۴-۴- خلاصۀ­ فصل
در فصل چهارم، به تشریح آزمون­های آماری فرضیه ­های پژوهش پرداخته شد. به­ طوری که بعد از بیان مفاهیم اولیه مرتبط با نحوه جمع­آوری داده ­ها، به تشریح آزمون­های توصیفی متغیرها پرداخته شد. در ادامه و در بخش آمار استنباطی به اجرای آزمون­ فرضیه ­های پژوهش پرداخته شد. در ادامه اجرای آزمون­های استنباطی، آزمون­های همبستگی و نهایتاً به تشریح نتایج به­ دست آمده از اجرای آزمون­های آماری جهت تأیید یا رد فرضیه ­های آماری پژوهش از طریق تجزیه و تحلیل داده ­های پنلی پرداخته شد.

فصل پنجم
نتیجه ­گیری و پیشنهادها
۵-۱- مقدمه
بخش نتیجه ­گیری آخرین بخش از انجام یک پژوهش می­باشد که در آن محقق بر اساس اطّلاعات آماری که به دست می ­آید می ­تواند نسبت به پژوهشی که انجام داده اظهار نظر و نتیجه ­گیری کند. این نتیجه ­گیری آخرین تأثیر را هم از حیث سبک نگارش و هم از جهت محتوا باید به خواننده القاء نماید. نتیجه ­گیری، باوری مبتنی بر استدلال و بر مبنای شواهد حاصل از پژوهش است که محقق در اختیار خوانندگان پژوهش، علاقمندان به اجرای پژوهش­های آتی مبتنی بر پژوهش کنونی و در نهایت استفاده­کنندگان کاربردی قرار می­دهد.
در فصول قبل، کلیات موضوع پژوهش، زیر ساخت نظری، روش پژوهش و یافته­های حاصل از آن به تفصیل شرح داده شد. در این فصل هدف از پژوهش یک بار دیگر بیان شده، سپس نتایج حاصل از پژوهش به اختصار توضیح داده شده و در نهایت نتایج حاصل از آزمون فرضیه ­ها تفسیر می­­شود. هدف اصلی در پژوهش حاضر بررسی تأثیر سرمایه فکری و سرمایه در گردش بر عملکرد مالی (بازده دارایی­ ها، بازده حقوق صاحبان سهام، حاشیه سود) شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران می­باشد. در واقع سؤالی که مطرح می­ شود این است که آیا سرمایه فکری و سرمایه در گردش بر عملکرد مالی (بازده دارایی­ ها، بازده حقوق صاحبان سهام، حاشیه سود) شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معنادار دارند؟ و اینکه آیا هر یک از عناصر سرمایه فکری شامل کارایی سرمایه به کار گرفته شده، کارایی سرمایه انسانی و کارایی سرمایه ساختاری نیز بر عملکرد مالی (بازده دارایی­ ها، بازده حقوق صاحبان سهام، حاشیه سود) شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارند؟
جهت یافتن پاسخی منطقی برای سؤال­های فوق، اقدام به تدوین فرضیه ­های پژوهش در راستای هدف­های علمی و کاربردی پژوهش صورت گرفت. در ادامه جهت آزمون فرضیه ­های پژوهش اقدام به اخذ نمونۀ آماری از جامعۀ مورد مطالعه، یعنی شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران در قلمرو زمانی۴ ساله بر اساس صورت­های مالی سال­های ۱۳۸۸ تا ۱۳۹۱ شرکت­های مورد مطالعه نمودیم. بعد از اخذ نمونۀ آماری و جمع­آوری داده ­ها اقدام به محاسبه متغیرهای مورد آزمون از طریق نرم­ افزار Excel و نهایتاً تجزیه و تحلیل داده ­ها و آزمون فرضیه ­ها از طریق آزمون­های همبستگی و رگرسیون و سایر آزمون­ها از طریق نرم ­افزارهای SPSS، EViews و Stata نمودیم. حال در این فصل ، اقدام به تجزیه و تحلیل و تفسیر نتایج حاصل از آزمون فرضیه ­های پژوهش می­نماییم.

