تضمین

دانش و ادب کارکنان و توانایی آنها در ایجاد حس اطمینان درمشتری

همدلی

بذل توجه شخصی به مشتریان و نیازهای ویژه آنها

جدول شماره - ابعاد کیفیت خدمات^[۶۰]
۲-۲-۵ ارزش ویژه نام و نشان تجاری
ارزش ویژه نام ونشان بالا(زیاد) مزیت رقابتی محسوب می شود، زیرا شرکت می تواند بر پایه آن قیمت بالاتری را برای محصولاتش تعیین کند. اهرم تجاری بهتری ایجاد کند، حاشیه فروش و سود را افزایش داده و آسیب پذیری خود را در رقابت کاهش دهد .وقتی که یک کالا یا محصول جدید در بازار عرضه می گردد بسیاری از شرکت ها معمولاً یک استراتژی توسعه نام تجاری را در مورد استفاده قرار می دهند. معمولاً نام تجاری اصلی باعث کاهش هزینه های بازاریابی و احتمال افزایش موفقیت کلی شرکت می گردد. (طباطبایی،۱۳۸۹)

ارزش واقعی یک بانک نه دارایی‌های ملموس و سرمایه آن، بلکه در اذهان خریداران بالقوه آن قرار دارد. زیرا برای یک مشتری بالقوه، برند راهنمای مهمی است. ارزیابی ذهنی و نامحسوس مشتریان از برند، برتر و فراتر از ارزش عینی ادراکی آن است. سه عامل اصلی تاثیرگذار بر ارزش ویژه برند عبارتند از: آگاهی مشتریان از برند، نگرش‌های مشتریان نسبت به برند و ادراک مشتریان از عملکرد و رفتار برند. چیزی که برای مشتریان ارزش تعیین‌کننده و نهایی دارد توانایی بانک در ارائه سرویس مورد نظرشان است؛ ازاین رو بانک‌ها برای کارآمد‌ شدن، نیازمند به دست‌آوردن اطلاعات کافی از مشتریان و درک علایق وخواسته‌های آنان هستند و با بهره گرفتن از اطلاعات به دست‌آمده خدمات سازمان طراحی می‌شود. بانک‌ها برای ایجاد ارزش باید به دنبال وجود نام‌های تجاری قدرتمند باشند که تاثیرات زیادی را بر آن‌ها خواهد داشت. برند از حساس‌ترین و کلیدی‌ترین عناصر رشد بانک‌ها است. در حقیقت، نام‌های تجاری آن قدر در تصمیم‌گیری‌های خرید مصرف‌کننده دارای اهمیت شده‌اند که به عنوان دارایی بانک به خصوص دارایی اصلی یاد می‌شود. سرمایه‌گذاری صحیح، باعث افزایش ارزش می‌شود. یک نام تجاری قوی حداقل به مصرف‌کنندگان می‌گوید که چه انتظاری از خدمات بانکی می‌توانند داشته باشند. .(صفا بخش، ۱۳۹۲)
برند هر بانک برای اشتهار و معروف شدن باید هرم ارزش‌گذاری را طی کند. ابتدا مشتریان، برند را نمی‌شناسند. سپس با توجه به تبلیغات بانک‌ها و یا با بهره گرفتن از خدمات بانکی با آن برند آشنا می‌شوند. در مرحله بعد مشتریان راجع به عملکرد خدمات بانکی قضاوت می‌کنند در این مرحله هم‌چنین احساسات مشتریان در مورد آن برند شکل خواهد گرفت و در آخر آن برند به مرحله بلوغ خود می‌رسد. همان طور که گفته شد مدیریت برند بر این نکته که ایجاد برند قدرتمند برای بانک ضروری است، بسیار تاکید می‌کند و وجود نام‌های تجاری قدرتمند منشا ایجاد ارزش در بانک‌ها است. زیرا:

• وجود یک برند قدرتمند باعث ساختن یک ارتباط موثر می‌شود. زیرا یک برند تنها به معنی نام و آرم آن بانک نیست بلکه قدرت برند فراتر است و در ایجاد رابطه بین بانک و مشتریانش موثر خواهد بود و این احتمال را ایجاد می‌کند که مشتری بالفعلِ وفادار با پیشنهاد بانک مورد استفاده خود به دیگران، ارزش بانک را در اذهان بالاتر ببرد .

• زمانی که برند یک بانک قدرتمند باشد سهم بازار آن در حیطه بانکداری بالاتر خواهد رفت و شهرت و قدرت آن روز به روز توسط بازاریابی دهان به دهان بالاتر می‌رود و دیگر مهم نخواهد بود که بانک چه نوع خدمات متنوع و متفاوتی را عرضه خواهد کرد و سهم برند، زاییده اعتماد مشتریانش است و در اینجاست که بانک با مدیریت درست برند خود می‌تواند در حفظ آن بکوشد.

• درصورتی که یک بانک دارای برند قدرتمند باشد رقبای بالقوه خود را از ورود به عرصه بازار منصرف می‌کند. در صورتی که برند قدرتمند باشد در حدی که در ذهن مصرف‌کننده جای یابد در آن صورت رقبا برای تبدیل شدن به گزینه‌ای ارزشمند در برابر آن، راه دشواری در پیش دارند. سرمایه‌گذاری بر روی ایجاد نام تجاری قدرتمند می‌تواند به عنوان بخشی از استراتژی سازمان برای ایجاد موانع ورود بر سر راه رقبای بالقوه به شمار آید.

• در صورتی که یک بانک دارای برند قدرتمندی باشد قادر به جذب نیروهای کارآزموده‌تر و حفظ آن در بلندمدت خواهد بود. در واقع یک برند براساس فعالیت‌ها و عملکردی که از خود نشان می‌دهد مورد قضاوت قرار می‌گیرد و بر مبنای فعالیت‌ها و هزینه‌های تبلیغاتی در مورد آن‌ها داوری نمی‌شود. یک برند قدرتمند با به وجود آوردن احساس غرور و وفاداری در میان کارمندان، تعهد و پایبندی آن‌ها را به سازمان بیش‌تر می کند . بانک از برند خود هم برای جذب مشتریان و هم جذب مستعدترین کارکنان استفاده می‌کند. البته برای ثبات و بقای این نیرو‌ها در سازمان علاوه بر حقوق و پاداش، عوامل و ویژگی‌های دیگری هم وجود دارد. سازمانی که هویت واضح و روشن و مدیریت برند قوی داشته باشد، می‌تواند کارکنان خود را حفظ کند.

• در صورتی که برند بانک مدیریت درست داشته باشد و قدرتمند باشد می‌تواند درآمد بیشتری از مشتریان کسب کند . در صورتی که برند بانک قدرتمند باشد می‌تواند منجر به خلق ایده‌های جدید در زمینه خدمات بانکی شود . یکی از اهداف مهم بانک‌ها متمایز بودن و پیشی گرفتن از رقبا است. نوآوری منشا ارزش‌آفرینی است و باعث ایجاد مزیت رقابتی می‌شود. زیرا برندی که در آن خلاقیت باشد علاقه مصرف‌کنندگان و در نتیجه وفاداری آن‌ها را بیشتر می‌کند و باعث افزایش مشتریان خود می‌شود(حقیقی کفاش و همکاران،۱۳۹۱)

