مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-604724832026430Investigating the Effect of Electronic Human Resource Management(e-HRM) on Corporate Entrapreneurship with the Mediating Role of Knowledge Sharing of Middle Managersبررسی تأثیر مدیریت منابع انسانی الکترونیکی بر کارآفرینیسازمانی با نقش میانجی به اشتراکگذاری دانش مدیران میانیfaسعیدبخشیدانشگاه رازیمحمدجوادجمشیدیدانشگاه رازی0000-0003-1942-499Xمهدیحسین پوردانشگاه رازی20211214<p>Electronic Human Resource Management (e-HRM) is one of the newest research fields in management science. The purpose of this study is to Investigate the Effect of Electronic Human Resource Management(e-HRM) on Entrapreneurship with the Mediating Role of Knowledge Sharing of Middle Managers. The present study is a quantitative research in terms of methodology and applied in terms of purpose and it is a descriptive-survey research in terms of data collection. The research population includes all middle managers working in governmental organizations in Kermanshah city, which all of them have been surveyed using the counting method and finally 278 questionnaires were completed and used as the basis of statistical analysis of this study. The data collection tool was standard questionnaires which their validity and reliability was reviewed and confirmed. The research data were analyzed by structural equation modeling using AMOS software. The results indicate that the effect of electronic human resource management on the two variables of managerial knowledge sharing and organizational entrepreneurship is significant. Knowledge sharing by managers also plays a mediating role in the impact of electronic human resource management on organizational entrepreneurship. Electronic Human Resource Management is the key to success in organizational entrepreneurship. This will facilitate the successful adoption of e-HRM. Since the expected benefits have a positive impact on the acceptance of e-HRM, government agencies need to make these opportunities a reality and maximize the use of e-HRM tools to achieve Entrapreneurship and sharing knowledge.</p><p>مدیریت منابع انسانی یکی از جدیدترین زمینه¬های تحقیقاتی در علم مدیریت است. هدف از این مطالعه بررسی تأثیر مدیریت منابع انسانی الکترونیکی بر کارآفرینی سازمانی با نقش واسطه¬ای به اشتراک¬گذاری دانش مدیران میانی است. پژوهش حاضر ازنظر روش‌شناسی یک پژوهش کمی و ازنظر هدف، کاربردی و از حیث نحوه‌ی گرداوری داده¬ها، جزء پژوهش¬های توصیفی- پیمایشی است. جامعه¬ی تحقیق شامل تمامی مدیران¬میانی شاغل در سازمان¬های دولتی شهر کرمانشاه می¬باشد، که با استفاده از روش تمام شماری مورد پیمایش قرارگرفته‌اند و در نهایت تعداد 278 پرسش¬نامه تکمیل ‌شده و مبنای تحلیل¬های آماری این تحقیق قرارگرفته است. ابزار گرداوری داده-های تحقیق پرسش¬نامه¬های استاندارد بوده که روایی و پایایی آن، بررسی و تأیید شده است. داده¬های تحقیق با روش مدل¬یابی معادلات ساختاری تحلیل‌شده‌اند. نتایج نشان‌دهنده آن است که تأثیر مدیریت منابع انسانی الکترونیک بر دو متغیر به اشتراک-گذاری دانش مدیران¬ و کارآفرینی ¬سازمانی معنادار است. همچنین به اشتراک¬گذاری دانش توسط مدیران، نقش میانجی را در تأثیر مدیریت منابع انسانی الکترونیک بر کارآفرینی¬سازمانی ایفا می¬کند. مدیریت منابع انسانی الکترونیک کلید موفقیت در کارآفرینی سازمانی است. سازمان¬های دولتی باید این فرصت¬ها را به واقعیت تبدیل کرده و استفاده از ابزارهای مدیریت منابع انسانی الکترونیک را برای دستیابی به کارآفرینی سازمانی و به اشتراک¬گذاری دانش حداکثر کنند.