مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-604725862026106Identifying and Prioritizing Factors Affecting Work Ethics of Employees Using The Combined Method Of Demetel and Network Analysis Process (ANP)شناسایی و اولویت بندی عوامل موثر بر اخلاق كاري كاركنان با استفاده از روش ترکیبی دیمتل و فرایند تحلیل شبکه (ANP)320faحسنفراتی. استادیار گروه مدیریت دولتی، دانشگاه پیام نور، تهران، ایران زهرامقیمیاستادیار، گروه مدیریت دولتی، واحد سمنان، دانشگاه آزاد اسلامی، سمنان، ایران 2026106<p>Objective: Work ethics has recently become a subject of significant interest for managers and organizations. This study aims to identify and prioritize the factors influencing employees' work ethics using a hybrid approach combining the Decision-Making Trial and Evaluation Laboratory (DEMATEL) method and the Analytic Network Process (ANP). Methodilogy: This is an applied study utilizing a descriptive-survey design for data collection. The statistical population consists of all staff and instructors at the technical and vocational colleges of Semnan Province, with ten organizational experts participating in an expert panel. Data were collected via researcher-designed questionnaires based on pairwise comparisons. A hybrid DEMATEL-ANP method was employed for data analysis. Findings: The results indicate that individual factors, socio-cultural factors, and organizational culture are the most significant and influential factors affecting work ethics. While economic factors are also influential, they carry less weight compared to the other factors. Conclusion: Given the significant impact of individual and social culture on the formation of work culture and ethics, paying special attention to these areas and implementing cultural planning to enhance ethical standards are essential requirements for any organization.</p><p>هدف: هدف: امروزه موضوع اخلاق کاری بسیار مورد توجه مدیران و سازمان ها قرار گرفته است. هدف این پژوهش شناسایی و اولویت بندی عوامل موثر بر اخلاق كاري كاركنان با استفاده از روش ترکیبی دیمتل و فرایند تحلیل شبکه انجام شده است. روش شناسی: پژوهش حاضر از لحاظ هدف، کاربردی و از لحاظ گردآوری داده ها توصیفی- پیمایشی می باشد. جامعه آماری کلیه کارکنان و مربیان دانشکده های فنی و حرفه ای استان سمنان می باشد و ده نفر از کارشناسان و خبرگان سازمان در تشکیل پانل خبرگی مشارکت داشته اند. گردآوری داده ها با استفاده از پرسشنامه های محقق ساخته و پاسخگویی مبتني بر مقايسات زوجي صورت گرفته است. براي تجزیه و تحلیل داده ها از روش تلفیقی دیمتل و فرايند تحليل شبکه استفاده شده است. یافته ها: نتایج نشان داد عوامل فردی، عوامل فرهنگی و اجتماعی و فرهنگ سازمانی، از مهمترین و نیز تاثیرگذارترین عوامل موثر بر اخلاق کاري هستند و عوامل اقتصادی با اینکه جزو عوامل تاثیرگذارند اما به لحاظ وزنی نسبت به سایر عوامل از اهمیت کمتری برخوردارند. نتیجه گیری: با توجه به اهمیت و تاثیر بالای فرهنگ فردی و اجتماعی در شکل گیری فرهنگ و اخلاق کاري، توجه ویژه به این امور و برنامه ریزی های فرهنگی برای ارتقاء سطح اخلاقیات از نیازهای ضروری هر سازمان است. کلید واژه ها: اخلاق؛ اخلاق کار حرفه اي؛ عوامل درون سازمانی؛ عوامل برون سازمانی</p>http://modiriyatfarda.ir/en/Article/Download/55011مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-604725862026106ehicle Damage Detection After Accidents Using Deep Neural Networks: A Case Study in the Insurance Industryتشخیص آسیب خودرو پس از تصادفات با استفاده از شبکه های عصبی عمیق: یک مطالعه موردی در صنعت بیمه135161faفاطمهصرامی فروشانیکارشناسی ارشد مهندسی صنایع دانشکدگان فارابی دانشگاه تهران حسینمحمدی دولت آبادیعضو هیت علمی گروه مهندسی صنایع دانشکدگان فارابی دانشگاه تهرانhttps://orcid.org/0000-0002-0526-01572024317<p>Objective: This study aims to investigate the capability of convolutional neural networks (CNNs) to identify and classify vehicle damage after accidents and to evaluate their potential application in the insurance industry. Necessity: Vehicle damage assessment in the insurance industry is generally time-consuming and requires expert inspection. The application of intelligent image-processing methods can facilitate preliminary damage assessment, reduce claim-processing time, and support the development of intelligent insurance systems. Methodology: The research data consists of real images of damaged vehicles belonging to third-party insurance customers during 2020 and 2021. From approximately 20,000 images, 4,100 were selected to train and evaluate seven deep learning architectures: AlexNet, VGG-19, ResNet-50, ResNet-101, EfficientNetB7, EfficientNetV2L, and MobileNetV2. The models were evaluated for classifying six types of vehicle damage: superficial damage, severe damage, side-mirror damage, windshield damage, tire damage, and vehicle-light damage. Findings: The results showed that model performance in terms of speed and accuracy was influenced by the structure and characteristics of the pre-trained architecture. The classification accuracy of the evaluated models ranged from 59% to 63%. The findings also demonstrated the capability of deep convolutional neural networks to extract visual features and distinguish different types of vehicle damage. Conclusion: The findings indicate that convolutional neural networks and transfer learning methods have promising potential for the identification and preliminary assessment of vehicle damage after accidents. These models can provide a foundation for developing intelligent damage assessment systems in the insurance industry, helping to reduce assessment time, accelerate claim-processing procedures, and improve the efficiency of insurance processes</p><p>هدف: بررسی قابلیت شبکه‌های عصبی پیچشی در شناسایی و طبقه‌بندی خسارت خودرو پس از تصادف در صنعت بیمه است.. روش شناسی: داده‌های پژوهش شامل تصاویر واقعی خودروهای آسیب‌دیده متعلق به مشتریان بیمه شخص ثالث در سال‌های ۱۳۹۹ و ۱۴۰۰ است. از میان حدود ۲۰ هزار تصویر، ۴۱۰۰ تصویر برای آموزش و ارزیابی هفت معماری شامل AlexNet، VGG-19، ResNet-50، ResNet-101، EfficientNetB7، EfficientNetV2L و MobileNetV2 انتخاب شد. مدل‌ها برای تشخیص شش نوع آسیب شامل آسیب سطحی، عمیق، آینه جانبی، شیشه، لاستیک و چراغ خودرو مورد بررسی قرار گرفتند. یافته‌ها: نتایج نشان داد که عملکرد مدل‌ها از نظر سرعت و دقت، تا حد زیادی تحت تأثیر ساختار و ویژگی‌های معماری شبکه‌های از پیش آموزش‌دیده قرار دارد. دقت مدل‌های مورد بررسی در تشخیص و طبقه‌بندی انواع خسارت خودرو در بازه ۵۹ تا ۶۳ درصد قرار گرفت. مقایسه معماری‌های مختلف همچنین نشان داد که استفاده از شبکه‌های عصبی پیچشی عمیق می‌تواند قابلیت قابل قبولی در استخراج ویژگی‌های تصویری و تفکیک انواع آسیب‌های خودرو فراهم کند، هرچند عملکرد مدل‌ها به کیفیت و حجم داده‌های آموزشی و همچنین نوع معماری مورد استفاده وابسته است. نتیجه‌گیری: نتایج پژوهش بیانگر ظرفیت شبکه‌های عصبی پیچشی و روش‌های انتقال یادگیری برای شناسایی و ارزیابی اولیه خسارت خودرو پس از تصادف است. استفاده از چنین مدل‌هایی می‌تواند به‌عنوان بستری برای توسعه سامانه‌های هوشمند ارزیابی خسارت در صنعت بیمه مورد توجه قرار گیرد و در صورت توسعه مجموعه‌داده، بهبود کیفیت تصاویر و بهینه‌سازی مدل‌ها، زمینه کاهش زمان ارزیابی، تسریع فرایند رسیدگی به خسارت و افزایش بهره‌وری فرایندهای بیمه‌ای را فراهم سازد.</p>http://modiriyatfarda.ir/en/Article/Download/55170