علم تصمیم گیری و سیستم های هوشمند 3060-7574 1 پیاپی 2 2024 12 28 Development and Evaluation of a Hybrid Model for Predicting the Maturity of Intellectual Capital Based on Artificial Neural Network and Genetic and Firefly Algorithms توسعه و ارزیابی یک مدل هیبریدی برای پیش‌بینی بلوغ سرمایه فکری مبتنی بر شبکه عصبی مصنوعی و الگوریتم‌های ژنتیک و کرم شب‌تاب 1 21 FA حسین عزیزی نژاد دانشجوی دکتری، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران غلامرضا توکلی دانشیار، گروه مدیریت، دانشگاه صنعتی مالک اشتر، تهران، ایران. محمد احسانی فر دانشیار، گروه مهندسی صنایع، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران. امیر نجفی دانشیار، گروه مهندسی صنایع، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران. Journal Article 2025 10 31 <p>In today’s rapidly evolving innovation landscape, managing intellectual assets and assessing their maturity plays a crucial role in gaining competitive advantage, creating value, and achieving organizational success. Therefore, this research aims to present a predictive model for the maturity of intellectual capital in knowledge-based firms located in industrial parks. This model employs a hybrid approach that integrates Multi-Layer Perceptron (MLP) artificial neural networks with genetic algorithms and firefly algorithms. The research is applied-developmental in nature, descriptive-modeling in methodology, and mixed-methods (qualitative and quantitative) in data type. The qualitative sample consisted of 12 experts and specialists selected through snowball sampling, while the quantitative segment included 212 knowledge-based companies chosen using stratified random sampling. Data collection tools included a review of scientific literature, specialized interviews, and standardized questionnaires. After assessing the validity and reliability of the questionnaires, the data were analyzed using the Delphi method, confirmatory factor analysis, MLP neural networks, and their combinations with genetic algorithms and firefly algorithms. SPSS, PLS, and Python software were utilized for this purpose. The results indicated that all models examined were capable of predicting the maturity level of intellectual capital. However, the hybrid model combining neural networks with the firefly algorithm demonstrated significantly better and more accurate performance in predicting intellectual capital maturity levels, achieving evaluation metrics of 95.35% accuracy, 94.35% precision, 95.35% recall, 94.41% F1-score, and an AUC of 0.996.</p> <p>در عصر حاضر که سرعت نوآوری سرسام‌آور است، مدیریت دارایی‌های فکری و سنجش میزان بلوغ آن‌ها، نقشی تعیین‌کننده در کسب برتری رقابتی، خلق ارزش و دستیابی به کامیابی سازمانی ایفا می‌کند. از این رو، پژوهش حاضر با هدف ارائه یک مدل پیش‌بینی‌کننده بلوغ سرمایه فکری در شرکت‌های دانش‌بنیان مستقر در شهرک‌های صنعتی صورت گرفته است. این مدل، از یک رویکرد ترکیبی بهره می‌برد که در آن، شبکه عصبی مصنوعی (MLP) با الگوریتم‌های فراابتکاری ژنتیک و کرم شب‌تاب تلفیق شده است. این تحقیق از نظر هدف، کاربردی-توسعه‌ای، از نظر روش، توصیفی-مدلسازی و از نظر نوع داده، آمیخته (کیفی و کمی) است. در بخش کیفی، نمونه آماری شامل ۱۲ نفر از متخصصان و خبرگان بود که با روش نمونه‌گیری گلوله برفی انتخاب شدند. در بخش کمی نیز، ۲۱۲ شرکت دانش‌بنیان به روش تصادفی طبقه‌ای انتخاب شدند. ابزار گردآوری داده‌ها شامل بررسی متون علمی، مصاحبه‌های تخصصی و پرسشنامه‌های استاندارد بود. پس از بررسی روایی و پایایی پرسشنامه‌ها، داده‌ها با استفاده از روش دلفی، تحلیل عاملی تاییدی، شبکه عصبی MLP و ترکیبات آن با الگوریتم‌های ژنتیک و کرم شب تاب مورد تجزیه و تحلیل قرار گرفتند. برای این منظور از نرم‌افزارهای SPSS، PLS و Python استفاده شد. نتایج به دست آمده نشان داد که تمامی مدل‌های مورد بررسی، توانایی پیش‌بینی سطح بلوغ سرمایه فکری را دارند. با این حال، مدل ترکیبی شبکه عصبی با الگوریتم کرم شب‌تاب، با کسب معیارهای ارزیابی95/35% Accuracy=،94/35% Precision=،95/35% Recall=، 94/41%=F₁-core و0/996 AUC=، عملکردی به مراتب بهتر و دقیق‌تر در پیش‌بینی سطح بلوغ سرمایه فکری از خود نشان داد.</p> https://www.dsisj.com/index.php/dsisj/article/download/17/7