</p>http://modiriyatfarda.ir/en/Article/Download/53879مرکز منطقه ای اطلاع رسانی علوم و فناوریمدیریت فردا2228-604724832026430Vehicle Damage Detection After Accidents Using Deep Neural Networks: A Case Study in the Insurance Industryتشخیص آسیب خودرو پس از تصادفات با استفاده از شبکه های عصبی عمیق: یک مطالعه موردی در صنعت بیمه135162faفاطمهصرامیمهندسی صنایع، دانشکدگان فارابی دانشگاه تهرانحسینمحمدی دولت آبادیعضو هیت علمی گروه مهندسی صنایع دانشکدگان فارابی دانشگاه تهران https://orcid.org/0000-0002-0526-01572024313<p>Objective: This study aims to investigate the capability of convolutional neural networks (CNNs) to identify and classify vehicle damage after accidents and to evaluate their potential application in the insurance industry. Necessity: Vehicle damage assessment in the insurance industry is generally time-consuming and requires expert inspection. The application of intelligent image-processing methods can facilitate preliminary damage assessment, reduce claim-processing time, and support the development of intelligent insurance systems. Methodology: The research data consists of real images of damaged vehicles belonging to third-party insurance customers during 2020 and 2021. From approximately 20,000 images, 4,100 were selected to train and evaluate seven deep learning architectures: AlexNet, VGG-19, ResNet-50, ResNet-101, EfficientNetB7, EfficientNetV2L, and MobileNetV2. The models were evaluated for classifying six types of vehicle damage: superficial damage, severe damage, side-mirror damage, windshield damage, tire damage, and vehicle-light damage. Findings: The results showed that model performance in terms of speed and accuracy was influenced by the structure and characteristics of the pre-trained architecture. The classification accuracy of the evaluated models ranged from 59% to 63%. The findings also demonstrated the capability of deep convolutional neural networks to extract visual features and distinguish different types of vehicle damage. Conclusion: The findings indicate that convolutional neural networks and transfer learning methods have promising potential for the identification and preliminary assessment of vehicle damage after accidents. These models can provide a foundation for developing intelligent damage assessment systems in the insurance industry, helping to reduce assessment time, accelerate claim-processing procedures, and improve the efficiency of insurance processes</p><p>هدف: بررسی قابلیت شبکه‌های عصبی پیچشی در شناسایی و طبقه‌بندی خسارت خودرو پس از تصادف در صنعت بیمه است.. روش شناسی: داده‌های پژوهش شامل تصاویر واقعی خودروهای آسیب‌دیده متعلق به مشتریان بیمه شخص ثالث در سال‌های ۱۳۹۹ و ۱۴۰۰ است. از میان حدود ۲۰ هزار تصویر، ۴۱۰۰ تصویر برای آموزش و ارزیابی هفت معماری شامل AlexNet، VGG-19، ResNet-50، ResNet-101، EfficientNetB7، EfficientNetV2L و MobileNetV2 انتخاب شد. مدل‌ها برای تشخیص شش نوع آسیب شامل آسیب سطحی، عمیق، آینه جانبی، شیشه، لاستیک و چراغ خودرو مورد بررسی قرار گرفتند. یافته‌ها: نتایج نشان داد که عملکرد مدل‌ها از نظر سرعت و دقت، تا حد زیادی تحت تأثیر ساختار و ویژگی‌های معماری شبکه‌های از پیش آموزش‌دیده قرار دارد. دقت مدل‌های مورد بررسی در تشخیص و طبقه‌بندی انواع خسارت خودرو در بازه ۵۹ تا ۶۳ درصد قرار گرفت. مقایسه معماری‌های مختلف همچنین نشان داد که استفاده از شبکه‌های عصبی پیچشی عمیق می‌تواند قابلیت قابل قبولی در استخراج ویژگی‌های تصویری و تفکیک انواع آسیب‌های خودرو فراهم کند، هرچند عملکرد مدل‌ها به کیفیت و حجم داده‌های آموزشی و همچنین نوع معماری مورد استفاده وابسته است. نتیجه‌گیری: نتایج پژوهش بیانگر ظرفیت شبکه‌های عصبی پیچشی و روش‌های انتقال یادگیری برای شناسایی و ارزیابی اولیه خسارت خودرو پس از تصادف است. استفاده از چنین مدل‌هایی می‌تواند به‌عنوان بستری برای توسعه سامانه‌های هوشمند ارزیابی خسارت در صنعت بیمه مورد توجه قرار گیرد و در صورت توسعه مجموعه‌داده، بهبود کیفیت تصاویر و بهینه‌سازی مدل‌ها، زمینه کاهش زمان ارزیابی، تسریع فرایند رسیدگی به خسارت و افزایش بهره‌وری فرایندهای بیمه‌ای را فراهم سازد.</p>http://modiriyatfarda.ir/en/Article/Download/54810