فشار بخار خاصیت ترمودینامیکی مهمی در بسیاری از فرآیند های مختلف مهندسی شیمی نظیر تعادل شیمیایی، تقطیر ، تبخیر و مانند آنها به شمار می رود. تعیین این مشخصه می تواند به محاسبه مشخصات مهم دیگری نظیر انتالپی تبخیر بیانجامد. در صنایع نفت وگاز هم تعیین فشار بخار دارای اهمیت ویژه ای می باشد. در این حوزه در دو مورد عمده با فشار بخار برخورد می شود؛ یکی از این موارد، فشار بخار در مخازن می باشد. یکی از روش های مهم برای تقسیم بندی انواع مخازن نگهداری سیالات در صنعت نفت و گاز، تقسیم بندی آنها بر اساس فشار بخار سیالات مورد نظر می باشد. برای هر محدوده از فشار بخار مواد (فشار پایین، فشار متوسط، فشار بالا) از انواع مخصوصی از مخازن استفاده می شود. به عنوان مثال برای سیالات با فشار بخار پایین، از مخازن سقف ثابت استفاده می شود. برای سیالات با فشاربخار متوسط، مخازن سقف متحرک یا به عبارتی سقف شناور مورد استفاده قرار می گیرد.
فشار بخار محصولات مایع، از دیگر مواردی است که در صنعت مورد اندازه گیری واقع می شود. یکی از راههای اندازه گیری غیر مستقیم میزان سرعت تبخیر حلال های نفتی فرار، فشار بخار آن ها می باشد.محصولات تولیدی پالایشگاه نیز می بایست دارای مشخصات ویژه ای بوده و استانداردهایی در آن ها رعایت شده باشد تا در بازارهای جهانی امکان حضور و فروش خوب داشته باشد. بر همین اساس میزان فشاربخار از جمله مهمترین خصوصیت های مورد توجه است که علاوه بر کیفیت و قیمت از نقطه نظر ایمنی هنگام انتقال و ذخیره سازی نیز بسیار مهم می باشد و همواره مورد آزمایش و کنترل واقع می شود. از این رو اهمیت تعیین دقیق فشاربخار سیالات در حوزه صنایع نفت برکسی پوشیده نیست.
1-2-تعریف فشار بخار
فشار بخار به صورت فشار جزئی اعمال شده توسط بخار بالای سطح مایع تعریف می شود که این بخار در یک دمای معینی با مایع به تعادل می رسد. زمانی كه لحظه ی تعادل نزدیك می شود، تعداد مولكول های بخار شده با تعداد مولكول های متراكم شده برابر می شود. در واقع سرعت تبخیر با سرعت تراكم برابر می گردد و فشار مشخص شده در این حالت، فشار بخار آن مایع در آن دما است.] 1 [
1-3-عوامل مؤثر بر فشار بخار
در کل فشار بخار یک مایع به دو عامل زیر بستگی دارد:

• ماهیت و طبیعت مایع

• دمای مایع

1-3-1- ماهیت مایع
مایعاتی که دارای نیروهای بین مولکولی ضعیفی هستند، فرارترند و فشار بخار بالاتری دارند. برای مثال، فشار بخار اتیل الکل بیشتر از فشار بخار آب است.
1-3-2-دمای مایع
فشار بخار با افزایش دما، افزایش می یابد. این مسئله بدین علت است که با افزایش دما، سرعت تبخیر نیز، افزایش می یابد.
1-4-بیان مسأله
فشار بخار مواد مختلف  از جمله خواص مورد نیاز برای انجام محاسبات مهندسی شیمی نظیر محاسبات تعادلی و عملیات واحد مهندسی شیمی است که پژوهشهای فراوانی در مورد آن  در حال انجام است. رایج ترین روش های تعیین فشاربخار شامل اندازه گیری های آزمایشگاهی، معادله های حالت، روابط تجربی و روابط بر مبنای قانون حالت های متناظر می باشند. ضرورت محاسبه فشاربخار با استفاده از روابط ریاضی زمانی افزایش می یابد که داده های آزمایشگاهی در دسترس نباشد. از آنجایی که شرایط بسیاری از فرایندهای شیمیایی به گونه ای است که عملاً تعیین فشار بخار مواد به صورت تجربی امکان پذیر نمی باشد و اندازه گیری آن در برخی فشارها ودماهای خاص سخت ومقادیر به دست آمده خیلی قابل اعتماد نیست، لذا ارائه مدل ها و روشهای پیش بینی فشار بخار، سهم عمده ای در تعیین این خاصیت ترمودینامیکی خواهند داشت. بنابراین روشهای پرشماری برای پیش بینی این مشخصه  ارائه شده اند و هر ساله روش های جدیدتری معرفی و یا روشهای قدیمی تصحیح می شوند. ] 5-2 [
 
