تحلیل اهمیت-عملکرد و کاربرد روش‌های پیش‌بینی و آینده‌پژوهی در تصمیم‌گیری محیط‌های عملیات مشترک و مرکب

نوع مقاله: مقاله علمی- پژوهشی

نویسندگان

1 دکتری تحقیق در عملیات دانشگاه تهران - عضو هیئت علمی دانشگاه فرماندهی و ستاد آجا

2 استاد دانشکده مدیریت دانشگاه تهران

3 کارشناسی ارشد مدیریت دفاعی

4 دانشیار ریاضی دانشگاه عالی دفاع ملی

چکیده

در گذشته بیشتر عملیات‌های نظامی بر اساس برآوردهای اطلاعاتی، نیروی انسانی، لجستیکی و سایر برآوردها و طرح‌های عملیاتی طرح‌ریزی و اجرا می‌گردیدند ولی به‌مرور زمان با گسترش عملیات‌های مشترک و حتی مرکب روش‌های پیش‌بینی، طرح‌ریزی و تصمیم‌گیری نیز متنوع‌تر شده و توسعه یافتند. در این مقاله کاربرد روش‌های پیش‌بینی و آینده‌پژوهی مورد توجه قرار گرفته و روش‌های متنوع مورد استفاده شناسایی، معرفی گردیدند. با مرور کاربرد این روش‌ها در مقالات علمی 10 سال اخیر و نظرات صاحب‌نظران مشخص گردید که روند استفاده از روش‌های پیش‌بینی و آینده‌پژوهانه رو به افزایش است. بر اساس مطالعات کتابخانه‌ای و مصاحبه با صاحب‌نظران و متخصصین روش‌های پیش‌بینی و آینده‌پژوهی در دو گروه روش‌های کمی و کیفی (98 روش اولیه) شناسایی گردیدند و با استفاده از روش PCA تعداد 64 روش استخراج و با روش تحلیل اهمیت- عملکرد (IPA) وضعیت کاربرد این روش‌ها در تصمیم‌گیری محیط عملیات مشترک و مرکب محاسبه شد. نتایج تحقیق نشان می‌دهد که از گروه روش‌های کمی؛ روش‌های تخمین حداکثر احتمال، مدل‌سازی رایانه، شبیه‌سازی، میانگین متحرک خودهمبسته، روش‌های غیرخطی پیش‌بینی، خودهمبسته، بردار خودهمبسته بدون محدودیت، الگوریتم ژنتیک و تحلیل روند و از گروه روش‌های کیفی نیز روش‌های تحلیل میک‌مک، دیده‌بانی آینده، رویه‌های آینده‌پژوهی مشارکتی، روش‌های گروه- مؤلفه، چشم‌اندازسازی، بازی جنگ و تحلیل مؤلفه اصلی از اهمیت بالاتری برخوردار هستند. همچنین در پایان با توجه به لزوم آشنایی تصمیم‌گیران محیط‌های عملیاتی مشترک و مرکب پیشنهادهایی برای بهبود استفاده از این روش‌ها ارائه‌شده است.

کلیدواژه‌ها


عنوان مقاله [English]

Importance-Performance Analysis and Utilization of Forecasting and Future Studies Methods to Decision Making in Joint and Combined Operation Fields

نویسندگان [English]

  • Mohammad Taghi Partovi 1
  • Mohammad Rezamehregan Mehreghan 2
  • Majid Rashidi 3
  • Mohammad Reza Khorashadizadeh 4
1 Faculty Member in Command and Staff University
2 Professor of Industrial Management in Faculty of Management of Tehran University
3 Msc in defensive management
4 Associate Prof of Mathematics in national defense university
چکیده [English]

