نشریه تخصصی مهندسی صنایع، دوره 48، شماره 1، فروردین ماه 1393، از صفحه 51 تا 65 توسعه شبکه عصبی مصنوعی ترکیبی به منظور انتخاب سبد محصولات در سازمانها

سهراب پوررضا 1، حسین اکبري پور2 و محمدرضا امین ناصري*3
دانشجوي کارشناسی ارشد فناوري اطلاعات- دانشگاه تربیت مدرس
دانش آموخته کارشناسی ارشد مهندسی صنایع – دانشگاه تربیت مدرس
دانشیار بخش مهندسی صنایع- دانشگاه تربیت مدرس
(تاریخ دریافت 14/7/92، تاریخ دریافت روایت اصلاح شده 6/11/92، تاریخ تصویب 24/1/93 )

چکیده
دنیاي امروز شاهد رقابت فشرده سازمانها در حوزههاي متنوع است و تصمیمگیري صحیح و بهینه، بخصوص در امـور راهبـردي مزیـت رقابتی را براي هر سازمان به ارمغان میآورد. در این مقاله، مدلی براي یاري مدیران ارشد سازمان در اتخاذ تصـمیمات راهبـردي توسـعه دادهشده است. این مدل با استفاده از ترکیب رویکرد تصمیمگیري چندمعیاره فازي و شبکه عصبی مصنوعی ارائه شده و امکـان شناسـایی بهتـرینسبد محصولات براي سرمایهگذاري را براي مدیران ارشد و بدون دخالت مستقیم آنان در تصمیمگیري، فراهم مـی آورد. در مـدل پیشـنهادي،اولویتبندي محصولات بر اساس معیارهاي مورد نظر سازمان انجام میگیرد، به این نحو که ابتدا از دادههاي سـالیان گذشـته و بـا اسـتفاده ازفرآیند تحلیل سلسه مراتبی فازي، ارزش یا وزنی اولیه براي هر یک از معیارهاي انتخاب کالا و هر یک از محصولات کاندید محاسبه می شود. از آنجایی که اوزان به دست آمده لزوماً بهینه و یا نزدیک به بهینه نیستند، در گام پایانی، شبکه عصبی مصنوعی به کار گرفته شـده اسـت تـا بـااعمال فرآیند یادگیري و با بهرهگیري از نتایج به دست آمده، از فرآیند تحلیل سلسله مراتبی، مقادیر وزنها بیش از پیش بهبود یافته و جـوابقابل قبولتري توسط مدل ارائه شود. مدل پیشنهادي به صورت مطالعه موردي در یک سازمان دارویی نمونه مورد بررسی قرار گرفتـه اسـت ومقایسه خروجی آن با نتایج واقعی سرمایهگذاري انجام شده توسط سازمان، حکایت از ارائه نتایج قابل قبول توسط مدل توسـعه یافتـه در ایـنمقاله دارد.

واژه هاي کلیدي: سبد محصولات، تصمیمگیري چندمعیاره، منطق فازي، فرآیند تحلیل سلسله مراتبی، شبکههاي عصبی مصنوعی

مقدمه
استراتژي سازمانی به معناي استفاده بهینه و کامل از همه ظرفیتها براي رسیدن به چشمانداز و اهداف اصلی سازمانها با بهرهگیري از انتخابها و ابزار، متفاوت است.

