تعداد نشریات | 29 |
تعداد شمارهها | 431 |
تعداد مقالات | 4,216 |
تعداد مشاهده مقاله | 6,797,039 |
تعداد دریافت فایل اصل مقاله | 5,044,051 |
سنجش میزان اثرگذاری متغیرها بر طولانی بودن زمان انجام فرآیند در متدولوژی شش سیگمای ناب با استفاده از مدل رگرسیون فازی | ||
پژوهشنامه مدیریت اجرایی | ||
مقاله 3، دوره 9، شماره 17، شهریور 1396، صفحه 59-80 اصل مقاله (785.7 K) | ||
نوع مقاله: مدیریت تولید و عملیات (برنامهریزی تولید، چابکی، پایداری، ناب، سبز، برونسپاری، زنجیره تأمین، زنجیره ارزش، کیفیت، بهره وری، صنعت چهار و ابعاد آن، . . .) | ||
شناسه دیجیتال (DOI): 10.22080/jem.2017.11851.2357 | ||
نویسندگان | ||
سلیمان ایرانزاده* 1؛ اردشیر بذرکار2 | ||
1عضو هیت علمی دانشگاه آزاد تبریز | ||
2دانشجوی دکتری گروه مدیریت صنعتی ، واحد تبریز، دانشگاه آزاد اسلامی ،تبریز ، ایران | ||
تاریخ دریافت: 30 بهمن 1395، تاریخ بازنگری: 21 شهریور 1396، تاریخ پذیرش: 05 تیر 1396 | ||
چکیده | ||
هدف نهایی از هر بهبودی آن است که محصول یا خدمت با کیفیت بالاتری در اختیار مشتری قرار گیرد. متداولترین متدولوژی در شش سیگمای ناب ، متدولوژی DMAIC است .این متدولوژی بر مبنای پنج فاز : تعریف مساله، اندازه گیری و سنجش ، تحلیل ، بهبود و کنترل تعریف شده است. در این میان یکی از مهم ترین فازها ، فاز تحلیل است به دلیل آنکه در این فاز علل ریشه ای بالقوه با توجه به تاثیراتی که بر عوامل بحرانی کیفیت می گذارند، شناسایی و تعریف می شوند. هدف از این تحقیق سنجش میزان اثرگذاری متغیرها بر طولانی بودن زمان انجام فرآیند با استفاده مدل رگرسیون فازی بود. نتایج حاصل از اجرای مدل نشان داد که تمامی پنج متغیر شناسایی شده بر طولانی شدن زمان انجام فرآیند تاثیر گذار بوده و به ترتیب سه متغیر : مهارت ناکافی پرسنل ،خرابی ابزار و تجهیزات لازم و کمبود ابزار و تجهیرات لازم بیشترین تاثیر را بر متغیر مستقل دارند همچنین از میان این سه متغیر، متغیر مهارت ناکافی پرسنل، اثرگذارترین متغیر مستقل بر متغیر وابسته است. با توجه به نوع داده های تحقیق و تعداد متغیرها، مدل رگرسیون فازی تحلیل دقیقی از میزان اثرگذاری متغیرهای مستقل بر متغیر وابسته ارائه داد. | ||
کلیدواژهها | ||
"شش سیگمای ناب"؛ "DMAIC"؛ "عوامل بحرانی کیفیت"؛ "فرآیند"؛ "مدل رگرسیون فازی" | ||
موضوعات | ||
مرزهای نوظهور دانش در مدیریت اجرایی | ||
عنوان مقاله [English] | ||
Assess the Impact of process variations on the length of time in Lean Six Sigma Methodology by using fuzzy Regression Model | ||
نویسندگان [English] | ||
ardeshir bazrkar2؛ | ||
2: PhD student Department of Industrial Management Unit, Islamic Azad University, Tabriz, Iran. | ||
چکیده [English] | ||
The ultimate goal of any improvements that provide higher quality product or service is customer. The most common methodology, Six Sigma and Lean Six Sigma methodology is DMAIC. This methodology based on five phases: defining the problem, measure, analyze, improve and control is defined. In the meantime one of the most important phases, phase analysis because in this phase of the root causes of potential due to its effects on the quality of critical factors are identified and defined. The purpose of this study is to assess the impact of process variables on the length of time in Lean Six Sigma methodology using fuzzy regression model was. The results of the study showed that all five variables known to influence the length of time to process. The results also showed that three variables: inadequate staff skills, and lack of necessary equipment, tools, and equipment breakdowns and tools necessary to have the greatest impact on the independent variable Also among these three variables inadequate staff skills, influential independent variable on the dependent variable. According to the research data and the number of variables, fuzzy regression model detailed and correct analysis of the impact of independent variables on the dependent variable was provided. | ||
کلیدواژهها [English] | ||
"Lean Six Sigma", "DMAIC", " the critical factors of quality", "process", "Fuzzy Regression model" | ||
مراجع | ||
