکاران (2018) در مطالعۀ خود، مدل‌های آمادگی شرکت‌ها را برای پذیرش فناوری‌های صنعت ۴.۰ بررسی کرده‎‍اند. یافته‌های آنها نشان داده است که شرکت‌ها باید به‎‍طور فعال در زمینۀ ارتقای زیرساخت‌های دیجیتال و فرهنگ نوآوری کار کنند تا‎‍ به سطوح بالاتری از آمادگی دست یابند. این موضوع نیز در پژوهش حاضر تأکید شده است و نیاز مبرم به برنامه‌ریزی و اقدامات مؤثر برای ارتقای آمادگی وجود دارد.

بنابراین، با توجه ‌به مطالب فوق و نتایج این پژوهش، نیاز است که سازمان‌ها با ارتقای سطح آمادگی خود، سطح بلوغ خود را ارزیابی و توانایی‎‍ها و ضعف‎‍هایشان را شناسایی کنند. همچنین، با توجه ‌به فرهنگ ‌سازمانی و فناوری‌های نوین، باید استراتژی‌های مناسبی برای دیجیتالی‎‍کردن فرایندهای خود تدوین کنند. شناخت تهدیدها و فرصت‌های صنعتی‌شدن و ارزیابی دقیق وضعیت فعلی،‎‍ به سازمان‌ها کمک می‎‍کند تا تهدیدها را به فرصت‌های بهبود و نوآوری تبدیل‎‍ و بهترین تصمیمات استراتژیک را اتخاذ کنند.

l.                 7- نتیجه‎‍گیری

با توجه ‌به نقش بسیار مهم صنایع پتروشیمی در توسعۀ اقتصادی و با توجه ‌به نقش مهمی که در مواردی از‎‍جمله «تأمین نیازهای داخلی»، «ایجاد اشتغال»، «ایجاد ارزش افزودۀ اقتصادی»، «تأثیر در محیط‎‍زیست» دارند، ضروری است که شرکت‌های پتروشیمی و صنایع وابسته با رویکردی جامع‌تر، موضوع سازگاری با تحولات صنعت ۴.۰ را بررسی کنند. این پژوهش با ارزیابی میزان آمادگی شرکت‌های صنایع پتروشیمی در سازگاری با تحولات صنعت ۴.۰، نشان می‌دهد که صنایع پتروشیمی، برای سازگاری با تحولات صنعت ۴.۰ در وضعیت مناسبی قرار ندارند و هنوز در مراحل ابتدایی آمادگی برای پذیرش سازگاری‎‍اند. مناسب‎‍نبودن سطح آمادگی در ابعاد استراتژی و سازمانی و کمبود سرمایه‌گذاری و تأمین مالی، چالش ‎‍‌بررسی‎‍پذیر است و باید در کشور به آن توجه شود. از طرفی با توجه به وضعیت تحریم‌ها علیه ایران که تأثیرات ژرفی بر صنایع پتروشیمی داشته است، به کاهش سرمایه‌گذاری‌های خارجی، کاهش صادرات و کاهش مواد اولیۀ ورودی (واردات) اشاره می‎‍شود؛ بنابراین، ضروری است که سازمان‌ها برای کاهش وابستگی خارجی و پیشگیری از عقب‌ماندگی اقتصادی و فناوری - تکنولوژیکی، با کمک دولت و تمرکز بر بهبود زیرساخت‌ها، سطح آمادگی خود را ارتقا دهند و به تسریع روند سازگاری شرکت‌ها، با تحولات صنعت نسل چهارم کمک کنند. در راستای تحولات صنعت ۴.۰، باید با شناسایی توانایی‎‍ها و ضعف‎‍های خود و استفاده از فرصت‌ها، همچنین با تکیه بر بازارهای داخلی و تمرکز بر نوآوری و خودکفایی، استراتژی‌های مناسبی را برای دیجیتالی‎‍کردن فرایندها و افزایش سرمایۀ خود، تدوین کنند. نتیجۀ این پژوهش، گواه‎‍ آمادگی‎‍نداشتن صنایع برای سازگاری با صنعت نسل ۴.۰ است که به صنایع پتروشیمی و دیگر صنایع برای بررسی وضعیت آمادگی خود و تلاش برای بهبود وضعیت در مواجهه با چالش‌های صنعت ۴.۰، کمک شایانی می‎‍کند.

از محدودیت‌های این پژوهش، به استفاده از ابزار ارزیابی آمادگی صنعت ۴.۰ اشاره می‎‍شود که‎‍ دانشگاه وارویک آن را ارائه کرده است‎‍. هرچند این ابزار اعتبار و روایی خود را در تحقیقات قبلی نشان داده است، اما ممکن است این ‎‍نتواند تمام ابعاد خاص صنایع پتروشیمی را به‎‍طور جامع پوشش دهد؛ ولی سعی شد با شناسایی شاخص‌های ارزیابی بر‎‍اساس مطالعات پیشین و همچنین مصاحبه با خبرگان صنعت پتروشیمی و مقایسه‌ای که بین ابعاد شاخص‌های شناسایی‎‍شده با ابعاد شاخص‌های پرسش‌نامۀ دانشگاه وارویک انجام شد و نتایج آن نیز در جدول (۳) آمده است، این محدودیت تا حدودی مرتفع شود.

در‎‍نهایت با اشارۀ مجدد به اهمیت صنایع پتروشیمی در اقتصاد کشور و بهبود آمادگی آنها برای ارتقای سطح کیفی و کمی و توجه به یافته‌های پژوهش، پژوهش‌های آینده‎‍ در ادامۀ این پژوهش و در موضوعات زیر انجام شود:

  1. صنایع پتروشیمی ایران با دیگر کشورهای پیشرفته‎‍ مقایسه شوند تا از دستاوردهای آنها، با توجه به زیرساخت‌های کشور و توانایی‎‍ها و ضعف‎‍های صنایع داخلی، بهره‌برداری شود؛
  2. در این پژوهش صنایع پتروشیمی، جامعۀ آماری انتخاب شدند. با توجه به اینکه تعداد این واحد‎‍ها محدود است، پیشنهاد می‎شود برای افزایش اعتبار بیرونی مدل، از نمونه‌های بیشتری در صنایع نفتی ایران استفاده شود؛
  3. پیشنهاد می‎‍شود از الگوریتم‎‍های دسته‎‍بندی دیگر از قبیل ماشین بردار پشتیبان و درخت تصمیم و غیره نیز استفاده شود و نتایج با خروجی الگوریتم تلفیقی این مطالعه مقایسه شود؛
  4. پژوهش‎‍های آینده از الگوریتم‎‍های فراابتکاری دیگر از قبیل الگوریتم ژنتیک برای کمینه‎‍سازی تابع هدف به‎‍جهت جلوگیری از قرارگرفتن در دام بهینه‎‍های محلی الگوریتم کلی میانگین استفاده کنند؛
  5. با توجه ‌به اهمیت صنایع پتروشیمی در اشتغال نیروی انسانی،‎‍ مطالعاتی دربارۀ نیازهای آموزشی و توسعۀ مهارت‌های نیروی انسانی در این صنایع با توجه به تحولات صنعت ۴.۰ انجام شود؛
  6. با توجه ‌به تأثیر صنایع بر محیط‎‍زیست،‎‍ پژوهش‌هایی دربارۀ نقش صنعت ۴.۰ بر پایداری محیط‎‍زیست و روش‌های کاهش آلایندگی اشاره کرد؛
  7. ‎‍مؤلفه‌های مؤثر بر پذیرش آمادگی صنایع پتروشیمی برای سازگاری با صنعت ۴.۰ را شناسایی و رتبه‌بندی کرد.

 

[i] Hannover

[ii] Internet of Things

[iii] Internet of Services

[iv] Big Data

[v] Cyber-Physical Systems

[vi] Autonomous Robots

[vii] Cloud Computing

[viii] Raj et al.

[ix] Mittal et al.

[x] Schumacher et al.

[xi] Agca et al.

[xii] Chemnitz

[xiii] Anderl et al.

[xiv] Lichtblau et al.

[xv] University of Warwick

[xvi] Sony & Naik

[xvii] Ramanathan et al.