Email: [email protected] ،82883395 :نویسنده مسئول: تلفن: 82883344، فاکس *

مدیران و تصمیمگیران سازمان با توجه به اهداف راهبردي و منابع خود، باید از بین راهکارها و گزینههاي متفاوت و قابل جایگزین پیش رو، بهترین و مناسبترین راهکار را به عنوان استراتژي سازمانی برگزیده و بر اساس آن، فرآیندها و حوزههاي سازمانی را اداره کنند. بنابراین موضوع اصلی در اینجا تصمیمگیري و یا به عبارت کاملتر، اعطاي ابزار تصمیمگیري صحیح به مدیران ارشد سازمان براي انتخاب سبد بهینه و یا نزدیک به بهینه سرمایهگذاري است [1]. قابلیت گرفتن بهترین تصمیم ممکن (به عنوان خروجی) بر اساس اطلاعات گذشته، فعلی و پیشبینیهاي آینده (به عنوان ورودي) فرآیندي دشوار است. ابزاري که بتواند این عمل را تسهیل کند، کمک بسیار بزرگی براي تصمیم-گیران صنایع است. محققان همواره و به طور روزافزونی در حال کاوش در حوزه شبکههاي عصبی مصنوعی به عنوان شیوهاي براي سیستمهاي پیشتیبان تصمیمگیري1 (DSS) هستند. شبکههاي عصبی، ابزاري قدرتمند براي مدلسازي داده است که میتواند ارتباطات پیچیده ورودي و خروجی را دریافت کرده و نمایش دهد [2].
مدلهاي فراوانی براي کمک به تصمیمگیري مدیران در سازمانها و یا به عبارتی به عنوان سیستم پشتیبان تصمیمگیري معرفی شده است که هر یک، از ابزار و روش هاي متفاوتی بهره میبردند. این در حالی است که سیستمهاي ذکرشده اغلب پیچیدگیهاي فراوان دارند و یا معیارهاي کیفی در آنها لحاظ نشده است. به عنوان مثال ،روش بهینهسازي چند هدفه2 نیازمند دخالت مستقیم تصمیمگیران براي تعیین دقیق وزن معیارها است که این موضوع در عمل، فرآیندي دشوار و یا ناممکن قلمداد می-شود [6 ،5-3]. تحلیل پوششی دادهها3 رویکرد دیگري است که در راستاي پیادهسازي مدل تصمیمگیري، استفاده شده بود [8 ،7] و البته آسانترین روش به نظر می رسد، چرا که در آن نیاز به هیچگونه دخالت مدیران در تصمیمگیري و یا وزندهی معیارها احساس نمیشد. با این حال، روش یاد شده همانند یک جعبه سیاه4 عمل میکند که شاید در برخی از کاربردها چندان مناسب به نظر نرسد.
رویکرد و روش شناسی دیگر با نام هزینه کلی مالکیت5 وجود متصور است که در آن دیدي فراتر از قیمت خرید توسعه مییابد تا بسیاري دیگر از هزینههاي مرتبط با خرید را شامل شود. رویکرد هزینه کلی مالکیت با گسترش دنیاي رقابت و تلاش سازمانها براي درك و مدیریت هزینههاي خود، بیش از پیش مورد توجه واقع شد. اما مشکل اساسی این روش در گرانی و پیچیدگی زیاد آن شناسایی شد، چرا که نیازمند صرف زمانی طولانیتري نسبت به روشهاي پیشین براي شناسایی عوامل اساسی است [9]. در دهههاي اخیر، روشهاي هوشمند براي بهبود دقت رویکردهاي موجود مورد استفاده قرار گرفتند. ابزار اصلی مورد استفاده در مدلهاي هوشمند، شبکههاي عصبی مصنوعی هستند که سعی دارند عمل یادگیري و یادآوري مغز انسان را شبیه سازي کنند [2].
چن و لین (2004) یک رویکرد جدید بر اساس شبکه عصبی براي حل مسایل تصمیمگیري چندمعیاره پیشنهاد کردند. این رویکرد براي دریافت و نمایش ترجیحات یا معیارهاي مد نظر تصمیمگیرنده و سپس حل یک مسئله بهینهسازي و تولید مطلوبترین راهکار یا جواب ممکن به کار میرفت [10]. تن و دیگران (2006) یک سیستم مرکب از استدلال بر پایه مورد و شبکههاي عصبی معرفی کردند تا به مدیران در گرفتن تصمیم در زمینه سرمایه گذاري در فناوري کمک کند [11]. وو (2009) مدل ترکیبی دیگري را معرفی کرد که در مسئله انتخاب بهترین تأمین کنندگان، آنها را به دو خوشه کارا و ناکارآمد تقسیم میکرد [12]. همچنین پژوهشهاي فراوانی در زمینه تصمیمگیريهاي حساس به هزینه6 انجام شده است [13]. در این تحقیقات در مورد عوامل گوناگون که در تصمیمگیريهاي حساس به هزینه دخیل هستند، بحث شده و هزینه کلاسهبندي غلط7 و جمعآوريداده به عنوان اصلیترین این هزینهها مطرح شدهاند [14].
اکثر مدلهاي تصمیمگیري نیز بر اساس دو هزینه ذکرشده بنا شدهاند که از جمله آنها میتوان به مدلهاي تصمیمگیري بر اساس شبکههاي عصبی اشاره کرد [18- 15]. نکته اصلی در تحقیقات ذکرشده، اشاره به معیارهاي تأثیرگذار در تصمیمگیري و امکان ادغام آنها است. در تحقیقات [20 ،19] از روشهاي هوشمند و بخصوص از شبکههاي عصبی بهره گرفته شده و مسائل تصمیمگیري چندمعیاره، تا حد زیادي بهبود یافته است. مشکل اساسی این گروه از تحقیقات، در طراحی عمیق شبکه عصبی ،بخصوص محاسبه وزن بین گرهها و یا محاسبات طاقت فرساي ارزیابی جایگزین ها یا تصمیمات جایگزین نمود مییابد. گلمحمدي در سال 2011 [2] مدلی را پیشنهاد کرد که بدون درگیر شدن در محاسبات پیچیده و تولید شبکه عصبی، بتواند عمل تصمیمگیري چندمعیاره را بهینه و یا نزدیک به بهینه کند و به تصمیم گیران سازمان در انتخاب بهترین تأمینکننده یاري رساند. در این مدل ،یک روش مقایسه زوجی منحصر به فرد براي تعیین اوزان اولیه بین نرونها معرفی میشود. استفاده از دادههاي گذشته و یا ترجیحات تصمیمگیران براي ارزیابیهاي آینده و نیز امکان رتبهبندي، از دیگر مزایاي این روش است.
در این مقاله، مدلی طراحی میشود که قادر است با دریافت عواملی مرتبط با سرمایهگذاري در محصولات سازمان از جمله عوامل مالی، بازرگانی و تولیدي، تصمیمی براي انتخاب بهترین سبد محصولات را در پیش گیرد. این مدل براي بهبود تصمیمگیريهاي راهبردي به صورت عملی توسعه داده میشود، بدین صورت که ابتدا با استفاده از فرآیند تحلیل سلسله مراتبی8، یک جواب مطلوب براي اولویتبندي محصولات کاندید ایجاد میشود. سپس اوزان به دست آمده براي هر معیار به کمک یک شبکه عصبی پرسپترون چند لایه تعلیم9 یافته و با دریافت وروديهاي گذشته و یا ترجیحات مدیران، بهترین جواب و رتبهبندي براي محصولات کاندید حاصل میآید.
ادامه این مقاله بدین صورت تقسیم بندي شده است: در بخش دوم، مدل پیشنهادي و مراحل آن در راستاي انتخاب بهترین سبد محصولات براي سرمایهگذاري تشریح خواهد شد. در بخش سوم، مدل توسعه یافته براي حل یک مطالعه موردي در یک سازمان دارویی مورد استفاده قرار میگیرد و بخش چهارم، به بررسی نتایج محاسبات و خروجی مدل براي مورد مطالعاتی و مقایسه نتایج به دست آمده با دادههاي حقیقی (سرمایهگذاري حقیقی انجام گرفته توسط مورد مطالعاتی) میپردازد. مقاله با بیان نتیجهگیري و معرفی زمینه تحقیقات آینده در بخش پنجم پایان مییابد.