1-5-توجیه ضرورت انجام تحقیق
از آنجایی که بسیاری از روابط تجربی ویا روابط حالت های متناظر دارای محدودیت هایی در تعیین فشار بخار هستند و برای تعیین فشار بخار در تمام محدوده دمایی مورد نیاز قابل استفاده نیستند ودقت قابل قبولی ندارند از این رو استفاده از روش های جدیدی كه به دور از این محدودیت ها باشند ،توصیه می گردد. یکی از روش های مدلسازی که در سالهای اخیر مورد توجه بسیاری از محققین در علوم مختلف واقع شده است، مدلسازی به روش شبکه عصبی مصنوعی می باشد. شبكه های عصبی مصنوعی به عنوان زیر مجموعه ای از روش های هوش مصنوعی، با ساختار و عملکردی شبیه به مغز انسان در طیف وسیعی برای حل بسیاری از مسائل شامل ارزیابی، بهینه سازی، پیش بینی، تشخیص و كنترل مورد استفاده قرار می گیرند.] 6 [ یكی از مزیت های استفاده از شبكه های عصبی مصنوعی نسبت به مدل های قدیمی این است كه نیازمند تعیین یك تابع خاص برای بیان رابطه میان داده های ورودی و خروجی نیست.  رابطه بین داده های ورودی و خروجی ازطریق فرایند آموزش به دست می آید. ] 7 [
 
1-6-اهداف تحقیق

• مطالعه روش های مختلف برای محاسبه فشار بخار
• بررسی میزان دقت و چگونگی اعمال روش های موجود برای محاسبه فشار بخار مواد مختلف
• ارتقای روش های پیش بینی فشار بخار با اعمال روش نوین شبکه عصبی و مقایسه آن با روش های قدیمی
• ارزیابی نتایج حاصل از مدل سازی به وسیله شبکه ی عصبی با داده های تجربی و بررسی دقت آن

1-7-مراحل انجام تحقیق
در بخش اول این پایان نامه روش های مختلف برای محاسبه فشار بخار بصورت جامع و کامل مورد بررسی قرار گرفت و پارامترهای هریک از روابط ، دقت تخمین فشار بخار و محدوده مطلوب دمایی هرکدام از روش ها ذکر گردید.
در بخش دوم  به معرفی وبررسی روش شبکه عصبی  به عنوان یک روش محاسباتی دقیق برای پیش بینی فشار بخار مواد پرداخته شد. در این مرحله از پایان نامه، مدل شبکه عصبی مصنوعی به عنوان روش تحقیق، بررسی شد و توضیحات جامعی از این روش و کاربردها  و ویژگی های آن و چگونگی اعمال این روش برای پیش بینی فشاربخار مواد ارائه شد.
در بخش سوم پایان نامه، روش نوین شبکه عصبی برای پیش بینی دقیق تر فشار بخار چندین گروه از مواد اعمال شد و شبکه عصبی مطلوب طراحی و نتایج حاصل از مدلسازی توسط روش شبکه عصبی مصنوعی برای گروههای مختلف مواد ارائه گردید. در این بخش با استفاده از منابع معتبر و داده های تجربی مورد اعتماد، میزان دقت و چگونگی اعمال مدل های مرسوم مختلف برای تخمین فشاربخار بررسی شد. در ادامه سعی شد تا کارایی روش های مختلف پیش بینی فشار بخار مواد در شرایط و برای مواد مختلف مورد بررسی قرار گیرد . در خاتمه نتایج به دست آمده از تحقیق حاضر و پیشنهادهایی برای تحقیقات آتی ارائه شده است.
1-8-ساختار تحقیق
کاربردی ترین و معروف ترین روابط محاسبه فشار بخار در فصل دوم پایان نامه ذکر گردید. در این فصل، هشت رابطه معرفی وبررسی گردید. در ادامه، پیشینه استفاده از روش شبکه عصبی برای تعیین خواص ترمودینامیکی مواد از جمله فشار بخار ترکیبات  مختلف بیان شد. از مهم ترین ویژگی های شبکه های عصبی مصنوعی وابسته نبودن آن ها به فرضیه های اولیه درباره داده های ورودی است؛ به این معنا که داده های ورودی می توانند هرگونه توزیع آماری دلخواهی داشته باشند ] 8 [ این ویژگی مهم شبکه های عصبی امتیاز ویژه آن ها در مقابل روش های آماری است و به آن ها این توانایی را می دهدکه به طور یکسان از انواع مختلف داده های ورودی با هر توزیع دلخواه استفاده کنند.] 9 [حاصل تحقیقات و پژوهش های صورت گرفته طی سالهای اخیر برای پیش بینی و تخمین خواص فیزیکی و ترمودینامیکی با استفاده از انواع مدل های شبکه عصبی مصنوعی،در این فصل ارائه شده است.
در فصل سوم، ساختار شبکه عصبی به طور کامل تشریح گردید. انواع شبکه های عصبی ، الگوریتم های آموزش شبکه ومراحل کار با شبکه عصبی برای رسیدن به هدف مورد نظر بیان شد.
در فصل چهارم، مراحل آموزش و تست شبکه عصبی برای 4 گروه از مواد اعمال شد.تعداد 176 داده از گروه هیدروکربن های آروماتیکی، 254 داده از گروه آلکان ها و آلکن ها ، 202 داده از گروه الکل ها و 224 داده از گروه آلکیل سیکلو هگزان ها در این تحقیق مورد استفاده قرار گرفته است. هرکدام از گروه های بالا به طور جداگانه به شبکه معرفی شد ونتایج عملکرد شبکه برای هر خانواده از مواد ارائه گردید. مراحل رسیدن به بهترین ساختار شبکه، به تفکیک بیان شد ونتایج حاصل از مدلسازی فشاربخار مواد توسط شبکه عصبی، با روش ها و روابط ریاضی موجود مقایسه گردید و میزان خطای هریک از روش ها و همینطور مدل شبکه عصبی مصنوعی، تعیین گردید. در ادامه بهترین نتیجه ازیافته ها ومحاسبات این تحقیق، ارائه گردید.
در فصل پنجم، از نتایج حاصل از پایان نامه، نتیجه گیری صورت گرفت و برای تحقیقات آتی، پیشنهادهایی بیان شد.