۵-۲- تفسیر نتایج حاصل از آزمون فرضیه ­ها و نتیجه ­گیری
موضوع سرمایه فکری به دلیل اهمیت آن به عنوان منبعی مهم جهت خلق ارزش در سازمان­ها و نیز تأثیری که می ­تواند بر عملکرد شرکت­ها داشته باشد، توجه زیادی را در سراسر جهان به خود جلب کرده است و هم­چنین سرمایه در گردش که بخشی از سرمایه شرکت را شامل می­ شود که نقشی مشابه خون در رگ­ها را دارد و می ­تواند تأثیر بسزایی در موفقیت و شکست سازمان­ها داشته باشد از اهمیت زیادی برخوردار است. لذا در این پژوهش به بررسی تأثیر سرمایه فکری و سرمایه در گردش بر عملکرد مالی شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران پرداخته شده است. بدین منظور تعداد ۷۳ شرکت که از طریق روش نمونه گیری قضاوتی انتخاب شدند، طی دورۀ زمانی ۴ ساله و از سال ۱۳۸۸ تا ۱۳۹۱ مورد بررسی قرار گرفتند. روش­های آماری مورد استفاده برای آزمون فرضیه ­های تحقیق شامل بررسی همبستگی و تحلیل رگرسیون بود. نتایج حاصل از آزمون فرضیه ­های تحقیق به شرح زیر است:
فرضیه­ اصلی ۱: سرمایه فکری و سرمایه در گردش بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارند.
نتایج حاصل از آزمون فرضیه­ اصلی ۱ که در قالب یک مدل رگرسیونی مورد بررسی قرار گرفت به شرح زیر است:
ROA = b₀+ b­_۱VAIC + b₂ WCR + e (5-1)
سرمایه فکری بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری ندارد (۰۵/۰> P-Value)، اما سرمایه در گردش بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معنادار (۰۵/۰< P-Value) و مثبتی دارد و میزان تأثیر آن با توجه به میزان ضریب (۰۰۰۰۰۹/۱) قوی می­باشد هم­چنین مقدار ثابت مدل نیز تأثیر معناداری بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران ندارد (۰۵/۰> P-Value)، در نتیجه مدل نهایی به صورت زیر پذیرفته می­ شود:
ROA = 000009/1WCR (5-2)
فرضیه­ اصلی ۲: سرمایه فکری و سرمایه در گردش بر بازده حقوق صاحبان سهام شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارند.
نتایج حاصل از آزمون فرضیه­ اصلی ۲ که در قالب یک مدل رگرسیونی مورد بررسی قرار گرفت به شرح زیر است:
ROE = b₀+ b­_۱VAIC + b₂ WCR + e (5-3)
سرمایه فکری بر بازده حقوق صاحبان سهام شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معنادار (۰۵/۰< P-Value) و مثبتی دارد و میزان تأثیر با توجه به میزان ضریب (۶۸۰۵۴۶۳/۰) قوی می­باشد، اما سرمایه در گردش و هم­چنین مقدار ثابت مدل بر بازده حقوق صاحبان سهام شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری ندارد (۰۵/۰> P-Value)، در نتیجه مدل نهایی به صورت زیر پذیرفته می­ شود:
ROE = 6805463/0 VAIC (5-4)
فرضیه­ اصلی ۳: سرمایه فکری و سرمایه در گردش بر حاشیه سود شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارند.
نتایج حاصل از آزمون فرضیه­ اصلی ۳ که در قالب یک مدل رگرسیونی مورد بررسی قرار گرفت به شرح زیر است:
PM = b₀+ b­_۱VAIC + b₂ WCR + e (5-5)
سرمایه فکری و سرمایه در گردش بر حاشیه سود شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معنادار (۰۵/۰< P-Value) و مثبتی دارند و با توجه به میزان ضرایب، سرمایه فکری تأثیر قوی­تری بر روی حاشیه سود شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران دارد اما مقدار ثابت مدل بر حاشیه سود شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری ندارد (۰۵/۰> P-Value)، در نتیجه مدل نهایی به صورت زیر پذیرفته می­ شود:
PM = 4303377/0VAIC + 1944208/0 WCR (5-6)
به طور کلی در بین شاخص­ های عملکرد مالی (بازده دارایی­ ها، بازده حقوق صاحبان سهام، حاشیه سود)، سرمایه فکری و سرمایه در گردش هر دو بر حاشیه سود شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معنادار و مثبتی دارند و در بین شاخص­ های عملکرد مالی (بازده دارایی­ ها، بازده حقوق صاحبان سهام، حاشیه سود)، سرمایه فکری بیش­ترین تأثیر را با توجه به میزان ضریب (۶۸۰۵۴۶۳/۰) بر روی بازده حقوق صاحبان سهام و سرمایه در گردش نیز با توجه به میزان ضریب (۰۰۰۰۰۹/۱) بیش­ترین تأثیر را بر روی بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران دارد.
فرضیه­ فرعی ۱: سرمایه فکری بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارد.
ROA = b₀+ b­_۱VAIC + e (5-7)
نتایج حاصل از بررسی این فرضیه نشان داد که سرمایه فکری بر بازده دارایی­ های شرکت­های تولیدی تأثیر معنادار (۰۵/۰< P-Value) اما منفی دارد و مقدار ثابت مدل نیز بر بازده دارایی­ های شرکت­های تولیدی تأثیر معناداری ندارد (۰۵/۰> P-Value). نتایج این بررسی از حیث تأثیر معنادار با نتایج پژوهش­های همتی و همکاران (۱۳۸۹) و نمازی و ابراهیمی (۱۳۸۹)، شمس و خلیلی (۱۳۹۰)، طالب نیا و همکاران (۱۳۹۱) در داخل و نیز با نتایچ پژوهش­های چن و همکاران (۲۰۰۵)، تان و همکاران (۲۰۰۷) ، الرحمن و همکاران (۲۰۱۲) در خارج، همخوانی دارد.
مدل نهایی به صورت زیر پذیرفته می­ شود:
ROA = – ۲۹۷۱۵۴/۱VAIC (5-8)
فرضیه­ فرعی ۲: سرمایه در گردش بر بازده دارایی­ های شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارد.
ROA = b₀+ b₁ WCR + e (5-9)
نتایج حاصل از بررسی این فرضیه نشان داد که سرمایه در گردش بر بازده دارایی­ های شرکت­های تولیدی تأثیر معنادار (۰۵/۰< P-Value) و مثبتی دارد و میزان تأثیر با توجه به میزان ضریب (۹۹۹۹۳۶۴/۰) قوی می­باشد یعنی شرکتی که سرمایه در گردش بیش­تری نیاز دارد تأمین مالی خود را از محل دارایی­ های جاری انجام می­دهد، بازده دارایی­ های بیش­تری نیز خواهد داشت اما مقدار ثابت مدل بر بازده دارایی­ های شرکت­های تولیدی تأثیر معناداری ندارد (۰۵/۰> P-Value). نتایج این بررسی با نتایج پژوهش غسان و همکاران که در آن تأثیر سرمایه در گردش مورد نیاز و بازده دارایی­ ها تأیید شد همخوانی دارد (غسان و همکاران، ۲۰۱۰).
مدل نهایی به صورت زیر پذیرفته می­ شود:
ROA = 9999364/0 WCR (5-10)
فرضیه­ فرعی ۳: سرمایه فکری بر بازده حقوق صاحبان سهام شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارد.
ROE = b₀+ b­_۱VAIC + e (5-11)
نتایج حاصل از بررسی این فرضیه نشان داد که سرمایه فکری تأثیر معنادار (۰۵/۰< P-Value) و مثبتی بر بازده حقوق صاحبان سهام شرکت­های تولیدی دارد اما مقدار ثابت مدل بر بازده حقوق صاحبان سهام شرکت­های تولیدی تأثیر معناداری ندارد (۰۵/۰> P-Value). این نتایج با نتایج پژوهش­های همتی و همکاران (۱۳۸۹)، نمازی و ابراهیمی (۱۳۸۹)، شمس و خلیلی (۱۳۹۰) در داخل و نیز با نتایج پژوهش­های چن و همکاران (۲۰۰۵)، تان و همکاران (۲۰۰۷)، الرحمن و همکاران (۲۰۱۲) در خارج، همخوانی دارد.
مدل نهایی به صورت زیر پذیرفته می­ شود:
ROE = 2784392/0VAIC (5-12)
فرضیه­ فرعی ۴: سرمایه در گردش بر بازده حقوق صاحبان سهام شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تأثیر معناداری دارد.
ROE = b₀ + b₁ WCR + e (5-13)

الگوریتم­های موجود در گروه فیلترینگ اشتراکی مبتنی بر همسایگی یا مبتنی بر حافظه نسبت به الگوریتم­های موجود در فیلترینگ اشتراکی مبتنی بر مدل رایج­تر می­باشند اما قابل ذکر است که این الگوریتم­ها نیازمند حافظه­ بیشتری هستند. از نظر کارایی الگوریتم­های موجود در گروه مدل محور نتایج قابل توجهی را ارائه می­ دهند. اما از نظر دقت به جز تحقیقات اخیر[۲۱] نتایج خوبی به دست نیاورده­اند. الگوریتم­های حافظه محور به طور عمده بر الگوریتم KNN استوار می­باشند.
از تلفیق دو دسته مدل محور و حافظه محور مدل تلفیقی به وجود می ­آید که هدف آن تلفیق مزیت هر دو دسته است . [۲۲]هم اکنون تحقیقات در راه پیشروی به سمت مدل تلفیقی می­باشد .[۲۳]
در راهکار مبتنی بر حافظه پیش ­بینی به دو صورت براساس کاربران و براساس اقلام انجام می­پذیرد .[۲۴]اختلاف­ نظر­هایی در مورد اینکه پیش ­بینی بر اساس اقلام مبتنی بر حافظه و یا مبتنی بر مدل است وجود دارد ؛ در [۲۵] اعلام شده است که الگوریتم­های بر اساس اقلام همیشه مبتنی بر حافظه هستند و در [۲۶] این الگوریتم­ها بر اساس مدل کلاس بندی شده ­اند.
۲-۵-۱- فیلترینگ اشتراکی مبتنی بر حافظه
در فیلترینگ اشتراکی مبتنی بر همسایگی یا مبتنی بر حافظه سرتاسر ماتریس کاربران - اقلام بررسی می­ شود (شکل شماره­ ۶). در این ماتریس که در حافظه ذخیره شده است امتیازهایی که کاربران به اقلام مختلف داده­اند وجود دارد. این ماتریس به صورت مستقیم برای پیش ­بینی نمره اقلامی که تا کنون هیچ امتیازی دریافت نکرده ­اند به کار می­رود [۱۹]. یعنی این محاسبات به صورت برون خط^[۴۲] انجام نمی­پذیرد و همه چیز به صورت بر خط انجام می­ شود و همواره کل داده ­ها مورد نیاز می­باشد. مزیت این روش این است که در هر زمان کل اطلاعات در دسترس می­باشد اما با بزرگ شدن ماتریس یعنی تعداد کاربران و اقلام، فضای جستجو، حافظه­ مورد نیاز و زمان محاسبه افزایش می­یابد.

همانطور که گفته شد در راهکار مبتنی بر حافظه پیش ­بینی به دو صورت پیش ­بینی بر اساس کاربران^[۴۳] و پیش ­بینی براساس اقلام^[۴۴] انجام می­ شود.
۲-۵-۱-۱- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی براساس کاربران
در سیستم­های مبتنی برکاربر پیش ­بینی بر اساس ارزیابی امتیازهایی که توسط کاربران مشابه با کاربر فعال به اقلام مورد نظر تخصیص یافته انجام می­پذیرد [۲۷]. کاربران شبیه آنهایی هستند که الگوی امتیازدهی­شان شبیه به کاربر فعال با­­شد (شکل شماره­ ۶(.
یکی از چالش­های اصلی در این مدل نحوه­ پیدا کردن میزان شباهت بین کاربران می­باشد. زیرا با بهره گرفتن از معیار شباهت شبیه­ترین همسایگان به کاربر فعال انتخاب و در پیش ­بینی استفاده می­شوند.
۲-۵-۱-۲- فیلترینگ اشتراکی مبتنی بر حافظه با پیش بینی براساس اقلام
سیستم­های مبتنی بر اقلام امتیاز یک قلم خاص را بر اساس امتیازهایی که کاربر به اقلام مشابه داده است پیش ­بینی می­ کنند [۲۸] . دو قلم در صورتی به هم شبیه هستند که چند کاربر به طور مشابه به آنها رای داده باشند (شکل شماره­ ۷).
شکل شماره­ ۶: فیلترینگ اشتراکی مبتنی بر قلم شکل شماره­ ۷ : فیلترینگ اشتراکی مبتنی بر کاربر
۲-۵-۱- ۳- تفاوت فیلترینگ اشتراکی بر اساس کاربران و بر اساس اقلام
فیلترینگ اشتراکی بر اساس اقلام زمانی به کار می­رود که روند افزایش اقلام کندتر از روند افزایش کاربران باشد [۲۸]. ولی در زمانی که روند افزایش اقلام سریع­تر از روند افزایش کاربران باشد فیلترینگ اشتراکی بر اساس کاربران به کار می رود .[۲۹] به عنوان مثال اگر اقلامی مانند اخبار، مورد پژوهش باشد استفاده از روش قلم مبنا نامناسب خواهد بود و در صورتی که از این روش به عنوان مدل محور استفاده گردد به علت افزایش بسیار سریع اقلام مشکل سربار زیاد محاسباتی برای به روز رسانی مدل به وجود خواهد آمد. بر عکس اگر اقلامی مانند فیلم یا کتاب مورد پژوهش باشد استفاده از این روش مناسب خواهد بود.
۲-۵-۲- فیلترینگ اشتراکی مبتنی بر مدل
برخلاف سیستم­های مبتنی بر حافظه که امتیازهای ذخیره شده را به طور مستقیم درپیش­بینی به کار می­برند، سیستم­های مبتنی بر مدل از این امتیازها برای یادگیری یک مدل پیش ­بینی استفاده می­ کنند. یعنی پارامترهای مدل به صورت برون خطی یاد گرفته می_­شوند و دیگر نیازی نیست که هر بار ماتریس امتیازدهی کاربران- اقلام بررسی شود. این مدل بر اساس داده ­های موجود آموزش^[۴۵] داده می­ شود و در آینده برای پیش ­بینی امتیازهایی که کاربران به اقلام جدید خواهند داد به صورت روی خط به کار می­رود [۴]. به همین دلیل نسبت به فیلترینگ اشتراکی مبتنی بر حافظه از سرعت بیشتری برخوردار است. این مدل می ­تواند یک الگوریتم یادگیری ماشین^[۴۶] یا داده کاوی^[۴۷] باشد [۳۰]. در گذشته الگوریتم­های موجود در حوزه­ یادگیری ماشین مانند شبکه ­های بیز^[۴۸] [۸] و خوشه بندی^[۴۹] [۳۱,۳۲] بسیار مورد توجه بوده ­اند .[۲۸] اگر چه امروزه الگوریتم­های فاکتورسازی ماتریس بسیار مورد توجه واقع شده ­اند اما همچنان الگوریتم­های خوشه بندی جایگاه خود را حفظ کرده ­اند.
۲-۶- نحوه­ تشخیص علائق کاربران
تشخیص میزان علائق کاربران نسبت به اقلام متفاوت یکی از مهم­ترین وظایف فیلترینگ اشتراکی می­باشد. هر بار که کاربری در مورد قلمی خاص ابراز علاقه می­ کند مقدار جدیدی در نمایه­ او اضافه می­ شود. به دو صورت صریح و ضمنی می­توان علائق کاربر را استخراج نمود.
۲-۶-۱- تشخیص علائق به صورت صریح
برای این منظور سیستم­های پیشنهادگر تمایلی که کاربر به صورت واضح و آشکار نسبت به محصولات نشان می­دهد مثل نمره­هایی که به اقلام نسبت داده است را در یک پایگاه داده جمع آوری می­ کند. کاربر می ­تواند علائق خود را به طور صریح در غالب تک بیتی باینری یک و صفر به معنای خوب و بد و یا به صورت بازه­ای از اعداد که نشان دهنده­ میزان تمایل کاربر به قلم است نشان دهد. .به عنوان مثال اگر بازه­ امتیازدهی، اعداد ۱ تا ۵ باشد نسبت دادن امتیاز ۱ از سوی کاربر به معنای عدم علاقه و اختصاص دادن امتیاز­ ۵ به معنای علاقه کاربر به قلمی خاص می­باشد [۷,۹].
۲-۶-۲- تشخیص علائق به صورت ضمنی
برای این منظور سیستم به صورت ضمنی بعضی رویدادها مثل حرکت اشاره­گر به سمت محصولی خاص را در نظر می­گیرد [۲۴]. در این روش کاربر تمایلاتش را به طور صریح و در قالب امتیاز نشان نمی­دهد بلکه از رفتارش علائق­او محاسبه می­ شود .[۳۳,۳۴,۳۵,۳۶]
این پایان­ نامه فقط بر استنباط علائق به طور صریح متمرکز شده است. یعنی تمایلات کاربران باید به صورت نسبت دادن امتیاز به اقلام مشخص شده باشد.
۲-۷- محاسبه شباهت
برای پیش ­بینی یا ارائه­ پیشنهاد توسط فیلترینگ اشتراکی می­بایست شبیه­ترین کاربران به کاربر فعال را پیدا کرد و به عنوان مجموعه­ همسایگی کاربر فعال در نظر گرفت. برای اندازه ­گیری میزان شباهت بین دو کاربر راهکارهای متفاوتی ارائه شده است که در اینجا دو مورد از معیارهای شباهت رایج که در فیلترینگ اشتراکی استغاده می­شوند را معرفی می­کنیم.
۲-۷-۱- معیار همبستگی پیرسون
این معیار میزان وابستگی بین الگوهای امتیازدهی دو کاربر (دو قلم) را می­سنجد (فرمول شماره ۴). نتیجه­ حاصل از این فرمول عددی بین ۱ و ۱- می­باشد. عدد ۱ نشان­ دهنده­ بیشترین شباهت، ۱- نمایانگر کمترین شباهت می­باشد و اگر نتیجه عدد ۰ باشد یعنی دو موجودیت مورد مقایسه با هم هیچ ارتباطی ندارند.
(۴)
از فرمول فوق برای اندازه ­گیری میزان شباهت دو کاربر u و v استفاده می­ شود. نشان دهنده­ امتیازی که کاربر u به قلم j ام اختصاص داده می­باشد. میانگین کل امتیازهایی که کاربر u به اقلام نسبت داده است می­باشد.
فرمول زیر با کمی تغییر شباهت بین دو قلم i و j را اندازه ­گیری می­ کند.
(۵)
۲-۷-۲- معیار اندازه ­گیری کسینوس
معیار شباهت کسینوسی در حوزه­ بازیابی اطلاعات بسیار رایج است و برای اندازه­ گیری شباهت بین دو سند به کار می­رود [۳۷]. این معیار میزان شباهت دو کاربر (دو قلم) را با بهره گرفتن از کسینوس زاویه­ بین بردارهای امتیازدهی آنها مشخص می­ کند (فرمول شماره ۶). نتیجه­ حاصل عددی بین ۱- و ۱ می­باشد. هر چه عدد حاصل شده بزرگ­تر باشد یعنی دو موجودیت مورد مقایسه بیشتر به هم شبیه هستند و هر چه این عدد کوچک­تر باشد یعنی دو موجودیت کمتر به هم شبیه هستند.
(۶)
اگرچه این معیار در حوزه بازیابی اطلاعات به خوبی کار می­ کند [۳۷,۳۸]اما برای محاسبه­ شباهت در فیلترینگ اشتراکی کاربر مبنا به خوبی معیار همبستگی پیرسون عمل نمی­کند [۱۲].
در این پایان نامه با کمی تغییر از معیار همبستگی پیرسون برای اندازه گیری میزان شباهت­ها استفاده شده که در فصل ۴ به تفصیل توضیح داده شده است.
۲-۸- انتخاب همسایه
وقتی میزان شباهت تمام کاربران با کاربر فعال به­ دست آمد هم از نظر صحت و هم از نظر کارایی بهتر است زیر مجموعه ­ای از شبیه­ترین آنها را انتخاب و با بهره گرفتن از آنها امتیاز قلم دیده نشده را پیش ­بینی کرد [۱۸,۳۴]. برای این کار دو راه استفاده از حد آستانه و انتخاب تعداد ثابتی از همسایگان وجود دارد.
۲-۸-۱- استفاده از حد آستانه
در این روش یک حد آستانه تعیین می­ شود. کاربرانی که میزان شباهتشان بیشتر یا مساوی با این حد آستانه باشد به عنوان بهترین همسایه­ها انتخاب می­شوند .[۹]تعیین این حد آستانه مقداری مشکل می­باشد چون در یک مسئله با توجه به کاربران فعال مختلف این حد آستانه باید مدام تغییر کند.
۲-۸-۲- انتخاب تعداد ثابتی از همسایگان
در این روش کاربران با توجه به میزان شباهتشان به کاربر فعال مرتب شده سپسN تا از شبیه­ترین آنها به عنوان بهترین همسایه­ها انتخاب می­شوند [۷] در [۱۶] بیان شده است که انتخاب تعداد ثابتی از همسایگان (معمولا بین ۲۰ تا ۶۰) نسبت به استفاده از حد آستانه منجر به نتیجه­ بهتری خواهد شد.
در این پایان نامه فقط از روش دوم یعنی انتخاب تعداد ثابتی از همسایگان استفاده شده است.
۲-۹- پیش ­بینی و تخمین رتبه
پس از انتخاب همسایه­ها نوبت به پیش ­بینی امتیاز قلم دیده نشده می­رسد. روش­های متفاوتی برای تخمین رتبه وجود دارد که در اینجا به اختصار به بررسی دو مورد از آنها می­پردازیم.
۲-۹-۱- استفاده از امتیازهای خام
(۷)
با بهره گرفتن از فرمول بالا میانگین وزن دارk تا از نزدیک­ترین همسایه­ها به کاربر فعال را به دست می ­آید. وزن هر همسایه معادل با میزان شباهت به دست آمده با بهره گرفتن از معیار همبستگی پیرسون می­باشد. در نهایت نتیجه­ به دست آمده امتیاز پیش ­بینی شده می­باشد.

صورتجلسه دفاع از پایان نامه کارشناسی ارشد (M.A)
نام و نام خانوادگی دانشجو : سمیه حیدری در تاریخ / /۱۳۹۲ رشته : روانشناسی صنعتی و سازمانی
از پایان نامه خود با عنوان :
بررسی رابطه بین رضایت شغلی و سازگاری با بهره وری شغلی
با درجه و نمره دفاع نموده است.
نام و نام خانوادگی اعضاء هیات داوری سمت امضاء اعضای هیات داوری
۱ - دکتر نادره سهرابی استاد راهنما
۲ - دکتر سیامک سامانی استاد مشاور
۳ - دکتر استاد داور
مراتب فوق مورد تایید است . مدیر/معاونت پژوهشی
مهر و امضاء
سپاسگزاری
شکر و سپاس و منت و عزت ، خدای را پروردگار خلق و خداوند کبریا
سزاوار است که بر تارک این پژوهش نام مبارک کسانی بنشیند که با پرتو افشانی بی دریغ خویش راه پر فراز و نشیب این رهرو کم توان را روشنایی بخشیدند.
با سپاس فراوان از استاد محترم سرکار خانم دکتر :
نادره سهرابی (استاد راهنما)
که قبول زحمت فرموده و راهنمایی پایان نامه اینجانب را به عهده گرفته اند و در طول مدت آموزش و انجام این تحقیق همواره از راهنمایی های بی دریغ ایشان بهره گرفته ام.
درود و سپاس صمیمانه خود را به استاد فرزانه و ارجمندم جناب آقای دکتر:
سیامک سامانی ( استاد مشاور)
که همواره افتخار شاگردی ایشان را داشته ام، تقدیم می کنم.
تقدیم به عزیزترین و گرانبهاترین هدیههای آسمانی
پدر، مادر ، برادر و خواهرانم
که حضورشان آرامش زندگیام، وجودشان امید راستیم، نگاهشان گرمایی هستیم و بودنشان
اطمینان خاطرم است.
چکیده
هدف کلی این پژوهش تبیین رابطه بین رضایت شغلی و سازگاری با بهره وری شغلی کارکنان کیمیا الیاف مرودشت بوده است. پژوهش حاضر از نوع کاربردی و برای اجرای آن از روش همبستگی استفاده شده است. به منظور گردآوری داده‏ها از سه پرسشنامه؛ رضایت شغلی کندل و هیولین (۱۹۷۲)، سازگاری سهرابی و سامانی (۱۳۹۰) و بهره وری هرسی و بلانچارد و گلداسمیت (۱۹۸۰) استفاده شده که روایی و پایایی آنها مورد تأیید بوده است. جامعه آماری پژوهش شامل کلیه کارکنان شرکت کیمیا الیاف (۱۵۲ نفر) شهر مرودشت بوده که جهت برآورد حجم نمونه از روش سرشماری استفاده شده است. تحلیل داده های حاصل از پرسشنامه ها در دو سطح آمار توصیفی و استنباطی با بهره گرفتن از نرمافزار SPSS انجام پذیرفته است. برای تجزیه تحلیل داده ها از آزمونهای همبستگی پیرسون، تی گروه های مستقل و تحلیل رگرسیون همزمان استفاده شده است. نتایج پژوهش نشان داد که بین رضایت شغلی و ابعاد سازگاری با بهره وری شغلی کارکنان رابطه مثبت و معنیداری وجود دارد و رضایت شغلی و سازگاری قادر به پیشبینی بهره وری شغلی کارکنان میباشند و علاوه بر این یافتهها نشان داد که بین بهره وری کارکنان زن و مرد تفاوت معناداری وجود دارد.

کلید واژهها: رضایت شغلی، سازگاری، بهره وری شغلی، کیمیا الیاف
فهرست مطالب
عنوان صفحه
فصل اول: کلیات پژوهش
مقدمه ۲
بیان مسأله ۳
اهمیت و ضرورت پژوهش ۶
اهداف تحقیق ۷
فرضیه های پژوهش ۷
تعاریف واژه ها و اصطلاحات ۷
تعاریف نظری ۸
تعاریف عملیاتی ۹
فصل دوم: ادبیات و پیشینه پژوهش
مقدمه ۱۱
بهره وری ۱۱
تعریف بهره وری ۱۳
عنوان صفحه
دیدگاه های مختلف درباره بهره وری ۱۷
الگوی بهره وری هرسی و گلداسمیت ۱۹
بهره وری در ایران ۲۳
اهداف توسعه منابع انسانی ۲۴

۱-۷-۴- ساختارهندسی شبکه
در یک لایه گرافن اتم های کربن در لبه های شش گوشی های منظمی قرار گرفته اند(شکل ۱-۷- الف). این ساختار که شبکه لانه زنبوری نامیده می شود، یک شبکه براوه نیست و از نقطه نظر بلور شناسی باید آن را بوسیله یک شبکه مثلثی^[۵۶] با دو اتم در هر سلول واحد توصیف کرد. این دو اتم معمولا به عنوان اتم های A و B نام گذاری می شوند.
(الف) (ب)
شکل ۱-۷- ساختار شبکه گرافن
الف : در فضای حقیقی و ب : در فضای وارون
سلول واحد شبکه یک لوزی^[۵۷] است که توسط بردار های زیر تعریف می شود:
که در آن فاصله بین اتم هاست.
ثابت شبکه^[۵۸]() نیز با رابطه زیر به فاصله بین اتمی () مربوط می شود:
شبکه وارون^[۵۹] یک شبکه مثلثی خواهد بود که با بردار های زیر توصیف می گردد (شکل ۱-۷- ب ) :
اولین منطقه بریلوئن^[۶۰] نیز در شکل (۱-۷- ب) نشان داده شده است. مرسوم است که در نام گذاری از K و K’ استفاده شود. به زودی اهمیت نام گذاری این نقاط مشخص می گردد]۳۷[.
باید توجه داشت که انتخاب مبدا و محورهای دستگاه مختصات اختیاری است، اما زمانی که این انتخاب صورت گرفت باید در همه آنالیزهای بعدی، مرتبا از همان دستگاه استفاده شود ]۳۹[.
۱-۸- ساختار نواری گرافن
هدف این بخش، یافتن ساختار نواری گرافن است. به این منظور ویژه مقادیر معادله شرودینگر را محاسبه می کنیم:
(۱-۱)
(۱-۲)
رابطه (۱-۲) هامیلتونی تک الکترون در گرافن است. عبارت اول انرژی جنبشی الکترون و عبارت دوم پتانسیل تناوبی را نشان می دهد وR نمایانگر موقعیت اتم های کربن می باشد. از آن جایی که سلول واحد^[۶۱] گرافن شامل۲ اتم است، برای محاسبه تابع موج رابطه زیر را دنبال می کنیم:

(۱-۳)
و توابع بلاخ^[۶۲] هستند که با عبارت زیر داده می شوند:
(۱-۴)
به موقعیت اتم A و یا B اشاره دارد و توابع ونیر^[۶۳] هستند که در جایگاه اتم های A یا B جایگزیده^[۶۴] اند. عامل تناوب شبکه را در بر می گیرد. همچنین باید توجه داشت که و در رابطه (۱-۳) به بردار موج k وابسته اند.
برای به دست آوردن ویژه مقادیر^[۶۵] انرژی، رابطه (۱-۳) در معادله شرودینگر جایگذاری می شود. معادله را در ضرب کرده و روی همه فضا انتگرال می گیریم.
پس از تکرار این فرایند با ، دو معادله زیر نتیجه خواهد شد:
(۱-۵)
از آن جایی که و به r وابسته نیستند، می توان آن ها را از انتگرال خارج کرد. انتگرال باقی مانده به صورت زیر بازنویسی می شود:
, (i ,j)
(۱-۶)
, (i ,j)
بیانگر انتقال است که جهش الکترون های بین اتم های کربن را توصیف می کند و قدرت همپوشانی^[۶۶] اوربیتال های روی اتم های مختلف را نشان می دهد. حال به محاسبه مولفه های و می پردازیم.
ابتدا مولفه های قطری یعنی و بررسی می شوند:
(۱-۷)
با جایگذاری رابطه (۱-۴) در رابطه بالا نتیجه می شود:
(۱-۸)
در مورد گرافن، نزدیکترین همسایه ^[۶۷]های اتم ، همگی اتم های هستند و از آن جایی که جهش تنها برای نزدیک ترین همسایه ها در نظر گرفته می شود، تنها حالت برای با لحاظ کردن به دست می آید. با این وصف می توان حاصل انتگرال را به صورت زیر بیان کرد:
(۱-۹)
که در این رابطه نمایانگر انرژی حالت است.
چون زیر شبکهB مشابه با زیر شبکه A است، می توان نتیجه حاصل را تعمیم داده و نوشت:
(۱-۱۰)
مقدار به صورت تجربی به دست می آید. حال باید عناصر غیر قطری محاسبه شوند.
(۱-۱۱)
جایگذاری مجدد توابع بلاخ در رابطه (۱-۱۱) منجر به عبارت زیر می شود:
(۱-۱۲)
مشاهده می کنیم که تفاوت به صورت نمایی در رابطه ظاهر شده است.

.
شکل ۱-۸- سه بردار به نزدیک ترین همسایه های اتم B اشاره دارند

دوم شگفت­آور این جریان، روان شدن و لنگر انداختن آن کشتی به نام خداست: «ارْکَبُوا فیها بِسْمِ اللَّهِ مَجْراها وَ مُرْساها…»^[۲۰۱] در حالی که طوفان و موج‌های آب جز آن شمار اندک از همراهان نوح(علیه السلام) همه چیز و همه کس را به باد هلاکت برد.

۱-۲٫ آتش نمرود و گلستان خلیل(علیه السلام)

نخست امری که تعجب آن، همه را برآشفت و با درنگی، آن هم در آن برهه از تاریخ، همه خاورمیانه را دست کم، پر از هیاهو کرد، داستان خلیل خدا(علیه السلام) و گلستان شدن آتشِ زبانه گرفته بر او است و افزون بر پریشانی نمرودیان در آن دم، هنوز که هنوز است اعجاب هر خواننده و شنونده­ی کنونی حتی خداگرایان را برمی‌انگیزاند. خدای سبحان در قرآن کریم این امر خارق عادت را بی­گمان، نشانه­ای بزرگ برای رشد ایمان­گروی باورمندان می‌داند.^[۲۰۴]

و در جایی دیگر، خبر از سرد و سلامت شدن آتش بر جان ابراهیم خلیل الرحمان(علیه السلام) می‌دهد:«قُلْنا یا نارُ کُونی‏ بَرْداً وَ سَلاماً عَلى‏ إِبْراهیم‏»^[۲۱۰].

۱-۳٫ گذر کردن موسای کلیم(علیه السلام) از میان دریا

عبور حضرت موسی و یارانش و غرق شدن دشمنان شان در رود نیل از این گونه امور است. در
آیات پرشماری سخن از نجات موسویان و فروبردن فرعونیان آمده است: «وَ إِذْ فَرَقْنا بِکُمُ الْبَحْرَ فَأَنْجَیْناکُمْ وَ أَغْرَقْنا آلَ فِرْعَوْنَ».^[۲۱۱]

۲٫ آگهی از غیب و اشراف بر ضمایر

سخن قرآن در این باره، چنین است که گویا اینکه خداوند هماره پرده­ی غیب را کنار زده تا خلیل او