سحر عباسپور

گردشگری در بخش اقتصاد، شامل خدماتی است که تأثیر زیادی بر فعالیت های اقتصادی و اجتماعی دارد و شناخت این ارتباطات کمک قابل توجهی به تعامل بین توسعه پایدار و گردشگری خواهد کرد. در این مطالعه، ضمن بررسی وضعیت صنعت گردشگری در ایران، به مدلسازی تقاضای گردشگر در ایران با استفاده از روش شبکه عصبی پرداخته شده است. در مدل متغیرهای ورودی عبارتند از: تعداد گردشگر ورودی به ایران در طی سال های 1359 تا 1390، ارز حاصل از گردشگری در طی این سال ها و همچنین یک متغیر مجازی (عوامل سیاسی) که توسط محقق برای بررسی میزان تأثیر وجود جنگ در منطقه بر روی تقاضای گردشگر تعریف شده است. نتایج نشان می دهد که نرخ ارز بیشترین اهمیت را در مدل داشته و جنگ کمترین اهمیت را در میان عوامل مؤثر بر تقاضای گردشگر در ایران داشته است.

مقدمه: استفاده از شبکه های عصبی و الگوریتم های ژنتیک در بررسی مسایل و متغیرهای پر کاربرد در زمینه ی سلامت، این روزها بیش از پیش رواج یافته است. مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری ها می تواند اشتباهات پزشکان و خسارت جانی و مالی را کاهش دهد. در این مقاله کاربردهای نوعی شبکه ی عصبی در پزشکی مورد بررسی قرار گرفته است، تا هم برای محققان هوش مصنوعی و هم برای پزشکی قابل استفاده باشد. روش بررسی: در این مطالعه از نمونه ی داده های موجود در نرم افزار SPSS به نام Patient_los.sav که شامل ثبت درمان یک نمونه از بیمارانی است که برای بیماری قلبی درمان دریافت نموده اند، استفاده خواهیم کرد و با به کارگیری فرایند پرسپترون چند لایه برای ساختن یک شبکه ی عصبی، به پیش بینی هزینه و طول درمان بیماران پرداخته شده است. متغیرهای طول مدت بستری شدن و هزینه ی درمان به عنوان متغیرهای وابسته و سایر متغیرها را نیز به عنوان عامل یا فاکتور وارد مدل شده اند. یافته ها: شبکه ی عصبی می تواند نتایج بیمارانی که عمل شده باشد یا عمل نشده باشند، را بررسی کند و سپس شبکه های جداگانه می تواند هزینه ی درمان و مدت بستری شدن را پیش بینی کند، به شرط این که بدانیم روی چه بیماری جراحی انجام شده است. نتیجه گیری: شبکه ی عصبی طراحی شده در این قسمت به خوبی مقادیر معمول بیماران را پیش بینی میکند و با به وجود آوردن شبکه ی عصبی چند لایه می توان بیمارانی که قبل از عمل جراحی می میرند، را به خوبی به تصویر کشید. شبکه ی عصبی به خاطر خاصیت مدل سازی غیر خطی می تواند کمک مؤثری در مدل سازی و پیش بینی باشد.