ترکیب ISM و SEM (مدلسازی معادلات ساختاری) |مراحل و نرم افزار

ترکیب ISM و SEM چیست؟

در بسیاری از پژوهش‌های مدیریتی، مهندسی صنایع، زنجیره تأمین، توسعه پایدار و علوم اجتماعی، پژوهشگران با مجموعه‌ای از عوامل و متغیرهای به‌هم‌پیوسته مواجه هستند که روابط میان آن‌ها به‌طور کامل مشخص نیست. در چنین شرایطی، استفاده از یک روش واحد ممکن است نتواند هم ساختار روابط را به‌درستی شناسایی کند و هم اعتبار آن را مورد آزمون قرار دهد. به همین دلیل، ترکیب مدل‌سازی ساختاری تفسیری (Interpretive Structural Modeling – ISM) و مدل‌سازی معادلات ساختاری (Structural Equation Modeling – SEM) به یکی از رویکردهای پرکاربرد در تحقیقات تبدیل شده است.

در این رویکرد، ابتدا از روش ISM برای ساخت یک مدل مفهومی و تعیین روابط سلسله‌مراتبی میان عوامل استفاده می‌شود. سپس مدل حاصل با بهره‌گیری از SEM مورد آزمون قرار می‌گیرد تا میزان اعتبار روابط پیشنهادی و قدرت تبیین مدل مشخص شود. به بیان ساده، ISM به پژوهشگر کمک می‌کند تا «مدل را طراحی کند» و SEM امکان «اعتبارسنجی و آزمون مدل» را فراهم می‌سازد.

در ویدیوی زیر به صورت کامل ترکیب این دو روش آورده شده است پیشنهاد میکنیم حتما این ویدیو را ببینید.

چرا پژوهشگران ISM و SEM را با یکدیگر ترکیب می‌کنند؟

یکی از مهم‌ترین چالش‌های پژوهش‌های کاربردی، طراحی یک مدل مفهومی معتبر پیش از انجام تحلیل‌های آماری است. در بسیاری از مطالعات، روابط بین متغیرها صرفاً بر اساس مرور ادبیات یا قضاوت پژوهشگر تعیین می‌شوند؛ در حالی که ممکن است این روابط در عمل دارای ساختار متفاوتی باشند.

ترکیب ISM و SEM این مشکل را تا حد زیادی برطرف می‌کند. در مرحله نخست، ISM با استفاده از دانش و تجربیات خبرگان، روابط میان عوامل را شناسایی کرده و آن‌ها را در قالب یک ساختار سلسله‌مراتبی نمایش می‌دهد. سپس در مرحله دوم، SEM بررسی می‌کند که آیا این روابط در داده‌های واقعی نیز تأیید می‌شوند یا خیر.

مطالعات متعددی از رویکرد ترکیبی ISM-SEM برای تحلیل مسائل پیچیده استفاده کرده‌اند. برای مثال، سینگ و راثی (2021) موانع اجرای لین شش سیگما در صنایع کوچک و متوسط را شناسایی کرده و با استفاده از ISM، MICMAC و SEM روابط میان این موانع را مدل‌سازی و اعتبارسنجی کردند. همچنین، خابا، بهار و ری (2021) در صنعت معادن زغال‌سنگ هند، عوامل کلیدی موفقیت اجرای تولید ناب را با بهره‌گیری از ISM و MICMAC ساختاردهی کرده و سپس مدل مفهومی حاصل را از طریق SEM مورد تأیید قرار دادند. نتایج این پژوهش‌ها نشان می‌دهد که ترکیب ISM و SEM می‌تواند ابزاری قدرتمند برای شناسایی، ساختاردهی و اعتبارسنجی روابط میان عوامل در مسائل پیچیده مدیریتی و صنعتی باشد.

به همین دلیل، رویکرد ISM-SEM نوعی پل ارتباطی میان قضاوت خبرگان و شواهد آماری محسوب می‌شود. این ویژگی باعث شده است که پژوهشگران در موضوعات پیچیده و چندبعدی، به‌ویژه زمانی که روابط میان عوامل هنوز به‌طور کامل شناخته نشده‌اند، از این رویکرد ترکیبی استقبال کنند.

نقش ISM در شناسایی روابط بین عوامل

مدل‌سازی ساختاری تفسیری (ISM) یک روش ساختاردهی است که برای تحلیل سیستم‌های پیچیده و تعیین روابط متقابل میان عوامل مورد استفاده قرار می‌گیرد. هدف اصلی این روش، تبدیل مجموعه‌ای از متغیرهای پراکنده به یک مدل ساختاریافته و قابل فهم است.

در ISM، ابتدا عوامل مؤثر بر مسئله پژوهش شناسایی می‌شوند. سپس خبرگان درباره وجود یا عدم وجود رابطه میان این عوامل اظهار نظر می‌کنند. نتیجه این فرایند، مدلی سلسله‌مراتبی است که نشان می‌دهد کدام عوامل نقش محرک و زیربنایی دارند و کدام عوامل بیشتر تحت تأثیر سایر متغیرها قرار می‌گیرند.

برای مثال، در یک پژوهش مرتبط با تحول دیجیتال، ممکن است «حمایت مدیریت ارشد» در سطوح پایین مدل قرار گیرد و به‌عنوان عامل محرک شناخته شود، در حالی که «عملکرد سازمانی» در سطوح بالاتر قرار گرفته و به‌عنوان پیامد نهایی سیستم در نظر گرفته شود. چنین ساختاری به پژوهشگر کمک می‌کند تا قبل از ورود به تحلیل‌های آماری، تصویری روشن از روابط میان متغیرها داشته باشد.

نقش SEM در اعتبارسنجی مدل مفهومی

پس از طراحی مدل مفهومی با استفاده از ISM، لازم است اعتبار روابط شناسایی‌شده مورد بررسی قرار گیرد. در این مرحله، مدل‌سازی معادلات ساختاری (SEM) وارد عمل می‌شود.

SEM مجموعه‌ای از تکنیک‌های آماری پیشرفته است که امکان بررسی هم‌زمان روابط میان متغیرهای پنهان و آشکار را فراهم می‌کند. این روش به پژوهشگر کمک می‌کند تا میزان معناداری روابط، شدت اثرگذاری متغیرها و برازش کلی مدل را ارزیابی کند.

در رویکرد ترکیبی ISM-SEM، ساختار حاصل از ISM به‌عنوان مبنای تدوین فرضیه‌های تحقیق در نظر گرفته می‌شود. سپس داده‌های جمع‌آوری‌شده از طریق پرسشنامه یا سایر ابزارهای پژوهش با استفاده از نرم‌افزارهایی مانند SmartPLS، AMOS یا LISREL تحلیل می‌شوند. اگر نتایج SEM نشان دهد که روابط پیشنهادی از نظر آماری معنادار هستند، اعتبار مدل مفهومی تأیید خواهد شد.

به این ترتیب، SEM نقش مکمل ISM را ایفا می‌کند؛ به‌گونه‌ای که ISM ساختار اولیه روابط را ایجاد می‌کند و SEM صحت و استحکام آن ساختار را در محیط واقعی مورد آزمون قرار می‌دهد. ترکیب این دو روش، مدلی قدرتمند برای شناسایی، ساختاردهی و اعتبارسنجی روابط پیچیده میان عوامل پژوهش فراهم می‌آورد.

مدل‌سازی ساختاری تفسیری (ISM) چگونه به SEM کمک می‌کند؟

یکی از چالش‌های اساسی در مدل‌سازی معادلات ساختاری (SEM)، طراحی یک مدل مفهومی منسجم و منطقی پیش از ورود به مرحله تحلیل آماری است. در بسیاری از پژوهش‌ها، محققان با تعداد زیادی متغیر و روابط احتمالی مواجه هستند و تعیین دقیق نحوه ارتباط این متغیرها کار ساده‌ای نیست. اگر مدل مفهومی به‌درستی طراحی نشود، حتی استفاده از پیشرفته‌ترین تکنیک‌های آماری نیز نمی‌تواند نتایج قابل اعتمادی ارائه دهد.

مدل‌سازی ساختاری تفسیری (ISM) راهکاری مؤثر برای حل این مسئله است. این روش با بهره‌گیری از دانش و تجربه خبرگان، روابط میان عوامل را شناسایی کرده و آن‌ها را در قالب یک ساختار سلسله‌مراتبی سازمان‌دهی می‌کند. در نتیجه، پژوهشگر پیش از اجرای SEM به یک نقشه راه مشخص از روابط میان متغیرها دست پیدا می‌کند.

به همین دلیل، بسیاری از پژوهشگران از ISM به‌عنوان مرحله مقدماتی توسعه مدل مفهومی استفاده می‌کنند و سپس مدل حاصل را از طریق SEM مورد آزمون و اعتبارسنجی قرار می‌دهند.

استخراج روابط علی و سلسله مراتبی بین متغیرها

یکی از مهم‌ترین مزایای ISM، توانایی آن در شناسایی روابط علی و تعیین جایگاه هر متغیر در ساختار کلی سیستم است. در سیستم‌های پیچیده، تمامی عوامل در یک سطح قرار ندارند؛ برخی از متغیرها نقش محرک و تأثیرگذار دارند، در حالی که برخی دیگر بیشتر به‌عنوان پیامد یا نتیجه سایر عوامل ظاهر می‌شوند.

ISM با استفاده از قضاوت خبرگان، روابط مستقیم میان متغیرها را مشخص کرده و سپس این روابط را به یک مدل سلسله‌مراتبی تبدیل می‌کند. خروجی این فرآیند نشان می‌دهد که کدام متغیرها در سطوح پایه قرار دارند و نقش عوامل کلیدی یا پیشران را ایفا می‌کنند و کدام متغیرها در سطوح بالاتر قرار گرفته و تحت تأثیر سایر عوامل هستند.

برای مثال، در پژوهش‌های مدیریت زنجیره تأمین، عواملی مانند «حمایت مدیریت ارشد» یا «زیرساخت فناوری اطلاعات» ممکن است در پایین‌ترین سطوح مدل قرار گیرند و به‌عنوان محرک‌های اصلی شناخته شوند، در حالی که متغیرهایی مانند «عملکرد سازمانی» یا «رضایت مشتری» در سطوح بالاتر قرار گرفته و به‌عنوان پیامدهای نهایی سیستم مطرح شوند.

این نوع ساختاردهی به پژوهشگر کمک می‌کند تا پیش از اجرای SEM، روابط بین متغیرها را بر اساس منطق سیستم و دیدگاه خبرگان تعریف کند، نه صرفاً بر اساس حدس یا فرضیات اولیه.

کاهش ابهام در طراحی مدل مفهومی

یکی از مشکلات رایج در بسیاری از مطالعات مبتنی بر SEM، وجود تعداد زیادی مسیر و رابطه احتمالی میان متغیرها است. در چنین شرایطی، پژوهشگر ممکن است با مدل‌هایی روبه‌رو شود که بسیار پیچیده، نامنسجم یا دارای فرضیه‌های غیرضروری هستند.

ISM این ابهام را کاهش می‌دهد. از آنجا که روابط میان عوامل به‌صورت مرحله‌به‌مرحله و بر اساس تحلیل ساختاری تعیین می‌شوند، تنها ارتباطاتی در مدل باقی می‌مانند که از نظر خبرگان دارای اهمیت و پشتوانه منطقی هستند.

در واقع، ISM به پژوهشگر کمک می‌کند تا از طراحی مدل‌های بیش از حد پیچیده جلوگیری کند و تمرکز خود را بر روابط کلیدی و اثرگذار قرار دهد. این موضوع نه‌تنها موجب افزایش شفافیت مدل مفهومی می‌شود، بلکه فرآیند تحلیل در SEM را نیز ساده‌تر و دقیق‌تر می‌کند.

علاوه بر این، کاهش روابط غیرضروری می‌تواند منجر به بهبود شاخص‌های برازش مدل و افزایش قابلیت تفسیر نتایج شود؛ موضوعی که در پژوهش‌های علمی و انتشار مقالات معتبر اهمیت زیادی دارد.

تبدیل دانش خبرگان به یک ساختار قابل آزمون

بسیاری از مسائل پژوهشی، به‌ویژه در حوزه‌های مدیریتی، صنعتی و اجتماعی، دارای ابعاد کیفی و تجربی هستند. در چنین موضوعاتی، خبرگان و متخصصان معمولاً شناخت عمیقی از عوامل تأثیرگذار و نحوه تعامل آن‌ها دارند، اما این دانش اغلب به‌صورت ضمنی و غیرساختاریافته وجود دارد.

یکی از ارزشمندترین قابلیت‌های ISM، تبدیل این دانش ضمنی به یک مدل ساختاریافته و قابل تحلیل است. در فرآیند ISM، دیدگاه‌های خبرگان درباره روابط میان عوامل جمع‌آوری شده و به‌تدریج در قالب ماتریس‌ها و نمودارهای ساختاری سازمان‌دهی می‌شود. نتیجه این فرآیند، مدلی است که نشان می‌دهد هر عامل چه جایگاهی در سیستم دارد و چگونه بر سایر عوامل اثر می‌گذارد.

پس از شکل‌گیری این مدل، SEM امکان آزمون تجربی آن را فراهم می‌کند. به عبارت دیگر، ISM دانش خبرگان را به یک مدل مفهومی تبدیل می‌کند و SEM اعتبار آن مدل را با استفاده از داده‌های واقعی مورد بررسی قرار می‌دهد.

این ویژگی باعث شده است که رویکرد ترکیبی ISM-SEM به یکی از قدرتمندترین روش‌ها برای مطالعه پدیده‌های پیچیده تبدیل شود؛ زیرا هم از دانش تخصصی خبرگان بهره می‌گیرد و هم اعتبار نتایج را از طریق تحلیل آماری تأیید می‌کند. به همین دلیل، این رویکرد در سال‌های اخیر در پایان‌نامه‌ها، رساله‌های دکتری و مقالات علمی کاربرد گسترده‌ای پیدا کرده است.

مراحل اجرای ترکیب ISM و SEM

رویکرد ترکیبی ISM-SEM معمولاً در پژوهش‌هایی به کار می‌رود که هدف آن‌ها شناسایی روابط میان عوامل، ساخت مدل مفهومی و سپس اعتبارسنجی آماری آن است. در این رویکرد، ابتدا ساختار روابط بین متغیرها با استفاده از مدل‌سازی ساختاری تفسیری (ISM) طراحی می‌شود و سپس اعتبار این ساختار از طریق مدل‌سازی معادلات ساختاری (SEM) مورد آزمون قرار می‌گیرد.

اجرای موفق این روش نیازمند طی کردن چند مرحله مشخص و منظم است. هر مرحله نقش مهمی در شکل‌گیری مدل نهایی دارد و کیفیت نتایج پژوهش تا حد زیادی به دقت اجرای این مراحل وابسته است.

شناسایی عوامل و متغیرهای پژوهش

نخستین گام در اجرای رویکرد ISM-SEM، شناسایی عوامل و متغیرهای مؤثر بر مسئله پژوهش است. این متغیرها معمولاً از طریق مرور ادبیات تحقیق، بررسی مطالعات پیشین، مصاحبه با خبرگان و جلسات طوفان فکری استخراج می‌شوند.

در این مرحله، پژوهشگر تلاش می‌کند فهرستی جامع از عوامل مرتبط با موضوع پژوهش تهیه کند. برای مثال، در یک مطالعه مربوط به تحول دیجیتال سازمانی، متغیرهایی مانند حمایت مدیریت ارشد، فرهنگ سازمانی، زیرساخت فناوری اطلاعات، مهارت کارکنان و عملکرد سازمانی ممکن است به‌عنوان عوامل اصلی شناسایی شوند.

هرچه این مرحله با دقت بیشتری انجام شود، مدل نهایی از جامعیت و اعتبار بیشتری برخوردار خواهد بود. به همین دلیل، بسیاری از پژوهشگران از ترکیب مطالعات کتابخانه‌ای و نظرات خبرگان برای نهایی‌سازی فهرست عوامل استفاده می‌کنند.

تشکیل ماتریس خودتعاملی ساختاری (SSIM)

پس از شناسایی عوامل، باید روابط میان آن‌ها تعیین شود. این کار از طریق تشکیل ماتریس خودتعاملی ساختاری (Structural Self-Interaction Matrix یا SSIM) انجام می‌شود.

در این مرحله، از خبرگان خواسته می‌شود درباره وجود و جهت تأثیر میان هر دو عامل اظهار نظر کنند. به عبارت دیگر، مشخص می‌شود که آیا عامل اول بر عامل دوم تأثیر دارد، عامل دوم بر عامل اول اثر می‌گذارد، هر دو بر یکدیگر تأثیر دارند یا هیچ رابطه‌ای میان آن‌ها وجود ندارد.

نتایج این قضاوت‌ها در قالب نمادهای استاندارد ISM مانند V، A، X و O در ماتریس SSIM ثبت می‌شود. این ماتریس در واقع نقطه آغاز تحلیل ساختاری محسوب می‌شود و مبنای تشکیل ماتریس دستیابی و مدل نهایی ISM را فراهم می‌کند.

دقت در انتخاب خبرگان و کیفیت قضاوت‌های آن‌ها در این مرحله اهمیت بسیار زیادی دارد، زیرا ساختار نهایی مدل به‌طور مستقیم تحت تأثیر این ارزیابی‌ها قرار می‌گیرد.

استخراج سطوح و ترسیم مدل ISM

پس از تشکیل ماتریس SSIM، مراحل محاسباتی ISM آغاز می‌شود. در این مرحله، ماتریس SSIM به ماتریس دستیابی اولیه و سپس ماتریس دستیابی نهایی تبدیل می‌شود. با استفاده از این ماتریس، مجموعه‌های دستیابی و پیش‌نیاز برای هر عامل تعیین شده و فرآیند سطح‌بندی انجام می‌گیرد.

هدف از سطح‌بندی، تعیین جایگاه هر عامل در ساختار کلی سیستم است. برخی عوامل در سطوح پایین قرار می‌گیرند و نقش محرک یا پیشران را ایفا می‌کنند، در حالی که برخی دیگر در سطوح بالاتر قرار گرفته و بیشتر به‌عنوان نتایج یا پیامدهای سیستم شناخته می‌شوند.

در نهایت، روابط شناسایی‌شده در قالب یک نمودار سلسله‌مراتبی نمایش داده می‌شود که به آن مدل ISM گفته می‌شود. این مدل تصویری روشن از ساختار روابط میان متغیرها ارائه می‌دهد و پایه اصلی طراحی مدل مفهومی پژوهش را تشکیل می‌دهد.

تدوین فرضیه‌های تحقیق براساس مدل ISM

یکی از مهم‌ترین مزایای استفاده از ISM، کمک به تدوین فرضیه‌های منطقی و مبتنی بر ساختار واقعی سیستم است. برخلاف بسیاری از پژوهش‌ها که فرضیه‌ها صرفاً بر اساس مطالعات پیشین یا دیدگاه پژوهشگر تعریف می‌شوند، در رویکرد ISM-SEM فرضیه‌ها از دل ساختار استخراج‌شده توسط ISM شکل می‌گیرند.

هر رابطه موجود در مدل ISM می‌تواند به یک فرضیه پژوهشی تبدیل شود. برای مثال، اگر در مدل مشخص شود که «فرهنگ سازمانی» بر «پذیرش فناوری» تأثیر می‌گذارد، می‌توان فرضیه‌ای مبنی بر تأثیر مثبت فرهنگ سازمانی بر پذیرش فناوری تدوین کرد.

این فرآیند موجب می‌شود که فرضیه‌های تحقیق از پشتوانه نظری و تجربی قوی‌تری برخوردار باشند و تعداد روابط غیرضروری یا نامرتبط در مدل کاهش یابد.

جمع‌آوری داده‌های پیمایشی

پس از طراحی مدل مفهومی و تدوین فرضیه‌ها، نوبت به جمع‌آوری داده‌های تجربی می‌رسد. در این مرحله، پژوهشگر پرسشنامه یا ابزار اندازه‌گیری مناسب را طراحی کرده و داده‌های مورد نیاز را از جامعه آماری جمع‌آوری می‌کند.

سؤالات پرسشنامه معمولاً براساس سازه‌ها و متغیرهای موجود در مدل مفهومی تدوین می‌شوند. همچنین برای اطمینان از کیفیت داده‌ها، روایی و پایایی ابزار اندازه‌گیری مورد ارزیابی قرار می‌گیرد.

حجم نمونه مورد نیاز به روش SEM مورد استفاده بستگی دارد. برای مثال، در رویکرد مبتنی بر PLS-SEM معمولاً محدودیت کمتری از نظر حجم نمونه وجود دارد، در حالی که روش‌های مبتنی بر کوواریانس مانند AMOS یا LISREL معمولاً به نمونه‌های بزرگ‌تری نیاز دارند.

کیفیت داده‌های جمع‌آوری‌شده تأثیر مستقیمی بر نتایج تحلیل‌های بعدی خواهد داشت؛ بنابراین این مرحله از اهمیت ویژه‌ای برخوردار است.

آزمون مدل با روش SEM

در آخرین مرحله، مدل مفهومی حاصل از ISM با استفاده از مدل‌سازی معادلات ساختاری (SEM) مورد آزمون قرار می‌گیرد. هدف این مرحله بررسی اعتبار روابط پیشنهادی و ارزیابی میزان برازش مدل با داده‌های واقعی است.

ابتدا مدل اندازه‌گیری ارزیابی می‌شود تا روایی و پایایی سازه‌ها تأیید شود. سپس مدل ساختاری مورد بررسی قرار می‌گیرد و ضرایب مسیر، میزان تأثیر متغیرها، معناداری روابط و شاخص‌های برازش محاسبه می‌شوند.

اگر نتایج تحلیل نشان دهد که روابط تعریف‌شده در مدل از نظر آماری معنادار هستند، مدل مفهومی تأیید خواهد شد. در غیر این صورت، پژوهشگر باید برخی از روابط یا فرضیه‌ها را بازنگری کند.

در واقع، SEM مرحله اعتبارسنجی نهایی مدل ISM است. ترکیب این دو روش باعث می‌شود پژوهشگر ابتدا روابط میان عوامل را به‌صورت ساختاریافته شناسایی کند و سپس با تکیه بر داده‌های تجربی، صحت و استحکام آن روابط را مورد ارزیابی قرار دهد. به همین دلیل، رویکرد ISM-SEM یکی از جامع‌ترین روش‌ها برای توسعه و آزمون مدل‌های مفهومی در پژوهش‌های علمی به شمار می‌رود.

تفاوت ISM-SEM با استفاده مستقل از SEM

مدل‌سازی معادلات ساختاری (SEM) یکی از قدرتمندترین روش‌های تحلیل روابط میان متغیرها است و امروزه در بسیاری از پژوهش‌های مدیریتی، مهندسی، علوم اجتماعی و رفتاری مورد استفاده قرار می‌گیرد. با این حال، کیفیت نتایج حاصل از SEM تا حد زیادی به مدل مفهومی اولیه وابسته است. اگر روابط میان متغیرها به‌درستی تعریف نشده باشند، حتی اجرای دقیق تحلیل‌های آماری نیز نمی‌تواند اعتبار نتایج را تضمین کند.

به همین دلیل، بسیاری از پژوهشگران در سال‌های اخیر از رویکرد ترکیبی ISM-SEM استفاده می‌کنند. در این رویکرد، ابتدا ساختار روابط با استفاده از مدل‌سازی ساختاری تفسیری (ISM) طراحی شده و سپس از SEM برای آزمون و اعتبارسنجی آن استفاده می‌شود. این ترکیب باعث می‌شود مدل نهایی هم از پشتوانه نظری و تجربی خبرگان بهره‌مند باشد و هم از نظر آماری مورد تأیید قرار گیرد.

محدودیت‌های مدل‌سازی صرفاً مبتنی بر SEM

یکی از مهم‌ترین محدودیت‌های استفاده مستقل از SEM این است که این روش به‌تنهایی قادر به کشف ساختار روابط میان متغیرها نیست. SEM ابزاری برای آزمون روابط فرض‌شده است، نه ابزاری برای شناسایی آن‌ها.

در بسیاری از پژوهش‌ها، محقق ناچار است روابط بین سازه‌ها را صرفاً بر اساس ادبیات تحقیق یا برداشت شخصی خود تعریف کند. در نتیجه ممکن است برخی روابط مهم نادیده گرفته شوند یا مسیرهایی در مدل قرار گیرند که از نظر منطقی و عملی توجیه کافی ندارند.

از سوی دیگر، زمانی که تعداد متغیرها زیاد باشد، پژوهشگر با تعداد زیادی مسیر احتمالی مواجه می‌شود. این موضوع می‌تواند باعث پیچیدگی بیش از حد مدل، کاهش قدرت تفسیر نتایج و حتی افت شاخص‌های برازش شود. به همین دلیل، اتکای کامل به SEM بدون یک مرحله ساختاردهی اولیه ممکن است ریسک طراحی مدل‌های ضعیف یا غیرواقع‌بینانه را افزایش دهد.

مزیت ساختاردهی اولیه توسط ISM

ISM پیش از ورود به تحلیل‌های آماری، روابط میان عوامل را از دیدگاه خبرگان بررسی و ساختاردهی می‌کند. این ویژگی موجب می‌شود مدل مفهومی پژوهش بر مبنای شناخت عمیق‌تری از مسئله شکل بگیرد.

در فرآیند ISM، عوامل کلیدی، متغیرهای واسط و پیامدهای نهایی سیستم مشخص می‌شوند و جایگاه هر عامل در ساختار کلی پژوهش تعیین می‌شود. این موضوع به پژوهشگر کمک می‌کند تا تنها روابط ضروری و منطقی را وارد مدل SEM کند.

به بیان دیگر، ISM نقش یک فیلتر مفهومی را ایفا می‌کند. بسیاری از روابط غیرضروری پیش از ورود به مرحله تحلیل آماری حذف می‌شوند و مسیرهای اصلی و اثرگذار در مدل باقی می‌مانند. نتیجه این فرآیند، مدلی منسجم‌تر، قابل فهم‌تر و نزدیک‌تر به واقعیت است.

افزایش قدرت تبیین مدل نهایی

یکی از اهداف اصلی هر پژوهش، ارائه مدلی است که بتواند پدیده مورد مطالعه را با دقت بیشتری توضیح دهد. ترکیب ISM و SEM این هدف را به شکل مؤثرتری محقق می‌کند.

زمانی که مدل مفهومی بر اساس روابط ساختاری استخراج‌شده از ISM شکل می‌گیرد، فرضیه‌های پژوهش از پشتوانه منطقی بیشتری برخوردار خواهند بود. سپس SEM این روابط را با استفاده از داده‌های واقعی مورد آزمون قرار می‌دهد.

این فرآیند موجب می‌شود مدل نهایی نه‌تنها از نظر آماری معتبر باشد، بلکه توانایی بیشتری در تبیین رفتار سیستم و پیش‌بینی نتایج داشته باشد. به همین دلیل، پژوهش‌های مبتنی بر رویکرد ISM-SEM معمولاً از قدرت تبیین بالاتر، ساختار منطقی‌تر و نتایج کاربردی‌تری نسبت به مطالعات مبتنی بر SEM صرف برخوردار هستند.

نرم‌افزارهای مورد استفاده در رویکرد ISM-SEM

اجرای موفق رویکرد ISM-SEM علاوه بر تسلط بر مبانی نظری، به انتخاب نرم‌افزارهای مناسب نیز وابسته است. از آنجا که این رویکرد شامل دو بخش مجزا یعنی ساخت مدل مفهومی با ISM و اعتبارسنجی آن با SEM است، پژوهشگر معمولاً از بیش از یک نرم‌افزار در طول فرآیند تحقیق استفاده می‌کند.

انتخاب نرم‌افزار مناسب می‌تواند سرعت تحلیل را افزایش دهد، خطاهای محاسباتی را کاهش دهد و کیفیت ارائه نتایج را بهبود بخشد.

نرم‌افزارهای اجرای ISM

برخلاف بسیاری از روش‌های آماری، ISM نرم‌افزار اختصاصی و فراگیر مشخصی ندارد و در بسیاری از پژوهش‌ها محاسبات آن با استفاده از نرم‌افزارهای عمومی انجام می‌شود.

رایج‌ترین ابزار مورد استفاده برای اجرای ISM عبارت‌اند از:

• Microsoft Excel
• MATLAB
• Python
• R

بسیاری از پژوهشگران ماتریس SSIM، ماتریس دستیابی و فرآیند سطح‌بندی را در اکسل پیاده‌سازی می‌کنند. در پروژه‌های بزرگ‌تر نیز استفاده از MATLAB یا زبان‌های برنامه‌نویسی مانند Python می‌تواند سرعت و دقت تحلیل را افزایش دهد.

در برخی مطالعات نیز از تحلیل MICMAC در کنار ISM استفاده می‌شود که برای طبقه‌بندی عوامل براساس قدرت نفوذ و وابستگی کاربرد دارد.

نرم‌افزارهای تحلیل SEM

پس از تکمیل مدل ISM، مرحله اعتبارسنجی از طریق مدل‌سازی معادلات ساختاری آغاز می‌شود. در این بخش، نرم‌افزارهای تخصصی SEM مورد استفاده قرار می‌گیرند.

مهم‌ترین نرم‌افزارهای این حوزه عبارت‌اند از:

• SmartPLS
• AMOS
• LISREL

SmartPLS یکی از محبوب‌ترین گزینه‌ها در پایان‌نامه‌ها و پژوهش‌های کاربردی است؛ زیرا محدودیت کمتری از نظر حجم نمونه دارد و کار با آن نسبتاً ساده است. در مقابل، نرم‌افزارهایی مانند AMOS و LISREL بیشتر در مطالعات مبتنی بر رویکرد کوواریانس‌محور (CB-SEM) مورد استفاده قرار می‌گیرند و برای آزمون نظریه‌های تثبیت‌شده مناسب هستند. انتخاب نرم‌افزار مناسب باید براساس اهداف پژوهش، حجم نمونه، نوع داده‌ها و سطح پیچیدگی مدل انجام شود.

چالش‌ها و محدودیت‌های ترکیب ISM و SEM

اگرچه رویکرد ISM-SEM یکی از جامع‌ترین روش‌های توسعه و اعتبارسنجی مدل‌های مفهومی محسوب می‌شود، اما همانند هر روش تحقیق دیگری با چالش‌ها و محدودیت‌هایی همراه است. آگاهی از این محدودیت‌ها به پژوهشگران کمک می‌کند تا نتایج پژوهش را با دقت بیشتری تفسیر کرده و از بروز خطاهای احتمالی جلوگیری کنند.

وابستگی ISM به قضاوت خبرگان

یکی از مهم‌ترین محدودیت‌های ISM وابستگی شدید آن به نظرات خبرگان است. روابط میان عوامل در این روش عمدتاً براساس قضاوت افراد متخصص تعیین می‌شود و همین موضوع می‌تواند منجر به بروز سوگیری شود.

اگر خبرگان انتخاب‌شده تجربه یا دانش کافی نداشته باشند، ساختار نهایی مدل ممکن است به‌درستی نمایانگر واقعیت نباشد. همچنین ممکن است گروه‌های مختلف خبرگان درباره روابط میان عوامل دیدگاه‌های متفاوتی داشته باشند که بر نتایج نهایی تأثیر بگذارد.

به همین دلیل، انتخاب دقیق خبرگان و استفاده از روش‌های مناسب برای اجماع‌سازی نظرات، نقش مهمی در افزایش اعتبار نتایج ISM دارد.

نیاز به حجم نمونه کافی در SEM

بخش دوم رویکرد ISM-SEM به تحلیل آماری و جمع‌آوری داده‌های میدانی وابسته است. در این مرحله، حجم نمونه اهمیت زیادی پیدا می‌کند.

هرچند روش‌هایی مانند PLS-SEM نسبت به حجم نمونه حساسیت کمتری دارند، اما استفاده از نمونه‌های بسیار کوچک می‌تواند باعث کاهش دقت ضرایب مسیر و افزایش خطای برآورد شود. در روش‌های مبتنی بر کوواریانس نیز معمولاً نیاز به حجم نمونه بزرگ‌تر وجود دارد.

بنابراین، پژوهشگر باید پیش از اجرای SEM از کفایت حجم نمونه و کیفیت داده‌های جمع‌آوری‌شده اطمینان حاصل کند.

پیچیدگی تفسیر مدل‌های بزرگ

با افزایش تعداد متغیرها و روابط، مدل‌های ISM و SEM به‌تدریج پیچیده‌تر می‌شوند. این موضوع می‌تواند فرآیند تحلیل و تفسیر نتایج را دشوار کند.

در مدل‌های بزرگ، تعداد مسیرها و اثرات مستقیم و غیرمستقیم افزایش می‌یابد و استخراج نتایج کلیدی نیازمند دقت بیشتری خواهد بود. همچنین ارائه گرافیکی مدل‌ها ممکن است برای خوانندگان مقاله یا پایان‌نامه دشوار شود.

به همین دلیل، توصیه می‌شود پژوهشگران تا حد امکان از ورود متغیرهای غیرضروری به مدل خودداری کرده و بر عوامل کلیدی و اثرگذار تمرکز کنند. این کار علاوه بر افزایش شفافیت مدل، کیفیت تفسیر و کاربردپذیری نتایج را نیز بهبود می‌بخشد.

ترکیب SEM با سایر مدل‌ها و روش‌های تحلیلی

مدل‌سازی معادلات ساختاری (SEM) به دلیل توانایی بالای خود در تحلیل روابط پیچیده میان متغیرها، امروزه تنها به‌صورت مستقل مورد استفاده قرار نمی‌گیرد. بسیاری از پژوهشگران برای افزایش قدرت تحلیل، بهبود دقت پیش‌بینی و کشف روابط پنهان میان عوامل، SEM را با روش‌های دیگری مانند مدل‌سازی ساختاری تفسیری (ISM)، سیستم استنتاج فازی عصبی (ANFIS) و الگوریتم‌های یادگیری ماشین ترکیب می‌کنند.

این رویکردهای ترکیبی به پژوهشگران کمک می‌کنند تا علاوه بر اعتبارسنجی روابط علی و مفهومی، از قابلیت‌های هوش مصنوعی و مدل‌های پیش‌بینی نیز بهره‌مند شوند. در سال‌های اخیر، استفاده از این روش‌ها در پایان‌نامه‌ها، رساله‌های دکتری و مقالات علمی رشد چشمگیری داشته است.

ترکیب SEM و سیستم استنتاج فازی عصبی (ANFIS)

ترکیب مدل‌سازی معادلات ساختاری و مدل ANIFS (استنتاج فازی عصبی) یکی از رویکردهای نوین در تحلیل مسائل پیچیده است. در این روش، ابتدا SEM برای شناسایی و اعتبارسنجی روابط میان متغیرها و تعیین عوامل مؤثر استفاده می‌شود. سپس خروجی‌های حاصل از SEM به‌عنوان ورودی سیستم ANFIS مورد استفاده قرار می‌گیرند تا رفتار سیستم مدل‌سازی و نتایج آینده پیش‌بینی شود.

مزیت اصلی این رویکرد در ترکیب قدرت تبیین SEM با توانایی یادگیری و پیش‌بینی ANFIS است. به همین دلیل، ترکیب SEM-ANFIS در حوزه‌هایی مانند مدیریت ریسک، نگهداری و تعمیرات، ارزیابی عملکرد، مدیریت زنجیره تأمین و تحلیل پایداری کاربرد فراوانی پیدا کرده است.

ترکیب SEM و یادگیری ماشین (Machine Learning)

یکی دیگر از رویکردهای در حال توسعه، ترکیب مدل‌سازی معادلات ساختاری با الگوریتم‌های یادگیری ماشین است. در این روش، SEM برای شناسایی روابط علی، آزمون فرضیه‌ها و اعتبارسنجی مدل مفهومی به کار می‌رود؛ در حالی که الگوریتم‌های یادگیری ماشین برای کشف الگوهای پنهان، طبقه‌بندی، خوشه‌بندی و پیش‌بینی نتایج مورد استفاده قرار می‌گیرند.

ترکیب SEM و یادگیری ماشین به پژوهشگران این امکان را می‌دهد که علاوه بر درک چرایی روابط میان متغیرها، توانایی پیش‌بینی دقیق‌تری نیز به دست آورند. به همین دلیل، این رویکرد در موضوعاتی مانند تحول دیجیتال، رفتار مشتری، سیستم‌های هوشمند، تحلیل کلان‌داده‌ها، مدیریت منابع انسانی و تصمیم‌گیری هوشمند به‌سرعت در حال گسترش است. با توجه به رشد کاربرد هوش مصنوعی در تحقیقات علمی، انتظار می‌رود ترکیب SEM و الگوریتم‌های یادگیری ماشین در سال‌های آینده به یکی از مهم‌ترین حوزه‌های پژوهشی تبدیل شود.

جمع‌بندی

ترکیب مدل‌سازی ساختاری تفسیری (ISM) و مدل‌سازی معادلات ساختاری (SEM) یکی از رویکردهای قدرتمند برای توسعه و اعتبارسنجی مدل‌های مفهومی در پژوهش‌های مدیریتی، صنعتی و علوم اجتماعی محسوب می‌شود. در این رویکرد، ISM با بهره‌گیری از دانش خبرگان، روابط میان عوامل را شناسایی و ساختاردهی می‌کند و SEM با استفاده از داده‌های تجربی، اعتبار و معناداری این روابط را مورد آزمون قرار می‌دهد.

مهم‌ترین مزیت این رویکرد آن است که پژوهشگر را از اتکا صرف به فرضیات نظری یا تحلیل‌های آماری جداگانه بی‌نیاز می‌کند و امکان ترکیب دانش تخصصی و شواهد تجربی را فراهم می‌آورد. به همین دلیل، بسیاری از پژوهشگران از ISM برای طراحی مدل مفهومی و از SEM برای ارزیابی و تأیید مدل نهایی استفاده می‌کنند.

با وجود چالش‌هایی مانند وابستگی به قضاوت خبرگان در ISM و نیاز به داده‌های مناسب در SEM، مطالعات مختلف نشان داده‌اند که رویکرد ISM-SEM می‌تواند در شناسایی عوامل کلیدی، تبیین روابط پیچیده و افزایش اعتبار نتایج پژوهش نقش مؤثری ایفا کند. از این‌رو، این روش به یکی از رویکردهای محبوب در پایان‌نامه‌های کارشناسی ارشد، رساله‌های دکتری و مقالات علمی تبدیل شده است.

اگر هدف پژوهش شما ساخت یک مدل مفهومی مبتنی بر دیدگاه خبرگان و سپس اعتبارسنجی علمی آن باشد، ترکیب ISM و SEM می‌تواند یکی از مناسب‌ترین گزینه‌های روش‌شناختی برای دستیابی به نتایج قابل اعتماد و کاربردی باشد.