خوشه‌بندي كارگاه‌هاي صنعتي با استفاده از رويكرد تركيبي داده‌كاوي و تصميم‌گيري چندمعياره

Workshops Clustering Using a Combination Approach of Data Mining and MCDM

در دهه اخير، توانايي بشر براي توليد و ذخيره داده‌ها به‌سرعت افزايش يافته است. با افزايش حجم داده‌هاي ذخيره‌شده، نياز به روشي كه بتوان با استفاده از آن به تحليل اطلاعات و دانش موجود در داده‌ها پرداخت بيشتر از پيش احساس مي‌شود. فنون داده‌كاوي و روش‌هاي تصميم‌گيري چند شاخصه در دهه‌هاي اخير هركدام به شكلي كمك‌رسان مديران در عرصه تصميم‌گيري بوده‌اند. در پژوهش حاضر، با تلفيق فرآيند داده‌كاوي و روش‌هاي تصميم‌گيري چند‌شاخصه، روشي براي خوشه‌بندي كارگاه‌هاي صنعتي ارائه شده است. در روش پيشنهادي، ابتدا فرآيند داده‌كاوي بر اساس روش‌هاي تجزيه‌وتحليل سلسله مراتبي، K-means و شبكه عصبي كوهونن صورت گرفته و سپس عملكرد مدل طراحي‌شده جهت تعيين تعداد خوشه بهينه با شاخص‌هاي اعتبارسنجي مجموع خطاي مربعي و واريانس بين خوشه‌اي سنجيده شده است. بخش صنايع غذايي به‌عنوان مورد مطالعاتي پژوهش موردبررسي قرار گرفته و بر اساس يافته‌هاي به‌دست‌آمده، چهار خوشه به‌عنوان تعداد خوشه بهينه كارگاه‌هاي صنعتي اين بخش معرفي شده است. خوشه‌هاي به‌دست‌آمده بر اساس متغيرهاي توزيع جمعيت، سطح درآمد و ارزش‌افزوده فعاليت‌هاي صنعتي در خوشه‌ها نام‌گذاري شد‌ه‌اند و در پايان، پيشنهاد‌هايي در دو بخش كاربردي و پژوهشي براي تصميم‌گيرندگان و سياست‌گذاران اين صنعت و ساير محققان اين حوزه ارائه شده است.

In recent decade, humans' ability have rapidly increased in the way of producing and storage of data. By increasing the volume of data stored, the needs for a method by which information and knowledge resources within the data could be analyzed is sensed. Multi-criteria decision making methods and data mining techniques in recent decades helped managers in their decision making process. In this study, a method has been proposed for workshops clustering by combining data mining and MCDM approaches. In the proposed method, first data mining is conducted based on the AHP, K-means and Kohonen neural network approaches, then the performance of designed model is measured by validation indices like SSE and variance between cluster methods in order to determine optimal number of clusters. The food industry has been analyzed as a case study and based on the obtained results, four clusters as the optimal number of clusters have been introduced. The obtained clusters are named based on the variables of population distribution, income, value-added industry and industrial activities in the clusters. Finally, the suggestion is proposed in two sections of practical and research for decision and policy makers in industry and the other researchers in this field.