رشد روز افزون استفاده از منابع فسیلی و محدودیت این منابع باعث افزایش قیمت این ماده ارزشمند و تبدیلآن به یک کالای استراتژیک اقتصادی شده است. اگر مشکلات زیست محیطی و گرم شدن کره زمین به خاطر آلایندگی حاصل از گازهای گلخانه‌ای را نیز به آن بیافزایم، اهمیت یافتن جایگزینی رابرای رفع نیاز روز افزون جهان به منابع جدید انرژی درمی‌یابیم. این مشکل در چند دهه اخیر نه‌تنها گریبان‌گیر واردکنندگان نفت بوده بلکه برای کشورهای نفت خیزی چون ایران نیز که با مشکلات گوناگون در زمینه تهیه سوخت رو به رو هستند، هم

 مسأله ساز شده است.

تاکنون مهمترین و معمول ترین سوخت جهت استفاده در سرویس‌های حمل و نقل، در بسیاری از کشورهای جهان بنزین و گازوئیل بوده است. اتومبیل‌هایی که بنزین یا گازوئیل را به عنوان سوخت مصرف می‌کنند موجب انتشار مواد مضر و آلاینده با ترکیبات شیمیایی پیچیده می‌شوند که خود، سبب تولید اوزون تروپسفری (اوزون در سطح زمین)می‌شوند. با آنکه تمهیدات مختلف جهت کاهش آلودگی ازمعاینه فنی خودورها گرفته تا نصب سیستم‌های کنترل انتشار آلاینده در اگزوز خودروها که در کشورهای پیشرفته بکار گرفته شده، اما این برنامه‌ها در شهرهای بزرگ تولید اوزون و سایر آلاینده‌ها را به طور چشم‌گیری کاهش نداده است.
سوخت‌های پاک دارای خواص فیزیکی و شیمیایی ذاتی هستند که آنها را پاک‌تر از بنزین و دیزل با ساختار و ترکیبات فعلی در عمل احتراق، می‌نماید. به‌طور کلی این سوخت‌ها حین احتراق، هیدروکربن(نسوخته) کمتری تولید کرده و مواد منتشر شده حاصل از احتراق آنها دارای فعالیت شیمیایی کمتر برای تشکیل اوزون و مواد سمی دیگر می‌باشند. استفاده از سوخت‌های جایگزین، شدت افزایش ودی‌اکسیدکربنرا که سبب گرم شدن کره زمین می‌شود نیز کاهشمی‌دهد. دانشمندان و محققان بسیاری به منظورجایگزینسوخت‌های مناسب‌ترآزمایش‌ها و تحقیقیات فراوان انجام دادند. از جمله جایگزین‌هایی که می توان از آنها در موتورهای احتراق تراکمی استفاده کرد، استر روغن‌های گیاهی یا بیودیزل‌هااست.از آنجا که روغن‌های گیاهی گران‌قیمتهستند، سبب می‌شوند که بیودیزل‌های تولید شده از منابع گیاهی گرانتر از سوخت دیزل معمولی شوند. از این‌رو یافتن روغن‌های گیاهی غیر خوراکی و استفاده از روغن‌های پسماند خوراکی جهت تولید بیودیزل می‌تواند از قیمت نهایی آنها بکاهد و باعث شود که تولید آنها از لحاظ اقتصادی مقرون به صرفه باشد.

1-1- تاریخچه تعامل انسان با کامپیوتر:

تحقیقات در زمینه تعامل انسان و کامپیوتر باعث ایجاد تغییرات اساسی در دنیای کامپیوتر شده است. تعامل انسان با کامپیوتر مطالعه و تحقیق در زمینه کاربردپذیری[1] است و بیشتر در مورد درک و تولید نرم‌افزارها و دیگر تکنولوژی‌هایی است که افراد از آنها استفاده می‌کنند. در طول دو دهه گذشته تعامل انسان و کامپیوتر مرکز توجه تحقیقات علوم کامپیوتر و علوم اجتماعی و رفتارشناسی قرار گرفته است. بررسی رفتار کاربر در مقابله با تغییرات ایجاد شده در رابط کاربری یا سایر تنظیمات از شاخه‌های علم تعامل انسان با کامپیوتر(Human Computer Interaction-HCI) است که با رویکرد روانشناسی در بهبود سیستم‌های طراحی شده برای کاربران به کار