Asgharpour, H., Mahdilo, A. & Esmaeli, M. (2014). Examine the determinants of the real effective exchange rate in Iran using Fuzzy Regression. Journal of Applied Economic Theory, (1)3, 25-56. (In Persian). Radfar, R., HosseinZadeh Lotfi, F. & Khalillo.A. (2011). Measuring customer satisfaction using fuzzy logic (Case Study: ATMs Bank Saderat Iran in Tehran). Marketing Management Journal, (1)2, 25. (In Persian). Raeinepour, F., Arabpour, A. & Abbasi, N. (2014). Discover outliers in linear regression phase with the input and standard output. Center for Development of Advanced Science and Technology. (In Persian). Azadeh, A., Neshat, N. & Rafiee, K. (2015). An Adaptive Neural Network-Fuzzy Linear Regression Approach for Improved Car Ownership Estimation and Forecasting in Complex and Uncertain Environments: The Case of Iran. Transportation Planning and Technology, 35, 221. Arnold, F. & Shapiro, l. (2004). Fuzzy Regression Models. Pennsylvania: Pen State University. Arumugam, V., Antony, J. & Kumar, M. (2013). Linking learning and knowledge creation to project success in Six Sigma projects: An empirical investigation. International Journal of Production Economics, 141, 388–402. Ahmad, M.F., Zakuan, N. & Jusoh, A. (2012). Relationship of TQM and Business Performance with Mediators of SPC, Lean Production and TPM. Journal of Procardia - Social and Behavioral Sciences, 65, 186–191. Barchetti, U., Bucciero, A., Guido, A. L., Mainetti, L. & Patrono, L. (2011). Supply Chain Management and Automatic Identification Management convergence: Experiences in the Pharmaceutical Scenario. Supply Chain Coordination and Management, 14, 978-953. Bon, A. & Mustafa, M.A. (2013). Impact of Total Quality Management on Innovation in Service Organizations: Literature review and New Conceptual Frame work. Procedia Engineering Journal, (53)1, 516-529. Boons, S., Zailani, S. & Iranmanesh, M. (2015). Structural Equation Modeling on Knowledge Creation in Six Sigma DMAIC Project and its Impact on Organizational Performance. International Journal Production Economics, 168, 105–117. Ferryanto, L. (2016). Structuring a design for Six Sigma project: paper helicopter robust and optimal design. International Journal of Six Sigma and Competitive Advantage, (9) 3,150–173. Juneja, D., Ahmad, S., & Kumar, S. (2011). Adaptability of Total Quality Management to Service Sector. International Journal of Computer Science & Management Studies, 11(2), 93-98. Karani, S. R. & Bichanga, W. O. (2012). Effects of Total Quality Management implementation on business performance in service institutions: A case of Kenya Wildlife Services. International Journal of Research Studies in Management, 1(1), 59-76. Kanigolla, D., Cudney, E.A. & Corns, S.M. (2014. Enhancing engineering education using project-based learning for Lean and Six Sigma. International Journal of Lean Six Sigma, (5)1, 45–61. Kim, D.-Y., Kumar, V., & Kumar, U. (2012). Relationship between quality management practices and innovation. Journal of Operations Management, 30(4), 295-315. Kumar, S. & Singh, R. (2015). Fuzzy Logic Approach for the Design of Six Sigma. Paper presented at the Twelfth AIMS International Conference on Management. India. Laureani, A., Brady, M. & Antony, J. (2013). Applications of Lean Six Sigma in an Irish Hospital. Leadership in Health Services, 26(4), 322-337. Lee, K., Tai, C.T. & Sheen, G.J. (2013). Using LSS to improve the efficiency and quality of a refund process in a logistics center. International Journal of Lean Six Sigma, (4)4, 409–424. Malekly, H. (2011). A fuzzy regression decision methodology for Six Sigma projects selection. Paper presented at the Fifth international conference of project management. Tehran, Iran. Rahmati, H.A., Kazemi, A. & Mehrdad, M.S. (2013). A New Fuzzy Method for Assessing Six Sigma Measures. Journal of Optimization in Industrial Engineering, (13)3, 39-47. Srinivasan, K., Muthab, S. & Devadasan.S.R. (2014). Enhancing Effectiveness of Shell and Tube Heat Exchanger through Six Sigma DMAIC Phases. Journal of Procardia Engineering, 97, 2064–2071. Shanmugaraja, M., Nataraj, M., & Gunasekaran, N. (2012). Total performance excellence - a model to implement Six Sigma in service organizations. International Journal of Six Sigma and Competitive Advantage, (7)2, 209 – 242. Watada, J., Wang, S. & Pedrycz.W. (2010). Building Confidence-Interval-Based Fuzzy Random Regression Models. IEEE Transactions on Fuzzy Systems, (17)6, 14-25. Yang, C.C. (2004). An integrated model of TQM and GE Six sigma. Six Sigma Competitive Advantage, (1)1:29-32. Zhong, H.A. & Awasthi, A. (2016). ADMAIC-based methodology for improving urban traffic quality with application for city of Montreal. International Journal of Six Sigma and Competitive Advantage, (10)1, 76-84. Zhang, A. (2016). Statistical Analysis of Fuzzy Linear Regression Model Based on Centroid Method. Journal of Applied Mathematics, (7) 7,579-586. | ||
آمار تعداد مشاهده مقاله: 1,506 تعداد دریافت فایل اصل مقاله: 1,038 |