مدل پیشنهادي براي انتخاب بهترین سبد محصولات براي سرمایهگذاري
در این مقاله، مدلی براي یاري مدیران ارشد سازمانها براي گرفتن تصمیمات راهبردي توسعه داده شده است. این مدل به واسطه ترکیب رویکرد تصمیمگیري چندمعیاره فازي و شبکه عصبی مصنوعی پدید آمده و قادر است شناسایی بهترین سبد محصولات براي سرمایه-گذاري را به ارمغان آورد. شایان ذکر است که مدیران ارشد بدون دخالت مستقیم در تصمیمگیري، میتوانند از مدل پیشنهادي بهره گیرند. در این مدل، اولویتبندي محصولات بر اساس معیارهاي مورد نظر سازمان انجام میگیرد، به این نحو که از دادههاي سالیان گذشته و با به کارگیري فرآیند تحلیل سلسه مراتبی فازي، ارزش یا وزن هر یک از معیارهاي انتخاب کالا محاسبه میشود. اوزان فعلی به عنوان ورودي فرآیند تحلیل سلسه مراتبی فازي در نظر گرفته میشوند و در نتیجه مقادیر وزن اولیه در راستاي انتخاب محصولات کاندید براي سرمایهگذاري حاصل میآیند. پرواضح است که که اوزان به دست آمده لزوماً جواب مطلوب ما نیستند و از این رو در گام پایانی مدل، شبکه عصبی مصنوعی به کار گرفته میشود. با اعمال فرآیند یادگیري در شبکه عصبی ،به احتمال زیاد مقادیر وزنها بیش از پیش بهبود یافته و جواب قابل قبولتري توسط مدل توسعه یافته ارائه میشود. شکل (1) رویه کامل مدل پیشنهادي براي ارایه بهترین سبد محصولات سازمان را نمایش میدهد. مطابق با شکل (1)، مدل شامل سه فاز طراحی ،آزمایش و پیادهسازي است و هر فاز متشکل از مراحل مختلف است. هر مرحله از مدل به وسیله ابزار خاصی قابل پیادهسازي است و خروجی هر مرحله، ورودي مرحله بعدي آن قلمداد میشود. در واقع ، بین مراحل متوالی مدل، پیوستگی وجود دارد و به عنوانمثال، معیارهاي وزندهی شده، خروجی مرحله تحلیل سلسله مراتبی و ورودي مرحله طراحی شبکه عصبی است. در ادامه، هر یک از فازها و مراحل مدل پیشنهادي تشریح می شود.

فاز اول: طراحی مدل پیشنهادي
در فاز طراحی مدل، ابتدا معیارهاي مورد نظر سازمان بر اساس تحقیقات پیمایشی امتیازدهی میشوند و بدین طریق در مرحله دوم، وزندهی معیارها با استفاده از رویکرد تحلیل سلسله مراتبی فازي ممکن میشود.
خروجی مرحله دوم به عنوان ورودي شبکه عصبی محسوب میشود و آموزش شبکه عصبی به واسطه نتایج تحقیقات پیمایشی انجام میگیرد. نتایج حاصل از آموزش شبکه به عنوان ورودي فاز دوم قلمداد می شود. در ادامه جزئیات هر یک از مراحل فاز طراحی مدل تشریح می شوند.

امتیازدهی معیارها با استفاده از مطالعات پیمایشی
مرحله نخست و بسیار حساس از طراحی مدل، به مطالعات پیمایشی و توصیفی از سازمان مورد نظر با هدف جمعآوري اطلاعات و شناسایی معیارهاي مد نظر تصمیم گیران اختصاص دارد. در این مرحله سعی بر آن است تا با مطالعه سند راهبردي، مصاحبه با افراد متخصص سازمان و نیز ایجاد پرسشنامه، اطلاعات جامعی از نحوه امتیازدهی به معیارها و محصولات سازمان حاصل آید.
همچنین، محصولات کاندید مد نظر سازمان براي تصمیم-گیري و رتبه بندي در این مرحله، از فاز طراحی مدل شناسایی میشوند. از مسائل اساسی دیگر در این مرحله ،نحوه امتیازدهی کیفی است. بدین منظور، پس از تعیین معیارهاي اصلی، بررسی مستندات و اطلاعات گذشته (در این مقاله به طور خاص اطلاعات دو سال گذشته سازمان مورد بررسی قرار میگیرد) امتیاز و رتبه اعطا شده به هر معیار توسط تصمیمگیران سازمان در هر مقطع زمانی و به ازاي هر محصول، تببین میشود. جدول (1) نحوه امتیازدهی معیارهاي کیفی را نشان میدهد.

فاز سوم: بهینه سازي مدل و پیادهسازي

شکل 1: رویه مدل پیشنهادي به منظور انتخاب سبد محصولات

جدول 1: نحوه امتیازدهی معیارهاي کیفی
امتیاز سطح معیار کیفی
1 خیلی پایین
3 پایین
5 متوسط
7 بالا
9 بسیار بالا
مطابق با جدول (1)، براي هر معیار کیفی پنج سطح وبه دنبال آن پنج میزان امتیاز در نظر گرفته شده است که به ازاي هر محصول در مقاطع زمانی مشخص (به عنوان مثال ماهانه) و بر اساس تصمیمات و ترجیحات تصمیم-گیران به هر معیار اختصاص مییابد. رویکرد امتیازدهی جدول (1) پیشنهادي است و امتیازدهی معیارهاي کیفی با توجه به شرایط هر سازمان قابل تغییر است. از این رو ،در این مقاله امتیازهاي (4 -1) به عنوان سطح کیفی پایین ،امتیازهاي (6-4) به عنوان سطح کیفی متوسط و امتیازهاي بیشتر از 6 به عنوان سطح بالاي کیفیت در نظر گرفته میشوند.

وزندهی معیارها با استفاده از تحلیل سلسله مراتبی فازي
معیارهاي مدنظر تصمیمگیران سازمان و نیز امتیازدهی معیارها، به عنوان ورودي فرآیند تحلیل سلسله مراتبی فازي در نظر گرفته میشود تا اوزان متناظر هر یک از معیارها محاسبه شود. فرآیند تحلیل سلسله مراتبی (AHP) که براي اولین بار در سال 1980 توسط ال ساعتی معرفی شد، تکنیکی براي تصمیمگیري در مسائل چندمعیاره است که در آن امکان ادغام معیارهاي کمی و کیفی وجود دارد [21]. در این تکنیک پس از تبیین معیارهاي مدنظر تصمیم گیرندگان و همچنین گزینههاي تصمیمگیري موجود، مقایسات زوجی براي اولویتبندي نهایی تصمیمات مورد استفاده قرار میگیرد. براي شبیه سازي واقعیتر نحوه تصمیمگیري انسان، گونه دیگري از فرآیند تحلیل سلسله مراتبی به نام فرآیند تحلیل سلسله مراتبی فازي10 (FAHP) معرفی شده است.
در مدل پیشنهادي این تحقیق، از رویکرد مبتنی بر FAHP بهره گرفته شده است، به طوري که از جداول و مقایسات زوجی تحلیل سلسه مراتبی مطابق با ادبیات موضوع استفاده شده است، اما در تعیین بهترین محصولات اولویتبندي، روش پیشنهادي دیگري (که در بخش بعدي تشریح خواهد شد) استفاده می شود. خروجی نهایی این مرحله اوزان نهایی مربوط به هر معیار مدنظر سازمان است.