[xviii] I4.0RAF یا Industry 4.0 Readiness Assessment Framework

[xix] Castelo -Branco et al.

[xx] Ustundag et al.

[xxi] Castro et al.

[xxii] Pozzi et al.

[xxiii] Rajnai and Kocsis

[xxiv] Farsijani & Alah karam pour

[xxv] Fuzzy Analytical Hierarchy Process

[xxvi] Safari & Ebrahimi

[xxvii] COmplex PRoportional ASsessment

[xxviii] Lead Time

[xxix] Kmeans-PSO

[xxx] Multi Layer Perceptron

[xxxi] Random(dividerand)

[xxxii] Scaled Conjugate Gradient(trainscg)

[xxxiii] Cross-Entropy(crossentropy)

[xxxiv] Confusion Matrix

[xxxv] Lead Time

مراجع

Agca, O., Gibson, J., Godsell, J., Ignatius, J., Davies, C. W., & Xu, O. (2017). An Industry 4 readiness assessment tool.

https://warwick.ac.uk/fac/sci/wmg/research/scip/reports/final_version_of_i4_report_for_use_on_websites.pdf

Akdil, K.Y., Ustundag, A., Cevikcan, E. (2018). Maturity and Readiness Model for Industry 4.0 Strategy. In: Industry 4.0: Managing The Digital Transformation. Springer Series in Advanced Manufacturing. Springer, Cham. https://doi.org/10.1007/978-3-319-57870-5_4

Anderl, R., Picard, A., Wang, Y., Fleischer, J., Dosch, S., Klee, B., & Bauer, J. (2015). Guideline Industrie 4.0-Guiding principles for the implementation of Industrie 4.0 in small and medium sized businesses. Vdma forum industrie, 1(1),1-31.

Castelo-Branco, I., Cruz-Jesus, F., & Oliveira, T. (2019). Assessing Industry 4.0 readiness in manufacturing: Evidence for the European Union. Computers in industry, 107, 22-32. https://doi.org/10.1016/j.compind.2019.01.007

Castro, H.F., Carvalho, A.R.F., Leal, F., Gouveia, H. (2020). Assessing Industry 4.0 Readiness of Portuguese Companies. In: Almeida, H., Vasco, J. (eds) Progress in Digital and Physical Manufacturing. ProDPM 2019. Lecture Notes in Mechanical Engineering. Springer, Cham. https://doi.org/10.1007/978-3-030-29041-2_7

Chemnitz, M.-D. Z. (2024). Industry 4.0 Selbstecheck. https://digitalzentrum-chemnitz.de/portfolio-veranstaltungen/.

Chen, B., Wan, J., Shu, L., Li, P., Mukherjee, M., & Yin, B. (2017). Smart factory of industry 4.0: Key technologies, application case, and challenges. Ieee Access, 6, 6505-6519. DOI: 10.1109/ACCESS.2017.2783682 .

Clerc, M., & Kennedy, J. (2002). The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE transactions on Evolutionary Computation, 6(1), 58-73. DOI: 10.1109/4235.985692

Farsijani, H., & Alah karam pour, A. (2022). Assessing the readiness to use blockchain technology in the National Iranian Gas Company. Research in Production and Operations Management, 13(3), 1-23. DOI: 10.22108/jpom.2022.132345.1426

Golmakani, H. R., & Fazel, M. (2011). Constrained portfolio selection using particle swarm optimization. Expert Systems with Applications, 38(7), 8327-8335. https://doi.org/10.1016/j.eswa.2011.01.020

Grufman, N., Lyons, S., & Sneiders, E. (2020). Exploring readiness of SMEs for industry 4.0. Complex Systems Informatics and Modeling Quarterly, (25), 54-86. https://doi.org/10.7250/csimq.2020-25.04

Hofmann, E., & Rüsch, M. (2017). Industry 4.0 and the current status as well as future prospects on logistics. Computers in industry, 89, 23-34. https://doi.org/10.1016/j.compind.2017.04.002

Lichtblau, K., Stich, V., Bertenrath, R., Blum, M., Bleider, M., Millack, A., Schmitt, K., Schmitz, E., & Schröter, M. (2015). Industrie 4.0-Readiness [dt.]. https://impuls-stiftung.de/wp-content/uploads/2022/05/Industrie-4.0-Readiness-deutsch.pdf

