فايل دانشگاهی – بررسی عوامل موثر بر قیمت طلا و ارائه مدل پیش بینی قیمت …

FINDING IMPORTANT FACTORS EFFECTING THE GOLD PRICE AND BUILDING THE PREDICTOR MODEL USING DATA MINING TECHNIQUES
BY
MINOO DELJAVAN ANVARY
During history gold has attracted people’s attention as a precious metal; therefore, predicting its price is a prominent issue. Precise investigation of factors which affect gold price plays a significant role in increasing precision of our prediction. In this study more effective factors are considered compared to previous researches. Collected data is divided into three classes from time schedule perspective; daily, monthly and annually. Experiments revealed that the precision of our predictions is improved 2%, 7.3% and 5.6% compared to neural network, time series and linear regression methods, respectively. Obtained results demonstrate marvelous performance of investigated factors in gold price prediction. The results will lead to more benefits for people, organizations and jewelers. At the end some suggestions for future research are presented.
KEYWORDS: Data Mining , Factors Affecting Forecast , Time Series , Neural Network, Regression Methods , Forecast Accuracy.
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” alt=”Description: Z:zareiarm-2.JPG” />

Shiraz University
Faculty of e-Learning
M.S.Thesis
In Information Technology Engineering (e-Commerce)
FINDING IMPORTANT FACTORS EFFECTING THE GOLD PRICE AND BUILDING THE PREDICTOR MODEL USING DATA MINING TECHNIQUES
By
MINOO DELJAVAN ANVARY
Supervised by
Dr. A. Sami

  1. . The Classical Gold Standard
    ۲. Bordo ↑
  2. . Consumer Price Index ↑
  3. . Harmonised Indices of Consumer Prices ↑
  4. . Exchange Traded Funds ↑
  5. . Standard and Poor’s Depository Receipt ↑
  6. . Gross domestic product

  7. . Tehran exchange price index ↑
  8. . the traditional equal weight ↑
  9. . the variance covariance matrix ↑
  10. . the odd matrix ↑
  11. . multi liner regression ↑
  12. . advanced regression ↑
  13. . Nearest Neighbours ↑
  14. . Multilayer Perceptron ↑
  15. . Higher Order Neural Networks ↑
  16. . Multiple Linear Regression ↑
  17. . universal functional approximators ↑
  18. ۱- Adaptive Neuro-Fuzzy Inference System

