آراستگی وپاکیزگی
عدالت(منصف)

قابلیت اعتبار
مناسبت(بجابودن)
در دسترس بودن
انسانی(خوشایند برای استفاده)

انتخاب، هزینه

(جوادین و کیماسی، ۱۳۹۰؛ به­نقل از (Ghobadian, et at,1994, 53-54
در تقسیم ­بندی دیگری (دهقانی، ۱۳۸۲)، شش مدل برای بهبود کیفیت خدمات مطرح نمودند که عبارتند از:
۱- مدل تجزیه و تحلیل شکاف کیفیت خدمات: به­ طور کلی این مدل یک ابزار تشخیصی مدیریت که تشخیص شکاف­های چندگانه مدیریت را آسـان می­نماید و برای تلاش­ های بهـبود کیفیت، ادامه خدمت مفید می­باشد.
۲- مدل بهبود کیفیت خدمات­رسانی: این مدل چارچوبی برای یک برنامه بهبود کیفیت ارائه می­دهد. این مدل گام­های فرایند تحقیق کیفیت سازمانی و عوامل مطرح در هر گام را مشخص می­نماید.
۳- مدل تبادلات کیفیت خدمت: به­ طور کلی این مدل تشخیص تبادلات کیفیت را در سه ویژگی مهم خدمت آسان می­نماید. این سه ویژگی عبارتند از: درجه سفارشی کردن، درجه انگیزه پرسنل، درجه ارتباط و تعامل.
۴- مدل سیاحت خدمت و پردازش مشتری: به­ طور کلی این دو مدل اساساً بر مسائل عملیات تأکید دارند. آنها مراحل ارائه یک خدمت را شرح می­ دهند. علاوه بر این آنها سعی می­ کنند که اثر تجربه در هر مرحله را در تشکیل انتظارات و کیفیت درک شده، نشان دهند. این دو مدل برای تشخیص اجزای یک سازمان خدماتی که بر کیفیت اثر دارند، مناسب می­باشند.
۵- مدل رفتاری کیفیت خدمت: این مدل اهمیت رفتار پرسنل ارائه­کننده خدمت را در کیفیت درک شده، بیان می­نماید. مطابق با این مدل عامل اساسی کیفیت، تعادل میان انتظارات مشتری و پرسنل است. این مدل همچنین اهمیت سیستم ارائه خدمت را نیز بیان می­ کند.
۶- مدل رضایت مشتری کانو^[۱۳۹]: این مدل به بررسی ویژگی­های کالا و خدمات می ­پردازد و آنها را به سه دسته الزامات اساسی، الزامات عملکرد و الزامات انگیزشی طبقه ­بندی می­ کند (دهقانی، ۱۳۸۲).
علاوه بر مدل­های ذکرشده مدل­های دیگری از کیفیت با تمرکز بر مشتریان مثل:(Citizen relationship management) ZRM، E–S-QUAL، e-recovery service quality scale (E-RecSQUAL) e- CRM (Customer Relation Management)، RecS-QUAL، مدل پوکا- یوکه شیگئو شینگو، رضایت مشتری فورنل، مدل گرونروز، مدل لهتینن و لهتینن^[۱۴۰]، مدل بهبود کیفیت خدمات سازمانی، مور^[۱۴۱]، مدل طیف مصالحه کیفیت خدمات و موقعیت­های پیشنهادشده هیوود فارمر، مدل گذر خدماتی تعدیل­شده^[۱۴۲]، مقیاسSYSTRA-SQ ، چارچوب عملیاتی پردازش مشتری^[۱۴۳] جانستون^[۱۴۴]، مدل رفتاری کیفیت خدمات^[۱۴۵]، مدل سلسله مراتب کیفیت خدمات و … می­باشند. در ادامه به اختصار به آنها اشاره می­ شود.
۱-۵-۱-۲ مقیاس SYSTRA-SQ
باس آلدلیگان و باتل^[۱۴۶] در پی یکسری تحقیقات در زمینه کیفیت خدمات بانکی، مقیاس جدیدی با­عنوان SYSTRA-SQ^[147] ارائه کرده ­اند که شامل۲۱ مؤلفه در چهار بعُد؛ کیفیت سیستم خدمات، کیفیت خدمات رفتاری^[۱۴۸]، صحت مبادلاتی خدمات^[۱۴۹] و کیفیت خدمات ماشینی^[۱۵۰] می­باشد.
- کیفیت سیستم خدمات
این بعُد قوی­ترین بعُد در میان چهار بعد ذکرشده می­باشد که بیان­گر ارزیابی کیفیت خدماتی است که به روشنی آن را می­توان به سازمان خدماتی به­عنوان یک سیستم، تا افراد درون سیستم نسبت داد. این بعُد شامل ترکیبی از مؤلفه ­هایی است که هم به عملکرد فنی و هم وظیفه ­ای در سطح سازمان مربوط هستند. کیفیت وظیفه ­ای شامل؛ گوش دادن به مشتریان، سهولت دسترسی، سرعت پاسخ­گویی و ظاهر سازمانی. ویژگی­های فنی سازمان شامل؛ کیفیت توصیه­ها، انعطاف­پذیری، مشخص بودن راه­ حل­های خدماتی، وفای به عهد، توانمندسازی کارکنان و به روزرسانی خدمات به مشتری می­باشد.
- کیفیت خدمات رفتاری
این بعد بیان­گر، ارزیابی از چگونگی خدمات ارائه ­شده بوسیله کارکنان است و شامل؛ صفات رفتاری نظیر ادب، تواضع و روابط دوستانه کارکنان می­باشد.
- کیفیت خدمات ماشینی
این عامل بر کیفیت ماشین و تجهیزات تأکید دارد و به قابلیت اعتماد ماشین­ها و نیز عملکردشان برحسب رضایت­بخش بودن نتایج، زمانی که بوسیله مشتریان مورد استفاده قرار می­گیرند، مربوط است.
- صحت مبادلاتی خدمات