 می رود. علم “تعامل انسان و كامپیوتر” اولین باردر سال 1975 مطرح و شناخته شد. در سال 1980 به عنوان شاخه ای مستقل از علم مطرح شد و نیز اولین كتاب در این زمینه در سال 1983 چاپ شد.[2] این مبحث پس از مطرح شدن این شاخه از علم توجه گروه بسیار زیادی از متخصصان سیستم و برنامه نویسان و طراحان رابط كاربری به آن جلب شد زیرا تا آن زمان در طراحی سیستم‌های كامپیوتری به نقش كاربر توجه زیادی نشده بود. هدف از پرداختن به این علم میان رشته ای ایجاد متدولوژی‌ها و پروسه‌های طراحی رابط کاربری، ایجاد متد‌های برای تغییر رابط‌های کاربری جدید، تکنیک‌های سنجش و مقایسه رابط‌های کاربری،پیاده سازی رابط‌های کاربری جدید و تکنیک‌های تعامل، پیاده سازی  مدل‌های توصیفی و پیشگویانه[2]و تئوری‌های تعامل بوده است. هدف طولانی مدت تعامل انسان و کامپیوتر نیز طراحی و ساخت سیستم‌هایی است که کمترین مانع و مشکل را برای مدل شناختی کاربران و آنچه کاربران از کار کردن با سیستم طراحی شده می دانند، ایجاد نماید.[3] کاربرد پذیری، ثبات، امنیت، سادگی ارتباط با شبکه اجتماعی و رابط کاربری همه از مواردی است که در طراحی و حتی بازبینی و اعمال تغییرات در این بستر ارتباطی باید مورد توجه قرار گیرد. در بخش‌های بعدی به تفصیل به این موضوع پرداخته خواهد شد. برخی از دلایل موفقیت این علم کاملاَ ریشه در تکنولوژی دارد: تعامل انسان با کامپیوتر مشکلات زیادی را تشخیص داده و برای حل آنها راه حل‌های مناسبی در حوزه علوم کامپیوتر ارئه کرده است. برای مثال در ایجاد تغییر در واسط کاربری، سیستم‌های مدیریت واسط کاربری، راهنما‌های سیستم .

سایر دلایل به طور عمده فرهنگی است: این علم موجب شده است که در صورت استفاده افراد غیر فنی از کامپیوتر و سایر تکنولوژی‌های وابسته، تاثیرشان بر زندگی فرد مشخص باشد.

بررسی رفتار کاربر در مقابله با تغییرات ایجاد شده در رابط کاربری یا سایر تنظیمات از شاخه‌های علم تعامل انسان با کامپیوتر(Human Computer Interaction-HCI) است که با رویکرد روانشناسی در بهبود سیستم‌های طراحی شده برای کاربران به کار می رود. علم “تعامل انسان و كامپیوتر” اولین باردر سال 1975 مطرح و شناخته شد. در سال 1980 به عنوان شاخه ای مستقل از علم مطرح شد و نیز اولین كتاب در این زمینه در سال 1983 چاپ شد.[2] این مبحث پس از مطرح شدن این شاخه از علم توجه گروه بسیار زیادی از متخصصان سیستم وبرنامه نویسان و طراحان رابط كاربری به آن جلب شد زیرا تا آن زمان در طراحی سیستم‌های كامپیوتری به نقش كاربر توجه زیادی نشده بود. هدف از پرداختن به این علم میان رشته ای ایجاد متدولوژی‌ها و پروسه‌های طراحی رابط کاربری، ایجاد متد‌های برای تغییر رابط‌های کاربری جدید، تکنیک‌های سنجش و مقایسه رابط‌های کاربری،پیاده سازی رابط‌های کاربری جدید و تکنیک‌های تعامل، پیاده سازی  مدل‌های توصیفی و پیشگویانه[3]و تئوری‌های تعامل بوده است. هدف طولانی مدت تعامل انسان و کامپیوتر نیز طراحی و ساخت سیستم‌هایی است که کمترین مانع و مشکل را برای مدل شناختی کاربران و آنچه کاربران از کار کردن با سیستم طراحی شده می دانند، ایجاد نماید.[3] کاربرد پذیری، ثبات، امنیت، سادگی ارتباط با شبکه اجتماعی و رابط کاربری همه از مواردی است که در طراحی و حتی بازبینی و اعمال تغییرات در این بستر ارتباطی باید مورد توجه قرار گیرد.

[1] Usability

[2] Descriptive and Predictive Models

[3] Descriptive and Predictive Models

در سالهای اخیر در اغلب کشورهای جهان برای ارزیابی عملکرد نهادها و دیگر فعالیت­های رایج در زمینه­های مختلف، کاربرد­های مختلفی از تحلیل پوششی داده­ها (DEA) دیده شده است. علت مقبولیت گسترده­تر روش DEA نسبت به سایر روش­ها، امکان بررسی روابط پیچیده و اغلب نامعلوم بین چندین ورودی و چندین خروجی است که در این فعالیت­ها وجود دارد. [1] در سال 1957 فارل[1] با استفاده از روشی مانند اندازه­گیری کارایی در مباحث مهندسی اقدام به اندازه­گیری کارایی برای یک واحد تولیدی نمود. موردی که فارل برای اندازه گیری کارایی مد نظر قرار داده بود شامل یک ورودی و یک خروجی بود. مطالعه فارل شامل اندازه­گیری “کارایی­های فنی” و “تخصصی” و “مشتق تابع تولید کارا” بود. فارل مدل خود را برای تخمین کارایی بخش کشاورزی آمریکا نسبت به سایر کشور­ها مورد استفاده قرار داد. بااین وجود، او در ارائه روشی که دربرگیرنده ورودی و خروجی های متعدد باشد، موفق نبود.
چارنز، کوپر و رودز دیدگاه فارل را توسعه داده و مدلی را ارائه کردند که توانایی اندازه گیری کارایی با چندین ورودی و چندین خروجی را داشت. این مدل تحت عنوان “تحلیل پوششی داده­ها” نام گرفت و ابتدا در رساله­ی دکتری ادوارد رودز[2] و به راهنمایی کوپر[3] تحت عنوان “ارزیابی پیشرفت تحصیلی دانش آموزان مدارس ملی آمریکا” در سال 1976 در دانشگاه کارنگی مورد استفاده قرار گرفت و در سال 1978 در مقاله ای تحت عنوان “اندازه­گیری کارایی واحد­های تصمیم گیرنده” ارائه شد.
از آنجا که این مدل توسط چارنز[4] ، کوپر و رودز ارائه گردید، به مدل CCR که از حروف اول نام افراد فوق تشکیل شده است معروف گردید. هدف در این مدل اندازه گیری و مقایسه کارایی نسبی واحد­های سازمانی مانند مدارس، بیمارستان ها، شعب بانک، شهرداری­ها و … که دارای چندین ورودی و خروجی شبیه به هم باشند است. [2]
مارشال[5] اولین کسی بود که اهمیت محلی کردن صنایع را  به توسعه ناحیه ای صنعت مدرن مرتبط ساخت. او نتیجه گیری کرد که بنگاه­ها