۲-۲-۵-۱ استراتژی محصول برای ایجاد ارزش نام و نشان تجاری
محصول در قلب ارزش نام و نشان تجاری واقع شده است زیرا بر آنچه مصرف کننده با نام و نشان تجاری تجربه می کند.، آنچه درباره نام و نشان تجاری از دیگران می شنود و آنچه شرکت درباره نام و نشان تجاریخود به آنها می گوید تاثیری اساسی دراد. به عبارت دیگر در قلب نام و نشان تجاری بزرگ ، محصولی بزرگ است . طراحی محصول یا خدمت به صورتی که نیازها و خواسته های مشتریان را برآورده سازد ، عاملی موثر در موفقیت هر نوع بازاریابی است . برای ایجاد وفاداری به نام و نشان تجاری ، تجربه مصرف کنندگان با محصول باید حداقل سطح انتظارات آنها را برآورده کند. (عزیزی و دیگران، ۱۳۹۱)
۲-۲-۵-۲ آگاهی ازنام و نشان تجاری(برند)
از دید کلر آگاهی از برند به مفهوم قدرت گره های اطلاعاتی درباره یک برند در حافظه فرد است. آگاهی از برند به دوام حضور برند در ذهن مصرف کننده اشاره دارد. و معیاری است از درصد بازار هدف که از برند آگاهی دارند. بازاریابان می توانند از طریق تبلیغات (آگهی های) تکرارشونده و تبلیغ در میان مخاطبان هدف ایجاد شناخت و آگاهی نمایند. آگاهی از برند می تواند یک گروه از مزیت های رقابتی را برای بازاریاب فراهم سازد که شامل موارد زیر است :
آگاهی از برند، برند را بصورت یک حس آشنا در میآورد.
آگاهی از نام می تواند نشانی از حضور ، تعهد و دارائی باشد.
برتری یک برند اگر که در یک زمان کلیدی در فرایند خرید بخاطر آورده شود، معین خواهد شد.
آگاهی از برند دارائی است که می تواند بی اندازه بادوام و بنابراین ادامه دار باشد.
ممکن است که ضربه زدن به برندی که به سطح بالایی از آگاهی به آن دست یافته شده بی نهایت مشکل باشد. آگاهی پیدا کردن در مورد برند بطور حیاتی برای تمامی برندها مهم است. اما آگاهی بالا در مورد برند بدون یک شناخت از آنچه فرد ایجاد می کند صرف نظر از رقابت انجام شده ، واقعاً خوب نیست(حیدر زاده و ترابی ،۱۳۹۲)
۲-۲-۵-۳ آگاهی از برند و دیدگاه مشتری
آکر و چواچیم استالر (۲۰۰۰) ارزش ویژه برند را بعنوان ارزش ها و دارائی های برند مرتبط با نماد و نام برند است که به یک محصول یا خدمت اضافه یا کم می شوند، تعریف کرده اند. مطابق نظر آنها، این دارائی ها همان طور که در شکل نشان داده شده است می تواند در چهار بعد طبقه بندی شوند: آگاهی از برند، کیفیت ادراکی، پیوستگی ها و پیوندهای برند و وفاداری نسبت به برند(عبدالی ،۱۳۸۸)
شکل ۲-۳ : دارایی های برند^[۶۱]
۲-۲-۵-۴ اهمیت آگاهی از برند در انتخاب برند
برداشت آکر از مطالعه بر روی آگاهی از برند روشن ساخته که بخش جدایی ناپذیر نظریه ارزش ویژه برند، آگاهی از برند است .آکر جنبه های خرد این موضوع را به منظور آشکار ساختن هدف وجودی آن و
این که چرا با اهمیت شده اند، نادیده گرفته است و در حقیقت به آگاهی زیادی از طریق سازمان هایی که سرمایه گذاری های فراوانی در سهم و ارزش برند می کنند دست یافته است که این مهم از طریق نقطه آغازین آگاهی ساختن مشتریان درمورد برندهای موجود در بازار از زمان امتحان، قبول و خرید مجدد آن نسبت به جنبه وفاداری که بطور کامل نادیده گرفته شده است، منتج می گردد. (حیدر زاده و ترابی ،۱۳۹۲)
بصورت تفصیلی آگاهی از برند عبارت است از توانایی مشتریان در تشخیص و بخاطر آوری برند و یک ارتباط میان برند و طبقه محصول وجود دارد، اما این ارتباط الزاماً قوی نیست. آگاهی از برند فرآیندی است که برند فقط در یک سطحی شناخته شده است که مشتریان به برند رتبه بالایی را متصور می شوند؛ یعنی برند سریع‌تر به ذهن خطور میکند.
شکل ۲-۴ : آگاهی از برند^[۶۲]
همان طوری که پیش از این راجع به ارزش ویژه برند ذکر شد، وفاداری نسبت به برند جزئی از آن است.
وفاداری نسبت به برند انتخاب برندی مصرف کنندگان را نسبت به یک حوزه وسیع تحت تاثیر قرار می دهد. به عبارت ساده، هنگامی که مصرف کنندگان نسبت به یک برند معینی وفادار هستند، آن را با تعصب منظمی می خرند. وفادار بودن به برند به معنای نه گفتن به برندهای دیگر در طبقه محصول مشابه است خواه این که آن ها از - برند انتخابی بهتر باشند. وفاداری برای شرکت ها یک مزیت به شمار می رود چون آن ها می توانند در قیمت های پایین به رقابت بپردازند و محصولات را با دارا بودن وفاداری مصرف کنندگان بهتر اصلاح و بهبود دهند.
آکر (۲۰۰۲) بیشتر توضیح داده است که وفاداری اساساً یک ظرفیت و گنجایش سنجشی درباره ی اینکه چه مقدار یک خریدار می تواند بطور احساسی با برند درگیر باشد، است. آن نشان می دهد که یک مصرف کننده هنگامی که برندهای دیگر بیشتر از برند مورد استفاده عرضه میشوند، چه مقدار تمایل به تغییر به یک برند دیگر دارد. بواسطه ی زمان وفاداری و مرام مصرف کنندگان بالا می رود و رقابت با رقبا قویتر می شود. وفاداری نسبت به برند، فروشی است که بیانگر سود آینده برند است. انواع وفاداری عبارتند از:
وفادار منفعل: خرید برند برخلاف عادت
مربیان محجر: بی تفاوت میان دو یا چند برند
متعهد: وفادار صادقانه نسبت به برند

منافع نسبی: اشاره به این دارد که تا چه حد این تکنولوژی عملکرد شرکتهای کوچک و متوسط را بهبود می بخشد.
سازگاری: میزان سازگاری تجارت الکترونیک را با اهداف استراتژیک، ارزش ها و تجارب شرکت دارد.
هزینه های درک شده: شامل تطابق هزینه ها با منافع قابل انتظار از این فناوری است.
تصویر: به معنای سطح ادراک اینکه پذیرش تجارت الکترونیک جایگاه اجتماعی شرکت را بالا می برد، می باشد.
در تحقیق دیگری مدل چهار بعدی (TOET) بر پایه مدل راجرز برای پذیرش بازار الکترونیکی در استرالیا به صورت زیر مورد مطالعه و تایید قرار گرفته است (Duan, Deng & Corbitt, 2010):

T(Technology):
بعد تکنولوژی به منافع درک شده از پذیرش بازار الکترونیکی در شرکت بر میگردد. منافع درک شده بطور موثری بر پذیرش تکنولوژی تاثیر دارد. سازمانها زمانی یک فناوری را می پذیرند که مزایای آنرا درک کنند. مزایای درک شده به دو دسته تقسیم می شود:
درک مزایای مستقیم
درک مزایای غیر مستقیم
مزایای مستقیم به کاهش هزینه های عملیاتی، افزایش دسترسی به مشتریان و یا تامین کنندگان مرتبط است، در حالیکه مزایای غیر مستقیم شامل تاثیر تجارت الکترونیک در مدیریت فرآیندهای تجاری و همچنین ارتقاء تصویر تجاری شرکت، افزایش راندمان عملیاتی، بهبود ارتباطات با شرکای تجاری می باشد.
O(Organization):
اندازه سازمان: اندازه سازمان مستقیما در پذیرش تکنولوژیها موثر است. شرکتهای بزرگ معمولا به دلیل منابع مالی و فنی بیشتر قادرند فناوریهای جدید را بپذیرند.
آمادگی سازمانی (آمادگی مالی و آمادگی فنی): آمادگی مالی به منابع مالی برای ایجاد بازار الکترونیک و تداوم آن مربوط است. آمادگی فنی به سطح پیشرفتگی کاربردهای IT و مدیریت IT می باشد.
پشتیبانی مدیران ارشد: از جنبه تامین منابع کافی برای پذیرش فناوری اهمیت پیدا می کند
E(Enviroment):
فشار بیرونی شامل فشار رقبا و شرکای تجاری و دولت
فشار رقبا عموما شرکتهای خصوصی را مجبور به پذیرش یک فناوری می نماید تا در محیط پویا بتوانند رقابت کنند.
فشار شرکای تجاری و دولت می تواند بنحو موثری شرکتهای کوچک و متوسط را تحت تاثیر قرار دهد چون اینگونه شرکتها قادر نیستند شرایط را تغییر دهند.
T(Trust):
اعتماد به شرکاری تجاری: پذیرفتن این مسئله برای شرکتهای کوچک و متوسط دشوار است که یک تامین کننده، مواد اولیه مورد نیاز شرکت را با کیفیت لازم و به موقع در شرایط اینترنتی تحویل دهد. از طرف دیگر نیز برای تامین کننده اعتماد به پرداخت آنلاین به موقع دشوار است.
اعتماد به EMarket: ناشی از احتمال افشای اطلاعات محرمانه شرکتهاست.
در پژوهشی که در شرکتهای کوچک و متوسط کانادا صورت گرفته است عوامل مؤثر بر پذیرش تجارت الکترونیک در این شرکتها طبق مدل زیر شناسایی شده اند (Sparling & Toleman, 2007):
مشخصات سازمانی شامل
سایز و نوع فعالیت
فرصتهای تکنولوژیکی
آمادگی فنی
مشخصات مالک
حمایت مدیریت ارشد
مشخصات محیطی
عوامل ابداعی شامل
منافع مرتبط
قابلیت مقایسه
شکل۳-۱- مدل پذیرش تجارت الکترونیک در شرکتهای کوچک و متوسط کانادا
این مدل عینا مانند مدل پژوهش قبلی است. عوامل در پژوهش قبلی توضیح داده شده است.
در پژوهش دیگری که در آمریکا صورت گرفته است مدل به صورت زیر است (Grandon & Pearson, 2004):
پشتیبانی عملیاتی
بهره وری مدیریت
حمایتهای تصمیمگیری استراتژیک
آمادگی سازمانی
فشار خارجی
راحتی استفاده درک شده
کاربرد درک شده
شکل۳-۲- مدل پذیرش تجارت الکترونیک در شرکتهای کوچک و متوسط آمریکا
این مدل با بهره گرفتن از تکمیل پرسشنامه به تایید رسیده است. در این مدل سه عامل بر درک استراتژیک تجارت الکترونیک موثر است:
۱- پشتیبانی عملیاتی: نشان می دهد که تجارت الکترونیک چگونه می تواند هزینه ها را کاهش دهد. خدمات به مشتری را بهبود دهد و کانالهای توزیع را افزایش دهد. چگونه می تواند نقش مثبتی در پشتیبانی تولید داشته باشد و ارتباط با مشتریان را پشتیبانی کند و قدرت رقابت را افزایش دهد.

می‌باشد.
شکل ۲ ـ ۱ ـ نمودار انواع سیستم‌های اطلاعاتی
منبع: «لاودن»، ۲۰۰۰، ص ۳۸
در زیر مهمترین و پر کاربردترین انواع سیستم اطلاعات مدیریت مورد بررسی قرار گرفته است.
۲ ـ ۴ ـ ۱ـ سیستم پشتیبانی تصمیم^[۵۹] (DSS)
“سیستم پشتیبانی تصمیم‎گیری سیستمی‌است که به منظور پشتیبانی از تصمیم گیرندگان در سطوح مختلف سازمان با تأکید بر تصمیمات شبه ساختاری و غیرساختاری طراحی و به کار گرفته می‎شود. این سیستم از طریق مدل سازی می‎تواند مسائل پیچیده و راهکاری بر اساس منطق پیشنهاد دهد” (صرافی زاده، ۱۳۸۴، ص ۶۰).
روساخر و اولسون^[۶۰] (۲۰۰۸) عقیده دارند که “سیستم‌های پشتیبان تصمیم در سطح میانی سازمان کار می‌کنند. آنها سیستم‌های اطلاعاتی مبتنی بر رایانه هستند که با ارائه اطلاعات تعاملی^[۶۱] به مدیران آنها در طول فرایند تصمیم گیری پیشتبانی می‌کنند” (ص ۶۹).
صرف نظر از اینکه سیستم پشتیبانی تصمیم چگونه تعریف شود به صورت مفهومی‌چهار عامل ضروری را شامل می‎باشد. نیومن^[۶۲] (۱۹۹۴) باین می‌کند که “این عوامل ضروری عبارتند: ۱٫ داده‌ها، ۲٫ مدل‌های تصمیم گیری، ۳٫ یک رابطه (صفحه کلید و مانیتور به عنوان رابطه کاربرد کامپیوتر)، ۴٫ تصمیم گیرنده‌ها” (ص ۱۶۴). “سیستم‌های پشتیبانی تصمیم، بر روی مشکلات بیشتر ساختار یافته تمرکز دارد” (بست^[۶۳]، ۲۰۰۲، ص ۳۶۰).
درجه ساختار یافتگی مشکلات
تصمیمات غیر ساختار یافته تصمیمات ساختار یافته
شکل ۲ ـ ۲ : رابطه سیستم پشتیبانی تصمیم و درجه ساختار یافتگی مشکلات
منبع : «مک لئود»^[۶۴]، ۱۹۹۵، ص ۳۶۰
سیستم پشتیبانی تصمیم مانند هر سیستم دیگری محیطی دارد که شامل تصمیم گیرنده و شرایط تصمیم می‌شود، همچنین ورودی‌هایی و فعالیت‌های درونی و بروندادهایی دارد. همچنین نوع سیستم پشتیبانی تصمیم از یک مرحله تا یک مرحله و از یک فعالیت تا فعالیت دیگر متفاوت می‌باشد.
۲ـ ۴ ـ۲ ـ سیستم گزارش دهی مدیریت^[۶۵] (MRS)
سیستم‌های اطلاعاتی مدیریت که همچنین سیستم‌های گزارشگری اطلاعاتی نیز نامیده شده است از مهمترین سیستم‎های پشتیبانی مدیریت محسوب می‎شود، سیستم‎های گزارش‎دهی مدیریت بسیاری از نیازهای اطلاعاتی تصمیمات روزمره مدیریت را پشتیبانی می کند. گزارش‌ها، نمایش‌ها (گراف‌ها و نمودارها) و گزارشات واکنشی به وسیله چنین سیستم‌هایی فراهم می‌گردند.
لوکاس^[۶۶] (۱۹۹۴) عقیده دارد که “سیستم گزارش دهی مدیریت تمرکز بر پردازش داده‌ها^[۶۷] بر خود کار کردن فعالیت‌های اداری را به تأکید بر فراهم کردن اطلاعات مبتنی بر گزارش^[۶۸] برای گزارش گیری، برنامه ریزی و کنترل مدیریت تبدیل می‌کند” (ص ۱۸۴).

به عبارت دیگر می‌توان گفت، سیستم‌های گزارش دهی مدیریت با تولید گزارشات خلاصه و ساختاری و با مبنای منظم و تکراری، کار مدیریت را تسهیل می‌کنند. سیستم‌های اطلاعاتی انواع متوعی از گزارشات، نظیر گزارشات برنامه‎ای، گزارشات درخواستی، گزارشات خاص، گزارشات تفصیلی، گزارش بر مبنای استثناء و گزارشات تاریخی در اختیار مدیران قرار می‌دهند که در زیر چند مورد از آنها (صرافی زاده و پناهی، ۱۳۸۴) توضیح داده شده است:
الف) گزارشات برنامه ای: گزارشاتی هستند که به طور متناوب و یا بر اساس برنامه زمانبندی شده مانند روزانه، هفتگی یا ماهانه تولید می‌شوند.
ب) گزارشات درخواستی: این گزارشات بر مبنای درخواست مدیران یک سری اطلاعات خاص را ارائه
می‌کنند. به عبارت دیگر ماهیت این گزارشات درخواستی می‌باشد.
ج) گزارشات تفصیلی: در این نوع گزارشات، ریز اقدام اطلاعاتی که منجر به تهیه گزارشات دیگر شده است را می‎توان دریافت نمود. این نوع گزارشات برای کنترل اقدام اطلاعات گزارشات دیرافت می‌شود و نشان دهنده مبنای شکل گیری یک عدد در گزارش می‌باشد.
د) گزارشات بر مبنای استثناء:
“این گزارشات فقط در مواردی که وضعیت غیرعادی بوده و علائم هشداردهنده وجود داشته باشد تهیه می‌شود. این گزارش‌ها برای مدیران در مسأله تأخیرات مفید است زیرا یکی از وظایف مدیران حل مسأله است و بررسی تأخیرات برای مدیریت صحیح، اساسی است". (مدهوشی، ۱۳۷۹، ص ۳۵).
در نتیجه سیستم‌های گزارش دهی مدیریت یکی از مهمترین سیستم‌های سازمانی می‌باشند. چرا که، بزرگترین هدف سیستم‌های اطلاعاتی ارتقاء توان تصمیم گیری مدیریت به سطحی واقعاً بالا می‌باشد. علاوه بر این سرعت در بازیابی اطلاعات با توجه به دسترسی سریع به آنها، امنیت، دقت تمرکز در اطلاعات از دیگر خصوصیات سیستم‌های اطلاعاتی مدیریت می‌باشد.سن^[۶۹] (۱۹۹۰) عقیده دارد که “سیستم اطلاعات هر مدیری در هر سازمانی به مانند لباسی است که با توجه به خصوصیات شخصی و منحصر به فرد او (طرز تلقی، دیدگاه‌ها و استعدادها) تهیه شده است و در رویارویی با یک موقعیت خاص، مدیران دیدگاه‌های متفاوتی را در پیش می‌گیرند” (ص ۴۹۹). همچنین سیستم گزارش دهی مدیریت مانند هر سیستم دیگری دارای عناصر و ساختاره می‌باشد، معمولاً در سیستم‎های اطلاعات مدیریت داده‌هایی مورد پردازش قرار می‌گیرند که توسط سیستم پردازش مبادلات^[۷۰] (TPS) و دیگر منابع اطلاعات داخلی تولید می‌شود، شکل زیر ساختار یک سیستم اطلاعات مدیریت را نشان می‌دهد.
داده های MIS
درخواست گزارش
برنامه MRS
داده های TPS
کاربر
گزارشات
انتخاب داده های TPS
شکل ۲ ـ ۳ : ساختار یک سیستم گزارش دهی مدیریت
منبع: مأخوذ از «صرافی زاده» و «پناهی»، ۱۳۸۴، ص ۲۰۹
۲ـ ۴ـ۳ ـ سیستم‌های اطلاعات مدیران اجرایی^[۷۱] (EIS)
سیستم‌های اطلاعات مدیران اجرایی که نیازهای مدیران ارشد یا اجرایی را تأمین می‌کنند، این سیستم‌ها بالاترین سطح را از نظر ترکیب داده‌ها دارا می‌باشند و معمولاً شامل گزارشات به شکل استاندارد بوده و از جدیدترین سیستم‎های اطلاعاتی هستند. راولی (۱۳۷۹) سیستم‌های اطلاعات مدیران اجرایی را به شرح زیر تعریف نموده است:
سیستم‌های اطلاعات مدیران اجرایی مبتنی بر کامپیوتر می‌باشند و تصمیم گیری و فعالیت‌های اثربخش در سطوح بالای یک سازمان را پشتیبانی می‌کنند. این سیستم‌ها ضمن جمع آوری اطلاعات از منابع داخلی و خارجی سازمان، آنها را در قالب مطلوب و با توجه به اطلاعات کلیدی در دسترس مدیران عالی قرار می‌دهند. برای بکارگیری این سیستم‌ها لازم است مدیران از بخش‌های مختلف سازمان، محیط و عوامل بیرونی آن آگاه باشند (ص ۱۱۰).
سیستم‌های اطلاعات مدیران اجرایی (برین^[۷۲]، ۱۹۹۷) سیستم‌هایی هستند که بسیاری از خصوصیات سیستم‌های پشتیبانی تصمیم و سیستم‌های پشتیبانی مدیریت را با یکدیگر ترکیب می‌سازند. این سیستم‌ها برای اولین بار که ایجاد شدند بر تحقق نیازهای استراتژیک مدیریت عالی متمرکز بودند. روساخر و اولسون^[۷۳] (۲۰۰۸) عقیده دارند که “اولین هدف سیستم‌های اطلاعاتی مدیران اجرایی فراهم آوردن امکاناتی جهت دسترسی سریع و آسان مدیریت اجرایی، عوامل حیاتی موفقیت^[۷۴]، که به معنی عوامل کلیدی که در تحقق اهداف استراتژیک سازمان حیاتی است، می‌باشد” (ص ۷۰). بنابراین سیستم‌های اطلاعاتی مدیران عالی، اطلاعاتی را که به مدیران دید و بینش واضح تری از روندها و وقایع حساس و کلیدی، قبل از اینکه نسبت به انجام آنها خیلی دیر شده باشد، را تحلیل می‌کنند و نمایش می‌دهند.
۲ ـ ۴ ـ ۴ـ سیستم خودکار اداری^[۷۵] (OAS)
مدی سان و دارتون^[۷۶] (۱۹۹۶) اظهار می‌دارند که “سیستم اتوماسیون اداری، سیستم‌های مبتنی بر کامپیوتر هستند که در تسهیل ارتباطات و افزایش بهره وری مدیران و کارکنان اداری از طریق مستندسازی کمک می‌کنند” (ص ۹۸).
رواج ریز کامپیوترها در ادارات (صرافی زاده و پناهی، ۱۳۸۴)، با انتشار روزافزون محصولات جدید ارتباطی، کامپیوتری و ذخیره سازی اطلاعات و تغییرات اساسی در روش اجرایی امور اداری همراه بوده است. در ابتدا از سیستم‎های کامپیوتری برای مکاتبات به صورت مستقل استفاده می‌شد، اما به مرور زمان کامپیوترها به یکدیگر مرتبط گردیدند. این ارتباط به کاربران اجازه می‌دهد نه تنها از فایل‌های مکاتبات به صورت مشترک استفاده نمایند، بلکه می‎توانند برای یکدیگر ارسال نمایند. در جدول زیر انواع سیستم خودکار اداری و کاربرد آنها شرح داده شده است.
جدول ۲ ـ ۲ : انواع ابزارهای اتوماسیون اداری

• همولیز

• وجود لخته

• گذشتن از تاریخ انقضاء فرآورده

• وجود کدورت

• وجود گاز در کیسه (کیسه باد کرده)

• برچسب ناسالم

در صورت وجود هر کدام از موارد بالا پرستار باید از تحویل گرفتن خون و فرآورده خودداری کند و با تکمیل قسمت مربوطه در فرم مشخصات خون ارسالی برای بیمار، کیسه را عودت دهد.

• نوع فرآورده درخواستی

• گروه خون و Rh بیمار و کیسه خون

• شماره ویژه واحد اهدایی قید شده بر روی کیسه خون با شماره اهدا شده در فرم تحویل خون (۱۰).

ج: تأیید هویت بیمار
قبل از تزریق از خود فرد، نام ، نام خانوادگی و تاریخ تولد را پرسیده و مشخصات بیمار را با پرونده و فرم درخواست تکمیل شده خون مقایسه نمایید.

• در صورت وجود مچ بند، مطابقت مچ بند با اطلاعات فرم درخواست خون و فرم مشخصات کیسه خون و فرآورده ارسالی از بانک خون

• مقایسه نام و نام خانوادگی بیمار، تاریخ تولد و شماره پرونده بیمار قید شده بر روی مچ بند و فرم درخواست خون و فرم تحویل خون و فرآورده ارسالی (۱۵)

شناسایی بیمار:
تشخیص قطعی گیرنده خون از طریق فرم تکمیل شده درخواست خون و شناسایی باند مشخصات، بر روی مچ دست بیمار صورت می­گیرد. در صورتی که بین این دو تناقضی مشاهده شود، نباید نمونه خون را جمع­آوری کرد. برای شناسایی قطعی بیمار نباید از تابلوهایی مانند نام بیمار بر روی درب اتاق، روی تخت، نزدیک تخت بیمار و یا یادداشت­هایی نزدیک بیمار استفاده کرد. در صورتیکه بیمار باند شناسایی در مچ دست را نداشت، باید قبل از جمع­آوری نمونه خون، پرستار به این موضوع توجه کرده و از راه مناسبی شناسایی قطعی بیمار را انجام دهد.
در موارد اورژانس، زمانی که هویت بیمار ناشناخته است، ممکن است شناسایی قطعی از طریق باند مچ دست همراه با شماره شناسایی که به طور اورژانسی بر روی باند چاپ شده، صورت گیرد (۴۵).
نمونه خون بیمار:
یک یا چند نمونه خون به طور همزمان از بیمار دریافت و جهت آزمایش­های سازگاری به عنوان نمونه گیرنده به آزمایشگاه ارسال می­گردد (۳۹). برای انجام آزمایش سازگاری، سرم یا پلاسما ممکن است مورد استفاده قرار گیرد. مراکز انتقال خون معمولأ سرم را ترجیح می­ دهند زیرا لخته­های کوچک فیبرین که اغلب در نمونه­های پلاسمایی وجود دارد ممکن است تشخیص اگلوتیناسیون واقعی را با مشکل مواجه کند. اگرچه نمونه سرم نیز در صورتی که بیمار، زمان انعقاد طولانی داشته باشد و یا هپارین مصرف کرده باشد، مشکلاتی را به همراه خواهد داشت. با افزودن یک قطره محلول ترومبین در هر میلی­لیتر نمونه خون، یا افزودن مقداری ترومبین خشک که به نوک اپلیکاتور چسبیده است، ممکن است لخته شدن نمونه تسریع یابد. برای خنثی کردن اختصاصی هپارین، یک یا چند قطره محلول سولفات پروتامین یک درصد در سالین (ده میلی­گرم در میلی­لیتر) به ۴ میلی­لیتر خون کامل می­توان اضافه کرد (۴۸).
مواردی که باید در تهیه نمونه خون بر روی بر چسب قید گردد:

• نام، نام خانوادگی بیمار

• تاریخ تولد

• شماره پرونده

سایر موارد:

• تاریخ و ساعت خونگیری

• نام یا نام مخفف فردی که نمونه گیری کرده است (۴۱).

تجویز خون
دستورالعمل آماده ­سازی بیمار:
برای انتقال خون و یا ترکیبات آن، باید دستور کتبی پزشک موجود باشد. چنانچه به تزریق چندین فرآورده خونی نیاز باشد، پزشک باید بر اساس وضعیت بالینی بیمار، دستورالعمل لازم را صادر کند. دلایل انتقال خون باید در کارت (پرونده) بیمار قید شود. سابقه­ای از انتقال خون­های قبلی بیمار و واکنش­های زیانبار ناشی از انتقال خون، باید گرفته شود. قبل از انتقال خون، بیماران باید از نحوه انجام انتقال خون و فرآورده ­های آن، مدت زمان انتقال خون و نتایج مورد انتظار و آثار زیانبار احتمالی ناشی از واکنش­های انتقال خون مطلع شوند (۴۵).
قبل از انتقال خون، باید وضعیت حیاتی بیمار (درجه حرارت، تنفس، نبض و فشار خون) بررسی و ثبت شود تا در ارزیابی واکنش­های ناشی از انتقال خون، مانند تب، دچار مشکل نشوند. بیمار باید نسبت به واکنش­های احتمالی که ممکن است هنگام انتقال خون یا پس از آن دچار شود، راهنمایی شده باشد. در صورت لزوم ممکن است پزشک، داروهای پیشگیری از واکنش­های ناشی از انتقال خون، نظیر آنتی­هیستامین یا استامینوفن را تجویز کند (۴۵).
وسایل و ابزار:
خون یا فرآورده ­های تزریقی را باید از فیلترهایی که به منظور جداسازی لخته­ها طراحی شده ­اند عبور داد. فیلترهای استاندارد مخصوص تزریق خون، اندازه­ای حدود ۱۷۰ میکرون دارند و قادر به برداشتن لخته­های خونی بزرگ می­باشند. هنگام انتقال خون، به منظور کاهش ویسکوزیته و افزایش جریان خون با رقیق کردن گلبول­های قرمز تزریقی با محلول نمکی ۹/۰%، باید از مجموعه تزریقی (ست خون) نوع Y استفاده شود. در صورتیکه بیمار قادر به تحمل افزایش حجم خون در گردش نباشد گلبول­های قرمز را نباید با محلول نمکی رقیق کرد. با مجموعه تزریقی نوع Y، چندین واحد را می­توان تجویز کرد ولی توصیه می­ شود به علت خطر تکثیر باکتری­ ها در دمای اتاق، بیش از ۴ تا ۶ ساعت از آن استفاده نشود. هنگامی که فقط قصد تجویز خون یا فرآورده ­های خونی را داریم، مجموعه­های تزریقی مستقیم (صاف) مورد استفاده قرار می­گیرد. به منظور کاهش لکوسیت­ها، فیلترهای مخصوص طراحی شده ­اند که قادرند به طور موثر ۹۹ تا ۹/۹۹ درصد لکوسیت­ها را از فرآورده گلبول­های قرمز و پلاکت حذف کنند (۴۹).

ست تزریق خون مستقیم (صاف)

ست تزریق خون Y شکل
گرم کننده خون:
از گرم کننده­ های خون به منظور کاهش وقوع آریتمی­ها و ایست قلبی هنگام تزریق سریع و انبوه خون استفاده می­ شود. در شرایط عادی، گرم کردن خون ضرورتی ندارد. گرم کننده­ های خون، همراه با دستگاه کنترل دما، دماسنج­های قابل رویت و سیستم گرم کننده دیدنی یا شنیدنی که هنگام افزایش دما به بیش از ^۰c38 فعال می­شوند، به صورت تجارتی قابل دسترس می­باشند. نباید از روش­هایی که خون ورودی را گرم می­ کنند استفاده شود. گرم کردن را فقط باید با بهره گرفتن از لوله پلاستیکی کلوئیدی یا در دمای اتاق یا در یک دستگاه حرارتی انجام داد. دستگاه باید به نحوی طراحی شود که آب یا صفحه­های حرارتی برقی در تماس مستقیم با سطح پلاستیکی کیسه خون یا لوله­های متصل به کیسه که خون از آنها عبور می­ کند، قرار نگیرند. واحد خونی که حرارت دیده ولی به مصرف نرسیده باشد، نباید مجددأ بازگردانده شود و باید آن را دور انداخت (۴۵).

نحوه شناسایی بیمار:

رگرسیون:
Chang et al. (1965)
Shen and Hung (1972)
Ackers and White (1973)
Yang (1996)
Brownlie (1981)
Karim and Kennedy (1981)
…
روش گرافیکی:
Colby (1964)
مروری بر تحقیقات انجام شده
تحقیقات انجام گرفته در زمینه مباحث پیش ­بینی سیل
از میان مدل­های بسیاری که در پیش ­بینی رسوب به کار رفته­اند، بعضی از آنها توانایی پردازش تغییرات دینامیکی داخل رودخانه را ندارند (Garrote & Bras, 1995)، بعضی از مدل­ها به سختی کالیبره (واسنجی) می­شوند و به ابزارهای بهینه­سازی قوی نیاز دارند (Duan et al., 1994) و بعضی از مدل­ها نیازمند درک فرایندهای فیزیکی و هیدرولیکی در داخل رودخانه هستند (Garrote & Bras, 1995). اخیراً معرفی ابزارهای یادگیری ماشین^[۱] در زمینه مدیریت منابع آب رویکردهای جدید و متنوعی را در مدل­سازی باز کرده است که به عنوان مثال، می­توان به ماشین­های بردار پشتیبان، درخت تصمیم، شبکه ­های عصبی مصنوعی^[۲] و غیره اشاره نمود. ماشین بردار پشتیبان مورد استفاده، یک مفهوم در علم آمار و کامپیوتر است و یکی از روش­های یادگیری با نظارت است که از آن برای طبقه ­بندی و رگرسیون­گیری استفاده می­ شود. این روش از روش­های نسبتاً جدیدی است که در سال­های اخیر کارایی نسبتاً خوبی نسبت به روش­های قدیمی­تر برای طبقه ­بندی از جمله شبکه ­های عصبی پرسپترون^[۳] نشان داده است. الگوریتم SVM اولیه در سال ۱۹۶۳ توسط ولادیمیر واپنیک ابداع شد و پس از آن توسط کورینا کورتس و واپنیک برای حالت غیر خطی تعمیم داده شد (Vapnik, 1995). این الگوریتم در علوم مختلفی از قبیل تشخیص چهره، مدل کردن ساختارهای شیمیایی، مدل کردن کنترل فرایند، آنالیز کیفیت جوشکاری، پیش ­بینی هوا و غیره کاربرد فراوانی داشته است که اخیراً نیز در مهندسی آب و رسوب از آن استفاده می­ شود. در سال­های اخیر تحقیقات بسیاری در زمینه آب با به کار بردن ماشین بردار پشتیبان صورت گرفته است، از قبیل پیش ­بینی نشت در شبکه ­های آبرسانی، پیش ­بینی سری­های زمانی^[۴] میزان تقاضای آب، پیش ­بینی کمیت آبرسانی شهری، پیش‌بینی کیفیت آب و غیره. در واقع تحقیقات صورت گرفته در مورد این مدل برای پیشرفت­های آینده ضروری است. در اینجا به صورت خلاصه به تحقیقاتی که در زمینه پیش ­بینی سیلاب صورت گرفته بحث می­کنیم که به شرح زیر است:

سیواپراگاسام و همکاران در مطالعاتشان، یک تکنیک پیش ­بینی مناسب و ساده را براساس آنالیز طیفی منفرد^[۵] که با ماشین بردار پشتیبان جفت شده است، معرفی می­ کنند. با این که آنالیز طیفی منفرد، سری­های زمانی اصلی را به مجموعه ­ای از مؤلفه­ های فرکانس پایین و بالا تجزیه می­ کند، ولی ماشین بردار پشتیبان به انجام محاسبات و تعمیم در یک فضای ورودی با ابعاد بالا می ­پردازد. تکنیک پیشنهادی برای داده ­های بارش سنگاپور و داده ­های رواناب حوزه آبریز Tryggevælde در دانمارک به صورت مطالعه موردی به کار برده شده است. نتایج با روش پیش ­بینی غیر خطی مقایسه شده ­اند. مقایسه­ها نشان می­ دهند که در پیش ­بینی متغیرهای هیدرولوژیکی، تکنیک پیشنهادی دارای دقت بسیار بالاتری نسبت به پیش ­بینی مربوط به روش غیر خطی است (Sivapragasam et al., 2001).
یلین و همکاران ماشین بردار پشتیبان را در پیش ­بینی دبی بلند مدت به کار برده­اند در این مقاله، ماشین بردار پشتیبان به عنوان یک روش امید بخش در پیش ­بینی هیدرولوژیکی بیان می­ شود. مدل پیش ­بینی SVM با بهره گرفتن از مشاهدات بلند مدت دبی­های ماهانه جریان رودخانه در طرح برقابی منوان^[۶] آزمایش شده است. در اینجا از مدل ترکیبی ماشین بردار پشتیبان و الگوریتم تکامل رقابتی جوامع^[۷]، برای سری­های ماهانه اولیه جریان رودخانه به کار می­رود و با مدل­های شبکه عصبی مصنوعی و میانگین متحرک اتورگرسیون^[۸] مقایسه می­ شود. الگوریتم تکامل رقابتی جوامع فقط برای تعیین پارامترهای ماشین بردار پشتیبان هنگام انجام برخی از تبدیل­های نمایی به کار رفته است. در نهایت با مقایسه عملکرد مدل ماشین بردار پشتیبان و مدل­های شبکه عصبی مصنوعی و میانگین متحرک اتورگرسیون، ثابت شده که ماشین بردار پشتیبان، در پیش‌بینی دبی­های بلند مدت خیلی خوب عمل می­ کند (Yilin et al., 2006).
شوکوان و لیجون از حداقل مربعات ماشین بردار پشتیبان در پیش ­بینی رواناب میان مدت و بلند مدت استفاده کرده ­اند و آن را با مدل شبکه ­های عصبی مصنوعی مقایسه کردهاند. روش حداقل مربعات ماشین بردار پشتیبان دارای کلیه مزایای مشخصه­های توزیع داده­ای بوده و اینکه در موقع ساخت تابع تصمیم نیازی به مهارت و دانش قبلی نیست. آنها در این تحقیق به این نتیجه رسیده ­اند که نتایج پیش ­بینی حاصل از حداقل مربعات ماشین بردار پشتیبان خطای پایین­تری را نسبت به مدل شبکه عصبی مصنوعی دارد (Shuquan & Lijun, 2007).
هان و همکاران در تحقیق خود، کاربرد ماشین بردار پشتیبان را بر روی حوزه آبریز بِرد کریک^[۹] واقع در ایالات متحده آمریکا وصف کرده و بعضی از موارد مهم را در توسعه و بکارگیری SVM در پیش ­بینی سیلاب بیان می­ کنند. در این تحقیق معلوم شده که ماشین بردار پشتیبان نیز مانند مدل­های شبکه عصبی مصنوعی از بیش برازش^[۱۰] و کم برازش^[۱۱] رنج می برد و بیش برازش از کم برازش مصیبت بارتر است. این مقاله نشان می­دهد که هر مدل­ساز هنگام استفاده از SVM برای رسیدن به حالت بهینه، دچار چالش شده و باید ترکیبات و پارامترهای ورودی مختلفی را بررسی کند. داده ­های مورد استفاده در این تحقیق نرمالیزه شده ­اند و به بازه (۱+،۱-) منتقل شده ­اند. همچنین یک مقایسه با بعضی از مدل­های معیار از قبیل، مدل تابع انتقال^[۱۲]، ترِند^[۱۳] و نَیو^[۱۴] انجام شده است و با صرف وقت و تلاش بالا معلوم شد که در مجموعه داده ­های آزمایشی، ماشین بردار پشتیبان از همه آنها بهتر عمل می­ کند. به علاوه، این تحقیق نشان می­دهد که ماشین بردار پشتیبان، در پاسخ به ورودی­های بارش مختلف نتایج جالبی را نشان می­دهد به این صورت که بارش­های سبک­تر نتایج خیلی متفاوتی را نسبت به بارش­های سنگین­تر به وجود خواهد آورد که راه خیلی مفیدی است تا رفتار این مدل را آشکار کند (Han et al., 2007).
هوانگ و همکاران نیز اظهار می­ کنند که ارزیابی واقعه سیل، که بخش مهمی از سیستم کنترل ریسک سیل است، دارای ویژگی­هایی از قبیل، روابط پیچیده و مجهول بین شاخص و درجه ارزیابی مخاطره سیل و نمونه­های مشاهداتی کم و … است. بنابراین، مدل ماشین بردار پشتیبان برای درجه ارزیابی واقعه سیل مناسب بوده و ماشین بردار پشتیبان بهینه ساخته شد تا تابعی که می ­تواند به طور جامع شاخص وضعیت واقعه چند بعدی را در یک فضای یک بعدی پیوسته ارزیابی کند، بدست آورده شود. مدل به طور مؤثری مسائلی مثل درجه هر شاخص منفرد را که با آنهای دیگر ناسازگار است، حل می­ کند تا دقت نتایج ارزیابی سیل را بهبود بخشد. گذشته از این، عمومیت مدل با گرفتن درجه استاندارد مختلف برای شاخص وضعیت سیل در نواحی نسبی بهبود یافته است. مدل درجه خسارت سیل چندین شاخص را به عنوان شاخص دسته­بندی انتخاب می­ کند. همچنین، چون محدویت تعداد شاخه در مدل وجود ندارد بعضی از شاخص ­ها می­توانند بر حسب نیاز افزایش و یا کاهش داده شوند. به علاوه با توجه به انواع مختلف استان­ها با گرفتن معیار دسته­بندی شاخص­ های مختلف، عمومیت مدل بهبود می­یابد. نتایج نشان می­دهد که مدل براساس بهینه­سازی ماشین بردار پشتیبان دارای تعمیم خوبی است و نتایج ارزیابی قابل قبول هستند به طوری که بررسی­ها نشان می­ دهند که مدل دارای کاربرد پیش ­بینی خوبی در ارزیابی جامع چند شاخصه است (Huang et al., 2010).
روح­اله نوری و همکاران در مطالعات خود، تأثیر انتخاب متغیرهای ورودی با بهره گرفتن از آنالیز مؤلفه اصلی^[۱۵] را بر عملکرد مدل ماشین بردار پشتیبان برای پیش ­بینی ماهانه دبی رودخانه بررسی می­ کنند. منطقه مورد مطالعه و داده ­ها مربوط به رودخانه صوفی چای بوده که یکی از رودخانه­های بزرگ حوزه آبریز دریاچه ارومیه است و ورودی اصلی به سد علویان را تشکیل می­دهد. به این منظور ابتدا با بهره گرفتن از ۱۸ متغیر ورودی به مدل SVM، دبی جریان ماهانه پیش ­بینی شد. سپس با بهره گرفتن از آنالیز مؤلفه اصلی، تعداد متغیرهای ورودی به مدل SVM از ۱۸ به ۵ مؤلفه کاهش یافت. در نهایت با بهره گرفتن از آماره توسعه یافته توسط نویسندگان مقاله، عملکرد دو مدل مورد ارزیابی قرار گرفت. یافته­های این تحقیق نشان داد که پیش­پردازش متغیرهای ورودی به مدل ماشین بردار پشتیبان با بهره گرفتن از آنالیز مؤلفه اصلی، بهبود عملکرد مدل SVM را به همراه داشته است (نوری و همکاران، ۱۳۹۰).
روح­اله نوری و همکاران در تحقیقی دیگر از سه تکنیک انتخاب ورودی استفاده نموده و تأثیر آنها را بر روی عملکرد ماشین بردار پشتیبان برای پیش ­بینی جریان ماهانه ارزیابی می­ کنند. نخست، یک مدل SVM ساخته شد تا جریان ماهانه را به صورت تابعی از ۱۸ متغیر ورودی از قبیل، بارش ماهانه، دبی، تابش خورشیدی و دما { به صورت T_min، T_max، T_avg } با سه زمان تاخیر به شکل t، t-1، t-2 پیش ­بینی کند. سپس از تکنیک آنالیز مؤلفه اصلی، آزمون گاما^[۱۶] و انتخاب رو به جلو^[۱۷] استفاده شده تا تعداد پارامترهای ورودی را کاهش دهد. با کاهش متغیرهای ورودی به ۵ ( با بهره گرفتن از آنالیز مؤلفه اصلی و آزمون گاما ) و ۷ (با بهره گرفتن از انتخاب رو به جلو)، این متغیرها وارد مدل SVM می­شوند. به علاوه، شبکه عصبی مناسبی براساس آنالیز مؤلفه اصلی توسعه داده شده است (PCA-ANN). سپس مقایسه­ ای بین مدل­های توسعه یافته ماشین بردار پشتیبان (GT-SVM و PCA-SVM) و مدل PCA-ANN انجام شده است. به علاوه، نقص آماره نسبت تفاوت^[۱۸] اصلاح شده و یک آماره نسبت تفاوت مناسب توسعه داده شده است. سرانجام، توزیع خطا در طول گام آزمایشی مدل­های منتخب (PCA-SVM و GT-SVM و PCA-ANN) با بهره گرفتن از آماره نسبت تفاوتِ توسعه یافته محاسبه شده است. نتایج حاکی از آن است که پیش­پردازش متغیرهای ورودی به وسیله تکنیک­های آنالیز مؤلفه اصلی و آزمون گاما، عملکرد مدل ماشین بردار پشتیبان را بهبود بخشیده است. گذشته از این، PCA-SVM بهتر از GT-SVM و PCA-ANN عمل می­ کند (Noori et al., 2011).
اوزگور کیسی و مسعود چیمن یک مدل ترکیبی موجک ماشین بردار پشتیبان را برای پیش ­بینی بارندگی روزانه پیشنهاد کردند. این مدل تلفیقی ترکیبی از دو روش به نام­های تبدیل موجک گسسته و ماشین بردار پشتیبان است که با ماشین بردار پشتیبان منفرد برای پیش ­بینی بارندگی روز بعد مقایسه می­ شود. در این مطالعه، از داده ­های بارش روزانه ایستگاه­های آفیون^[۱۹] و ایزمیر^[۲۰] در ترکیه استفاده می­ شود. برای مقایسه از روابط آماری­ای مانند ضریب همبستگی^[۲۱]، میانگین قدر­مطلق خطاها^[۲۲]، و جذر میانگین مربعات خطاها^[۲۳] استفاده شده است. نتایج مقایسه نشان می­ دهند که روش تلفیقی دقت پیش ­بینی را بالا برده و بهتر از ماشین بردار پشتیبان منفرد عمل می­ کند. نتایج روش تلفیقی در ایستگاه ایزمیر و آفیون بر روی داده­­های آزمایشی به ترتیب به صورت، RMSE=46.5mm، MAE=13.6mm، R=0.782 و RMSE=21.4mm، MAE=9.0mm، R=0.815 است. در حالی در روش ماشین بردار پشتیبان منفرد این مقادیر به صورت RMSE=71.6mm، MAE=19.6mm، R=0.276 و RMSE=38.7mm، MAE=14.2mm، R=0.103 است. روش شبکه عصبی مصنوعی نیز بر روی همین مجموعه داده ­ها به کار گرفته شد و به این نتیجه رسیدند که تفاوتی جزئی بین روش­های شبکه عصبی و رگرسیون بردار پشتیبان وجود دارد (Kisi & Cimen, 2011).
مهدیه اسمی­خانی، حمیدرضا صفوی، مائده یزدانی­پور در پنجمین کنگره ملی مهندسی عمران موضوعی را با عنوان مدیریت تلفیقی منابع آب سطحی و زیر­زمینی با کاربرد روش­های ماشین بردار پشتیبان و الگوریتم ژنتیک^[۲۴] بیان کردند که هدف اصلی آن تدوین طرح بهره ­برداری بهینه از منابع آب سطحی و زیرزمینی در جهت تأمین آب مورد نیاز کشاورزی بوده است. به این منظور یک مدل مدیریت تلفیقی شامل مدل بهینه­سازی مبتنی بر الگوریتم ژنتیک و مدل شبیه ساز ماشین­های بردار پشتیبان تدوین شده و قابلیت کاربردی این مدل در محدوده مطالعاتی کوهپایه-سگزی نشان داده شد. در مدل شبیه­سازی که براساس ماشین­های بردار پشتیبان به منظور ­پیش ­بینی تغییرات فصلی تراز آب زیر زمینی تدوین شد، مقدار مربع ضریب همبستگی برابر با ۹۹۳/۰ به دست آمد. که مبین توانایی بسیار بالای ماشین­های بردار پشتیبان در یادگیری داده ­های آموزشی و همچنین دقت مدل شبیه­سازی طراحی شده می­باشد (اسمی­خانی و همکاران، ۱۳۸۹).
تحقیقات بیشتر در زمینه پیش ­بینی سیل به طور خلاصه در زیر شرح داده می­ شود:
آسفا و همکاران روش مناسبی برای پیش ­بینی دبی جریان فصلی و ساعتی با بهره گرفتن از مدل SVM ارائه نمودند. در تحقیق مذکور با بهره گرفتن از میزان آب معادل برف و حجم جریان در دوره­ های قبل، میزان حجم جریان برای مقیاس­های زمانی شش ماهه و ۲۴ ساعته پیش ­بینی گردید که نتایج رضایت­بخش اعلام شد (Asefa et al., 2006). یو و همکاران در مطالعه­ ای با بهره گرفتن از مدل SVM به پیش ­بینی سطح رقومی سیل در رودخانه لن-یانگ^[۲۵] تایوان پرداختند. به منظور کالیبره کردن پارامترهای مدل، از روش بهینه­سازی جستجوی شبکه^[۲۶] استفاده شد. نتایج نشان داد که مدل به خوبی سطح آب رودخانه را برای ۱ تا ۶ ساعت بعد پیش ­بینی می­ کند (Yu et al., 2006). در تحقیقی دیگر یو و لیونگ از مدل ماشین بردار پشتیبان به منظور پیش ­بینی سری­های زمانی متغیرهای هیدرولوژیکی استفاده نمودند (Yu & Liong, 2006).
تحقیقات صورت گرفته در زمینه برآورد رسوب
در زمینه مباحث انتقال رسوب و پیش ­بینی نرخ رسوب از رگرسیون ماشین بردار پشتیبان استفاده چندانی نشده است.کلیه کارهای انجام گرفته توسط متدولوژی رگرسیون ماشین بردار پشتیبان، فقط براساس داده ­های هواشناسی و به نحوی به صورت مطالعه موردی هستند. هم­چنین بعضی از آنها برآورد نرخ رسوب را فقط براساس دبی جریان انجام داده­اند. از این قبیل می­توان به مطالعات مسعود چیمن اشاره کرد. مسعود در مطالعه خود از رگرسیون بردار پشتیبان برای پیش ­بینی بار معلق یا غلظت رسوب معلق در رودخانه­ها استفاده کرده است. داده ­های رسوب معلق و جریان، مربوط به دو رودخانه در ایالات متحده بودند. مقادیر رسوب معلق پیش ­بینی شده دارای مطابقه خوبی با داده ­های مشاهداتی است. نتایج به دست آمده توسط مسعود نشان می­دهد که رویکرد رگرسیون بردار پشتیبان کارآیی بهتری نسبت به رویکردهای تکامل تدریجی و منطق فازی در نوشته­ های پیشین دارد (Çimen, 2006). عظمت­الله و همکاران از تکنیک رگرسیون بردار پشتیبان برای پیش ­بینی بار رسوبی در سه رودخانه مالزیایی، به نام­های مودا، لانگات و کوراو، استفاده کرده ­اند. ایشان نشان دادند که روش رگرسیون بردار پشتیبان عملکرد بهتری را در مقایسه با روش­های بار رسوبی متداول دارد (Azamathulla et al., 2010). میسرا و همکاران از رگرسیون بردار پشتیبان به شبیه­سازی رواناب و بده رسوب به صورت روزانه، هفتگی و ماهانه پرداخته­اند و نتایج رگرسیون بردار پشتیبان با نتایج مربوط به شبکه ­های عصبی مصنوعی مقایسه شدند. یک روش جایگزین نیز فقط برای برآورد رواناب استفاده شده بود که تکنیک تشخیص الگوی رگرسیونی چندگانه^[۲۷] نام دارد. این تکنیک نتایج مدل را در مقایسه با رگرسیون بردار پشتیبان چندان بهبود نبخشید. لذا از این تکنیک در پیش ­بینی بده رسوب استفاده نشد. ایشان به این نتیجه رسیدند که رگرسیون بردار پشتیبان در مقایسه با شبکه عصبی مصنوعی در آموزش، واسنجی و صحت­سنجی مدل بهبود قابل توجهی داشته است (Misra et al., 2009).
به عنوان یک نتیجه‌گیری می‌توان اظهار نمود که هیچ‌کدام از این پژوهش‌ها رویکرد برآورد بار رسوبات بستر را به صورت یک رویکرد کلی مد نظر قرار نداده و به صورت مطالعه موردی به مسأله انتقال رسوبات می‌نگرند. و یا حتی در برخی از این پژوهش‌ها از داده‌های بارش برای اندازه‌گیری رسوبات استفاده نموده‌اند.
مواد و روش­ها
نظریه یادگیری آماری برآیند یکی ازمسائل قدیمی در علم آمار و نظریه تخمین می­باشد. مبادله بایاس و واریانس به هنگام استفاده از داده ­های تجربی محدود، امری اجتناب ناپذیر است. نظریه یادگیری آماری این واقعیت را توجیه می­ کند. در این پایان نامه نظریه یادگیری آماری از دو نقطه نظر تخمین و یادگیری ماشین بیان می­ شود.
تخمین
به طور رسمی واپنیک، در سال ۱۹۷۹ مسأله نظریه یادگیری آماری را مطرح کرد و به نتایج مهمی دست یافت. وی توانست یک حد بالا برای خطای تخمین براساس تعداد نمونه­های یادگیری و ظرفیت (پیچیدگی) خانواده تابع تخمین­زننده ارائه کرد. این حد بالا رابطه مستقیم با معیار سنجش ظرفیت تابع تخمین­زننده، به نام بعد VC^[28]، و رابطه معکوس با تعداد نمونه­ها دارد. به عبارت دیگر، او نشان داد که هر چه تعداد نمونه­ها بیشتر باشد خطای تخمین کمتر و هر چه ظرفیت تابع تخمین­زننده (بعد VC) بیشتر باشد، خطای داده ­های آموزشی کم شده و خطای تخمین بیشتر است به عبارتی دیگر، بیش­برازش اتفاق می­افتد. و اگر توابع بسیار ساده را برگزینیم، پیچیدگی پایین بوده ولی خطای آموزشی بالا می­رود. برای مثال، می­توان شکل ذیل را مشاهده نمود.
شکل ‏۴‑۱: نمایشی از شرایط بیش­برازش در مدل­سازی
بعد VC، بیشینه تعداد نقاطی است که می­توانند از طریق همه راه­های ممکن به وسیله همان مجموعه توابع از هم جدا شوند. (۲^h= تعداد راه های ممکن)
برای ابرصفحات متعلق به IRⁿ می­توان نشان داد که بعد VC برابر با n+1 است. به عنوان مثال، در شکل ذیل برای حالت دو بعدی داریم:

شکل‏۴‑۲: دسته­بندی­های مختلفی که سه داده می­توانند با هم داشته باشند
= ۲^۳= ۸ ⇒ VC dim. =h=3راه­های ممکن برای جداسازی داده ­ها
واپنیک ثابت کرد که همیشه با احتمال  مقدار زیر، که VC Confidence خوانده می­ شود، یک حد بالا برای خطای تخمین است.
(‏۴‑۱)
که در آن h همان بعد VC است. البته پس از VC Confidence حدهای دیگری مانند Annealed VC Entropy و Growth Function نیز معرفی شدند ولی به دلیل این­که ارزیابی آن­ها مشکل بود، مورد توجه قرار نگرفتند.
یادگیری ماشین
هدف اصلی در مسأله طبقه ­بندی دودویی، تخمین تابع (۴-۲) با بهره گرفتن از داده ­های یادگیری نشان داده شده در (۴-۳)، به طوری که تابع (۴-۲) بتواند برچسب داده ­های جدید را به درستی پیش ­بینی کند.
(‏۴‑۲)
(‏۴‑۳)
اگر فرض کنیم که x و از یک تابع توزیع احتمال توأم P(x,y) تولید شده ­اند، می­توان ریسک مورد انتظار تابع (۴-۲) را برای نمونه­هایی که در فرایند یادگیری استفاده نشده­اند را با بهره گرفتن از رابطه (۴-۴) محاسبه کرد.