پایداری | متن کامل رایگان | شناسایی مدل ارزشیابی بهینه برای دارایی های داده های دریایی با فرآیند تحلیل سلسله مراتبی (AHP) - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

تکنیک درخت حل مسائل: راهی جهت حل مسائل پیچیده

ادامه ...

عضو کانال انجمن شهرسازی ایران در واتس اپ شوید :https://whatsapp.com/channel/0029…

ادامه ...

Friday, 3 May , 2024
امروز : جمعه, ۱۴ اردیبهشت , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 4218

ارسال

پرینتخانه » مقالات تاریخ انتشار : 15 آوریل 2024 - 3:30 | 10 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | شناسایی مدل ارزشیابی بهینه برای دارایی های داده های دریایی با فرآیند تحلیل سلسله مراتبی (AHP)

۲٫ بررسی ادبیات این بخش به بررسی تعاریف می پردازد و مروری بر ادبیات ارائه می دهد که در تعیین یک مدل ارزش گذاری برای داده های دریایی با استفاده از روش AHP نقش دارد. ارزش داده های دریایی به شدت با کیفیت و دسترسی مرتبط است و حفظ شفافیت و عینیت برای اطمینان از […]

۲٫ بررسی ادبیات

این بخش به بررسی تعاریف می پردازد و مروری بر ادبیات ارائه می دهد که در تعیین یک مدل ارزش گذاری برای داده های دریایی با استفاده از روش AHP نقش دارد. ارزش داده های دریایی به شدت با کیفیت و دسترسی مرتبط است و حفظ شفافیت و عینیت برای اطمینان از کیفیت مهم است. تجارت باید بر اساس عرضه و تقاضا فعال شود و ذینفعان در صنعت حمل و نقل ترجیح می دهند اطلاعات کافی را از نظر کیفیت و کمیت داده ها حفظ کنند.

۲٫۱٫ تعریف داده های دریایی

تعریف کنفرانس سازمان ملل متحد در تجارت و توسعه (UNCTAD) از داده ها همه جنبه های زندگی انسان را در بر می گیرد. به طور خاص، زندگی انسان را به عنوان رویدادهایی، مانند محصولات و اقدامات، رمزگذاری شده از طریق دیجیتالی کردن، یعنی اطلاعات قابل خواندن توسط ماشین تعریف می کند. [۱۴]. به عبارت ساده، داده های دریایی شامل اطلاعات کشتی ها و سایر کشتی های دریایی، به ویژه حرکت آنها در سراسر جهان است. [۱۵]. از این منظر، داده های دریایی را می توان به عنوان تمام داده هایی که به طور مستقل یا از طریق تعامل با اشخاص ثالث و سایر اشیاء در طول عملیات کشتی تولید می شوند تعریف کرد. [۱۶] و با کلان داده متفاوت هستند.

برای بسیاری از شرکت ها، موارد تحقیقاتی مربوط به تجارت داده و ارزش گذاری داده ها، به ویژه در زمینه های خدمات عمومی وجود دارد [۱۷]، تحرک [۱۸]، بازار یابی [۱۹]، و مراقبت های بهداشتی [۲۰]. موارد تحقیقاتی مختلفی در این صنایع به کار گرفته شده است. با این حال، شکل، سطح پردازش، زمان، مقدار و نوع داده های مورد نیاز بسته به ویژگی های هر صنعت متفاوت است. [۲۱]. از منظر کاربرد در عملیات تجاری کشتی های خودمختار، ارزش داده های دریایی نیز بسته به سطح تقاضای شرکت کنندگان در صنایع کشتیرانی و دریایی و بازارهای مرتبط، متفاوت ارزیابی می شود. بنابراین، بر اساس داده های دریایی تعریف شده در این مطالعه، ساختار مفهومی تجارت داده های دریایی، شامل تولید و خرید، نشان داده شده است. شکل ۲ زیر

۲٫۲٫ بررسی ادبیات

هدف این مطالعه شناسایی مهم ترین عوامل دخیل در تعیین مدل ارزش گذاری داده های دریایی است. بنابراین، روش تحلیل AHP برای استخراج اولویت ها از طریق مقایسه های زوجی بین عناصری که ساختار سلسله مراتبی تصمیم گیری را تشکیل می دهند، استفاده شد. این مطالعه روش AHP را انتخاب کرد زیرا می تواند وزن و اهمیت عوامل رقیب را بدست آورد که تجزیه و تحلیل کمی چالش برانگیز است. علاوه بر این، مطالعات اخیر ارزش داده های دارایی را تجزیه و تحلیل کرده و سیستم شاخص ارزیابی را با استفاده از روش AHP ایجاد کرده است.

در سال‌های اخیر، تحقیقات به طور فعال در مورد استفاده از اطلاعات و جمع‌آوری داده‌ها انجام شده است، زیرا اهمیت استفاده از داده‌ها در صنایع افزایش یافته است. به طور خاص، لیانگ و همکاران. [۲۲] داده‌ها را به‌عنوان نوعی کالا در بازار دیجیتال ارائه می‌کند، جایی که هم صاحبان داده و هم مصرف‌کنندگان قادر به اتصال و به اشتراک گذاشتن ابزار مفید داده‌ها هستند. نی [۲۳] توضیح داد که تمایل رو به رشدی برای ارزیابی ارزش داده ها به عنوان دارایی های نامشهود با استفاده از چندین مورد وجود دارد. هو و همکاران [۷] نشان داد که یک سیستم معاملاتی داده، کیفیت داده ها را بر اساس نتایج ارزیابی درآمد برنامه کاربران داده به ارائه دهنده داده، با توجه به کیفیت داده های ارزیابی شده، ارزیابی می کند. موشال و همکاران [۹] مشاهده کردند که فروشندگان عملکرد انبارهای داده را به پلتفرم های دیجیتالی منتقل می کنند که خدماتی را برای یکپارچه سازی و تجزیه و تحلیل داده ها از منابع داده تجاری ارائه می دهند.

در مطالعه قبلی روی داده های بزرگ، Mihet و Philippon [12] گسترش فناوری های داده های بزرگ و هوش مصنوعی را تجزیه و تحلیل کرد. آنها استدلال کردند که این فناوری ها احتمالاً بر تطابق بین شرکت ها و مصرف کنندگان تأثیر می گذارد. در مورد پلتفرم های داده، برچ و همکاران. [۲۴] نشان داد که شرکت‌های فناوری بزرگ، به جای گسترش مالکیت داده، کاربران و مشارکت‌های کاربر را از طریق اندازه‌گیری، کنترل و ارزش‌گذاری عملکردی به دارایی تبدیل می‌کنند. علاوه بر این، کیم و همکاران. [۲۵] رشد یک شرکت مبتنی بر انتقال فناوری را ترویج کرد و فعالیت‌های مختلف پشتیبانی مالی مبتنی بر فناوری را اجرا کرد. آنها همچنین شکل جدیدی از هوش مصنوعی را پیشنهاد کردند، یک پلتفرم داده مبتنی بر یادگیری عمیق که دارندگان فناوری را قادر می‌سازد تا ارزش اقتصادی داده‌های خود را تخمین بزنند.

سازمان توسعه و همکاری اقتصادی (OECD) [26] توضیح داد که قابلیت حمل داده ها می تواند کاربران را قادر سازد تا نقش فعال تری در استفاده مجدد از داده های خود در پلتفرم های دیجیتال ایفا کنند. آنها همچنین بررسی کردند که چگونه قابلیت حمل داده می تواند به افزایش قابلیت همکاری و افزایش رقابت و نوآوری با کاهش هزینه های سوئیچینگ و اثرات قفل کمک کند. نی [۲۳] توضیح داد که چرا بسیاری از شرکت ها روند رو به رشدی را به سمت ارزیابی دارایی های نامشهود بین مشتریان و داده های بالقوه نشان می دهند که موتور روابط تجاری است.

لنگلی [۲۷] استدلال کرد که دیجیتالی شدن منجر به مدل‌های کسب‌وکار کارآمد می‌شود که حول تطبیق ارزش پیشنهادی با بینش‌های به‌دست‌آمده از تجزیه و تحلیل مستمر داده‌ها می‌چرخد، در نتیجه تأکید سیستم‌های خدمات محصول را به سمت انتهای خدمات طیف تغییر می‌دهد. کولتای [۲۸] تمرکز بر ویژگی‌های کیفیت جمع‌آوری داده‌ها و پوشش دادن مهم‌ترین جنبه‌های رسیدگی به کیفیت داده‌ها است که بدون در نظر گرفتن کلان داده‌ها غیرقابل تصور است.

در حالی که بسیاری از مطالعات تجارت داده‌ها را در حوزه دریایی پوشش داده‌اند، این حوزه ارزیابی و مدیریت ارزش، استفاده تجاری، سیاست‌گذاری و مقررات را توسعه نداده است. فاقد تحقیقات اساسی برای تعیین روش ارزیابی بهینه دارایی های تجاری صنعت دریایی است. بنابراین، این مطالعه روشی را برای ارزیابی داده‌های تولید شده در صنایع دریایی به عنوان یک دارایی شناسایی کرده و یک مدل ارزش‌گذاری بهینه را بر اساس یک گروه خبره از طریق تحلیل AHP انتخاب و ارائه می‌کند. در عصر آینده صنعت فناوری هوشمند، مانند کشتی‌های مستقل فعال در بازار دریایی، انباشت و ارزش‌گذاری داده‌ها موضوعی حیاتی‌تر خواهد بود. انتظار می رود این مطالعه بر روی مدل ارزش گذاری داده های دریایی سرنخی برای ترویج تجاری سازی کشتی های خودمختار ارائه دهد.

۲٫۳٫ مدل ارزش گذاری داده ها

طبق اسناد اقتصاد دیجیتال ۲۰۱۹ OECD [29]منطقی است که داده ها را به عنوان دارایی های نامشهود بر اساس تعریف دارایی های نامشهود توسط استاندارد بین المللی حسابداری مشاهده کنیم. [۲۴]. برای مدلی برای ارزیابی ارزش دارایی های نامشهود، باید حقوق و روابط قانونی مانند ویژگی ها، مالکیت و حقوق مالکیت معنوی را بسته به هدف و استفاده دارایی ها در نظر گرفت و ارزش را بر اساس اصول بازار ارزیابی کرد. .

OECD یک روش ارزش گذاری مبتنی بر تجارت بازار و یک روش تمایل به پرداخت مبتنی بر نظرسنجی را برای اطلاعات شخصی پیشنهاد کرد. [۲۶]. علاوه بر این، کتاب راهنمای اشتراک گذاری داده ۲۰۱۹ ارائه شده توسط انجمن بانکداری سنگاپور، رویکرد بازار، هزینه و درآمد را پیشنهاد کرد. [۳۰]. اسلوتین همچنین رویکردهای سودآوری و مبتنی بر تأثیر را پیشنهاد کرد [۳۱]. از جمله این روش ها، روش های پیشنهادی در [۳۰] به این دلیل برای این مطالعه انتخاب شدند که داده های دریایی که هدف این مطالعه است، مربوط به عملکرد کشتی ها است و تقاضا برای این داده ها نیز محدود به صنایع با علایق خاص است. بر اساس این روش‌ها، روش‌های ارزش‌گذاری داده‌های شناسایی‌شده در مطالعات قبلی مورد بررسی قرار گرفت و از روش تحلیل AHP برای استخراج مناسب‌ترین مدل برای ارزش‌گذاری داده‌های دریایی استفاده شد.

ابتدا، رویکرد هزینه، ارزش داده ها را با محاسبه ارزش هزینه سرمایه گذاری شده در توسعه دارایی هدف ارزیابی تعیین می کند. روش دیگر، هزینه مورد نیاز برای توسعه یک فناوری با سود اقتصادی یکسان یا خرید فناوری با همان ارزش را برآورد می کند. برای ارزیابی دارایی داده ها با استفاده از این رویکرد، هزینه های داده های تکراری یا استفاده نشده حذف می شوند. استانداردهای حسابداری مانند هزینه های مستقیم و غیرمستقیم برای هزینه های باقیمانده اعمال می شود. این هزینه ها بسته به هزینه اتصال کاربر/تولیدکننده و هزینه کارگزاری، هزینه عملیات پلت فرم داده، هزینه خرید و اتصال دستگاه یا حسگر، هزینه خرید/ادغام/پردازش داده، هزینه انتقال/امنیت داده و هزینه جمع آوری/ضبط داده ها طبقه بندی می شوند. مراحل پردازش داده ها، مانند جمع آوری، ذخیره سازی، پردازش و استفاده از داده ها.

دوم، رویکرد بازار ارزش داده ها را از طریق قیمت آن در بازار یا نظرسنجی ها و تحقیقات کارشناسان تعیین می کند. به طور کلی، ارزش بازار از طریق توافق بین کاربران و فروشندگان تعیین می شود و هزینه داد و ستد داده ها با پول نقد، کالا یا خدمات پرداخت می شود. در بازار داده، ارزش تعیین شده را می توان به جای یک ارزش، به عنوان قیمت معاملات داده در نظر گرفت. از آنجا که بازارهای داده کمی وجود دارد، روش حراج استفاده می شود، یا روشی برای آزمایش/بررسی تمایل مصرف کننده برای دانلود یا اشتراک داده های تجاری استفاده می شود. رویکرد بازار برای شرکت هایی مناسب است که به طور مستقیم داده ها را جمع آوری، پردازش، فروش و توزیع می کنند. زمانی که هیچ مورد معاملاتی در بازار وجود ندارد، می توان از روش Relief-from-Royalty استفاده کرد [۲۲].

سوم، رویکرد درآمد (منفعت) ارزش فعلی را با اعمال نرخ تنزیل برای فروش پولی (سود) که انتظار می رود در طول عمر اقتصادی دارایی های داده در یک شرکت رخ دهد، ارزیابی می کند. علاوه بر این، این روش ارزش تمام دارایی های داده یک شرکت را ارزیابی می کند [۲۵]. رویکرد درآمد به عنوان بیش از حد برآورد ارزش دارایی در مقایسه با رویکردهای بهای تمام شده و بازار شناخته شده است.

۲٫۴٫ عوامل برای ارزش گذاری داده های دریایی

بر اساس گزارشی از UNCTAD، داده‌ها از نظر ارزش با کالاها یا خدمات عمومی متفاوت است و لازم است ویژگی‌های ذاتی آنها را درک کرد. [۱۴]. در واقع، داده‌ها دارای ویژگی‌های نامحدودی هستند که می‌توانند توسط هرکسی استفاده شوند، زیرا نامشهود، غیررقیب هستند و به دلیل ماهیت چندبعدی آن‌ها در طول زمان (به استثنای قدیمی شدن یا از بین رفتن) کاهش نمی‌یابند. با این حال، ارزش یا ویژگی های آنها ممکن است بسته به دسترسی متفاوت باشد. چنین دسترسی ممکن است ارزش داده ها را محدود کند زیرا ممکن است داده ها با اقدامات فنی و قانونی محدود شوند. علاوه بر این، طبقه بندی داده ها از دیدگاه های مختلف، با توجه به اشکال و انواع مختلف داده هایی که با توجه به نیاز بازار در دسترس هستند، مورد نیاز است. [۳۰].

به گفته سازمان توسعه رسانه Infocomm (IMDA) و کمیسیون حفاظت از داده های شخصی (PDPC)، محرک های ارزش کلیدی داده ها شامل کامل بودن، سازگاری، دقت، به موقع بودن، انحصار، محدودیت استفاده، مسئولیت و خطرات، قابلیت همکاری و دسترسی است. [۲۹]. داده های خام با توجه به این محرک های ارزش کلیدی می توانند دارای ارزش باشند. از آنجایی که کسب درآمد در حالی انجام می شود که داده ها مطابق با نیازهای بازار پردازش می شوند، ارزش پردازش نیز باید در نظر گرفته شود.

علاوه بر این، ارزش داده های دریایی به شدت با کیفیت آنها مرتبط است، که نیاز به عینیت قابل توجهی دارد. این ویژگی ها به طور قابل توجهی بر قابلیت استفاده از داده ها تأثیر می گذارد. بنابراین، حفظ شفافیت و عینیت داده ها برای اطمینان از کیفیت مهم است [۲۷,۳۲].

برای شکل‌گیری و فعال‌سازی بازار داده‌های دریایی، تجارت باید از نظر عرضه و تقاضا فعال شود. به طور خاص، مصرف کنندگان مایل به خرید داده های دریایی بر اساس انگیزه هایی مانند توسعه محصول/خدمات جدید، سرمایه گذاری بهینه و بهبود کارایی عملیاتی خواهند بود. با این حال، تامین کنندگان داده های دریایی را بر اساس انگیزه هایی مانند ایجاد سود، کاهش هزینه و مشارکت اجتماعی به بازار عرضه خواهند کرد. [۳۰]. اگر بازیگران کافی در بازار با چنین انگیزه‌هایی وجود داشته باشند، می‌توان بازار را با ثبات حفظ کرد. علاوه بر این، سهامداران در صنعت کشتیرانی بر اساس داده‌های مختلف تصمیم می‌گیرند و ترجیح می‌دهند اطلاعات کافی را از نظر کیفیت و کمیت داده‌ها حفظ کنند. [۳۳]. بنابراین، کیفیت داده ها مهم است، اما باید داده های متنوع و از نظر کمی کافی در دسترس باشد.

عوامل در نظر گرفته شده برای ارزش گذاری داده های دریایی مورد تجزیه و تحلیل قرار گرفت بخش ۲٫۲، بخش ۲٫۳ و بخش ۲٫۴ همانطور که در نشان داده شده است، بر اساس ویژگی های آنها استخراج و طبقه بندی شدند میز ۱. در این مطالعه عوامل استخراج شده از مطالعات قبلی با مشاوره تخصصی تایید شد. این کارشناسان متشکل از مقامات دولتی، کارشناسان صنعت و کارشناسان دانشگاهی بودند و عوامل استخراج شده را بررسی کردند و به طبقه بندی این عوامل کمک کردند. همانطور که در بخش قبلی و بررسی ادبیات ذکر شد، سه سلسله مراتب به عنوان عوامل مهم شناسایی می شوند: ویژگی های داده های دریایی، ویژگی های بازار داده های دریایی، و ویژگی های ارزش گذاری داده های دریایی. علاوه بر این، سه گزینه قابل اجرا برای ارزیابی داده های دریایی ارائه شده است: رویکرد هزینه، درآمد بازار و رویکرد درآمد.

۳٫ نظریه و روش

این بخش روش AHP (فرایند سلسله مراتبی تحلیلی) را توصیف می کند که برای انتخاب مدل بهینه ارزیابی داده های دریایی استفاده می شود. AHP یک روش تصمیم گیری چند معیاره (MCDM) است که برای انتخاب بهترین جایگزین با در نظر گرفتن عوامل متعدد استفاده می شود. [۳۶]. این روش به عنوان مناسب ترین روش تحقیق برای رسیدگی به این مشکل در نظر گرفته می شود، زیرا بدون نیاز به تعیین وزن عوامل، قضاوت معقولی را در مورد معیارهای متعدد بر اساس قضاوت متخصص ارائه می دهد. روش AHP که توسط پروفسور توماس ساعتی از دانشگاه پنسیلوانیا در اوایل دهه ۱۹۷۰ توسعه یافت، یک روش تصمیم گیری برای به دست آوردن دانش، تجربه و شهود ارزیاب از طریق قضاوت با استفاده از مقایسه زوجی است. [۳۷]. AHP یک رویکرد ساختاریافته برای تصمیم گیری ارائه می دهد که به تصمیم گیرندگان کمک می کند تا مهمترین معیارها و جایگزین ها را شناسایی کنند. انعطاف پذیری دارد که می تواند هم معیارهای کمی و هم کیفی را مدیریت کند. این امر به تصمیم گیرندگان اجازه می دهد تا در هنگام تصمیم گیری طیف وسیعی از عوامل را در نظر بگیرند. AHP با اجازه دادن به تصمیم گیرندگان برای مقایسه معیارها و گزینه ها با یکدیگر، ثبات در تصمیم گیری را تضمین می کند. این امر به حذف تناقضات و سوگیری ها در فرآیند تصمیم گیری کمک می کند. علاوه بر این، AHP با اجازه دادن به تصمیم گیرندگان برای توضیح انتخاب ها و منطق خود، یک فرآیند تصمیم گیری شفاف را فراهم می کند. این به ایجاد اعتماد در بین ذینفعان کمک می کند و اطمینان می دهد که تصمیمات بر اساس معیارهای عینی اتخاذ می شوند. AHP یک روش کاربر پسند است که به راحتی قابل درک و استفاده است. این باعث می شود که طیف گسترده ای از تصمیم گیرندگان، حتی کسانی که دانش تخصصی یا آموزش در علم تصمیم گیری ندارند، در دسترس باشد [۳۸,۳۹]. AHP به طور گسترده در زمینه های مختلف از جمله محیط زیست استفاده می شود [۴۰,۴۱]، دارایی، مالیه، سرمایه گذاری [۴۲]، مراقبت های بهداشتی [۴۳]، و مهندسی [۴۴,۴۵]. AHP روشی قدرتمند است که می تواند به تصمیم گیرندگان در حل مسائل پیچیده با تجزیه آنها به اجزای کوچکتر، اولویت بندی معیارها و انتخاب بهترین جایگزین کمک کند.

۳٫۱٫ تئوری

این مطالعه بر انتخاب مدل هایی برای ارزیابی داده های دریایی تمرکز دارد. بنابراین لازم است با در نظر گرفتن همه جانبه ویژگی های داده های دریایی، ویژگی های بازار داده های دریایی و ویژگی های مدل ارزش گذاری داده های دریایی که در مطالعات قبلی به آن ها پرداخته شده است، مدل ارزشیابی بهینه انتخاب شود. در این مطالعه از روش AHP در بین روش های MCDM برای انتخاب جایگزین بهینه با در نظر گرفتن عوامل متعدد استفاده شده است. تجزیه و تحلیل AHP به کار رفته در این مطالعه یک روش تصمیم گیری نماینده است که از MCDM به عنوان یک روش علمی استفاده می کند. لازم است عوامل در یک سلسله مراتب را به صورت زوجی با هم مقایسه و میزان ترجیح را بیان کرد. علاوه بر این، عواملی که باید مقایسه شوند باید همگن باشند تا نتیجه ای بر اساس مقیاس از پیش تعیین شده در یک محدوده محدود به دست آید. [۳۲]. شکل ۳ روش AHP را نشان می دهد.

ابتدا مشکل تعریف می شود. این فرآیند تصمیم نهایی و عواملی را که برای رسیدن به هدف نهایی باید در نظر گرفته شود، روشن می کند. این فرآیند با استفاده از تحقیقات ادبیات سیستماتیک، طوفان فکری و روش دلفی انجام می شود.

دوم، مدل های سلسله مراتبی برای تصمیم گیری ایجاد می شوند. مجموعه های همگن برای هر عامل خوشه و طبقه بندی می شوند. هدف از حل مسئله در بالای طبقه بندی با معیارهای متعدد برای انتخاب گزینه ها در وسط و جایگزین ها در پایین ارائه شده است. این فرآیند مهمترین مرحله در روش AHP است و مسئله تصمیم گیری به عنوان یک تعیین کننده مرتبط برای تحلیلگر عمل می کند. [۴۶]. اگرچه ساخت سلسله مراتب اولین و مهمترین گام AHP است، اما با انتخاب سلسله مراتب و عوامل، تعریف مفاهیم و ایجاد سؤالات، ساختاری نظری برای طبقه بندی مسئله تصمیم گیری ساخته می شود.

سوم، عوامل هم سطح در ساختار سلسله مراتبی به صورت جفت با استفاده از یک مقیاس نه نقطه ای در قالب ماتریس A مقایسه می شوند. در اینجا، عناصر مورب اصلی ۱ و برای عناصر خارج از مورب هستند.

آ_{j من} = \frac{۱}{آ_{من j}} ، \forall من ، j = ۱ ، ۲ ، \dots ، n

، جایی که i و j نشان دهنده عوامل سلسله مراتبی در یک سطح هستند و عنصر a_ij مقدار در مقیاس نه نقطه ای است که نشان دهنده ترجیح این است که ضریب i بهتر از عامل j است.

$آ = [a_{i j}] = [\begin{matrix} آ_{۱۱} & آ_{۱۲} & \dots & آ_{۱ n} \\ آ_{۲۱} & آ_{۲۲} & \dots & آ_{۲ n} \\ ⋮ & ⋮ & \dots & ⋮ \\ آ_{n ۱} & آ_{n ۲} & \dots & آ_{n n} \end{matrix}]$

(۱)

در این مطالعه، مقایسه‌های زوجی با استفاده از یک مقیاس ۹ نقطه‌ای بر اساس این نتیجه که «انسان می‌تواند ۷ ± ۲ شی را به طور همزمان بدون سردرگمی مقایسه کند» از آزمایش روان‌شناختی میلر انجام شده در سال ۱۹۵۶ انجام شد. [۴۷]. روش‌های مختلفی ممکن است برای به دست آوردن اندازه‌گیری‌ها با مقیاس نه نقطه‌ای استفاده شود، از جمله مقادیر خطی خطی، مربع، ریشه مربع، هندسی و معکوس. تصمیم گیرندگان ممکن است از روش های مختلفی برای هر مشکل استفاده کنند. با این حال، مقادیر خطی مطابق با “مقیاس ساعتی” ترجیح داده شده است، همانطور که در نشان داده شده است جدول ۲ [۴۸]. به عنوان مثال، اگر

آ_{۱۳} = ۷

، این مقدار نشان می دهد که پاسخ دهنده فکر می کند عامل اول مهمتر از عامل سوم در همان سلسله مراتب است.

