حسین نظام آبادی پور

اغلب مدل های انحصار چندجانبه بازار نفت، با فرض وجود کارتلی به نام اوپک شروع می شوند. افزایش پی در پی قیمت های نفت در طی سال های اخیر و عدم توانایی اوپک در تنظیم بازار، امکان وجود رفتار رقابتی در بازار نفت را شدت می بخشد. حال با توجه به این نوسانات شدید در بازار نفت، پیش بینی عرضه نفت، برای سیاستگذاران و شرکت های نفتی بسیار حایز اهمیت می باشد. در سال های اخیر استفاده از شبکه های عصبی مصنوعی در کنار روش های اقتصادسنجی در پیش بینی متغیرهای مهم اقتصادی مرسوم شده است. علت آن نیز در ویژگی های منحصر به فرد شبکه های عصبی از قبیل: آزادی از فرضیه های آماری و قابلیت حل مسائل غیر خطی پیچیده می باشد. در این مقاله سعی شده است علاوه بر پیش بینی تولید نفت خام در یازده کشور تولیدکننده، با استفاده از دو مدل رگرسیون خطی و شبکه های عصبی، نتایج به دست آمده در هر کشور به طور مجزا مقایسه شود. تخمین ها، حاکی از آن است که شبکه های عصبی پیش بینی های بهتری نسبت به مدل های رگرسیون خطی ارایه می کنند.

تاکنون مطالعات متعددی در تخمین تابع تولید در بخش کشاورزی صورت گرفته است. اغلب این مطالعات روش های اقتصاد سنجی را برای تخمین توابع تولید به کار برده اند. با توجه به اینکه اخیراً الگوریتم های ابتکاری در مدت زمان اندکی کاربردهای گسترده ای در مسائل بهینه سازی یافته است؛ در این مطالعه نیز با به کارگیری روش الگوریتم ژنتیک(GA) به منظور برآورد تابع تولید در بخش کشاورزی، به مقایسه ی این مدل با روش خودتوضیح با وقفه های گسترده(ARDL) پرداخته شده است. برای برآورد تابع تولید از داده های سری زمانی ارزش افزوده، نیروی کار، انرژی و سرمایه ی بخش کشاورزی طی دوره ی زمانی 86-1356 استفاده گردیده و نتایج مقایسه ی این دو روش براساس دو معیار خطای ریشه متوسط مربعات(RMSE) و ضریب تعیین(R2 ) حاکی از آن است که روش الگوریتم ژنتیک نسبت به روش ARDL از کارایی بالایی در تخمین تابع تولید برخوردار است.

با توجه به اهمیت اعطای اعتبار در نظام بانکی، استفاده از عوامل مؤثر بر اعتبارسنجی جهت تصمیم گیری در اعتباردهی، بسیار مهم است. با توجه به این مهم، تحقیق حاضر به شناسایی و اولویت بندی ویژگی های تأثیرگذار در اعتبارسنجی مشتریان با استفاده از دیدگاه متخصصان و کارشناسان بانکی شهر کرمان و تطابق آن با شاخص های موجود در مدل های استخراج شده از روش هوش مصنوعی پرداخته است. هدف این است که آیا بین نظرات انسانی که ناشی از دانش و تجربه است و نظرات هوش مصنوعی که به مسئله به صورت مدل سازی جعبه سیاه نگاه می کنند، تطابق وجود دارد یا خیر. داده های موردنیاز به روش پرسشنامه و الگوریتم باینری کوانتومی جمعیت ذرات، جمع آوری شده و به ترتیب به روش دلفی و فرا ابتکاری موردبررسی قرارگرفته اند. نتایج حاکی از آن است که شاخص های منتخب دو روش 80 درصد همپوشانی داشته اند. با توجه به نتایج تحقیق و دقت بالای تکنیک های هوش مصنوعی، پیشنهاد می شود جهت اعطای اعتبار به مشتریان در بانک ها و مؤسسات مالی و اعتباری، وزن بالاتری برای شاخص های مذکور لحاظ شود.

همه گیری کرونا بر جنبه های مختلف از جمله امنیت غذایی، زنجیره های عرضه، و ایمنی مواد غذایی در بخش کشاورزی تأثیر گذاشته است. معضلات اجتماعی، اقتصادی و بهداشتی ناشی از همه گیری کووید 19، زندگی و رفاه جهانی را به طور مستقیم تهدید کرد. هدف مطالعه حاضر شناسایی عوامل موثر بر توسعه پایدار در بخش کشاورزی با تأکید بر عوامل سلامت و شرایط بحرانی (شیوع کوید – ۱۹) است. در ابتدا با استفاده از روش داده بنیاد و مطالعه ادبیات موضوعی تحقیق عوامل موثر بر توسعه پایدار در بخش کشاورزی شناسایی شد، در مرحله دوم با مصاحبه ۱۷ سوالی با ۲۰ خبره اقتصاد، ترویج و پایداری کشاورزی عوامل موثر بر توسعه پایدار در بخش کشاورزی با تاکید بر عوامل سلامت و شرایط بحرانی (شیوع کووید - ۱۹) شناسایی گردید. در مرحله سوم با استفاده از روش دلفی فازی و نظر خبرگان معیارها و زیر معیارهای نهایی تحقیق به دست آمد. سپس با روش دیمتل فازی روابط درونی، تأثیر و تأثر زیر معیارهای عوامل سلامت، شرایط بحرانی، زیست محیطی، اقتصادی و اجتماعی تعیین شد. نتایج تحقیق نشان داد که زیرمعیارهای وضعیت تأمین منابع مالی پایدار در بخش سلامت، میزان توسعه فردی کشاورزان، تسهیل صادرات محصولات کشاورزی در شرایط بحرانی، وضعیت مدیریت پسماندهای بیمارستانی کووید ۱۹ و بحران طبیعی به ترتیب در بین زیرمعیارهای عوامل سلامت، اجتماعی، اقتصادی، زیست محیطی و شرایط بحرانی (شیوع کووید – ۱۹) از بیش ترین تأثیرگذاری برخوردار هستند.

در بسیاری از مطالعات برای پیش بینی متغیرهای اقتصادی اغلب از روش های کمی مبتنی بر داده های سری زمانی یا مقطع زمانی استفاده می شود. مطالعات سری زمانی و مقطع زمانی ناهمگنی کشورها را کنترل نمی کنند و همواره ریسک به دست آورن نتایج و پیش بینی های اریب دار وجود دارد. داده های پانل اطلاعات و درجه آزادی بیشتری را فراهم می آورد که این امر موجب حصول نتایج و پیش بینی های دقیق تری می شود. با توجه به سهم قابل توجه خشکبار از صادرات غیرنفتی کشور، در این مطالعه از روش ترکیبی شبکه عصبی مصنوعی-پانل دیتا برای پیش بینی قیمت صادرات پسته، کشمش و خرما استفاده گردید و پس از آن عملکرد پیش بینی بر اساس معیارهای دقت با الگوی رگرسیونی (مدل جزء خطای دو طرفه) مورد مقایسه قرار گرفت. با استفاده از داده های مربوط به ده بازار مقصد برای هریک از خشکبار مورد بررسی طی دوره ی 91-1371، نتایج پژوهش نشان داد که رویکرد جدید و ترکیبی شبکه عصبی مصنوعی-پانل دیتا در پیش بینی قیمت صادرات پسته، کشمش و خرمای ایران در مقایسه با روش رگرسیونی دارای عملکرد بهتری است. لذا به صادرکنندگان، سیاست گذاران و محققین توصیه می گردد که از این روش در پیش بینی متغیرهای اقتصادی استفاده نمایند.