این عامل بر کیفیت خدمات فنی، دقت سیستم و کارکنان تأکید دارد. این بعد از تجربه مشتریان از فراوانی خطا در تراکنش­ها و اشتباهات کارکنان در هنگام ارائه خدمات به مشتریان نشأت می­گیرد.
در مجموع، باس آلدلیگان و باتل در تحقیقات بود به این نتیجه رسیدند که مشتریان کیفیت خدمات را در دو سطح سازمانی و مبادلاتی^[۱۵۱] ارزیابی می­ کنند (جوادین و کیماسی، ۱۳۹۰؛ به­نقل از Aldigan and Buttle, 2002, 362-363).
۲-۵-۱-۲ مدل کیفیت خدمات پاراسورامن
مکتب شکاف آمریکای شمالی- مدل کیفیت خدمات پاراسورامن، زیتهامل و بری (۱۹۸۵)، سه نفر محققی بودند که در مفهوم کیفیت خدمات بطور علمی در ایالات متحده آمریکا مدل کیفیت خدمات آزمودند. آنها به­روش تحقیق کیفی اکتشافی، مصاحبه عمیق با گروهی از مصرف­ کنندگان و مدیران شرکت­ها مدل را انجام دادند. این توسعه بر اساس داده ­های جمع­آوری شده چهار سازمان خدماتی شامل؛ بانکداری جز، کارت­های اعتباری، کارگزاری اوراق بهادار و نگهداری تعمیر و کالا توسعه داده شد. یافته­های تحقیقات خود نشان داد که کیفیت خدمات به آنچه که توسط مشتریان درک شده است، در مقایسه با انتظارات مشتریان از عملکرد واقعی خدمات می­باشد.
عوامل مؤثر بر کیفیت خدمات عبارتند از:
۱) دسترسی
۲) ارتباط
۳) صلاحیت (شایستگی)
۴) ادب و مهربانی
۵) اعتبار
۶) قابلیت اطمینان
۷) پاسخ­گو بودن
۸) ایمنی
۹) ملموس بودن
۱۰) درک مشتری
این مدل برای اندازه ­گیری و ارزیـابی کیفیت خدمات، در بخش­های مختلف صنعتی- تجاری مثل؛ بیمارستان­ها و بخش مراقبت­های بهداشتی، بانک­داری و بخش خدمات مالی، فست­فودهای زنجیره­ای، صنعت ارتباط از راه دور، زنجیره­ای خرده­فروشی، سیستم­های اطلاعاتی، خدمات کتابخانه ­ها، هتل­ها و خدمات اوقات فراغت، سفر و گردشـگری، نگـهداری خودرو، آمـوزش عالی، مهمان­داری، شرکای کسب­وکار به کسب­وکار، شرکت­های حسابداری، خدمات معماری، خدمات تفریحی، پذیرایی هواپیمایی، خرده­فروشی پوشاک و دولت­های محلی و فرهنگ­ها و کشورهای مختلف از جمله به­عنوان مثـال؛ ایالات متحده آمریکا، چین، استرالیا، قبرس، هنگ­کنگ، کره­جنوبی، آفریقای جنوبی، هلند، امارات متحده عربی و انگلستان استفاده شده است.
مدل SERVQUAL برای اندازه ­گیری و ارزیابی کیفیت خدمات در بخش­های مختلف، صنعتی، تجاری، خدماتی، دولتی در فرهنگ­ها و کشورهای مختلف از جمله به­عنوان مثال؛ ایالات متحده آمریکا، چین، استرالیا، قبـرس، هنـگ­کنگ، کره­جنـوبی، آفریقـای جنوبی، هلند، امارات متحده عربی، و انگلستان استفاده شـده است (Al Bassam, 1998). در این بخش به تشریح مدل اصلاح­شده ۱۹۹۱پاراسورامان و همکاران می­پردازیم.
- سنجش کیفیت خدمات با مدل Servqual: (سورشچنرا و همکاران^[۱۵۲]، ۲۰۰۲؛ باتل^[۱۵۳]، ۱۹۹۶). تحقیقات فراوانی در رابطه با اندازه ­گیری کیفیت خدمات وجود دارد. ولی مدل SERVQUAL، مدل مهم عمومی است که برای اندازه ­گیری و مدیریت کیفیت خدمـات در بخـش­ها و فرهنگ­های مختلف مورد استفاده قرار می­گیرد (باتل، ۱۹۹۶). مدل کیفیت خدمات پاراسورامن، زیتهامل و بری (۱۹۸۵)، سه نفر محققی بودند که در مفهوم کیفیت خدمات بطور علمی در ایالات متحده آمریکا مدل کیفیت خدمات آزمودند. کیفیت خدمات بر اساس شاخص پنج بعدی اصلاح­شده کیفیت خدمات سروکوئال پاراساسورامان، ۱۹۹۱ شامل؛ جنبه ظاهری، قابلیت اعتماد، مسئولیت­ پذیری، اطمینان دادن، هم­دردی می­باشد. مشتریان از این پنج بعُد برای قضاوت درباره کیفیت خدمات استفاده می­ کنند. رضایت مشتری از یک خدمت را می­توان از طریق مقایسه انتظارات او از خدمات با برداشت او از خدمات ارائه ­شده، تعریف نمود. اگر خدمات ارائه ­شده از انتظارات مشتری فراتر باشـد، آن خدمات فرح­بخـش و فوق­العاده قلمداد می­ شود. وقتی انتظارات مشتری از خدمات با برداشت­های او از خدمات ارائه ­شده، منطبق شود؛ کیفیت خدمات رضایت­بخش است. وقتی انتظارات مشتری از خدمات با برداشت­های او از خدمات ارائه ­شده، پایین­تر از حد انتظار باشد، کیفیت خدمات غیرقابل پذیرش است. همان­طور که در شکل (۹-۲) نشان داده شده است، این انتظارات بر منابع متعدد و مختلفی شکل می­گیرد، مثل گفته­های دیگران، نیازهای فردی و تجربه قبلی (فیتزسیمونز و موناجی، ۲۰۰۱).

کیفیت خدمات درک شد
فراتر از حد انتظار (کیفیت عالی)

در این مدل ساده، پیکان ورودی به متغیر حالت یک جریان ورودی^[۱۳۱] را نشان می‌دهد. در هنگامی که مورد نیاز باشد پیکان می‌تواند از هر دو جهت جریان داشته باشد بدین منظور بر روی دایره‌ای که به بردار چسبیده است دوبار کلیک کنید و در پنجره باز شده گزینه “Blflow” را انتخاب کنید خواهید دید که پیکان دارای دو طرف خواهد شد. ولی در مثال ما متغیر کنترل “Births” یک بردار “Uniflow” است که جمعیت اضافی سالانه را وارد متغیر “Population” می‌کند. شکل (٨-۵) شما را راهنمایی می‌کند.

انتخاب نوع متغیر جریان
قدم بعدی این است که بدانیم این افراد جدید چگونه و به چه اندازه‌ای بوجود می‌آیند، به جنبه واقعی موضوع توجه کنید که ما می‌خواهیم با دقت مورد نظر به میزان افراد متولد شده در سال دست یابیم. یک راه این است که به آمارهای سرشماری مراجعه کنیم. ممکن است به این رقم برسیم که ۳ نفر در سال به هر ۱۰۰ نفر اضافه شده‌اند. این عدد متغیر سوم ما یعنی متغیر انتقالی^[۱۳۲] یا مبدل^[۱۳۳] (یک دایره تنها) از نوار ابزار خواهد بود. مانند متغیر قبلی این متغیر را نیز که سومین شکل از نوار ابزار است انتخاب کنید و در صفحه مدل کلیک نمایید. روی آن دوباره کلیک کنید و عدد ۳% را وارد نمایید.
آخرین ابزار، بردار اطلاعات^[۱۳۴] یا ارتباط دهنده^[۱۳۵] است. این بردار اطلاعات را از یک دایره (متغیر کنترل) به یک مستطیل (متغیر حالت) یا بر عکس انتقال می‌دهد. در این مورد ما می‌خواهیم اطلاعات نرخ تولد “Birth Rate” را به متغیر تولد “Births” انتقال دهیم و همچنین اطلاعات سطح جمعیت “Population” را به متغیر تولد “Births” برسانیم. دو بردار باید اضافه شوند حال نمودارمان باید شبیه شکل (٨-۶) باشد.

ابزار مبدل و ابزار ارتباط دهنده
آخرین قدم مدل‌سازی این است که متغیر “Births” را تعیین کنیم. آن را باز کنید و به فهرست نهاده‌های آن توجه کنید. هر متغیری که با بردار به این متغیر وصل شده باشد در این فهرست نشان داده شده‌اند. لذا متغیرهایی که نشان داده شده‌اند عبارتند از “Population” و “Birth Rate” به معنی و واحد این در متغیر توجه کنید:
‌ Births= Birth Rate*Population (2)
قدم بعدی در ساخت مدل این است که بازه‌های زمانی DT را مشخص کنیم. متغیرهای حالت در این زمانها تغییر می‌کنند. در مثال خودمان DT را برابر یک سال و طول زمان مدل را ۱۰۰ سال تعیین می‌کنیم. جهت انجام این کار از منوی Run گزینه Run Specs را انتخاب کنید. در پنجره گفتگوی باز شده می‌توانید بازه‌های زمانی و تعداد آنها را انتخاب کنید.

بازه‌های زمانی جهت اجرای مدل
به منظور نمایش نتایج مدلتان بصورت نموداری بر روی نماد نمودار کلیک کنید و آن را به صفحه مدل بکشید. به همین شکل می‌توانید نتایج کارتان را بصورت یک جدول بیان نمایید. نمادهای نمودار و جدول در شکل (٨-٨) نشان داده شده‌اند.

نمادهای نمودار و جدول
با دوبار کلیک کردن بر روی نماد گرافیکی نمودار، پنجره گفتگوی آن باز می‌شود. که در آن فهرستی از متغیرهای جریان و کنترل و سایر پارامترها دیده می‌شوند.
تنها Population را انتخاب کنید تا در نمودار نمایش داده شود. بازه متغیر را بین ۰ و ۲۰۰ قرار داده و OK را فشار دهید. یک لحظه صبر کنید و از خود سؤال کنید: نتیجه مورد نظر مدل من چیست؟ حالا Run را از منوی Run انتخاب کنید یا Ctrl+r را با هم بگیرید. نتیجه کارتان در نمودار نمایش داده خواهد شد. که در نمودار (٨-٢) نشان داده شده است.

نمودار رشد جمعیت
نمودار رشد بالایی را نشان خواهد داد، همانطور که انتظار داشتیم. همیشه باید قبل از Run شدن مدل، نظرتان را در مورد نتایج مدل بگویید. این نوع گمانه‌زنی‌ها بینش شما را در مورد نحوه رفتار مدل تقویت می‌کند و کمک می‌کند تا خطاهای برنامه‌ریزی را اصلاح کنید. وقتی برخی چیزها برخلاف انتظار شما رفتار کند، نشانه آن است که چیزی اشتباه بوده است و شما باید آن را اصلاح کنید.
ithink چگونه این کار را انجام می‌دهد؟ ساده است، در ابتدای هر بازه زمانی، ithink با توجه به دایره‌ها و مستطیل‌ها محاسبات را انجام می‌دهد. لذا برای آنکه مقدار صحیح تولد‌ها محاسبه شود ithink 3% را در مقدار اولیه جمعیت Population که ۱۰ است ضرب می‌کند که مقدار ۳% بدست خواهد آمد. در قدم بعد مقدار ۳/۰ که مقدار جدید تولدها است را با مقدار جمعیت جمع می‌کند و مقدار جدید جمعیت که عدد ۳/۱۰ است در Population قرار می‌دهد. در بازه زمانی بعدی که زمان از ۱ به ۲ منتقل می‌شود همین روال و محاسبات انجام خواهد گردید و تا زمان نهایی ادامه خواهد یافت.

شما باید به نقش مهم متغیر حالت دقت کنید. این تنها اطلاعاتی است که رایانه از انتهای یک بازه زمانی تا شروع بازه زمانی بعدی داراست، به همین خاطر است که معتقدیم متغیر حالت شرایط^[۱۳۶] سیستم را بیان می‌کند.
مدلی که بیان شد آنقدر ساده بود که می‌شد با قلم و کاغذ آن را انجام داد. یک مدل خطی و غیر واقعی. لذا برای آنکه یک جنبه واقعی دیگر به مدل اضافه کنیم و قابلیت ithink را بیشتر نشان دهیم، یک ارتباط در جهت عکس^[۱۳۷] از جمعیت به نرخ تولد می‌دهیم. وقتی این ارتباط داده شد یک علامت سؤال بر روی دایره نرخ تولد ظاهر می‌شود ـ شکل(٨-٩) ـ چون جمعیت به عنوان یک نهاده برای نرخ تولد اضافه شده است.

ارتباط در جهت عکس
حال متغیر نرخ تولد را باز کنید. رابطه این دو یا بصورت ریاضی مشخص است یا اینکه می‌توانیم یک حدس کارشناسانه در مورد رابطه این دو متغیر بزنیم. حدس کارشناسانه برای فهم رابطه بین دو متغیر ممکن است چنین تعیین شود که روند یکی از متغیرها را بصورت گرافیکی (که در این مورد نرخ تولد است) با توجه به ارزش متغیر دیگر بیان می‌کنیم. این خصوصیت را تابع گرافیکی^[۱۳۸] می‌نامند. (یعنی یک متغیر را وابسته و دیگری را متغیر توصیفی قرار می‌دهیم.)
پس از آنکه متغیر نرخ تولد را دوبار کلیک کردید و Population را انتخاب کردید. گزینه‌"Become Graphical Function” را انتخاب کنید تا بصورت گرافیکی رابطه بین نرخ تولد و جمعیت را بیان کنید، جمعیت را بین ۲ و ۲۰۰ تعیین کنید و نرخ تولد را بین صفر و ۰۶/۰. حال با بهره گرفتن از ماوس یک محنی بکشید که از (۰۶/۰ و ۲) شروع شود و به (۰و۲۰۰) برسد.
اگر تصور کنید ما اطلاعاتی داریم که سه نقطه را برای ما بیان می‌کند می‌توانیم روند نمودار را حدس زده و آن را بصورت ملایم رسم کنیم نمودار (٨-٣) این اطلاعات برای ما کافی هستند روی OK کلیک کنید.

تشکیل یک تابع گرافیکی
حال شما آماده هستید تا مدل را دوباره اجرا (Run) کنید اما ابتدا شکل کلی نمودار متغیر جمعیت را در طول زمان حدس بزنید. در درجه اول باید صعودی باشد. همچنین ابتدا باید سریع رشد کند چون جمعیت کم است و در نتیجه نرخ تولد اولیه بسیار بالا است، بعد جمعیت با سرعت کمتری رشد خواهد کرد. نهایتاً در نقطه‌ای که جمعیت برابر ۲۰۰ می‌شود بعلت تراکم بالا، نرخ تولد صفر می‌شود. حال مدل را اجرا کنید خواهید دید که درست پیش‌بینی کرده‌اید. نمودار (٨-۴)

رشد جمعیت پس از اعمال ارتباط در جهت عکس
هیچ راه‌ حلی تحلیلی برای تعیین رابطه بین حجم جمعیت و نرخ تولد وجود ندارد. این مشکل با تنها روش موجود حل شده است. که به آن روش حل عددی^[۱۳۹] می‌گویند. ما باید آزمایش کنیم که مدل چقدر نسبت به تغییرات در نمودار ساخته شده و تغییرات در بازه‌های زمانی DT حساس است. بازه‌های زمانی نباید یک سال باشند. معمولاً هر چه بازه‌های زمانی کوچکتر باشند روش حل عددی در تجدید کردن مقادیر متغیر حالت دقیق‌تر خواهد شد و در نتیجه پاسخ مدل نیز دقیق‌تر می‌شود. بازه‌های زمانی را همواره کوچکتر کنید تا وقتی که تغییرات در متغیرهای حیاتی^[۱۴۰] اندک شوند.
بطور کلی سعی کنید مدلتان را ساده طراحی کنید، مخصوصاً در اوایل کارتان. تا جایی که امکان دارد نتایج کارتان را با مقادیر اندازه‌گیری شده مقایسه کنید. تنها وقتی مدلتان را پیچیده کنید که نتایج مورد انتظار و تجربه شده را در حیطه مورد نظرتان ارائه نکند.
همانطور که مدلتان پیچیده‌تر می‌شود، شما باید تلاش کنید تا ساختاری را در ithink بدست آورید که استقلال قسمتهای مختلف مدل را حفظ کند. رویکرد تصویری نرم‌افزار ithink قدرت زیادی در مدل سازی به آن داده است. اجزای مدل را با بهره گرفتن از ابزار خاصی که به شکل دست است جابجا کنید یا رنگ شکلها را با ابزار فرچه رنگ عوض کنید. شکل (٨-١٠) کافی است روی این شکلها کلیک کنید تا آنها را فعال کنید. از دینامیت وقتی استفاده کنید که می‌خواهید اجزای غیر مفید را منفجر کنید.

نمادهای جابجایی، تغییر رنگ و پاک کردناجزای مدل
وقتی مدل بزرگتر شد و شامل تعدادی ماجول^[۱۴۱] یا زیر مدل شد، شما ممکن است تصمیم بگیرید. از تغییر در برخی از قسمتهای مدلتان جلوگیری کنید. روی ابزار بخش^[۱۴۲] کلیک کنید (شکل سمت چپ شکل (٨-١١)) و آن را دور قسمتی از مدل که می‌خواهید بکشید. این قسمت مجزا شده است. حال اگر منوی Run را باز کنید خواهید دید که می‌توانید بخشها را مجزا اجرا کنید یا آنکه همه را با هم اجرا نمایید. اجرای یک بخش مجزا تغییری در ارزش متغیرهای سایر بخشها ایجاد نمی‌کند.
حاشیه نویس مدل به شما و سایرین این امکان را می‌دهد که فروض مدل را در خاطر داشته باشند و یا زیر مدل‌ها و بخشها را بشناسند. برای آنکه این کار را انجام دهید روی نماد متن^[۱۴۳] که با حرف A نمایش داده شده است کلیک کنید و آن را به صفحه مدل‌سازی بکشید و متن مورد نظرتان را بنویسید.

نماد ابزارهای متن و بخش
وقتی مدل توسعه یافت یا وقتی بخواهید مدل‌هایتان و نتایج مدل‌ها را به دیگران ارائه دهید. این ابزارها بسیار مفید خواهند بود. ما شما را تشویق می‌کنیم تا هر آنچه می‌توانید از ابزارهایی که ithink در اختیارتان قرار می‌دهد استفاده کنید.
ithink مراحل تحلیل حساسیت بسیار خوبی دارد. شما باید از اول به آخر مدلتان تمرین کنید، بارها با بصیرت خود نتایج را بررسی کنید. بارها مدل را اجرا کنید و شرایط اولیه را تغییر دهید.

بیان ریاضی مدل رشد جمعیت

اصول مدل‌سازی

در این قسمت حاصل تجربه چند ساله مدل‌سازی را بصورت اصولی کلی ارائه می‌نماییم. در اینجا ۱۰ قدم برای روند مدل‌سازی ارائه می‌کنیم. بهترین کار این است که شما هر چند وقت یکبار در طول مدل‌سازی این اصول را مرور کنید و آنها را در ذهن خود بپرورانید.
مسأله و اهداف مدل را تعریف کنید. سؤالاتی را که با مدل‌سازی می‌خواهید پاسخ دهید تعیین کنید اگر مسأله بزرگ است، زیر بخشهای مدل و اهداف هر یک از‌ آن زیر بخشها را مشخص کنید. حال فکر کنید آیا مدل من توصیفی است یا پیشگویی خواهد کرد.
متغیرهای حالت را مشخص کنید (این متغیرها حالت سیستم را مشخص خواهند کرد) مدل را ساده طراحی کنید. علی‌الخصوص در ابتدای کار آن را پیچیده نکنید. به واحد متغیرهای حالت توجه داشته باشید.
متغیرهای کنترل را انتخاب کنید، متغیرهای جریان که وارد متغیرهای حالت می‌شوند یا از آنها خارج می‌گردند را تعیین نمایید. (متغیرهای کنترل از طریق متغیرهای حالت محاسبه می‌شوند و پس از گذشت هر بازه زمانی متغیر حالت را تغییر می‌دهند.) دقت کنید که متغیرهای حالت هم به متغیرهای کنترل مقداری را می‌دهند و هم از آنها مقدار جدید را می‌گیرند. همچنین به واحد متغیرهای کنترل توجه کنید. در ابتدا ساده بگیرید و سعی کنید قسمتهای اساسی را مورد توجه قرار دهید.
اجزای متغیرهای کنترل را انتخاب کنید، به واحد این اجزا و متغیر کنترل دقت کنید. از خود سؤال کنید: تابع این متغیر کنترل چیست؟
مدل را از جنبه اشتباهات احتمالی شکلی و اقتصادی و… آزمون کنید. همچنین سازگاری واحدها را آزمون کنید. احتمال تقسیم بر صفر را ملاحظه کنید. اعداد یا قیمت‌های منفی و… را آزمون کنید. از دستورهای شرطی در صورت لزوم استفاده کنید تا از این اشتباهات بپرهیزید.

همان طور که مشاهده شد نتایج آزمون تجزیه و تحلیل واریانس یکطرفه با مقایسه میزان تغییرات ضربان قلب ریکاوری در سه گروه تمرینات اینتروال، تمرینات دایره­ای و کنترل نشان داد که بین تغییرات ضربان قلب ریکاوری در بین این سه گروه تفاوت معنی­داری وجود دارد.
جدول ۴-۲۶٫ مقایسه تأثیر تمرینات اینتروال و دایره­ای بر ضربان قلب ریکاوری فوتسالیست­های مبتدی

۰۵/۰P≤
نتایج آزمون تعقیبی توکی با مقایسه زوجی گروه­ ها نشان داد که میزان کاهش ضربان قلب ریکاوری در گروه کنترل به طور معنی­داری از دو گروه دیگر کمتر بود، و همچنین میزان کاهش ضربان قلب ریکاوری در گروه تمرینات دایره­ای نیز نسبت به گروه تمرینات اینتروال تفاوت معنی­داری نداشت.
فصل پنجم
بحث و نتیجه گیری
۵-۱ مقدمه
برنامه تمرینی اینتروال و دایره ای با شدت بالا به منظور دستیابی به چند هدف و به طور همزمان اجرا می شوند و اثر این نوع تمرینات بر عملکرد فوتسالیست های مبتدی مرد مورد مقایسه و مطالعه قرار گرفت . یافته های پژوهش با بهره گرفتن از روش های آمار توصیفی و استنباطی تجزیه و تحلیل شد و نتایج آن ها در فصل چهارم به صورت جداول و شکل ارائه گردید.
۵-۲ خلاصه پژوهش
مقایسه اثر تمرینات اینتروال و دایره ای با شدت بالا بر عملکرد فوتسالیست های مرد هدف این پژوهش بود. بدین منظور ۳۰ ورزشکار دانشجوی فوتسالیست مبتدی دانشگاه آزاد اسلامی واحد رشت به ترتیب با میانگین( قد ۱۷۵٫۹۶ سانتی متر ، وزن ۷۲٫۲۲ کیلوگرم) به صورت نمونه در دسترس و داوطلبانه در پژوهش انتخاب شدند .آزمودنی ها شرکت کننده در برنامه های تمرینی فوتسال تحت برنامه های تمرینی اینتروال و دایره ای با شدت بالا قرار گرفتند. برنامه تمرینی شامل ۱۲ جلسه(هفته ای ۲روز) شامل۱۰ دقیقه گرم کردن و همین مدت سرد کردن بود ، تمرینات اینتروال با شدت و سرعت بالا در ۱۰ ایستگاه و تمرینات دایره ای با شدت بالا در ۸ ایستگاه به طور همزمان انجام گرفت.
اطلاعات بوسیله نرم افزار SPSS مورد بررسی آماری قرار گرفت .
در تجزیه وتحلیل از آزمون گلمورف –اسمیرنوف برای نرمال بودن توزیع داده ها و آزمون تجزیه و تحلیل واریانس یکطرفه با آزمون تعقیبی توکی استفاده شد . نتایج حاضر نشان داد که بین میزان توان بی هوازی ، چابکی ، کاهش ضربان قلب ، کاهش ضربان قلب ریکاوری در گروه کنترل به طور معناداری از دو گروه دیگر کمتر است و در گروه اینتروال و دایره ای تفاوت معناداری وجود ندارد ، همچنین یافته های پزوهش نشان داد میزان افزایش توان هوازی در گروه تمرینات اینتروال به طور معناداری از دو گروه دیگر بیشتر است ، از طرفی میزان افزایش توان هوازی گروه تمرینات دایره ای نیز به طور معناداری از گروه کنترل بیشتر بود. بنابراین می توان نتیجه گرفت انجام تمرینات اینتروال و دایره ای تاثیرات معناداری در توان هوازی ، توان بی هوازی ، چابکی ، ضربان قلب استراحت ، ضربان قلب ریکاوری داشته است .

۵-۳ بحث ونتیجه گیری
استراتژی تمرینات اینتروال بر پایه آموزش مدت هاست که توسط مربیان ورزشی برای رسیدن به اهداف جسمانی ، فیزیولوژیکی و فنی بازیکنان مورد استفاده قرار گرفته است ، با این حال مبنای علمی تاثیرات چنین تمرینات در اجرای جسمانی بازیکنان مشخص نشده است (۱۰۲). تغییر در رویکرد ورزش های تیمی مانند فوتبال به عرصه سرمایه گذاری باعث شده که تیم ها به دنبال روش های مختلف آموزش به منظور توسعه ظرفیت های رقابتی خود باشند. سطح تناسب هر بازیکن به توانایی هر فرد در برآورده کردن نیاز ها جسمانی یک رقابت ورزشی و در نهایت تعیین پتانسیل هر فرد در مشارکت تیمی در رشته ورزشی بستگی دارد .تجزیه و تحلیل زمان حرکت در بازی به هدایت الگوهای خاص فعالیتی در برآورده کردن نیازهای جسمانی ورزشکاران در سطوح پایین ، متوسط و بالای رشته های ورزشی کمک می کند ، این عوامل نشان داده که سطح یک تیم با انجام توانایی بازیکنان به انجام مکرر ورزش با شدت بالا دارای همبستگی مثبت است (۲۶).
از سوی دیگر نوع شدت تمرینات ورزشی در بهبود عملکرد بازیکنان فوتسال موثر است ، مطالعات نشان داده بازیکنان در طول بازی حرفه ای نیازمند ۷۶ درصد توان هوازی می باشند و شواهد گویایی این موضوع است که در هر ۷۹ ثانیه از شروع بازی مصرف اکسیژن در طیف وسیعی از ۴۵ تا ۵۵ میلی لیتر بر کیلوگرم در دقیقه در تلاش های با حداکثر سرعت دویدن مشاهده شده است (۳۸). شدت فعالیت فوتبالیست های حرفه ای در مقادیر ضربان قلب و اکیسژن مصرفی به طور متوسط حدود ۶ درصد بالاتر از آستانه هوازی بوده است (۱۱۷). از سوی دیگر فعالیت های اینتروال به عنوان تکنیک های با شدت های بالا در حرکات کوتاه مدت دارای دوره های بهبود کوتاه می باشد(۱۱۰). از مزایایی اصلی تمرینات اینتروال این است که به ورزشکاران اجازه می دهد برای آموزش سریع و شدیدتر ، بدون خستگی و تمرین زدگی به بهبود عملکردهای فیزیولوژیکی خود از قبیل : سرعت ، قدرت دست یابند و با توانایی استفاده از چربی بدن به عنوان سوخت در این برنامه آموزشی باعث بالا رفتن و بهبود ویژگی های افراد شود (۱۲۶). از طرفی آموزش دایره ای شامل فرم های متعددی از تمرینات مقاومتی در یک توالی از پیش تعیین شده است (۷۱). تمرینات مقاومتی در توسعه ظرفیت جسمانی افراد موثر است به طوری که این تمرینات باعث افزایش برون ده قلبی در فشار خون سیستولیک و حفظ و یا اندک کاهش در فشار خون دیاستولیک و افزایش فشار نبض می شود . بنابر این با بالا بردن حجم عضله قلب باعث بالابردن ظرفیت هوازی ورزشکاران شده است (۹۲).لذا در این پژوهش مقایسه اثرات دو نوع تمرینات اینتروال و دایره ای بر توان هوازی ، توان بی هوازی ، چابکی ، ضربان قلب استراحت و ضربان قلب ریکاوری فوتسالیست های مبتدی مرد مورد بررسی قرار گرفت .
۵-۳-۱ تاثیر یک دوره تمرینات اینتروال و دایره ای بر توان هوازی فوتسالیست های مبتدی مرد
نتایج این پژوهش نشان داد میزان افزایش توان هوازی در گروه تمرینات اینتروال به طور معناداری از تمرینات دایره ای بیشتر بوده است.

۴-۳ ساخت پرتفوی
در این مرحله پرتفوی متناسب با ترجیحات سرمایه­گذار و میزان ریسک­پذیری وی، با بهره گرفتن از یک مدل برنامه­ ریزی خطی عدد صحیح ترکیبی ساخته خواهد شد. این مدل را با بهره گرفتن از نرم افزار OPL- CPLEX حل نموده­ایم.
تابع هدف مدل، رتبه موزون سهام­هایی که در پرتفوی گنجانده شده ­اند را ماکزیمم می­ کند:
۳-۷
که در آن N تعداد سهام­ها، وزن سهام i ام در پرتفوی و رتبه سهام i ام که در در مرحلۀ قبل مشخص شده است، می­باشد.
محدودیت­ها:
محدودیت ۴-۷ ما را مطمئن می­سازد که تمام سرمایۀ موجود، سرمایه ­گذاری شده است.
۴-۷
محدودیت ۴-۸ ، محدودیت تنوع می­باشد. این محدودیت آستانۀ بالا و پایینی برای تعداد سهام­های موجود در پرتفوی قرار می­دهد.

۴-۸
در این محدودیت x_i یک متغیر باینری است که اگر سهام در پرتفوی گنجانده شود مقدار آن ۱ و در غیر اینصورت مقدار آن ۰ است. LB و UB آستانه­های بالا و پایین برای تعداد سهام­هایی هستند که در پرتفوی قرار می­گیرند که در اینجا آن­ها را به ترتیب ۷ و ۱۴ قرار می­دهیم.
محدودیت­های ۴-۹ و ۴-۱۰ آستانه­های بالا و پایین برای اوزان هر سهم موجود در پرتفوی را مشخص می­سازد.
۴-۹
۴-۱۰
که در آن UBW و LBW آستانه­های بالا و پایین برای وزن سهام­ها در پرتفوی هستند که به ترتیب عبارتند از ۰٫۲ و ۰٫۰۲٫
محدودیت ۴-۱۱ آستانۀ پایین برای وزن کل سهام­هایی که ریسک سیستماتیک (β) کم­تر از یک دارند را وضع می­ کند.
۴-۱۱
که در آن BL مجموعه سهام­های با کم­تر از یک می­باشد. LBB حد پایین برای وزن سهام با β کم­تر از یک است که با توجه به ریسک پذیری سرمایه­گذار مشخص می­ شود. مقدار LBB برای سرمایه­گذار ریسک گریز باید بالا باشد اما در مقابل برای سرمایه­گذار ریسک پذیر این مقدار پایین است. از آنجایی که سیستم خبرۀ ما برای سرمایه­گذار ریسک گریز طراحی شده است، مقدار LBB را ۰٫۶۵ قرار می­دهیم. برای آزمون عملکرد سیستم خبره برای سرمایه گذار ریسک پذیر و بی­تفاوت نسبت به ریسک مقدار LBB را به ترتیب ۰٫۳۵ و ۰٫۵ قرار خواهیم داد. این اعداد با بهره گرفتن از نظر خبرگان به دست آمده­اند.
در نهایت محدودیت­های ۴-۱۲ و ۴-۱۳ ما را مطمئن می­سازند که w_i بین ۰ و ۱می باشد و x_i یک متغیر باینری است.
i=1,….N
۴-۱۲
i=1,….N
۴-۱۳
۴-۴ پرتفوی نهایی
از آنجایی که سیستم خبرۀ پیشنهادی برای حمایت از سرمایه گذاری میان مدت طراحی شده است، دوره­ سرمایه ­گذاری شش ماه در نظر گرفته می­ شود و در پایان شش ماه تمامی سهام­ها فروخته شده و سهام های جدید خریداری می­ شود. همچنین برای حمایت از سرمایه­گذار ریسک گریز LBB، ۰٫۶۵ در نظر گرفته می­ شود. برای آزمون فرضیه ­ها از مقایسۀ بازده پرتفوی با بازده بازار و نیز شاخص آلفای جنسن استفاده می­کنیم.
پرتفوی­های ساخته شده به همراه رتبه، وزن، بازده و آلفای جنسن برای سرمایه­گذار ریسک گریز در جداول زیر مشاهده می­شوند:

به عنوان جمعیتى براى هر تولید G در طول فرایند مینیمم سازى NP تغییر نمى­کند. جمعیت بردار اولیه به صورت تصادفى انتخاب مى­شود و باید تمام فضاى جستجو را پوشش دهد. به عنوان یک قانون، ما از توزیع احتمالى یکنواخت براى تمام انتخاب­هاى تصادفى استفاده خواهیم کرد مگر اینکه حالت دیگرى ذکر گردد. در حالتی که یک راه حل مقدماتى در دسترس است، جمعیت اولیه با اضافه کردن انحرافات تصادفى توزیع شده به راه حل   تولید مى­شود. DE بردارهاى پارامترى جدیدى را با اضافه کردن اختلاف وزن بین دو بردار جمعیتى به یک بردار سوم تولید مى­کند که این عملکرد جهش نام دارد. پارامترهاى بردار جهش یافته با پارامترهاى بردار از پیش تعیین شده دیگرى ترکیب مى­شود تا بردار هدف، یا بردار آزمایش را بسازد. ترکیب پارامترها به عنوان “ادغام” در DE یاد مى­شود، اگر بردار آزمایش مقدار تابع هزینه پایین­ترى نسبت به بردار هدف بدهد، بردار آزمایش در تولید جارى جایگزین بردار هدف مى­شود. عملگر آخر “انتخاب” نامیده مى­شود. هر بردار جمعیت باید یکبار به عنوان بردار هدف بکار گرفته شود بطوریکه به تعداد NP رقابت در یک تولید اتفاق مى­افتد.
استراتژى اساسى DE مى تواند به شکل زیر توصیف گردد:
۳-۳-۲-۳-۱ جهش
عملگر جهش یک بردار آزمایشى براى هر راه حل (والد) اصلى با جهش دادن یک بردار هدف و یک تفاضل وزن دار بین دیگر والدها که به صورت احتمالاتى انتخاب مى­شود تولید مى­گردد. لذا براى هر بردار هدف، یک بردار جهش یافته طبق زیر تولید مى­شود:

(۳-۱۰)

با اندیسهاى تصادفى  اختلاف تقابلى و   اعداد انتخاب شده تصادفى   باید متفاوت از اندیس جارى   انتخاب شود از این رو NP باید بزرگتر یا مساوى چهار باشد تا این شرط برقرار باشد. F یک مقدار حقیقى و فاکتور ثابتى مى­باشد که بزرگى اختلاف تفاضلى   و میزان تغییر تفاضل را بین جمعیت کنترل مى­کند. شکل شماره ٣-۶ یک مثال دو بعدى را نشان مى­دهد که بردارهاى تفاضلى را توصیف مى­کند که در تولید   اتفاق مى­افتد.

شکل۳-۶: مثالی از یک تابع هزینه دو بعدی برای تولید

۳-۳-۲-۳-۲ ادغام
به منظور افزایش تنوع بردارهاى پارامترى تغییر یافته، ادغام معرفى مى شود. براى این منظور بردار آزمایش

(۳-۱۱)

ایجاد مى شود که

(۳-۱۲)

در (٣-۱۱)،  ،  امین ارزیابى از یک تولیدکننده عدد تصادفى یکنواخت با خروجى در بازه [۰،۱] مى­باشد.  ثابت ادغام در بازه [۰،۱] مى­باشد که باید توسط کاربر تعیین گردد.  اندیس انتخابى تصادفى متعلق به   مى­باشد که اطمینان مى­دهد  حداقل یک پارامتر از   مى­گیرد. شکل ٣-۷ مثالى از یک مکانیزم ادغام براى بردارهاى۷ بعدى را نشان مى­دهد.
۳-۳-۲-۳-۳ انتخاب
براى تصمیم گیرى در مورد اینکه راه حل جدید عضوى از  خواهد بود یا نه، بردار آزمایش  با بهره گرفتن از معیار حریصانه با تابع هدف  مقایسه مى­شود. اگر بردار  مقدار تابع هدف کوچکترى نسبت به  بدهد آنگاه  به  تبدیل مى­شود در غیر این صورت مقدار قبلى  نگهدارى مى­شود. در شکل ۳-۸ روند کلی یک الگوریتم تکامل تفاضلی نشان داده شده است.