تحقیق – شناسایی وتبیین رابطه بین هوش هیجانی با عملکرد شغلی کارکنان ۹۳- قسمت ۸

عملکرد
۲-۲-۱- مقدمه:
امروزه صاحب‌نظران علم مدیریت باوجودداشتن اختلاف نظر در زمینه‌های مختلف در این زمینه که مهم‌ترین سرمایه هر سازمان، منابع انسانی آن است هم عقیده‌اند. تجربه نشان داده است که توسعه منابع انسانی هرسازمان درواقع توسعه ظرفیت‌های کمی و کیفی آن سازمان به شمار می‌رود. درحال حاضر روش‌های متداولی در سازمان‌ها برای بهبود عملکردکارکنان وجود دارد که عموما هنگام پرداخت پاداش سالانه و اضافه حقوق به عنوان یک ضابطه مورد استفاده قرار می‌گیرند. اما متاسفانه نادرند موسساتی که ازآن به عنوان یک مکانیزم موثر در مدیریت نیروی انسانی و ازجمله برنامه‌ریزی نیروی انسانی،بالا بردن ظرفیت‌های انسانی سازمان،ایجادارتباط متقابل بین اداره‌کنندگان و اداره‌ شوندگان استفاده کنند. فرا تراز آنان جام ارزیابی عملکرد واحده است که درصورت یکه همزمان با ارزیابی عملکرد کارکنان انجام شود،می‌تواند نقش ارزنده‌ای در دستیابی به هدفهای شرکت ایفا نماید(دموند،۲۰۱۰،۱۵).
عملکرد یکی از مهم ترین و اثر گذارترین پیشرفت ها در حوزه مدیریت منابع انسانی طی سالیان اخیر می باشد. این اصطلاح ابتدا توسط بیر[۱۹]۱ و راح[۲۰]۲ در سال ۱۳۷۶ ابداع شد.اما تا اواسط دهه ۱۹۸۰، با عنایت بهاین مطلب که برای مدیریت و عملکرد و پاداش یک رویکرد مداوم تر و منسجم تر مورد نیاز می باشد، به صورت یک رویکرد مجزا شناخته شده بود. عملکرد یک فرآیند استراتژیک و منسجم می باشد که موفقیت پایدار سازمان ها را به وسیله بهبود عملکرد کارکنانشان از طریق توسعه توانایی تیم ها و افراد شرکت کننده تضمین می نماید (میر سپاسی، ۱۳۸۶، ۲۰).
۲-۲-۲- تاریخچه پیدایش مدیریت منابع انسانی
اداره نیروی انسانی از قدیمی ترین مباحث بشری است زیرا از آن روزی که انسان حیات یافت و در زمین به تشکیل خانواده و اجتماعات اولیه همت گمارد، اندیشه اداره افراد خانواده یا جوامع اولیه در ذهن او مطرح شده است. واحدهای کوچک انسان اولیه مانند خانواده، قبیله و … گرچه دارای سادگی ویژه ای بودند و پیچیدیگی جوامع امروزی را نداشتند، اما به یک نفر اداره کننده که دیگران از قدرت فکری، جسمی، بیانی، سنی و رفتاری او متأثر باشند و ارشادات او را پذیرا باشند، نیازمند بوده اند.
به فرموده علامه طباطبایی «اولین کسانی که به طور گسترده آدمیان را به اجتماع آگاه ساختند و بطور مستقل به حفظ اجتماع و ادارۀ انسانها توجه داشتند پیغمبران بودند»(سید جوادین،۱۳۸۷، ۵۴). البته در جوامع قدیم نیز رشحاتی از توجه اداره نیروی انسانی وجود داشته است. «در رم باستان مدیر امور کارکنان موظف بودند که افراد مستعد را برای گلا ریا توری جذب نمایند، آنها را به درستی انتخاب نموده و تحت آموزش قرار دهند و وظایف آنها را مشخص نمایند. حتی نوع سیستم ارزیابی عملکرد و پاداش را پیش بینی کرده بودند که ضعیف ترین آدم یا آدمهایی فاقد تمایل را برانگیزانند» (سید جواد ین، ۱۳۸۷، ۶۳).
ایرانیان باستان نیز جهت اداره انسانی به نکات عمده ای جهت رعایت روابط انسانی، رعایت عدالت در کار، آشنا سازی کارکنان به وظایف و استفاده بهینه از زمان، اشاره داشته اند چنان که گزنفون می نویسد:«تأکید به استفاده از طرح جا و مکان، مطالعه زمان و حرکت توسط کوروش پادشاه هخامنشی، اصولی بوده اند که او را در اداره کشور بزرگ ایران و ارتش نیرومندش یاری می داد» (کمال پرهیز کار،۱۳۸۵، ۴۰).
در هر حال، هر چند فعالیتهای امور کارکنان ریشه در دوران باستان دارد و بشر همیشه با نوعی انتخاب، گزینش، ارزشیابی، جبران خدمت و … روبرو بوده است اما در حقیقت از اواخر قرن نوزدهم و اوایل قرن بیستم نخستین نشانه های مدیریت منابع انسانی به صورت تخصصی، در مدیریت مطرح گردید. (نمودار سیر تحول تدریجی مدیریت منابع انسانی را نشان می دهد.)