توسعه شبکه عصبی مصنوعی مبتنی بر FAHP
براي طراحی یک شبکه عصبی باید چند عامل اساسیتعریف شوند که عبارتند از نرونهاي ورودي، تعداد لایهها و نرونهاي میانی و اوزان یالها. به علاوه دادههاي اولیه براي فرآیند آموزش تولید شوند. این دادهها، همان طور که پیش تر نیز عنوان شد، با بررسی یک بازه دو ساله از مستندات سازمان، وضعیت هر محصول با توجه به معیارهاي تعریف شده و مقاطع زمانی ماهانه و با نظر کارشناسان سازمان تولید میشوند. یک شبکه عصبی مصنوعی براي توسعه نیاز به تعریف ورودي، خروجی ،هدف و معرفی تابع تبدیل دارد [22].
همه دادههاي جمعآوري شده از مطالعات پیمایشی سازمان در بازه زمانی یاد شده که شامل محصولات مورد نظر و معیارهاي وزندهی شده به ازاي هر محصول است ،به عنوان دادههاي ورودي شبکه یا دادههاي آموزش شبکه مورد استفاده قرار میگیرند. این دادهها اغلب در قالب یک جدول ارایه میشود، به طوري که سطرهاي آن محصولات ،ستونهاي آن معیارها است و به ازاي هر سطر امتیاز متناسب و دقیقی براي معیار متناظر بر اساس نظر کارشناسان و خبرگان ثبت میشود.
خروجی شبکه عصبی مصنوعی، که در این مقاله از نوع پرسپترون چندلایه11 است، با عنوان بهترین محصول12 (BP) نمایش داده خواهد شد و با استفاده از فرمول 1 مورد محاسبه قرار میگیرد. شایان ذکر است که در این مرحله فقط یک اولویتبندي اولیه براي محصولات به دست میآید:
= ∑ i.i
در رابطه (1) xi امتیاز استخراج شده براي هر معیار و wi وزن مربوط به آن معیار است که در مرحله فرآیند تحلیل سلسله مراتبی فازي محاسبه شده است. مقادیر BP در فرمول 1 به ازاي هر ماه به دست میآیند که براي تعیین مقدار هدف شبکه عصبی از همه این مقادیر میانگین گرفته میشود. در واقع، خروجی نهایی هر محصول از میانگین مقادیر خروجی در ازاي بازه زمانی ماهانه حاصل میشود. با اعمال میانگین بر خروجی هاي حاصل شده از رابطه (1)، خروجی هدف13 شبکه عصبی مصنوعی مطابق با رابطه (2) به دست می-آید:
(T = Average (BP for each month در شبکه عصبی توسعه یافته، معیارها تشکیلدهنده لایه پنهان14 هستند. همچنین معیارهایی که خود زیرمعیاري ندارند، به عنوان بایاس در نظر گرفته شده و وزن معیارها (خروجی مرحله FAHP) معرف اوزان بین نرونها است.
آموزش شبکه عصبی بواسطه دادههاي تحقیقات پیمایشی
اوزان اولیه (خروجی فرآیند تحلیل سلسله مراتبی محاسبه شده از طریق رابطه 1) در طی فرآیند آموزش شبکه عصبی اصلاح میشوند تا بدین طریق اولویتبندي مناسبتري براي محصولات سازمان به دست آید. هدف از به کارگیري شبکه عصبی پس از اجراي فرآیند تحلیل سلسله مراتبی بهبود احتمالی نتایج است. این احتمال وجود دارد که نتایج مرحله FAHP جواب مناسب مسئله بوده و شبکه عصبی نتواند خروجی بهتري را براي سازمان به ارمغان آورد. با این حال، شبکه عصبی کارا بودن مدل و تولید خروجی یا اولویتبندي دقیق و سودآورتر را تضمین میکند.

فاز دوم: آزمایش مدل پیشنهادي
براي آزمایش مدل ارایه شده با هدف انتخاب بهترین محصول، باید ابتدا دادههاي لازم را جمعآوري کرده و ابزار نرمافزاري مناسب نیز مهیا شود. در ادامه براي هر قسمت از مدل نرمافزارهاي استفاده شده معرفی میشود.

تعیین خروجی به واسطه شبکه عصبی مصنوعی
براي شبیهسازي فرآیند تحلیل سلسله مراتبی فازي و همه مفاهیم وابسته به آن از جمله مقایسه زوجی و ایجاد اولویتبندي وزنی براي معیارها از نرمافزار Expert Choice استفاده میشود. براي ایجاد شبکه عصبی و آزمایش و اجراي آن و در نهایت تولید خروجی مدل نیز از نرمافزارهاي Matlab و Neuro Soloutions بهره گرفته میشود.

مقایسه نتایج شبکه عصبی و روش تحلیل سلسله مراتبی
پس از تولید نتیجه نهایی مدل یا اولویتبندي محصولات کاندید با استفاده از نرمافزارهاي معرفی شده در بخش قبل، میتوان نتایج را با اولویتبندي تولیدشده توسط روش FAHP مورد مقایسه قرار داد تا بدین گونه میزان دقت مدل و نیز میزان تأثیر به کارگیري شبکه عصبی براي اصلاح مقادیر اوزان معیارها مشخص شود.

تولید گزارشها تحلیلی و جمعآوري بازخورد تصمیمگیران
تولید گزارشهاي سفارشی و تحلیلی براي تصمیم-گیران سازمان در مورد ترتیب اولویت محصولات و میزان اهمیت و تأثیر معیارهاي مختلف در تصمیمگیريهاي راهبردي با استفاده از خروجی مدل و همچنین انجام مقایساتی نظیر آنچه در بخش قبل اشاره شد، میسر است.

فاز سوم: بهینهسازي مدل و پیادهسازي
پیادهسازي و بهینهسازي مدل پیشنهادي به طور ویژه، حمایت مدیران ارشد سازمان و مشاوره افراد خبره صنعت و سازمان را میطلبد. پس از پیادهسازي مدل پیشنهادي در سازمان و ارایه گزارشهاي متنوع به مدیران و جمع آوري نظرات تصمیمگیران اصلی سازمان، از آنها براي بهبود مدل پیشنهادي بخصوص در مرحله تحلیل دادههاي مطالعات پیمایشی استفاده میشود. همچنین ،براي اعتبارسنجی مدل باید نتایج به دست آمده از پیادهسازي مدل پیشنهادي با اطلاعات سرمایهگذاري واقعی و نیز نتایج به دست آمده از دیگر مدلهاي پیادهسازي شده در سازمان (در حوزه مشابه) مورد مقایسه قرار گیرد.

مطالعه موردي: سازمان دارویی سهامی خاص نمونه
مورد مطالعه، یک سازمان دارویی تازه تأسیس است که به دلیل محیط رقابتی موجود و همچنین در جهت رسیدن به اهداف راهبردي خود قصد دارد تا از میان محصولات کاندید موجود براي سرمایهگذاري، آنها را اولویتبندي کند و بر اساس این اولویتبندي، اقدامات بعدي براي سرمایهگذاري را انجام دهد.
فاز اول: طراحی مدل در سازمان دارویی نمونه
هر یک از مراحل رویه نمایش داده شده در شکل (1) براي مطالعه موردي نیز به تفکیک تشریح میشوند.

مطالعات پیمایشی و انتخاب معیارها در سازمان دارویی
محصولات مدنظر سازمان براي سرمایهگذاري در جدول (2) قابل مشاهده است. همان طور که پیشتر اشاره شد، باید با انجام مطالعات پیمایشی و توصیفی در این سازمان دارویی، معیارهاي مدنظر تصمیمگیران شناسایی شوند. با توجه به تحقیقات انجام گرفته، این معیارها به همراه زیرمعیارهاي هر یک از آنها در شکل (2) و در قالب یک نمودار سلسه مراتبی به تصویر کشیده شده است.

جدول 2: لیست محصولات کاندید براي سرمایه گذاري
محصولات کاندید ردیف
سیتریزین15 1
سیتالپرام16 2
متفرمین17 3
پنتاپرازول18 4
آملودیفین19 5

شکل2: نمودار سلسله مراتبی معیارهاي انتخابی در سازمان دارویی
همانطور که در شکل (2) نشان داده شده است، چهار معیار اصلی 1- هزینه20 شامل زیر معیارهاي: هزینه مالی21، هزینه بازاریابی22 و هزینه تولید23؛ 2 -کیفیت24 شامل دو زیر معیار کیفیت فرآیند25 و کیفیت
بستهبندي26، 3 – در دسترس بودن27، 4-سهم بازار28، بهعنوان معیارهاي مدنظر تصمیمگیران سازمان براي انتخابمحصول بهینه و یا نزدیک به بهینه مورد استفاده هستند.
معیار اول کمی و سه معیار بعدي کیفی هستند. معیار هزینه به همراه زیرمعیارهاي آن پارامترهاي منفی هستند. بدین معنا که هر چه مقدار آنها بیشتر باشد، امتیاز محصول کاهش مییابد.

وزندهی معیارهاي سازمان دارویی نمونه با استفاده از تحلیل سلسله مراتبی فازي
همانطور که پیش تر عنوان شد ،براي انجام محاسبات رویکرد FAHP از نرمافزار Expert choice بهره گرفته می شود. معیارهاي تعیین شده در مرحله قبلی مدل پیشنهادي، ورودي رویکرد تحلیل سلسله مراتبی فازي قلمداد میشوند. در روش FAHP ابتدا باید به کمک روش مقایسات زوجی، امتیاز معیارها در مقایسه با یکدیگر از نظر میزان تأثیرگذاري بر انتخاب محصولات و به واسطه یک فرد خبره ارائه شود تا امتیاز نهایی هر یک از معیارها به عنوان خروجی قابل محاسبه باشد. نرمافزار یاد شده امکان مقایسه زوجی را فراهم آورده و خروجی نهایی مدنظر که همان اولویتبندي معیارها است را تولید می کند. امتیازات ارائه شده در مقایسات زوجی نتیجه تحقیقات انجام گرفته در مرحله پیمایشی و مصاحبه با افراد خبره سازمان است. در جدول (3) مقایسات زوجی بین چهار معیار اصلی مدنظر سازمان دارویی نمونه ارائه شده است، به طوري که مقادیر جدول ارجحیت یک معیار نسبت به معیار دیگر را بیان میکنند.

جدول 3: مقایسات زوجی چهار معیار اصلی در سازمان دارویی نمونه

بازارسهم پذیري دسترس کیفیت هزینه *
هزینه – 3 7 5
4 7 – 3/1کیفیت
دسترس پذیري 1/7 1/7 – 1/5
شکل 3: اولویتبندي نهایی معیارهاي انتخابی در سازمان
دارویی
همچنین، جداول 4 و 5 مقایسات زوجی بین زیرمعیارهاي معیار اول و دوم را نشان میدهد.

– 5 4/1 5/1سهم بازار
جدول 4: مقایسات زوجی زیر معیارهاي هزینه در سازمان
دارویی
* هزینه مالی هزینه
بازاریابی هزینهتولید
هزینه مالی – 3 1/4
هزینه بازاریابی 1/3 – 1/5
هزینه تولید 4 5 –

جدول 5: مقایسات زوجی زیر معیارهاي کیفیت در سازمان دارویی
* کیفیت فرآیند کیفیت بسته بندي
کیفیت فرآیند – 4
کیفیت بسته بندي 1/4 –
حال با توجه به مقایسات زوجی انجام شده، خروجی این مرحله اوزان نهایی همه معیارها و زیر معیارها خواهد بود (شکل 3). خروجی مورد نظر از قسمت فرآیند تحلیل سلسله مراتبی فازي به دست آمده و یک اولویتبندي براي محصولات کاندید تولید میکند، به این ترتیب که باید به ازاي هر معیار یا زیر معیار محصولات، دو به دو با یکدیگر مقایسه زوجی شوند و برتري و ارجحیت آنها نسبت به یکدیگر مشخص شود. این نتایج فقط براي مقایسه خروجی فرآیند تحلیل سلسله مراتبی و خروجی نهایی مدل ترکیبی مورد استفاده قرار میگیرد.

خروجی نهایی حاصل از فرآیند تحلیل سلسله مراتبیفازي که اوزان هر یک از معیارهاي مد نظر سازمان نیزهست، در شکل (4) به تصویر کشیده شده است. این مقادیر جایگزین متغیر wi در فرمول 1 شدهاند تا محاسبه وزن نهایی هر محصول ممکن شود.

توسعه شبکه عصبی براي بررسی سازمان دارویی نمونه
براي ایجاد شبکه عصبی مطلوب سازمان دارویی نمونه، هر یک از اجزاي شبکه به تفکیک تشریح میشود. شبکه عصبی به صورت پرسپترون چند لایه29 و از نوع پیشرو30 تعریف شده است. هدف از طراحی شبکه عصبی شبیهسازي فرآیند تصمیمگیري مدیران ارشد است، بدون آنکه در این تصمیمگیري دخالت مستقیم داشته باشند.

شکل 4: اولویتبندي محصولات سازمان دارویی با استفاده از
FAHP روش

براي دستیابی به یک ساختار مناسب براي شبکه عصبی مصنوعی، اغلب روش مشخصی وجود نداشته و باید از روش سعی و خطا ،به ساختار مناسب از نظر تعداد لایه هاي پنهان، وزن اولیه یالهاي نرونها و تعداد نرون هاي لایه میانی دست یافت.
1292352-1739753

شکل 5: ساختار شبکه عصبی طراحی شده

دادههاي مطلوب در آموزش شبکه عصبی سازمان دارویی
در بخش آزمایش مدل، نمونهاي از دادههاي استفاده شده به عنوان ورودي شبکه عصبی یا دادههاي آموزش در قالب جدول (7) آورده شده است. این دادهها حاصل مطالعات پیمایشی در یک بازه دو ساله در سازمان دارویی است. دادههاي ورودي با مشورت کارشناسان و خبرگان صنعت دارو و بهرهگیري از امتیازدهی آنها جمعآوري شده است.

خروجی شبکه عصبی مورد استفاده در سازمان دارویی
شبکه عصبی یک نرون خروجی دارد که با نماد BP نمایش داده میشود. خروجی شبکه عصبی باید امتیاز هر محصول را با توجه به هر سري ورودي، که امتیازات هر معیار است، مشخص کند. خروجی مطلوب یا مورد نظر شبکه عصبی با توجه به اوزان به دست آمده براي معیارهاي سنجش در مرحله FAHP و قرار دادن آنها در فرمول 1 به جاي متغیر به دست میآید. متغیر در فرمول 1 نیز برگرفته از همان اطلاعات ارائه شده خبرگان و کارشناسان صنعت دارو و سازمان مورد مطالعه در یک بازه دو ساله است.
نتیجه نمایش داده شده در شکل (4)، پس از تکمیل کردن طراحی شبکه عصبی، با خروجی نهایی مدل که همان جواب اصلی مسئله است، مقایسه میشود. در واقع ،شکل (4) معرف یک جواب صحیح براي مسئله است و می توان اینگونه توصیف کرد که اگر سازمان از اولویت بندي انجام گرفته در شکل (4) استفاده کند، سود سالیانه خود را افزایش میدهد.
با این حال، لزوماً بیشترین سود ممکن براي سازمانحاصل نشده است و با پیادهسازي کامل مدل، امکاناولویتبندي بهتري براي محصولات کاندید متصور است.

تعریف هدف شبکه مصنوعی در سازمان دارویی نمونه با استفاده از فرمول 2 مقدار هدف شبکه عصبی به دست خواهد آمد.

تعریف لایه پنهان، نرونها و اوزان بین نرونهاي شبکه عصبی سازمان دارویی نمونه
در این تحقیق، هفت معیار اصلی گزینش به عنوان نرونهاي ورودي تشکیل دهنده لایه اول و پنج نرون نیز به عنوان لایه دوم یا پنهان، شبکه عصبی را تشکیل می دهند. در واقع شبکه عصبی، شامل 7 نرون ورودي هزینه مالی، هزینه بازاریابی، هزینه تولید، کیفیت فرآیند، کیفیت بستهبندي، در دسترس بودن و سهم بازار خواهد بود که به ترتیب با نمادهاي PAQ ،PRQ ،PC ،MC ،FC، AV و MS بیان میشوند. یک بایاس31 نیز به دلیل بالا بردن کارکرد و دقت شبکه عصبی به هر لایه اضافه می شود. اوزان بین نرونهاي لایه اول و دوم نیز همان وزنهاي تولیدشده براي معیارها در خروجی روش FAHP (شکل 3) است تا فرآیند یادگیري شبکه با دقت و سرعت بیشتري انجام گیرد. تصویري از معماري شبکه عصبی طراحی شده در شکل (5) نمایش داده شده است.

آموزش شبکه عصبی مورد استفاده در سازمان دارویی
براي آموزش شبکه عصبی از روش پسانتشار استفاده شده است. فرآیند آموزش شبکه عصبی به این صورت است که در هر دوره یک سطر از دادههاي مطلوب به عنوان ورودي به شبکه عصبی تزریق میشود. مکانیزم کارکرد شبکه عصبی به این صورت است که در ساختار شبکه مسیر رفت و برگشت طی میشود [23]. به نحوي که در مسیر رفت ،مقادیر وروديِ شبکه وزندار شده در توابع دینامیک نرونهاي مربوط به هر لایه وارد میشوند.
پس از انجام عمل پردازش در نرونهاي لایه اول، خروجی هر نرون بار دیگر به عنوان بردار ورودي جدید به لایه بعدي منتقل شده و عملیات مشابهی روي هر یک از آنها در نرونهاي لایه بعد انجام می گیرد . خروجی آخرین لایه با خروجی واقعی شبکه حاصل از فرآیند مقایسه و اختلاف آنها به عنوان خطا در نظر گرفته میشود. در مسیر برگشت با توجه به خطاي به دست آمده، وزن بردارها به نحوي تنظیم میشوند که در مسیر رفت پیشرو خطاي کمتر حاصل آید. با استفاده از نرمافزارهاي NeuroSoloutions و Matlab شبکه عصبی ایجاد و با اجراي عادي برنامه Matlab خروجیهاي شبکه عصبی و در نتیجه مدل به دست میآیند. آموزش شبکه براي بهبود نتیجه حاصله از روش FAHP یا وزندهی اولیه (شکل 4) مورد استفاده قرار میگیرد. اجزاي شبکه عصبی مطابق اصول بیان شده در بخشهاي قبلی ایجاد میشوند. براي آموزش شبکه از سیستم با پردازشگر دو هستهاي 2,2 گیگاهرتز، رم 2 گیگابایت و سیستم عامل ویندوز 7 استفاده شده است. اطلاعات 2 سال اخیر سازمان مورد نظر، طبق الگوي امتیازدهی عنوان شده در جدول (1) و در قالب 120 سري داده در نرمافزار Matlab وارد شده است. نمونهاي از این دادههاي ورودي را میتوان در جدول (7) مشاهده کرد. 80 درصد از کل دادههاي ورودي به عنوان دادههاي آموزش شبکه مورد استفاده قرار میگیرند.

فاز دوم: آزمایش مدل در سازمان دارویی نمونه
آزمایش مدل به طور خلاصه وارد کردن دادههاي اولیه حاصل از مرحله مطالعه پیمایشی به مدل و تولید خروجیها با استفاده از نرمافزارهاي معرفی شده در بخش تعیین خروجی بواسطه شبکه عصبی مصنوعی و نیز فرمولهاي 1 و 2 است. آزمایش شبکه عصبی توسعه یافته آن قدر ادامه مییابد تا اختلاف خروجی به دست آمده شبکه عصبی از هدف کوچکتر یا مساوي خطاي تعیین شده در نرمافزار باشد (در این مقاله 10 درصد). در
پیادهسازي شبکه عصبی در نرمافزار Neuro Soloutions که نرمافزاري با واسط کاربري مناسب و جامع است، به ترتیب عملیات زیر با هدف آزمایش و آموزش شبکه انجام می گیرد.
مشخص کردن ورودي و خروجی.
تقسیمبندي دادهها به مجموعه داده آزمایش و آموزش.
تعیین ساختار شبکه عصبی.
آموزش شبکه و ارائه مقادیر اوزان نهایی در قالب نمودارها و جداول.
تولید خروجی با استفاده از شبکه عصبی در سازمان دارویی
توضیح کامل خروجیهاي مدل، همچنین نتیجه مقایسه نتایج مدل با نمونههاي واقعی سرمایهگذاري و روش FAHP در بخش بعد ذکر شده است. بنابراین از بیان دو زیر بخش باقیمانده از مدل صرفنظر و همه نتایج به صورت یکجا در بخش بعدي عنوان میشود.

نتایج محاسباتی در سازمان دارویی نمونه پس از طراحی شبکه عصبی و آموزش آن ،خروجی هاي نهایی شبکه با توجه به هدف تعیین شده مورد ارزیابی قرار میگیرند. محصولی که وزن تولید شده براي آن، توسط شبکه عصبی کمترین اختلاف را با هدف تعیین شده داشته باشد، اولویت بالاتري خواهد داشت. پس از اجرا و آموزش شبکه عصبی به کمک نرمافزار Matlab، خروجیهاي نمایش داده شده در شکلهاي 6-8 حاصل شدند. نمودار شکل (6) تعداد آزمایش شبکه و نحوه آموزش وزنها پس از 1000 بار اجرا را نشان می-دهد. شکل (7) میزان خطا به ازاي دادههاي مختلف ورودي را به تصویر میکشد. همچنین خروجی نرمافزار Neuro Soloutions یعنی نمودار مقایسه خروجیهاي تولید شده به همراه مقادیر مورد نظر در شکل (8) آمده است. با توجه به این شکل، مقادیر خروجی شبکه به میزان زیادي با مقدار هدف تعیین شده تطابق دارند. همچنین، با توجه به مقادیر وزنی حاصل از روش FAHP، شبکه به میزان زیادي با اهداف تعیین شده تطابق دارد و در نتیجه تولید جوابهاي مطلوب ممکن است. علاوه بر این، با آموزش و بهبود مقادیر اوزان، میتوان خروجی مطلوبی براي سازمان دارویی نمونه را تولید کرد. در جدول (6) بخشی از دادههاي ورودي فازي به دست آمده از اسناد سازمان دارویی نمونه (مطالعه موردي این تحقیق) و خروجیهاي حاصل از شبکه عصبی مربوط به هر سطر ارایه شده است. این دادهها مربوط به اطلاعات چهار ماهه از دو محصول سیتریزین و سیتالپرام هستند. در مرحله بعدي و طبق فرمول 3، خروجیهاي عصبی که بخشی از آن در جدول (7) مشاهده میشود، به ازاي هر محصول تفکیک شده و پس از میانگین گرفتن از مجموعه خروجیهاي ماهانه به ازاي هر محصول و تفریق از مقدار هدف که از رابطه 2 به دست آمده است، نتایج نهایی ارائه شده در جدول (6) براي هر محصول تولید میشود. جدول (6) در واقع نشاندهنده نتایج حاصل از اجراي مدل
.است Neuro Soloutions در نرمافزار
|(= |T-Avg(BP for each month امتیاز نهایی براي نمایش میزان نزدیکی خروجی شبکه عصبی به خروجی دلخواه از متغیر میانگین مجذور خطا32 یا MSE استفاده میشود. فرمول این متغیر عبارت است از:
MSE

در رابطه 4 متغیر d خروجی دلخواه ،y خروجی شبکه عصبی و n تعداد سريهاي داده را نمایش میدهد. مقدار MSE به دست آمده براي خروجی اصلی شبکه عصبی طراحی شده برابر مقدار 0,004796 است.

شکل 6: نمودار آموزش ،آزمایش و معتبر نمودن اوزان در
Matlab

شکل 7: نمودار میزان خطا به ازاي وروديهاي مختلف

شکل 8: نمودار میزان تطابق خروجی تولید شده با هدف

3200400-2848998با مقایسه شکل (4) و جدول نهایی (7) مشاهده می-شود که نتایج تولید شده از نظر ترتیب اولویت متفاوت است. اگر چه یک یا دو نقطه مشترك بین دو اولویتبندي مشاهده میشود، اما به طور حتم خروجی تولیدشده توسط شبکه عصبی باید مورد توجه سازمان دارویی قرار گیرد و از نتایج آن براي سرمایهگذاري روي محصولات استفاده شود. به کارگیري اولویت تولید شده نهایی توسط مدل، مدیران را در راستاي رسیدن به اهداف استراتژیک خود یاري خواهد کرد. این نتایج با سرمایهگذاري واقعی انجام گرفته توسط سازمان دارویی نمونه، تطابق داده شد و مشخص شد که مدل پیشنهادي براي اولویتبندي سرمایهگذاري محصولات، جواب مناسبتري را ارائه می کند و در واقع سود بیشتري را نصیب سازمان می کند. به طور مثال با توجه به معیارهاي مورد نظر، میزان سفارش محصول سیتالپرام از شرکاي خارجی که رتبه 1 را طبق مدل پیشنهادي کسب کرده است، با توجه به بودجه سالانه سازمان باید بیشتر از سایر محصولات باشد تا سود بیشتري براي سازمان به ارمغان آید. پس از آن متفرمین قرار دارد و به همین ترتیب تا رتبه پنجم میزان سفارشات کاهش مییابد. لازم به یادآوري است هدف اصلی سازمان، کسب سود بیشتر از طریق بهبود بود.