In the past, most military operations were planned and implemented based on intelligence estimates, human resources, logistics and other estimates and operational plans. Meanwhile gradually, prediction, planning and decision-making techniques became more varied and expanded with the development of joint and even compound operations. In this paper, the utilization of prediction and future studies methods is considered various methods have been identified and introduced. By reviewing the application of these methods in scientific papers in the last 10 years and the opinions of experts, it has been found that it is increasing the trend of using prediction and futuristic methods. Based on library studies and interview with experts were identified forecasting and future studies methods in the two groups: quantitative and qualitative methods. 64 methods were extracted by using PCA method. The status of application of these methods was calculated in the decision-making environment of joint and compound operations by the importance-performance analysis method. The results show that quantitative methods: Maximum likelihood estimation methods, computer modeling, simulation, auto-regressive moving averages, nonlinear prediction methods, auto-regressive, vector, genetic algorithm and trend analysis and in qualitative methods: Micmac Analysis, Horizon Scanning, participatory future praxis, Cohort-Component Method, Strategic Visioning & Leadership, Wargaming, and Principal Component Analysis are more important. Finally, some suggestions have been made to improve the use of these methods in view of the need to familiarize decision makers in the Joint operation environment.

کلیدواژه‌ها [English]

  • Importance - Performance Analysis
  • Prediction and Forecasting Models
  • Future Studies Methods
  • Decision making
  • Joint Operations Environments
  • آذر، عادل.، و خسروانی، فرزانه. (1391). تحقیق در عملیات نرم (رویکردهای ساختاردهی مسئله)، تهران: انتشارات سازمان مدیریت صنعتی.
  • بهاری، مجتبی. (1391). ره نگاشت، مجموعه کتابچه‌های آموزشی آینده‌پژوهی (کتابچه چهارم)، تهران: مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
  • بهاری، مجتبی. (1391).  آینده‌پژوهی در سازمان، مجموعه کتابچه‌های آموزشی آینده‌پژوهی (کتابچه ششم)، تهران: مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
  • بهاری، مجتبی. (1391). بصیرت‌های آینده‌پژوهان حرفهای، مجموعه کتابچه‌های آموزشی آینده‌پژوهی (کتابچه هفتم)، تهران: مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
  • بهاری، مجتبی. (1391). تحلیل روند، مجموعه کتابچه‌های آموزشی آینده‌پژوهی (کتابچه پنجم)، تهران: مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
  • بیگدلی، حمید. و امیری، کامبیز. (1398). بازی‌های سرهنگ بلاتو و سرهنگ ریچارد،  فصلنامه بازی جنگ،4: 94-78.
  • پدارم، عبدالرحیم. و بهاری، مجتبی. (1391). روش‌شناسی آینده‌پژوهی: مجموعه کتابچه‌های آموزشی آینده‌پژوهی (کتابچه دوم)، تهران: مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
  • پرتوی، محمدتقی. و کرمانی، محمد. (1398). عملیات مشترک (تاریخچه، مبانی و نظریهها)، تهران: انتشارات دافوس.
  • پرتوی، محمدتقی.، مرادیان، محسن. و مؤمنی‌فرد، حسین. (1394). کاربردهای داده‌کاوی در تصمیم‌گیری فرماندهان و مدیران نظامی، فصلنامه علوم و فنون نظامی، 11 (31): 51-27.
  • پورکاظمی، محمدحسین. (1393). بهینه‌سازی پویا، کنترل بهینه و کاربردهای آن، تهران: انتشارت دانشگاه شهید بهشتی.
  • جعفرنژاد، احمد. (1397). مدیریت تولید و عملیات نوین، تهران: انتشارات دانشگاه تهران.
  • حاجیانی، ابراهیم. و همتی، علیرضا. (1394). مروری بر الگوهای روش تحلیل تأثیر متقابل و معرفی الگویی با منطق همبستگی، فصلنامه آینده‌پژوهی مدیریت، 26 (102): 85-69.
  • قائدی، محمدرضا. و گلشنی، علیرضا. (1395).روش تحلیل محتوا، از کمی گرایی تا کیفی گرایی، فصلنامه روش‌ها و مدل‌های روا‌‌ن‌شناختی، 7 (23): 82-57.
  • قزلباش، سمیه.، سجادی، ژیلا.، صرافی، مظفر. و کلانتری، محسن. (1394). آینده‌پژوهی به روش سناریونویسی تکوینی، چارچوبی برای پیوند علم و تجربه مطالعه موردی: نظام شهری استان زنجان،  فصلنامه جغرافیا، 47: 323- 303.
  • قنبرنژاد، رضا. (1395). مروری بر روش تجزیه‌وتحلیل تأثیر متقابل، اولین همایش بین‌المللی پژوهش‌های نوین در مطالعات مدیریت، شیراز، موسسه عالی علوم و فناوری خوارزمی.
  • مسعود، زهرا. و ساعی، احمد. (1396). آینده‌پژوهی جامعه مدنی در ایران با تأکید بر روش تحلیل لایه‌لایه علت‌ها، فصلنامه تخصصی علوم سیاسی، 13 (40): 225-195.
  • مهرگان، محمدرضا.، خراشادی‌زاده، محمدرضا. و پرتوی، محمدتقی. (1398)، شبیه‌سازی کشف و شناسایی اهداف پرنده در سامانه‌های فرماندهی و کنترل با بهره‌گیری از نظریه فازی، فصلنامه آینده‌پژوهی دفاعی، 3 (11): 117-99.
  • مولایی، محمدمهدی. و طالبیان، حامد. (1395). آینده‌پژوهی مسائل ایران با روش تحلیل ساختاری، فصلنامه مجلس و راهبرد، 23 (86): 32-5.
  • ·      ولی‌وند زمانی، حسین. و  مینائی، حسین. (1396). آینده‌نگاری فناوری‌های رزم زمینی در جنگ آینده، فصلنامه آینده‌پژوهی دفاعی، 2 (4): 33-7.
  • ·      وندل، بل. (1398). مبانی آینده‌پژوهی (تاریخچه، اهداف و دانش)، مترجم: تقوی، مصطفی و محقق، محسن؛ تهران: موسسه آموزشی و تحقیقاتی صنایع دفاعی، مرکز آینده‌پژوهی علوم و فناوری‌های دفاعی.
    • Ahmad, M., Tang, X. W., Qiu, J. N., & Ahmad, F. (2019). Interpretive Structural Modeling and MICMAC Analysis for Identifying and Benchmarking Significant Factors of Seismic Soil Liquefaction. Applied Sciences9(2), 233.‏
    • Al-Dabbagh, R. D., Baba, M. S., Mekhilef, S., & Kinsheel, A. (2012, May). The compact Genetic Algorithm for likelihood estimator of first order moving average model. In 2012 Second International Conference on Digital Information and Communication Technology and its Applications (DICTAP) (pp. 474-481). IEEE.‏
    • Box, G. E., Jenkins, G. M., & Reinsel, G. C. (1994). Time series analysis: forecasting and control, Prentince Hall. Englewood Cliffs.‏
    • Cavalcante, L., & Bessa, R. J. (2017, June). Solar power forecasting with sparse vector autoregression structures. In 2017 IEEE Manchester PowerTech (pp. 1-6). IEEE.‏
    • Chang, B. R. (2006). Applying nonlinear generalized autoregressive conditional heteroscedasticity to compensate ANFIS outputs tuned by adaptive support vector regression. Fuzzy Sets and Systems157(13), 1832-1850.‏
    • Cheung, S. H., Wu, K. H., & Chan, W. S. (1998). Simultaneous prediction intervals for autoregressive-integrated moving-average models: A comparative study. Computational statistics & data analysis28(3), 297-306.‏
    • Chinnis Jr, J. O., Freeling, A. N., & Seaver, D. A. (1981). An Assessment of Markov Renewal Models in Forecasting International Affairs (No. TR-81-2). Decisions And Designs Inc Mclean Va.‏
    • Dixon, P. (2016). The Future of Almost Everything: The Global Changes That Will Affect Every Business and All Our Lives. Profile Books; Main edition.
    • Foley, D. (2018). A Bayesian Approach to Time Series Forecasting.
    • Hansen, L. P. (1982). Large sample properties of generalized method of moment’s estimators. Econometrica: Journal of the Econometric Society, 1029-1054.‏
    • Hendry, D. F., & Nielsen, B. (2007). Econometric modeling: a likelihood approach. Princeton University Press.‏
    • Lawrance, A. J., & Lewis, P. (1981). A new autoregressive time series model in exponential variables (NEAR (1)). Advances in Applied Probability13(4), 826-845.‏
    • Liu, H., Li, C., Shao, Y., Zhang, X., Zhai, Z., Wang, X., ... & Jiao, M. (2020). Forecast of the trend in incidence of acute hemorrhagic conjunctivitis in China from 2011–2019 using the Seasonal Autoregressive Integrated Moving Average (SARIMA) and Exponential Smoothing (ETS) models. Journal of Infection and Public Health.‏
    • Mališić, J. D. (1987). On exponential autoregressive time series models. In Mathematical Statistics and Probability Theory (pp. 147-153). Springer, Dordrecht.‏
    • Miles, I., Saritas, O., & Sokolov, A. (2016). Foresight for science, technology and innovation. Switzerland: Springer International Publishing.‏
    • Miller, J. F. (2019). Cartesian genetic programming: its status and future. Genetic Programming and Evolvable Machines, 1-40.‏
    • Morris, N.C. (2015). Experimental Design: Large-Scale Social Experimentation, International Encyclopedia of the Social & Behavioral Sciences, 531-534.
    • Myerson, R. (1991). Game Theory: Analysis of Conflict Harvard Univ. Press, Cambridge.‏
    • Northcott, R. (2019). Big data and prediction: Four case studies. Studies in History and Philosophy of Science Part AIn press, corrected proof, 705-716.
    • Ooms, M. (1994). The Unrestricted VAR and Its Components. In Empirical Vector Autoregressive Modeling (pp. 11-58). Springer, Berlin, Heidelberg.‏
    • Otto, P., Schmid, W., & Garthoff, R. (2018). Generalised spatial and spatiotemporal autoregressive conditional heteroscedasticity. Spatial Statistics26, 125-145.‏
    • Pearson, K. (1901). LIII. On lines and planes of closest fit to systems of points in space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science2(11), 559-572.‏
    • Royle, J. A., & Dorazio, R. M. (2008). Hierarchical modeling and inference in ecology: the analysis of data from populations, metapopulations and communities. Elsevier.‏
    • Salem, A. J., & Ahmad, A. A. (2018). Stability of a Non-Linear Exponential Autoregressive Model. Open Access Library Journal5(4), 1-15.‏
    • Scotto, M. G., Weiß, C. H., Silva, M. E., & Pereira, I. (2014). Bivariate binomial autoregressive models. Journal of Multivariate Analysis125, 233-251.‏
    • Sharifi, S., Abrishami, S., & Gandomi, A. H. (2020). Consolidation assessment using Multi Expression Programming. Applied Soft Computing86, 105842.‏
    • Tsiotas, G. (2015). A quasi-Bayesian model averaging approach for conditional quantile models. Journal of Statistical Computation and Simulation85(10), 1963-1986.‏
    • Vlcek, Z. (2014). Analysis of autoregressive fuzzy systems,. doi: 10.1109/fuzzy.2004.1375341
    • Wandell, b. (2011). Memories of the Future. Transaction Publishers.
    • Wendell, B. (2003). Foundations of Futures Studies (Human Science for a New Era Series). Routledge.
    • Wendell, B. (2009). Foundations of Futures Studies: (Vols. 1: History, Purposes, Knowledge). Human Science for a New Era. Retrieved from http://125.234.102.150:8080/dspace/handle/DNULIB_52011/8607
    • Wibowo, A., Pujianto, H., & Saputro, D. R. S. (2017, November). Nonlinear autoregressive exogenous model (NARX) in stock price index's prediction. In 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE) (pp. 26-29). IEEE.‏
    • Zuchowski, L. C. (2017). A Philosophical Analysis of chaos Theory. Palgrave Macmillan.