چهارم، سازگاری منطقی برای هر پاسخ به پرسشنامه AHP بررسی می شود. برای تأیید پایایی پاسخ، شاخص سازگاری (CI، نشان داده شده در معادله (۲)) و نسبت سازگاری (CR)، که معیاری از سازگاری مقایسه‌های زوجی انجام شده توسط پاسخ‌دهندگان پرسشنامه AHP است، به دست می‌آید. اگر CR کمتر از ۰٫۱ باشد، مقایسه زوجی به عنوان سازگاری معقول ارزیابی می شود. λ مقدار ویژه ماتریس مقایسه زوجی است. از

n \times n

ماتریس، n مقدار λ را می توان به دست آورد. در AHP، حداکثر مقدار λ (

ل_{متر آ ایکس}

) از بین آنها انتخاب شده و برای تعیین میزان سازگاری در مقایسه های زوجی استفاده می شود. CR را می توان از CI و شاخص تصادفی (RI) اندازه گیری کرد، همانطور که در رابطه (۳) در زیر نشان داده شده است. [۴۹]. علاوه بر این، همانطور که در جدول ۳، RI با میانگین CI ماتریس محاسبه می شود. ماتریس معکوس با تنظیم تصادفی اعداد از ۱ تا ۹ ایجاد می شود. برای این ماتریس، CI به عنوان شاخص تصادفی متوسط نامیده می شود. به طور کلی، اگر مقدار CR 0.1 یا کمتر باشد، پاسخ از نظر منطقی سازگار در نظر گرفته می شود [۵۰].

$ثبات فهرست مطالب (CI) = \frac{(ل_{متر آ ایکس} - n)}{n - ۱}$

(۲)

$ثبات نسبت (CR) = \frac{سی من}{آر من} \times ۱۰۰ %$

(۳)

جدول ۳ زمانی که n از ۱ به ۱۰ تغییر می کند، RI را نشان می دهد. به عنوان یک قاعده کلی، اگر CR به دست آمده در رابطه (۳) در ۱۰% باشد، ماتریس مقایسه زوجی برای سازگاری تصحیح می شود.

پنجم، وزن نسبی عوامل به صورت سلسله مراتبی محاسبه می شود. برای تخمین بردار وزن

\vec{تو}

در ماتریس

آ

، تعیین کننده

∣ آ - ل من ∣ = ۰

محاسبه می شود از

آ \vec{تو} = ل \vec{تو}

ارتباط. حداکثر مقدار ویژه (

ل_{متر آ ایکس}

) از ماتریس A یافت می شود و از عناصر بردار ویژه متناظر آن به عنوان وزن استفاده می شود که نشان دهنده اهمیت معیار است. در این مورد،

\vec{تو}

به عنوان بردار ویژه اصلی ماتریس نامیده می شود

آ

و در رابطه (۴) بیان می شود. رتبه بندی جامع گزینه های متعدد با استفاده از این وزن به دست می آید

\vec{تو}

$آ \vec{تو} = ل_{متر آ ایکس} \vec{تو}$

(۴)

بر اساس پنج رویه ساختارمند ذکر شده در بالا، این مطالعه AHP را به عنوان روش اصلی در این مطالعه انتخاب کرد. لازم است در انتخاب مدل ارزش گذاری داده های دریایی، عوامل مختلفی در نظر گرفته شود، اولویت ها از بین عوامل مختلف با توجه به اهمیت آنها تعیین شود و بر اساس ارزش محاسبه شده نهایی، به عنوان جایگزینی نتیجه گیری ارائه شود. بنابراین، وزن تعیین‌کننده‌ها از طریق روش AHP قابل ارائه است و قضاوت منطقی در مورد معیارهای متعدد امکان‌پذیر است. بنابراین، این مطالعه مدل AHP را مناسب‌ترین روش تحقیق برای رفع این مشکل در نظر گرفت، زیرا وزن‌ها و اولویت‌های معیارهای چندگانه به صورت کمی به‌طور خودکار به دست می‌آیند، در صورتی که مقایسه‌های زوجی بین عوامل به‌طور متوالی بر اساس قضاوت متخصص، بدون نیاز به وزن عوامل تعیین کننده را با استفاده از حدس و گمان یا سایر ابزارهای ذهنی تر تنظیم کنید [۵۱].

۳٫۲٫ جمع آوری داده ها و روش

هنگام تهیه پرسشنامه AHP برای انتخاب مدل ارزشیابی داده های دریایی، مصاحبه های عمیق با پرسنل مسئول و کارشناسان در زمینه های اطلاعات، داده ها، فناوری اطلاعات و آموزش در حوزه دریایی انجام شد. علاوه بر این، موارد و مطالعات بین المللی مرتبط مورد بررسی قرار گرفت. این نظرسنجی از ژانویه تا فوریه ۲۰۲۲ از طریق بازدید و مکاتبات ایمیلی با کارشناسان و پرسنل مسئول با درک بالا از داده های دریایی بر اساس تجربه کافی در صنایع مرتبط مانند کشتیرانی و صنایع کشتی سازی، صنعت نرم افزار، دانشگاه و … انجام شد. موسسات تحقیقاتی و سازمان های دولتی دریایی. از میان ۴۰ پرسشنامه توزیع شده، ۳۵ پرسشنامه با استفاده از Expert Choice 2000 و Microsoft Excel™ بازیابی و تجزیه و تحلیل شدند. سپس، ۳۳ پرسشنامه معتبر، به استثنای ۲ پرسشنامه که دارای ارزش CR پایینی بودند، از طریق مقایسه های زوجی مورد تجزیه و تحلیل قرار گرفت. شکل ۴ ویژگی های جمعیت شناختی پاسخ دهندگان نظرسنجی AHP را نشان می دهد. در مورد تحقیق AHP، مقادیر کم داده پاسخ نظرسنجی برای تجزیه و تحلیل مورد نیاز نیست و تجزیه و تحلیل می تواند حتی در حضور تنها یک پاسخ اعمال شود. [۵۲]. با توجه به این موضوع، تعداد ۳۳ پاسخ پرسشنامه مورد استفاده در این پژوهش در مقایسه با پاسخ های مورد استفاده در سایر پژوهش ها زیاد است. علاوه بر این، پاسخ ها را می توان قابل اعتماد دانست زیرا نظرسنجی با متخصصان در هر زمینه انجام شده است [۵۳].

۳٫۳٫ مدل تحقیق AHP

برای طراحی مدل AHP، سه معیار اصلی یعنی ویژگی‌های داده‌های دریایی، ویژگی‌های بازار داده‌های دریایی و ویژگی‌های مدل ارزش‌گذاری داده‌های دریایی ساخته شد و برای هر معیار اصلی سه زیرمعیار ساخته شد. در نتیجه یک مدل تحقیق با سه معیار اصلی و ۹ زیرمعیار طراحی شد که در زیر نشان داده شده است شکل ۵.

۵٫ نتیجه گیری ها

اهمیت داده ها در حوزه های مختلف جامعه ما شناخته شده است و انتظارات زیادی برای ارزش افزوده ای وجود دارد که می توان با استفاده از داده ها ایجاد کرد. با این حال، تحقیق در مورد ارزش داده ها در مقایسه با تشخیص اهمیت داده ها ناکافی است. به ویژه، چنین تحقیقی در حوزه دریایی انجام نشده است. بر اساس یک نظرسنجی توسط شرکت تجاری اقیانوس کره، میزان داده های جمع آوری شده توسط شرکت های کشتیرانی در کره جنوبی سالانه ۴۰ درصد افزایش می یابد. مقادیر زیادی از داده های دریایی مختلف به دلیل هزینه های تعمیر و نگهداری در شرکت ها به عنوان بدهی باقی می ماند. بنابراین، تلاش فعالی برای ارزیابی ارزش داده ها با استفاده از روش های ارزش گذاری و شناسایی داده ها به عنوان دارایی شرکت ها مورد نیاز است.

در این مطالعه، مدل بهینه برای ارزیابی داده‌های دریایی با در نظر گرفتن عوامل ارزش‌گذاری شناسایی‌شده در مطالعات قبلی برای کمی کردن اهمیت داده‌های دریایی از نظر ارزش، از جمله همگامی با رشد کشتی‌های خودمختار انتخاب شد. در پیمایش AHP، نظرات محققان دانشگاهی و کارشناسان حوزه دریانوردی جمع آوری و مورد تجزیه و تحلیل قرار گرفت.

در تحلیل AHP، رویکرد بازار (A2) به عنوان مناسب‌ترین مدل ارزشیابی برای ارزیابی ارزش داده‌های دریایی انتخاب شد. عوامل اصلی انتخاب مدل شناسایی شدند و مشاهده شد که اولویت باید به ویژگی های داده های دریایی (M1) نسبت به ویژگی های بازار داده های دریایی (M2) و ویژگی های مدل ارزش گذاری داده های دریایی (M3) داده شود. ). یعنی تنوع (C3)، دسترسی (C2) و هزینه (C1) داده ها مهم ترین عواملی هستند که برای ارزیابی داده ها باید در نظر گرفته شوند.

در بین مدل های ارزش گذاری داده ها، مهمترین عامل رویکرد هزینه (A1) هزینه (C1) سرمایه گذاری شده در ساخت پلت فرم برای جمع آوری، ذخیره سازی، پردازش و فروش داده ها است و ارزش محاسبه شده بر اساس بهای تمام شده شناسایی می شود. به عنوان حداقل مقدار داده در مورد رویکرد درآمد (A3)، ارزش افزوده ای که می توان با داده ها ایجاد کرد، بهتر منعکس می شود. بنابراین، مقدار محاسبه شده حداکثر مقدار داده در نظر گرفته می شود. رویکرد بازار (A2) بر اساس ارزش داده ای است که در حال حاضر در بازار معامله می شود. بنابراین، مقدار محاسبه شده بین حداکثر و حداقل مقادیر داده تخمین زده می شود. بنابراین، رویکرد بازار (A2) به عنوان مدل بهینه ارزش‌گذاری داده‌های دریایی در این تحقیق انتخاب شد، زیرا می‌توان آن را معقول‌ترین روش برای برآورد ارزش داده‌ها دانست.

تقاضا برای داده های اقیانوس و کشتی بسته به خدمات تجاری که از داده ها استفاده می کنند می تواند متفاوت باشد، اما مقیاس پذیری آن نامحدود است. به عنوان مثال، با جمع آوری و تجزیه و تحلیل داده های ناوبری کشتی، می توان خدماتی را برای بهینه سازی مسیرهای کشتی، سرعت و مصرف سوخت توسعه داد. این می تواند هزینه های حمل و نقل و اثرات زیست محیطی را کاهش دهد. علاوه بر این، با تجزیه و تحلیل داده‌های جمع‌آوری‌شده از حسگرهای مختلف روی کشتی‌ها، می‌توان خدماتی را برای نظارت بر وضعیت کشتی در زمان واقعی و ارائه تعمیر و نگهداری پیش‌بینی‌کننده توسعه داد. این می تواند ایمنی و طول عمر کشتی را افزایش دهد. علاوه بر این، با تجزیه و تحلیل داده های اقیانوسی جمع آوری شده از طریق حسگرهای مختلف نصب شده بر روی کشتی ها، می توان خدمات نظارت بر محیط زیست دریایی را ارائه کرد. این می تواند تغییرات در محیط دریایی را شناسایی کند و برای اطلاع رسانی به سیاست گذاری و تصمیم گیری دولت یا شرکت استفاده شود. علاوه بر این، ایمنی کشتی را می توان با استفاده از عملیات کشتی و داده های حسگر برای توسعه خدمات بیمه کشتی ارزیابی کرد. این می تواند به شرکت های بیمه اجازه دهد تا خطرات مربوط به عملیات کشتی را با دقت بیشتری ارزیابی کنند و اپراتورهای کشتی بر بهبود ایمنی تمرکز کنند. به طور خاص، داده‌های جمع‌آوری‌شده از طریق تجارت داده‌های کشتی می‌تواند برای توسعه کشتی‌های خودمختار مفید باشد، کشتی‌هایی که می‌توانند به تنهایی با استفاده از فناوری‌هایی مانند هوش مصنوعی و روباتیک حرکت کنند و کار کنند. این به داده های عملیات کشتی از محیط های مختلف نیاز دارد. به این ترتیب، تقاضا برای داده های دریایی وجود دارد و ارزیابی ارزش برای تجارت ضروری است. در حال حاضر، هیچ تحقیقی در مورد چگونگی تخمین ارزش داده های دریایی وجود ندارد. اگرچه برخی از داده های دریایی معامله می شود، قیمت عمدتاً از طریق مذاکرات فردی برای هر مجموعه داده تعیین می شود.

در این مطالعه از روش AHP برای ارزیابی ارزش داده های دریایی استفاده شد. برای این منظور، نظرات کارشناسان جمع‌آوری شد و روش AHP برای انتخاب یک مدل ارزیابی برای داده‌های دریایی برای کشتی‌های خودمختار آینده تعبیه‌شده با هوش مصنوعی استفاده شد. این مطالعه نشان داد که رویکرد بازار (A2) مدل بهینه برای ارزیابی داده‌های دریایی با استفاده از روش AHP است. این تحقیق اولین تحقیق در نوع خود است که به شناسایی و ارزیابی ارزش داده های دریایی می پردازد. یافته‌های کلیدی این پتانسیل را دارند که توسعه پلتفرم‌های تجارت داده را تسهیل کنند و نقش مهمی در تکمیل چرخه اقتصاد داده‌های دریایی در آماده‌سازی برای عصر کشتیرانی مستقل ایفا کنند. این پیشرفت به موقع است، و کاملاً با مرحله آماده سازی برای دوره کشتیرانی مستقل هماهنگ است و در عین حال از اصول نظارت بر محیط زیست و صنعت دریایی پایدار حمایت می کند. بزرگترین محدودیت این مطالعه این است که، از آنجایی که در حال حاضر در مرحله مفهوم سازی است، تنها می تواند به عنوان مدرک برای برنامه های اجرایی خاص مورد استفاده قرار گیرد. ارزش داده‌های دریایی را می‌توان از طریق رویکرد بازار ارائه‌شده در این مطالعه ارزیابی کرد، که از این نظر معنادار است که به مصرف‌کنندگان فرصتی برای بهبود کیفیت خدمات یا تصرف کسب‌وکارهای جدید را فراهم می‌کند، زیرا به شکلی از سود جدید برای تامین‌کنندگان تبدیل می‌شود. بزرگترین محدودیت این است که هیچ ایده و اقدام خاصی برای ایجاد و مشارکت و احیای بازار معاملات وجود ندارد. به منظور استفاده صحیح از روش ارزش بازار، تطابق مصرف کنندگان و تامین کنندگان بسیار مهم است تا معاملات فعال انجام شود. بنابراین، لازم است این مطالعه با انجام تحقیقات بازار در مورد عرضه و تقاضای داده های دریایی تکمیل شود. علاوه بر این، با توجه به پیشرفت سریع فناوری، احتمال ناشناخته بودن عوامل ناشناخته در ارزشیابی داده ها در مرحله کنونی وجود دارد، بنابراین مشاهده، تحقیق و توسعه مستمر آنها ضروری است. در نتیجه، مشاهده، تحقیق و نوآوری مداوم در این زمینه، حصول اطمینان از آمادگی و سازگاری با چشم انداز آینده عملیات دریایی مبتنی بر هوش مصنوعی، حیاتی است.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | شناسایی مدل ارزشیابی بهینه برای دارایی های داده های دریایی با فرآیند تحلیل سلسله مراتبی (AHP)
,۲۰۲۴-۰۴-۱۵ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/8/3284