جدول 6: خروجی نهایی مدل و اولویتبندي بهینه و یا نزدیک به بهینه محصولات کاندید
امتیاز نهایی محصول رتبه
0,193 سیتریزین 3
0,039 سیتالپرام 1
0,172 متفرمین 2
0,209 پنتاپرازول 4
0,286 آملودیفین 5

نتایج محاسباتی ارائه شده حکایت از کارآیی مدل پیشنهادي این مقاله دارد و قابلیت استفاده از آن به عنوان یک مدل قوي در راستاي انتخاب سبد بهینه و یا نزدیک به بهینه محصولات هر سازمان را به اثبات میرساند.
ماه نرونهاي ورودي شبکه عصبی خروجی
هدف خروجی شبکه عصبی
هزینه
مالی هزینه
بازاریابی هزینه
تولید کیفیت فرآیند کیفیت بسته بندي دسترس پذیري سهم
بازار سیتریزین فروردین 3 5 3 7 7 3 7 0,5 0,5148
اردیبهشت 3 7 5 5 5 5 7 0,4714 0,4796
خرداد 5 9 3 9 5 5 9 0,6428 0,6232
تیر 3 5 5 1 7 5 7 0,4714 0,467
سیتالپرام فروردین 7 9 5 3 5 7 5 0,48 0,497
اردیبهشت 7 7 7 9 7 7 7 0,643 0,617
خرداد 5 5 1 9 9 5 7 0,586 0,5812
تیر 7 5 7 7 7 5 5 0,528 0,502
جدول 7: نمونهاي از دادهها براي دو محصول سیتریزین تیره و سیتالپرام سفید به همراه خروجی حاصل از شبکه عصبی

جدول 8: نتایج آزمایش شبکه عصبی با توجه به وروديها و خروجیهاي جدید
ماه نرونهاي ورودي شبکه عصبی خروجی مطلوب خروجی شبکه عصبی MSE
FC PC MC PRQ PAQ Av MS سیتریزین فروردین 1458 96000 486 0,7 0,66 3 0,17 0,53 0,5235 0,00078

اردیبهشت 1944 12960 648 0,73 0,5 3 0,17 0,579 0,57 خرداد 2187 14580 729 0,7 0,49 4 0,19 0,61 0,61 تیر 2430 16200 810 0,71 0,71 3 0,2 0,65 0,6488 سیتالپرام فروردین 2600 13000 1300 0,92 0,88 7 0,12 0,72 0,731 اردیبهشت 4160 20800 2080 0,9 0,92 7 0,07 0,77 0,782 خرداد 4160 20800 2080 0,95 0,95 8 0,14 0,855 0,85 تیر 4680 23400 2340 0,97 0,79 6 0,12 0,932 0,93
فاز سوم: بهینهسازي مدل و پیادهسازي
با وجود طراحی مناسب مدل شبکه عصبی بر اساس مراحل گفته شده، وروديهاي شبکه عصبی و به طبع خروجی آن که با توجه به وروديها تولید میشوند، به میزان زیادي وابسته به نظر و تجربه کارشناسان و خبرگان است. براي غلبه بر این مشکل و نیز بهبود نتایج مدل و از همه با اهمیتتر، استفاده از وروديهاي واقعی در شبکه عصبی، در این بخش رویکردهایی براي محاسبه دقیقتر معیارهاي گزینش براي محصولات و در نتیجه مقایسه صحیحتر مشخصات محصولات معرفی میشود.
هزینه مالی (FC)
هزینه مالی ماهانه، با استفاده از فرمول زیر به دست میآید که در آن L بیانگر تسهیلات اخذ شده و I معرف نرخ بهره است:
=

× ×
هزینه تولید (PC)
در رابطه (6) WC33 هزینه دستمزد ،OC34 هزینههاي سربار ،MaC35 هزینه مواد اولیه ،AdC36 هزینههاي اداري و MC37 هزینههاي مرتبط با بازاریابی است.
=++++

انتخاب سبد محصولات در تولید خروجیهاي دقیقتر، بار
هزینه بازاریابی نیز با استفاده از فرمول بالا قابل محاسبه است.
کیفیت (Q)
در رابطه (7) hi معرف تعداد بلیسترهاي سالم در یک دسته و یا تعداد لوازم بستهبندي سالم در هر بستهبندي است. i شماره بسته و M تعداد بستههاي رسیده در هر دوره خاص است:

سهم بازار (MS)
در رابطه (8) ITS38 و OTS39 به ترتیب بیانگر سهم داخلی مجموع و سهم خارجی مجموع سازمان و ICS40 و OCS41 بیانگر سهم داخلی رقبا و سهم خارجی رقبا است.
= (+) − (+)
دسترسپذیري (Av)
معیار دسترسپذیري را باید بر اساس اطلاعات و پایگاه دادههاي شرکتهاي پخش و توزیع به دست آورد و بر اساس آن امتیازاتی براي مثال بین 1 تا 10 براي محصولات توسط کارشناسان و خبرگان در نظر گرفته شود.
اطلاعات مربوط به همه متغیرهاي روابط معرفی شده در این بخش، با استفاده از پایگاه دادههاي نرمافزارهاي مالی و یا صورت حساب و دادههاي سابقهاي سازمان قابل دستیابی است. به عنوان یک پیشنهاد کارا میتوان برپایی پایگاه دادههاي منسجم سازمان را مطرح کرد.
براي اثبات تأثیر تعریف رویکردها براي معیارهاي سنجش دیگر شبکه عصبی با وروديهاي جدید تولید شده حاصل از روشها، آزمایش و آموزش داده میشود. با توجه به وروديهاي جدید تولید شده و استفاده از روش ها، بار دیگر مقایسات زوجی انجام شده تا خروجی مطلوب جدید شبکه عصبی به دست آید. در واقع شبکه عصبی با همان ساختار ولی با دادههاي آموزش جدید تولیده شده و ادعا این است که تغییرات انجام شده سبب بهبود عملکرد شبکه عصبی خواهد شد.
جدول



قیمت: تومان


دیدگاهتان را بنویسید