آینده‌پژوهی دفاعی

آینده‌پژوهی دفاعی

بررسی تاثیرات بیماری کرونا بر نیروی هوایی ارتش جمهوری اسلامی ایران با رویکرد گراف R-تاپسیس

نوع مقاله : مقاله علمی- پژوهشی

نویسندگان
حمیدرضا صیتی 1
مهران خلج 2
اسماعیل شریفان 3
1 پژوهشگر، دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی، تهران، ایران
2 دکتری مهندسی صنایع، دانشگاه آزاد واحد رباط کریم، رباط کریم، ایران
3 دکتری سیاست دفاعی، دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی، تهران، ایران
10.22034/dfsr.2021.528618.1486
چکیده
سازمان‌های دفاعی نیاز به هوشمندی برای افزایش آمادگی و چابکی خود در مقابل تهدیدها و پیامدهای مختلف دارند، مخصوصاً در مواردی که یک اتفاق منجر به سلسله­‌ای از پیامدهای گوناگون می‌شود. یکی از این موارد هوشمندی، دانستن میزان تغییرات و متغیرهای مورد علاقه سازمان به دلیل رخداد حوادث گوناگون می‌باشد. در این موارد، آگاهی از این میزان تغییرات، برنامه‌­ریزی مناسبی را جهت کاهش آن در اختیار مدیران قرار می‌دهد. روش‌های مختلفی برای تحلیل­ سناریو در ادبیات موضوع موجود می‌باشد که دارای نقاط ضعف و قوت خود می‌باشند. در این پژوهش، یک چارچوب تحلیل ­سناریو بر مبنای روش علّی گراف ­R  و روش تاپسیس برای بررسی تأثیرات بیماری­ کرونا بر نیروی هوایی ارتش جمهوری اسلامی ایران (نهاجا) ارائه می‌­گردد. نتایج بدست­ آمده نشان می‌­دهد به دلیل رخداد کرونا، بیشترین اهمیت در بین متغیرها مرتبط با عامل اختلال در آموزش­‌های مهارت­‌محور می‌باشد و کمترین اهمیت متعلق به متغیر هزینه‌­ی کل می‌باشد. بر پایه این نتایج بدست ­آمده، مدیران راهبردی می‌توانند سیاست­‌های مناسب را جهت کاهش این پیامدها پایه‌ریزی کنند.
کلیدواژه‌ها
روش گراف ‌R
روش تاپسیس
مدیریت ریسک
کووید-19
نهاجا
  • امینی، علی. (1396). تحلیل تاثیر هوشمندی فناوری بر مزیت رقابتی در بنگاه (مطالعه موردی: شرکت‌های دارویی)، مدیریت بهداشت و درمان، 8(2): 85-75.
  • زهدی نسب، یعقوب. و محمودی طولش، ساسان. (1399). آینده‌پژوهی همکاری‌های دفاعی عربستان سعودی، امارات متحده و رژیم صهیونیستی در مقابل جمهوری اسلامی ایران بر پایه سناریونویسی. آینده‌پژوهی دفاعی, 5(19): 37-61.‎
  • صیتی، حمیدرضا. (1400). توسعه مدل‌های بومی کمی­سازی خطای اطلاعات بدست­آمده از ارزیابی‌های کارشناسان در تدوین و پیاده­سازی نظام هوشمندی و هشدار بهنگام علم و فناوری داجا و پیاده­سازی نرم­افزار مرتبط، طرح تحقیقاتی، پژوهشکده آماد، فناوری دفاعی و پدافند غیرعامل، دانشگاه و پژوهشگاه عالی دفاع ملی و تحقیقات راهبردی.
  • کشاورزترک, محسن.، کشاورز ترک, عین الله. (1399). توسعه روش‌شناسی برنامه‌ریزی مبتنی بر سناریو در فرآیند مدیریت نوآوری (مورد مطالعه: شرکت‌های حوزه فناوری اطلاعات). آینده‌پژوهی دفاعی, 5(19): 63-85 .‎
  • Chen, K., Ren, Z., Mu, S., Sun, T. Q., & Mu, R. (2020). Integrating the Delphi survey into scenario planning for China's renewable energy development strategy towards 2030. Technological Forecasting and Social Change, 158: 120157.
  • Derbyshire, J., & Giovannetti, E. (2017). Understanding the failure to understand New Product Development failures: Mitigating the uncertainty associated with innovating new products by combining scenario planning and forecasting. Technological Forecasting and Social Change, 125: 334-344.
  • Hafezalkotob, A., & Hafezalkotob, A. (2016). Fuzzy entropy-weighted MULTIMOORA method for materials selection. Journal of Intelligent & Fuzzy Systems, 31(3): 1211-1226.
  • Hussain, M., Tapinos, E., & Knight, L. (2017). Scenario-driven roadmapping for technology foresight. Technological Forecasting and Social Change, 124: 160-177.
  • Johansen, I. (2018). Scenario modelling with morphological analysis. Technological Forecasting and Social Change, 126: 116-125.
  • Kaedi, M., Ghasem-Aghaee, N., & Ahn, C. W. (2016). Biasing the transition of Bayesian optimization algorithm between Markov chain states in dynamic environments. Information Sciences, 334: 44-64.
  • MacKay, R. B., & Stoyanova, V. (2017). Scenario planning with a sociological eye: Augmenting the intuitive logics approach to understanding the Future of Scotland and the UK. Technological Forecasting and Social Change, 124: 88-100.
  • Norouzi, N., Fani, M., & Ziarani, Z. K. (2020). The fall of oil Age: A scenario planning approach over the last peak oil of human history by 2040. Journal of Petroleum Science and Engineering, 188: 106827.
  • Oliva, S. V., & Martinez-Sanchez, A. (2018). Technology roadmapping in security and defence foresight. foresight.
  • Potîrniche, M. T. (2017). Military Scenario Development. Vojenské rozhledy, 26(MC): 33-40.
  • Saritas, O., & Burmaoglu, S. (2016). Future of sustainable military operations under emerging energy and security considerations. Technological Forecasting and Social Change, 102: 331-343.
  • Seiti, H., Makui, A., Hafezalkotob, A., Khalaj, M. & A. Hameed, I. (2021). R. Graph: A New Risk-based Causal Reasoning and Its Application to COVID-19 Risk Analysis. VIXRA preprint VIXRA: 0020. https://vixra.org/abs/2102.0020
  • Tack, S. (2020). COVID-19: How Pandemics Disrupt Military Operations (2020). Extracted from https://www.realcleardefense.com/articles/2020/03/28/covid-19_how_pandemics_disrupt_military_operations_115157.html.
  • Wang, H., Xu, C., & Xu, Z. (2019). An approach to evaluate the methods of determining experts’ objective weights based on evolutionary game theory. Knowledge-Based Systems, 182: 104862.
  • Washingtonpost. (2020). How coronavirus will affect the US military Extracted from,https://www.washingtonpost.com/politics/2020/03/19/how-will-coronavirus-affect-us-military-readiness-national-security/.
  • Witt, T., Dumeier, M., & Geldermann, J. (2020). Combining scenario planning, energy system analysis, and multi-criteria analysis to develop and evaluate energy scenarios. Journal of Cleaner Production, 242: 118414.

Yue, Z. (2011). A method for group decision-making based on determining weights of decision makers using TOPSIS. Applied Mathematical Modelling, 35(4), 1926-1936.