 یا کارخانه­ها قادرند تا تعدادی از مولفه­های تولید مانند زمین، نیروی انسانی، سرمایه، انرژی، و حمل و نقل را از طریق تراکم به اشتراک گذارند. یافته­های ماشال به مفهوم اقتصاد خارجی منجر شد.[27]و[37] کارخانه­های تولیدی مجاور هزینه­های تولید و هزینه­های معاملات را از طریق مشارکت در زیر بنا ، نیروی کار ماهر ، منابع تولیدی در ناحیه کاهش می دهند. بنابراین اقتصاد خارجی و کاهش هزینه معاملات، فاکتور اصلی در تشکیل خوشه های صنعتی می باشد.

وقتی خوشه های صنعتی تخصصی سازی تولید و نزدیکی جغرافیایی بخش های مربوط را به دست می دهد، آنها تکنولوژی خارجی را تولید می کنند که به تولید کنندگان در منطقه کمک می­کند . در حالی که عملیات سیستم تولید محلی تخصصی سازی تولید کننده را تقویت می کند و رابطه ی بین تولید کنندگان محلی و موسسه های محلی نزدیکتر می گردد.[20] یکی از منابع رقابتی بودن ناحیه ای عملیات سیستم تولید محلی می باشد.[19] چنین ویژگی های حیاتی اقتصاد محلی، گاهی نمی تواند در ناحیه های دیگر ایجاد یا تکرار شود . به عبارت دیگر فعالیت اقتصادی تولید کننده ها به وسیله محدودیت های ناحیه ای تحت تاثیر قرار می گیرد[21],و چنین رشد بزرگی در یک موقعیت مکانی به شدت محلی شده، می تواند مرتبط با محیط خاصی که مولفه های تولید را نگه می دارد به نام جاذبه ی فضایی باشد .[22]
بنابراین فضای فعالیت صنایع قطعاً شامل موهبت های طبیعی می باشد مانند نیروی انسانی و منافع فرصت که منجر به تولید کنندگان مستقر در همان ناحیه صنعتی می شود. به دلیل علم سرازیر شده ، پویایی نیروی انسانی، فواید اعتماد دو جانبه و ارزش های مشترک در گروه، این شرکت ها عملکرد اقتصادی بهتری را نسبت به تولید کنندگان خارج از ناحیه صنعتی تجربه می کنند.[23] به علاوه مرتبط کردن مهارت ها، اشتراک اطلاعات ، قوانین گروه ، سیستم و نیروی انسانی در یک ناحیه صنعتی برای توسعه صنعت در محل و افزایش رقابتی بودن محل ، بسیار مهم است.
بر اساس مفاهیم مارشال در ناحیه­ی صنعتی و تئوری که تولید­کنندگان واقعاً از تراکم در مناطق صنعتی یکسان سود می برند ، سیاست های صنعتی دولتی اغلب صنایع خاص را تشویق به جمع شدن در یک ناحیه ی خاص می کند ، در واقع سیاست­های دولت می تواند به طور فعالی صنایع خاص را تشویق کند، توسعه ناحیه ای روستایی و شهری را تنظیم کند ، و شبکه­ همکاری تشکیل دهد، و مهمتر از همه توسعه صنعتی در ناحیه داده شده را هدایت کند.[24] توسعه­ی شهرک­های علمی و صنعتی مثالی از چنین سیاست­هایی است. همانطور که در بحث ناحیه ی صنعتی اشاره شد، شبکه­ی ایجاد شده از طریق شهرک صنعتی، موهبت­های ناحیه را به طور مثبتی تحت تاثیر قرار می دهد. بنابراین همکاری در تقویت اقتصاد ناحیه بسیار مورد توجه است.[17]
نگاهی کوتاه به ساختار نظام اقتصادی کشور های مختلف، ما را با اهمیت و جایگاه شرکت ها و بنگاه های کوچک و متوسط و شهرک­ها و نواحی در برگیرنده­ی آن­ها بیشتر آشنا خواهد کرد.
هر سازمان به منظور آگاهی از میزان مطلوبیت و مرغوبیت فعالیت های خود به خصوص درمحیط­های پیچیده و پویا نیاز مبرم به نظام ارزیابی دارد. از سوی دیگر فقدان وجود نظام ارزیابی و کنترل در یک سیستم به معنای عدم برقراری ارتباط با محیط درون و برون سازمان تلقی می گردد که پیامد های آن کهولت و در نهایت مرگ سازمان است. ممکن است بروز پدیده مرگ سازمانی به علت عدم وقوع یکباره آن از سوی مدیران عالی سازمان ها احساس نشود. اما مطالعات نشان می دهد فقدان نظام کسب بازخورد امکان انجام اصلاحات لازم برای رشد، توسعه و بهبود فعالیت­های سازمان را غیر ممکن می نماید، سرانجام این پدیده مرگ سازمانی است.[3]
لذا با شناخت آماری شهرک­ها و رتبه بندی آنها و مقایسه نتایج حاصله با اهداف و چشم اندازهای شرکت شهرک­ها­ی، امکان بررسی عملکردی میسر می­گردد که آن هم به نوبه­ی خود در جهت تدوین راهکار­های موثر برای حرکت در مسیر توسعه بخش صنعت به کار می­آید.
1-2- تشریح و بیان موضوع
از آنجایی که تحلیل پوششی داده­ها کارایی متفاوتی در طول زمان ارائه می­دهد و به هیچ پیش­فرض اولیه ای درباره مرز کارایی نیاز ندارد لذا در میان تمام روش­های ارزیابی عملکرد، DEA در سازماندهی و تحلیل داده­ها بهترین روش است. اما DEA قادر به تفکیک کارایی همه­ی شرکت­ها از یکدیگر نیست دلیل این موضوع  کم بودن تعداد واحد­های تصمیم گیرنده نسبت به تعداد ورودی و خروجی­ها است. هرچه این نسبت بیشتر باشد، مدل قدرت تفکیک­پذیری بالاتری خواهد داشت. در صورتی که این رابطه­ی تجربی بین تعداد واحد­های تصمیم گیرنده ([6]DMUs ) و ورودی­ها و خروجی­ها برقرار باشد، قدرت تفکیک پذیری مدل مناسب است:
m : تعدادورودی­های هر DMU
s  : تعداد خروجی­های هر DMU
n : تعداد DMU ها
لذا از آنجایی که روش تحلیل پوششی داده ها در صورت کم بودن تعداد واحد های تصمیم گیرنده (DMU ) با توجه به تعداد ورودی و خروجی ها قادر به تفکیک واحد های تصمیم گیری نمی باشد و در واقع مدل های پایه ای DEA  قادر به رتبه بندی کامل واحد ها نیستند،  سعی می­شود تا از تلفیق تحلیل پوششی داده ها و شبکه های عصبی مصنوعی به منظور اندازه گیری عملکرد واحد­های تصمیم گیرنده استفاده شود به نحوی که مشکل مذکور برطرف گردد.
در این پژوهش سعی شده است معیار­های ارزیابی عملکرد شهرک­های صنعتی استان مازندران تعیین گردد  و با استفاده از مدل ترکیبی Neuro-DEA با اندازه گیری کارایی شهرک­های صنعتی این استان و تعیین شهرک­های کارا و ناکارا  و همچنین رتبه بندی شهرک­ها به بهینه سازی شرکت شهرک­های صنعتی استان مازندران از طریق ارزیابی عملکرد کمک گردد.
1 Farrell
[2] Rohdes
[3] Cooper
[4] Charnes
[5]  Marshall
[6] Decision-Making Units