Maisiri, W., & Van Dyk, L. (2019). Industry 4.0 readiness assessment for South African industries. South African Journal of Industrial Engineering, 30(3), 134-148. https://doi.org/10.7166/30-3-2231

Mittal, S., Khan, M. A., Romero, D., & Wuest, T. (2018). A critical review of smart manufacturing & Industry 4.0 maturity models: Implications for small and medium-sized enterprises (SMEs). Journal of manufacturing systems, 49, 194-214. https://doi.org/10.1016/j.jmsy.2018.10.005

Monshizadeh, F., Moghadam, M. R. S., Mansouri, T., & Kumar, M. (2023). Developing an industry 4.0 readiness model using fuzzy cognitive maps approach. International Journal of Production Economics, 255, 108658.

Nouinou, H., Asadollahi-Yazdi, E., Baret, I., Nguyen, N. Q., Terzi, M., Ouazene, Y., Yalaoui, F., & Kelly, R. (2023). Decision-making in the context of Industry 4.0: Evidence from the textile and clothing industry. Journal of cleaner production, 391, 136184. https://doi.org/10.1016/j.jclepro.2023.136184

Popkova, E. G., Ragulina, Y. V., & Bogoviz, A. V. (2019). Industry 4.0: Industrial revolution of the 21st century ,Vol. 169. Springer. https://link.springer.com/book/10.1007/978-3-319-94310-7

Pozzi, R., Rossi, T., & Secchi, R. (2021). Industry 4.0 technologies: critical success factors for implementation and improvements in manufacturing companies. Production Planning & Control, 34(2), 139–158. https://doi.org/10.1080/09537287.2021.1891481

Raj, A., Dwivedi, G., Sharma, A., de Sousa Jabbour, A. B. L., & Rajak, S. (2020). Barriers to the adoption of industry 4.0 technologies in the manufacturing sector: An inter-country comparative perspective. International Journal of Production Economics, 224, 107546. https://doi.org/10.1016/j.ijpe.2019.107546

Rajnai, Z., & Kocsis, I. (2018). Assessing industry 4.0 readiness of enterprises. IEEE 16th world symposium on applied machine intelligence and informatics (SAMI), IEEE, 225-230. DOI: 10.1109/SAMI.2018.8324844

Ramanathan, K., & Samaranayake, P. (2022). Assessing Industry 4.0 readiness in manufacturing: a self-diagnostic framework and an illustrative case study. Journal of Manufacturing Technology Management, 33(3), 468-488. https://doi.org/10.1108/JMTM-09-2021-0339

Safari, E., & Ebrahimi, K. (2022). Prioritizing application areas to deploy artificial intelligence technology using thematic analysis and COPRAS. Research in Production and Operations Management, 13(4), 91-110. https://doi.org/10.22108/pom.2023.134630.1457

Schumacher, A., Erol, S., & Sihn, W. (2016). A maturity model for assessing Industry 4.0 readiness and maturity of manufacturing enterprises. Procedia Cirp, 52, 161-166. https://doi.org/10.1016/j.procir.2016.07.040

Sony, M., & Naik, S. (2020). Critical factors for the successful implementation of Industry 4.0: a review and future research direction. Production Planning & Control, 31(10), 799-815. https://doi.org/10.1080/09537287.2019.1691278

Umargono, E., Suseno, J. E., & Gunawan, S. (2019). K-Means clustering optimization using the elbow method and early centroid determination based-on mean and median. Proceedings of the International Conferences on Information System and Technology, SCITEPRESS—Science and Technology Publications Setubal, Portugal, 234-240. https://doi.org/10.5220/0009908402340240

Wang, S., Wan, J., Li, D., & Zhang, C. (2016). Implementing smart factory of industrie 4.0: an outlook. International journal of distributed sensor networks, 12(1), 3159805. https://doi.org/10.1155/2016/3159805.

آمار
تعداد مشاهده مقاله: 1,255
تعداد دریافت فایل اصل مقاله: 431


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب