دانلود مقاله دقت در شکاف بین تحقیق و عمل در مدیریت عملیات
ترجمه نشده

دانلود مقاله دقت در شکاف بین تحقیق و عمل در مدیریت عملیات

عنوان فارسی مقاله: به شکاف بین تحقیق و عمل در مدیریت عملیات توجه کنید
عنوان انگلیسی مقاله: Mind the gap between research and practice in operations management
مجله/کنفرانس: معاملات آی آی اس ای - IISE Transactions
رشته های تحصیلی مرتبط: مدیریت - مهندسی صنایع
گرایش های تحصیلی مرتبط: تحقیق در عملیات (مدیریت) - تولید و عملیات - برنامه ریزی و تحلیل سیستم ها - داده کاوی
کلمات کلیدی فارسی: مدیریت عملیات - شکاف تحقیق-عمل - مطالعات واقعی - داده محور
کلمات کلیدی انگلیسی: Operations management - research–practice gap - realcase studies - data-driven
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1080/24725854.2022.2046893
لینک سایت مرجع: https://www.tandfonline.com/doi/full/10.1080/24725854.2022.2046893
نویسندگان: Xiaohong Chen - Tianhu Deng - Zuo-Jun Max Shen - Yi Yu
دانشگاه: Business School, Central South University, China
صفحات مقاله انگلیسی: 12
ناشر: تیلور و فرانسیس - Taylor & Francis
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2023
ایمپکت فاکتور: 3.905 در سال 2020
شاخص H_index: 98 در سال 2022
شاخص SJR: 1.137 در سال 2020
شناسه ISSN: 2472-5862
شاخص Quartile (چارک): Q1 در سال 2020
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: بله
آیا این مقاله مدل مفهومی دارد: دارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: دارد
آیا این مقاله فرضیه دارد: ندارد
کد محصول: e17288
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست مطالب (ترجمه)


1. مقدمه

2. بررسی بهبود عملکرد

3. ایجاد اعتماد بین الگوریتم ها و متخصصان

4. متعادل کردن دقت و سادگی مدل

5. نتیجه گیری ها


منابع مالی

یادداشت هایی در مورد مشارکت کنندگان



فهرست مطالب (انگلیسی)


1. Introduction

2. Verifying the performance improvement

3. Building trust between algorithms and practitioners

4. Balancing model accuracy and simplicity

5. Conclusions



Notes on contributors



بخشی از مقاله (ترجمه ماشینی)


     ماموریت موسسه مهندسین صنایع و سیستم (IISE) خدمت به کسانی است که مشکلات پیچیده و بحرانی جهان را حل می کنند. نکته قابل توجه، شکاف تحقیق و عمل در مدیریت عملیات (OM) ارزش و ارتباط IISE را به حاشیه می‌برد. برای حفظ و تقویت تأثیر IISE، ما تنگناهای عمده ای را شناسایی می کنیم که نصب صنعتی نتایج تحقیقات OM را محدود می کند. با رتبه بندی اهمیت نسبی، سه گلوگاه به ترتیب تأیید بهبود عملکرد، ایجاد اعتماد با متخصصان و متعادل کردن دقت و سادگی مدل در مراحل تأیید ارزش، اجرا و توسعه هستند. ما فرصت‌های پژوهشی بالقوه را پیشنهاد می‌کنیم و چالش‌ها و فرصت‌ها را با استفاده از مطالعات موردی واقعی از سه شرکت Fortune Global 500 نشان می‌دهیم. به طور خاص، ما بر نقش روش های تصمیم گیری مبتنی بر داده در برخورد با سه گلوگاه تأکید می کنیم.

توجه! این متن ترجمه ماشینی بوده و توسط مترجمین ای ترجمه، ترجمه نشده است.

بخشی از مقاله (انگلیسی)


     The mission of the Institute of Industrial and Systems Engineers (IISE) is to serve those who solve complex and critical problems of the world. Notably, the research–practice gap in Operations Management (OM) marginalizes the value and relevance of the IISE. To maintain and enhance the impact of the IISE, we identify major bottlenecks that limit the industrial installation of OM research outcomes. Ranked by the relative importance, the three bottlenecks are verifying the performance improvement, building trust with practitioners, and balancing model accuracy and simplicity, respectively, in the stages of value verification, implementation and development. We propose potential research opportunities and illustrate the challenges and opportunities using real case studies from three Fortune Global 500 companies. In particular, we emphasize the role of data-driven decision methods in dealing with the three bottlenecks.


     It is crucial for the Institute of Industrial and Systems Engineers (IISE) to guide Operations Management (OM) practitioners toward achieving OM practice excellence. The mission of the IISE is to serve OM practitioners who solve complex and critical problems encountered in the world, and often need to deal with complicated and integrated systems that suffer from customer dissatisfaction, excess inventory costs, and low product quality. Therefore, it is imperative for the IISE to capture the full potential of successful OM practice.

     However, the academia that studies OM has generally been following, rather than leading, business practices (Simchi-Levi, 2014). The inability to lead OM practices is often due to numerous failed implementations of OM models. After many years of OM projects with industry collaborators, we cannot emphasize enough how important a successful implementation is for a research project. Further, we are astonished by the difficulties associated with ensuring an OM implementation with precise and unified standards across different departments. Companies have been appropriately cautious about new OM models because they cannot fully reap its benefits (Ibanez et al., 2018; Sun et al., 2021).


     The future is promising as more OM research tends to bring the theoretical studies close to practical issues. The authors have extracted the data of all the 300 OM-related projects funded by the National Natural Science Foundation of China (NSFC) from 2016 to 2021. Table 1 categorizes the subjects of all the projects by new business model, new technology & Supply Chain Management (SCM) finance, product & behavior, green & health-care & agriculture, and traditional SCM. It is surprising to see that almost all the subjects are driven by real practices, and few project proposals even involve preliminary plans for industrial implementations.

     The academic community has always emphasized novel and mathematically provable methods and reproducible results, yet none of which are required for complex realworld issues (Sodhi and Tang, 2008). To thrive, the ISE research community should focus on overcoming the challenges that hinder successful practical applications and embrace cooperation with data-driven decision methods so that our research community will stay relevant and impactful. Combined with real case studies, we list and analyze the key challenges. Ultimately, these challenges can stimulate research opportunities such as user-centric algorithms and explainability. We hope that this article will encourage more ISE researchers to embark on research that can help close the gap when it comes to implementing new OM research ideas into practice.