در سال‌های اخیر، مدیریت زنجیره‌ی‌تأمین[1]  به دلیل افزایش روزافزون رقابت در بازارهای جهانی به یکی از مهم­ترین زمینه‌ها در شاخه‌ی مدیریت تولید تبدیل شده است. مدیریت زنجیره‌ی‌تأمین، به عنوان ابزاری که در اوایل دهه 1990 بوجود آمده و شامل برنامه‌ریزی و مدیریت عملیات و تولید، انتقال و توزیع کالا تا رسیدن به مشتری است، راهی را برای بهبود محیط تولید و رقابتی کردن آن پیشنهاد می‌دهد. یک زنجیره‌ی‌تأمین مجموعه‌ای از امکانات، تأمین‌کنندگان، مشتریان، محصولات و روش‌های کنترل موجودی، فروش و توزیع است که تأمین‌کنندگان را به مشتریان متصل می‌کند و با تولید مواد اولیه توسط تأمین‌کنندگان شروع شده و به مصرف محصول توسط مشتریان ختم می‌شود (گوناسکاران و همکاران، 2001). به دلیل اینکه زنجیره تامین نقش مهمی را در فرآیند مدیریت تولید ایفا می‌کند، ارزیابی عملکرد زنجیره‌ی‌تأمین به عنوان عنصر مهمی از عملکرد شرکت (سازمان) در نظر گرفته می­شود. ارزیابی عملکرد را به صورت فرآیند کمی­سازی یا به صورت دقیق­تر فرآیند کمی­سازی و آنالیز اثربخشی و بهره­وری تعریف می‌کنند. بر این اساس، بهره­وری زنجیره‌ی‌تأمین به صورت یک پیمانه اندازه­گیری از میزان عملکرد منابع شرکت در کل زمینه زنجیره‌ی‌تأمین برای رسیدن به اهداف خاص آن تعریف می­شود.