مدیریت استراتژیک منابع انسانی
مدیریت منابع انسانی
مدیریت کارکنان
مدیریت امور رفاهی
بهره کشی از نیروی انسانی
۲۰۰۰ ۱۹۸۰ ۱۹۴۰ ۱۹۰۰ قبل از ۱۹۰۰
شیوه نوین مدیریت منابع انسانی و پیدایش آن به مثابه یکی از ارکان مدیریت جامع سازمان به شیوه معاصر، با وقوع انقلاب صنعتی در نیمه قرن ۱۸ در انگلستان شکل گرفته است (بهروز کانی، ۱۳۸۴، ۲۷).
نگاهی اجمالی به سیر تحول مدیریت منابع انسانی نشان می دهد که بتدریج ماهیت و محتوای این رشته دگرگون و غنی سازی شده و در شرایط دنیای کنونی مهمترین عامل تمایز چشمگیر بین سازمانها، بهره مندی از وجود متخصصانی است که بتوانند به صورت همکار، هم پیمان و شریک استراتژیک مطرح باشند. از این رو، کارکرد مدیریت منابع انسانی که در دیدگاه سنتی عمدتاً به نگهداری سوابق، سیاهۀ حقوق و دستمزد و استخدام مربوط می شد، اکنون تغییرات زیادی یافته و مبتنی بر دیدگاه استراتژیک به شریک راهبردی تبدیل شده است. بر این اساس، افراد به منزلۀ منبعی حیاتی و دانش و تجربه به مثابه سرمایۀ سازمان تلقی می شوند (عباس عباس پور،۱۳۸۲، ۳۰).
۲-۲-۳- تاریخچه و پیشینه عملکرد در مدیریت
عملکرد یا مدیریت بر مبنای واقعیات مفهوم جدیدی نیست. پس از جنگ جهانی دوم و قدرت گرفتن مدیران «ویزکیدز[۲۱]۱» در کمپانی خودروسازی فورد[۲۲]۲، شکلی از این مدیریت به وجود آمده که از داده های سازمان به صورت ابتکاری استفاده می کرد. با پیوستن یکی از مدیران ویزکیدز، به نام رابرت مک نامارا[۲۳]۳، به وزارت دفاع آمریکا، این روش مدیریت در طول جنگ ویتنام در پنتاگون شناخته شد.
با شروع مدیریت صنعتی توسط ادوارد دمینگ[۲۴]۴ در دهه ۱۹۵۰ و کارهای وی با همکاری مدیران ژاپنی تحولی در کیفیت، ابتکار، قدرت کارکنان، بازخور و مدیریت بر مبنای عملکرد پدید آمد. افرادی نظیر پیتر دراکر[۲۵]۱، جوران[۲۶]۲، کرازبی[۲۷]۳ و تام پیترز[۲۸]۴، فلسفه دمینگ را گسترش دادند. جهت شناسایی فصل ایجاد تغییرات و کنترل آنها در تولید و در نهایت بهبود محصول یا ارائه خدمات، دمینگ برای این امر تأکید دارد که کلیه فرآیندهای کسب و کار می بایست بخشی از سیستم عملکرد همراه با چرخه بازخور باشد(کریمی،۱۳۸۷،۱۹).فلسفه دمینگ در ایالات متحده آمریکا در دو بخش آغاز شد: ارتش و شهرداری. در ارتش این فلسفه تحت برنامه مدیریت جامع کیفیت[۲۹]۵ (TQM) و در شهرداری در قالب جایزه ملی مالکوم بالدریج[۳۰]۶ شکل گرفت.
ارزیابی عملکرد در دولت ایالات متحده در قالب برنامه عملکرد و نتایج دولت[۳۱]۷ آغاز شد. در این برنامه کلیه آژانس های دولتی می بایستی برنامه استراتژیک، اهداف عملکرد و شاخص های عملکرد را در طول زمان ارائه می دادند. بودجه این کار توسط دفتر مدیریت برای آژانس ها فرستاده می شد. (داریانی، رفیع زاده بقرآباد، رونق، ۱۳۸۶، ۷).
۲-۲-۴- عملکرد شغلی:
عملکرد یک سازه ترکیبی است که بر طبق آن کارکنان موفق به مجموعه ای از رفتارهای مشخص میشوند.(اسپکتور،۲۰۰۹،۲۰۰)( مک کنزی، پود ساکف و فتر، ۲۰۱۰) بنابراین عملکرد شغلی یک ملاک چند گانه و گسترده است که در آن مجموع رفتارهایی که به دقت تعریف شده اند برای تعریف عملکرد مورد استفاده قرار می گیرد( گاسیکو، ۲۰۰۸).اطلاع دادن به افراد در مورد نحوه عملکردشان با تذکر به کاستی ها و کمبودها کمکی به بهبود کار آنان می باشد و این عمل را همه افراد از کودکی تجربه نموده اند زیرا با حضور فرد در مدرسه و با کنترل تکالیف فرد توسط آموزگاران و دریافت کارنامه تحصیلی فرزندان توسط والدین از نتیجه عملکرد فرزندان آگاه شده و با اتخاذ تنبیه و تشویق به موقع زمینه پیشرفت و هدایت فرزندان فراهم می گردد.عملکرد نیروی انسانی یکی از مباحث کاربردی مدیریت منابع انسانی است و جایگاه ارزشمندی در بسیاری از تصمیم گیری های مدیریتی دارد در این قسمت ابتدا به تعریفعملکرداز دیدگاه چند نفر از صاحب نظران می پردازیم:
اندرسن:
عملکرد بدون تردید برای پیشرفت مدیریت دستگاه حائز اهمیت است زیرا اگر نقاط قوت و ضعف کارکنان شناخته نشود، کوشش های مبتنی بر بهسازی در سازمان به ندرت در مسیر خود قرار دارد(صائبی، ۱۳۸۹، ۲۵۲).
جک باتر ورت[۳۲]:
عملکرد شغلی عبارت است از انجام مشاغل با بهره گیری از یک نوع وسیله سنجش و سپس نوعی رتبه یا سلسله مراتب که در آن اهمیت نسبی هر کدام از مشاغل نسبت به دیگری دیده شود، تاکید عملکرد به شغل است و مشاغل (صائبی، ۱۳۸۹، ۸۹).
دیوید کامرون[۳۳]:
عملکرد، فرآیندی است که طی آن سرپرستان گزارش دهی در خصوص عملکرد، پیشرفتها، توانایی ها، آمادگی برای موفقیتهای آتی و دیگر ویژگیهای کارکنان تحت پوشش خود می پردازند(صائبی، ۱۳۸۹، ۲۵۱).
عملکرد کارکنان:
عبارتست از انجام سیستماتیک و نظم کار افراد در رابطه با نحوه انجام وظیفه آنها در مشاغل محوله و تعیین پتانسیل موجود در آنها جهت رشد و بهبود (میر سپاسی،۱۳۸۰، ۲۲۲).
عملکرد:
فرآیندی است که به وسیله آن کار کارکنان در فواصلی معین و به طور رسمی، وظایف خ.د را انجام می دهند(سعادت،۱۳۷۵، ۲۱۴).
تعریف دیگری که می توان از عملکرد ارائه نمود عبارتست از تعیین درجه کفایت و لیاقت کارکنان در انجام وظایف و مشاغل محوله و تقبل محدودیتها در سازمان که بطور عینی و سیستماتیک اجرا می گردد، به عبارت دیگر: عملکرد کارکنان در رابطه با نحوه انجام کار مشخص، در یک دوره زمانی معین، در مقایسه با استاندارد انجام کار و همچنین تعیین استعداد و ظرفیتهای بالقوه فرد، به منظور برنامه ریزی در جهت افزایش انگیزه و پویایی آنان. بنابراین عملکرد را می توان شناسایی میزان اثر بخشی و کارآمدی کارکنان سازمان بوسیله ایجاد توسعه اطلاعات حیاتی منابع انسانی دانست که خود سبب دستیابی به اهداف دیگری می شود. (علی غلامی،۱۳۸۹،۳۲) .
۲-۲-۵- سابقه ارزیابی عملکرد
اگر بخواهیم سابقه ارزیابی عملکرد را مورد کاوش قرار دهیم باید به تاریخ زندگی بشر باز گردیم، به اولین باری که افراد کار کردن به صورت گروهی را آغاز کردند. در آن دوران ارزیابی تنها بر اساس قضاوت های ذهنی و شخصی انجام می شد، اما به مرور زمان و در دوره های مختلف مدیریت و در کشورهای مختلف شیوه های مختلفی برای کنترل و ارزیابی عملکرد مورد استفاده قرار گرفت، چنانچه در مکتب مدیریت کلاسیک گرایش نظام های کنترل به سمت زمان سنجی کار و پیش بینی همه شرایط و نتایج دستیابی بود. نظام ارزیابی عملکرد برای اولین بار به صورت رسمی، در سطح فردی و سازمانی از سال ۱۸۰۰ میلادی توسط رابرت اون در اسکاتلند در صنعت نساجی مطرح گردید به طوری که کالاهای تولید شده با استفاده از چوبهایی در رنگ های مختلف درجه بندی می شدند که این کار در واقع نوعی ارزیابی از کیفیت و یا ستاده سازمان بوده است(داریانی، رفیع زاده بقرآباد، رونق،۱۳۸۶،۶ ).
۲-۲-۶- تجزیه و تحلیل مدیریت عملکرد[۳۴]۱
به منظور دستیابی به سیستم مدیریت عملکرد موفق، بایستی هم به کیفیت سیستم مدیریت عملکرد و هم به محرک های رفتاری عملکرد توجه داشت. برای تحقق این دو هدف از تجزیه و تحلیل مدیریت عملکرد استفاده می شود. تجزیه و تحلیل مدیریت عملکرد هم به جنبه های رفتاری مدیریت عملکرد و هم به جنبه های ساختاری آن توجه می کند. جنبه ساختاری در مورد ساختاری بحث می کند که در اجرای مدیریت عملکرد مورد نیاز واقع می شود. این جنبه شامل عوامل کلیدی موفقیت[۳۵]۲، شاخص های عملکرد کلیدی[۳۶]۳ و معمولاً کارت امتیازی متوازن[۳۷]۴ می گردد. جنبه رفتاری، اعضای سازمان و استفاده آنها از سیستم مدیریت عملکرد را در بر می گیرد. جنبه های رفتاری، پیرامون طریقی که در آن اعضای سازمان مدیریت عملکرد را به کار می گیرند، بحث کند. ابعاد تحلیل مدیریت عملکرد در جدول زیر به صورت خلاصه آمده (دی وال[۳۸]– گریتسن، ۲۰۰۶ ، ۲۶).
جدول ابعاد تحلیل مدیریت عملکرد

برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید.