بهينه سازي تسهيم دانش بر مبناي نظريه بازي: كاربرد برنامه ريزي دوسطحي

Knowledge Sharing Optimization Based on the Game Theory: A Bi-Level Programming Application

هدف اين مقاله ارائه يك مدل بهينه‌سازي تسهيم دانش بر مبناي نظريه بازي است كه تصميمات سازمان و دانشكاران را بصورت همزمان بهينه‌سازي كند. بدين منظور از برنامه‌ريزي دوسطحي استفاده شد. در سطح بالا تصميمات سازمان در خصوص پاداش و در سطح پايين تصميمات دانشكار در خصوص زمان و تلاش تخصيص يافته به تسهيم دانش مدلسازي شد. طراحي فرمولاسيون رياضي رفتار دانشكاران بر اساس ادبيات و در چارچوب انگيزش-فرصت-توانايي انجام شد. مدلسازي دوسطحي ارائه شده نسبت به مدل‌هاي قبلي امكان بررسي پارامترهاي بيشتري را فراهم مي‌كند و علاوه بر انگيزش به دو عامل ديگر يعني توانايي و فرصت نيز توجه دارد. همچنين ساختار تابع عايدي بصورت غيرخطي در نظر گرفته شده است و لذا انطباق بيشتري با واقعيت دارد. علاوه بر اين، ميزان زمان در دسترس به عنوان يك عامل كليدي در آن آمده است. مدل دوسطحي در نرم افزار GAMS و با سينتكس EMP كدنويسي شد و براي مجموعه‌اي از داده‌ها كه بصورت تصادفي توليد شدند، با استفاده از الگوريتم بارون حل شد. نتايج نشان مي‌دهد كه افزايش ميزان كاربردپذيري دانش و ضريب تأثير مقايسه اجتماعي مي‌تواند منجر به بهبود عملكرد سازمان و صرفه‌جويي در هزينه‌هاي پاداش شود. ناديده گرفتن اين دو عامل مي‌تواند منجر به اتخاذ تصميمات غيربهينه شود. اين تحقيق با فراهم نمودن بستري براي در نظر گرفتن پارامترهاي بيشتر، به بهبود تصميمات سازمان در اين زمينه كمك مي‌كند. همچنين، بر اساس اين تحقيق الگوريتم بارون براي مسائل در اندازه بزرگ نياز به بهبود دارد و پيشنهاد مي‌شود تحقيقات آتي الگوريتم‌هاي كاراتري براي اين مسئله ارائه نمايند.

This paper aims to propose a knowledge sharing optimization model based on the game theory that optimizes both employer and employee(s) decisions simultaneously. This model is a bi-level programming model. The upper-level problem includes employer decision about the reward, and the lower-level problem contains employee(s) decisions about time and effort allocation to knowledge sharing activity. Mathematical formulation of the model designed based on previous literature and in the framework of Motivation-Opportunity-Ability. The proposed bi-level programming model provides a foundation to investigate more different parameters comparing with previous models introduced in the literature. This model considers opportunity and ability factors in addition to the motivation. Also, payoff functions in this model are non-linear and therefore is more consistent with real cases relative to previous linear models. Additionally, this model analyzes the effects of available time as a key factor. The bi-level model coded in GAMS using EMP syntax and solved for a set of randomly generated data using BARON algorithm. Results indicated that the increase of applicability of codified knowledge and impact coefficient of social comparison could improve organizational performance and also save the cost of reward system. Therefore, neglecting these two parameters in designing a reward system could lead to under optimized decision making. This research provides a basis to consider more parameters simultaneously and help to improve organizational decisions. However, based on the results, BARON algorithm is not efficient to solve big problems, so developing a more efficient algorithm is needed.