مسائل ارزیابی عملکرد زنجیره‌ی‌تأمین دامنه وسیعی را از ارزیابی عملکرد واحدهای مستقل یک زنجیره‌ی‌تأمین تا ارزیابی عملکرد کل زنجیره‌ی‌تأمین را شامل می­شود.  مساله ارزیابی عملکرد زنجیره‌ی‌تأمین یکی از جامع­ترین مسائل تصمیم­گیری استراتژیک است که باید برای بهره­وری بلندمدت کل یک زنجیره‌ی‌تأمین در نظر گرفته شود.

2.1 بیان مساله

مدیریت زنجیره‌ی‌تأمین مجموعه‌ای از رویکردهایی است که سعی می‌کند تأمین‌کنندگان، تولیدکنندگان، انبارها و مصرف‌کنندگان را به طور مؤثری در هم ادغام کند تا کالاها در مقدار درست، در مکان درست و در زمان درست تولید و توزیع شوند. این رویکردها درصدد حداقل‌کردن هزینه‌های سیستم هستند درحالی که سطح خاصی از سرویس را ارضاء می‌کنند (بیمن، 1999). ثابت شده است که مدیریت مؤثر یک زنجیره‌ی‌تأمین، مکانیزم بسیار مؤثری برای تحویل سریع و مطمئن کالا و خدمات با کیفیت بالا و با هزینه حداقلی می­باشد (گوناسکاران و همکاران، 2004). سابقاً واحدهای بازاریابی، توزیع، برنامه‌ریزی، تولید و فروش در یک زنجیره‌ی‌تأمین مستقل عمل می‌کردند. متناظراً ارزیابی عملکرد یک زنجیره‌ی‌تأمین به معنی ارزیابی عملکرد واحدهای بازاریابی، توزیع، برنامه‌ریزی، تولید و فروش به صورت مستقل خواهد بود. بعضی از محققین در گذشته عملکرد واحدهای مستقل یک زنجیره‌ی‌تأمین را ارزیابی کردند مانند ارزیابی عملکرد مراکز توزیع (DC[2]) (راس[3] و دروگ[4]، 2002)، ارزیابی عملکرد فروش ( ایستون[5] و همکاران، 2002)، ارزیابی عملکرد

 تأمین­کننده ( تولریا[6] و همکاران، 2006) و غیره. به هر حال این واحدهای مستقل در زنجیره‌ی‌تأمین دارای اهداف خاص خودشان هستند و این اهداف اغلب با هم در تضاد هستند. بنابراین نیاز به یک چارچوب ارزیابی عملکرد که در آن عملکرد این واحدهای مستقل با هم ادغام شده و به صورت هم‌زمان ارزیابی شوند، احساس می‌شود. برای به­دست­آوردن یک زنجیره‌ی‌تأمین کارا، ارزیابی عملکرد کل زنجیره‌ی‌تأمین بسیار مهم است. در این پایان‌نامه به زنجیره‌ی‌تأمین به صورت یک کل نگاه می‌شود و به عنوان یک سیستم در نظر گرفته می‌شود. در این پایان‌نامه یک زنجیره‌ی‌تأمین سه سطحی شامل تأمین‌کننده، تولیدکننده و مشتری در نظر گرفته می‌شود و این زنجیره به عنوان یک واحد تصمیم‌گیری در سطح تولیدکننده ارزیابی عملکرد می‌شود.

برای ارزیابی زنجیره‌ی‌تأمین شاخص­های مختلفی مانند هزینه، زمان، سود، سطح خدمت و … اندازه‌گیری می­شوند. ارزیابی زنجیره‌ی‌تأمین با استفاده از روش­های مختلفی انجام می‌شود. تحلیل پوششی داده­ها به عنوان یک روش ناپارامتریک بر پایه تکنیک برنامه‌ریزی خطی بنا شده است و عملکرد واحدهای مختلف را به نسبت هم می‌سنجد. وانگ[7] و وانگ (2007) با دادن شواهد و دلایلی مناسب، معتقدند تحلیل پوششی داده­ها روش مناسبی برای مدیریت زنجیره‌ی‌تأمین است. تحلیل پوششی داده­ها می­تواند ورودی­ها و خروجی‌های چندگانه داشته باشد و شاخص­های کمی و کیفی را به کار گیرد (وِن و همکاران، 2010). در این پایان­نامه شاخص­هایی مانند هزینه، تحویل­ به موقع و زمان تدارک[8] برای ارزیابی عملکرد زنجیره‌ی‌تأمین در نظر گرفته شده و  ارزیابی عملکرد در سطح تولیدکننده انجام می‌شود در حالی که معمولاً به زنجیره‌ی‌تأمین به صورت یک سیستم و کل‌نگرانه نگاه شود؛ این موضوع بدان معناست که شاخص‌های ارزیابی عملکرد برای واحد تولیدکننده (سطح دوم زنجیره) و در ارتباط آن با تأمین‌کننده و مشتری اندازه‌گیری می‌شوند و کلیت زنجیره‌ی‌تأمین حفظ می‌شود.

