بهبود کارایی پیش‌بینی بهره وری با رویکرد طراحی آزمایشات تاگوچی (مورد مطالعه : صنایع غذایی ایران)

پیش­بینی بهره­وری عاملی بسیار مهم در طراحی استراتژی­های یک سازمان است. یکی از روش­های   پیش­بینی بهره­وری، استفاده از شبکه­های عصبی مصنوعی است که به علت دارا بودن پارامترهای قابل تنظیم،   به­کارگیری آن نیاز به تجربه و مهارت زیادی دارد و اغلب از آزمایش و خطا برای دستیابی به سطوح مناسب این پارامترها استفاده می­شود. این مقاله، الگویی 7 مرحله­ای جهت انتخاب مقادیر مناسب پارامترهای قابل تنظیم شبکه عصبی ارائه می دهد تا با به­کارگیری طراحی آزمایش های تاگوچی کارایی در پیش­بینی بهره­وری بهبودمی یابد. به­کارگیری این روش در پیش­بینی بهره­وری صنایع غذایی ایرن، سطوح بهینۀ پارامترها را که منجر به مطلوب­ترین پیش­بینی در شبکه عصبی می­شود، بدین شرح ارائه می­دهد: تعداد لایه­های پنهان: 2 لایه، تعداد نورون هر لایه پنهان: 7 نورون، نرخ یادگیری: 9/0 و تعداد ورودی­های شبکه عصبی: شاخص­های بهره­وری با درجه همبستگی بیشتر از 85/0؛ که از بین عوامل فوق، عامل تعداد لایه­های پنهان با سهم مشارکت 18/71% در نتیجۀ آزمایش­ها، مهم­ترین عامل طراحی شبکه عصبی در پیش­بینی بهره­وری صنایع غذایی ایران است. در نهایت، نتیجه کلی تحقیق نشان داد که به کارگیری این الگو علاوه بر کاهش زمان و هزینه­های پیش­بینی، امکان انتخاب استراتژی­های رقابتی فراهم می­ شود. به علاوه این روش با تعیین سهم مشارکت هر یک از پارامتهای قابل تنظیم در نتایج آزمایش، تصمیم­گیرندگان را در میزان دقت و توجهی که باید به هر یک از این پارامترها داشته باشند، یاری می­رساند.