3.1  سابقه و ضرورت انجام پژوهش

مدل­های تحلیلی ارائه شده برای ارزیابی عملکرد زنجیره‌ی‌تأمین شامل تکنیک­های مختلفی از روش­های امتیازدهی موزون ساده تا برنامه­ریزی پیچیده ریاضی و از مدل­های ارزیابی قطعی تا مدل‌های تحت شرایط عدم قطعیت را شامل می­شود. اخیراً روش­های مختلفی برای مواجهه با مساله ارزیابی عملکرد زنجیره‌ی‌تأمین ارائه شده است. 16 دسته از این روش­ها به وسیله‌ی استمپ[9] و همکاران (2010) مرور شد. این روش‌ها شامل هزینه‌یابی بر اساس فعالیت، کارت امتیازدهی متوازن، مدل مرجع عملیاتی زنجیره‌ی‌تأمین، چارچوب تحقیقات لجستیکی، ممیزی ازلاگ[10]، EFQM و غیره هستند. نتایج این تحقیق در پیوست (پ) ارائه می‌شود.

برای ارزیابی عملکرد زنجیره‌ی‌تأمین شاخص­های مختلفی در دسته‌هایی مانند هزینه، زمان، سود، سطح خدمت و … اندازه­گیری می­شوند. توماس[11] و گریفین[12] (1996) هزینه حمل­و­نقل را برابر با بیش از نیمی از هزینه­های یک زنجیره‌ی‌تأمین دانسته­ و از آن برای ارزیابی استفاده کردند. لی[13] و بلینگتون[14] (1992) سطح رضایت مشتریان را در شرکت­هایی که مشتریانی از سراسر دنیا دارند یک عامل مهم دانسته­ و اشاره کرده­اند که اگر استراتژی­های اتخاذ شده در راستای جلب رضایت مشتریان نباشد بسیار هزینه­بر خواهند بود. مپس[15] و همکاران (1997) سطح تولید را عامل بسیار مهمی در هزینه تولید، کیفیت و انعطاف­پذیری دانسته­ و اشاره کرده­اند که عملکرد فرآیندهای تولید به عنوان بخش مهمی از یک زنجیره‌ی‌تأمین باید اندازه­گیری شده و بهبود یابد.

اغلب مطالعات موجود بر روی ارزیابی عملکرد زنجیره‌ی‌تأمین بر چارچوبی از سیستم شاخص ارزیابی استوار هستند. به هر حال، اغلب این روش­ها از خود افراد برای محاسبه وزن شاخص­ها در فرآیند ارزیابی استفاده می­کنند. به دلیل وجود نظرهای شخصی وزن شاخص­ها نمی­توانند به صورت دقیق اندازه­گیری شوند (وو[16] و اولسن[17]، 2008).

برای کاهش عدم دقت وزن شاخص، که با استفاده از نظر شخصی تصمیم­گیرنده افزایش یافته است، از تحلیل پوششی داده­ها به عنوان یک روش غیر پارامتریک برای ارزیابی عملکرد زنجیره‌ی‌تأمین استفاده می‌شود. خاصیت اصلی تحلیل پوششی داده ها[18] این است که می­تواند عملکرد را در حالتی که ورودی­ها و خروجی­های چندگانه وجود دارد اندازه­گیری کند. وانگ و وانگ (2007) یک مدل تحلیل پوششی داده­ها را با استفاده از شاخص­هایی مانند هزینه، تحویل به موقع، سود و چرخه زمان تولید ارائه کردند. با توجه به این که بعضی از شاخص‌های اندازه­گیری شده در زنجیره‌ی‌تأمین مخصوصاً هزینه به صورت قطعی نیستند و شاخص­های عدم قطعیت در آنها دیده می­شود، استفاده از روش­های عدم‌قطعیت مانند منطق فازی مناسب به نظر می­رسد (ژو[19] و همکاران، 2009). تا به‌حال برای ارزیابی زنجیره‌ی‌تأمین به ندرت از روش­های عدم قطعیت استفاده شده است (وانگ و وانگ، 2007). از روش‌های عدم­قطعیت استفاده شده می­توان به مجموعه­های ناهموار اشاره کرد (ژو و همکاران، 2009). در این مرجع با توسعه یک مجموعه ناهموار از شاخص­هایی مانند هزینه، تعداد کارکنان، انعطاف­پذیری تولید و سطح خدمت برای ارزیابی عملکرد استفاده شده است. در این تحقیق از تحلیل پوششی داده­های فازی جهت ارزیابی عملکرد زنجیره­‌های تأمین استفاده می‌شود که در تحقیقات پیشین تاکنون مورد استفاده قرار نگرفته ‌است. در این پایان‌نامه زنجیره‌ی‌تأمین به صورت یک کل و یک سیستم در نظر گرفته می‌شود که ورودی‌ها و خروجی‌های مدل تحلیل پوششی داده‌های فازی، همان ورودی‌ها و خروجی‌های سیستم زنجیره‌ی‌تأمین هستند. شاخص‌های ارزیابی در سطح تولیدکننده اندازه‌گیری می‌شود و برای حفظ یکپارچگی زنجیره‌ی‌تأمین اندازه‌گیری شاخص‌ها برای تولیدکننده و با حفظ ارتباطش با تأمین‌کنندگان و مشتریان انجام می‌شود.

[1] Supply Chain Management

[2] Distribution Center

[3] Ross

[4] Droge

[5] Easton

[6] Talluria

[7] Wong

[8]  Lead time

[9] Estampe

3  ASLOG

[11]  Thomas

[12] Griffin

[13]   Lee

[14] Billington

[15] Mapes

[16] Wu

[17] Olson

[18] Data Analisys

[19] Xu