علیمحمد کیمیاگری

در این مقاله مدلی برای تخمین میزان انتشار گازهای گلخانه ای در کشور ایران ارائه شده است. برای ارائه مدل ابتدا نظریه شکل معکوس بین تخریب مح یط زیست و پیشرفت U زیست محیطی کوزنتس مورد آزمون قرار گرفته است. این نظریه رابطه ای اقتصادی را پیشنهاد می دهد؛ بنابراین با در نظر گرفتن میزان انتشار گازهای گلخانهای به عنوان شاخص تخریب محیط زیست، ارتباط آن با سرانه تولید ناخالص داخلی به عنوان شاخص پیشرفت اقتصادی بررسی شده است. همچنین، متغیرهای تأثیرگذار دیگری همچون درصد زمینهای قابل کشت، سهم سوختهای فسیلی از کل انرژی مصرفی، سرانه مصرف برق، سرانه مصرف انرژی، رشد جمعیت، میزان شهرنشینی و سهم تجارت کالا از تولید ناخالص داخلی وارد مدل شده اند. پس از شناسایی متغیرهای مدل پیشنهادی، پارامترهای آن با استفاده از روش حداقل مربعات تخمین زده شده است. نتایج حاکی از تأیید نظریه کوزنتس و تأثیر معنادار مثبت متغیر سرانه مصرف برق و تأثیر معنادار منفی متغیرهای رشد جمعیت، میزان شهرنشینی و سهم تجارت کالا از تولید ناخالص داخلی روی میزان انتشار گازهای گلخانه ای است.

از دیرباز، دستیابی به یک ساختار سرمایه بهینه با هدف حداکثرسازی سود و ارزش شرکت و حداقل سازی هزینه سرمایه از موضوعات مورد توجه متخصصان مالی بوده و چهار نظریه اصلی شامل نظریه میلر و مودیگلیانی، نظریه نمایندگی، نظریه توازن ایستا (هر سه ناظر بر رابطه مثبت میان نسبت بدهی و سودآوری) و نظریه سلسله مراتبی (رابطه منفی بین نسبت بدهی و سودآوری) درباره ارتباط میان تصمیمات تأمین مالی و سودآوری شرکت ها مطرح شده است. در این راستا، پژوهش حاضر با استفاده از تحلیل رگرسیون و روش الگوریتم ترکیبی شبکه عصبی موجکی و الگوریتم رقابت استعماری به تخمین تابع سودآوری ساختار سرمایه در نمونه آماری شامل 161 شرکت پذیرفته شده در بورس اوراق بهادار تهران در پنج صنعت ( کاشی و سرامیک، سیمان، فلزات، نفت و گاز و داروسازی) طی بازه زمانی 1396-1389 پرداخته است. نتایج به دست آمده از رابطه منفی بین نسبت های بدهی و نسبت بازده دارایی ها (تأیید نظریه سلسله مراتبی) در شرکت های فعال در صنایع کاشی و سرامیک، سیمان، فلزات و داروسازی حکایت داشت. اما، رابطه معناداری بین متغیرهای مذکور در صنعت نفت و گاز مشاهده نشد. به علاوه، عملکرد شبکه عصبی موجکی بهینه سازی شده با الگوریتم رقابت استعماری در تمامی صنایع، قدرت تبیین بیشتری نسبت به رگرسیون خطی ساده از خود نشان داد.

هدف : امروزه مشتریان به عامل بسیار مهم و حیاتی در هدایت سرمایه گذاران، تولیدکنندگان و حتی محققان و نوآوران مبدل گشته اند. به همین دلیل، سازمان ها نیاز دارند مشتریان خود را بشناسند و برای آنان برنامه ریزی کنند. در این پژوهش، تلاش شده تا به یکی از اساسی ترین سؤالات سازمان های بیمه ای، یعنی پیش بینی سطح خسارت مشتریان، پاسخ داده شود. روش تحقیق : در پژوهش حاضر از ابزار داده کاوی برای داده های مشتریان صنعت بیمه، بخش بیمه بدنه خودرو از سال 1394 تا 1396 استفاده شده است. تعداد کل داده ها که از ابتدا در این پژوهش مورد استفاده قرار می گیرد بیش از 19356 بوده که در ادامه و در طی آماده سازی آن ها با استفاده از نرم افزار Rapidminer 7.1 تعداد داده هایی که در نرم افزار لحاظ می شود 19356 است. پس از پردازش اولیه تلاش می شود، از بین ۱۵ متغیر موجود در پایگاه داده ویژگی استخراج شود که ملموس باشد و این پژوهش را در هدف خود یاری دهد. بدین منظور با به کارگیری خوشه بندی، رانندگان بر اساس میزان مبلغ خسارت به خوشه های مجزا تقسیم می شوند و ویژگی های هر خوشه بیان می شود. در قسمت خوشه بندی، ابتدا الگوریتم های k-means،  k-medoidsو DBSCAN استفاده شده است. سپس الگوریتم های بکار رفته به جهت زمان انجام محاسبات و میزان صحت با یکدیگر مقایسه شدند. یافته ها : در نهایت الگوریتم k-means به عنوان الگوریتم بهینه برای این مجموعه داده انتخاب شد. در انتها به کمک درخت تصمیم مدلی پیش بینی ارایه می شود که شرکت های بیمه را در جهت سودآوری بیشتر و کشف مشتریان سودآور کمک می کند و برای برنامه ریزی و تصمیم گیری های آتی سازمان قابل استفاده است. نتیجه گیری : برای پیش بینی، درخت تصمیم، با میزان صحت 21/86% بهترین مدلی بود که در این پژوهش به آن رسیدیم و در مدل درخت تصمیم ارایه شده معیار درآمد بیمه گذار به عنوان گره ریشه درنظرگرفته می شود که همین نکته نشان دهنده آن است روش بکار رفته می تواند به شرکت های بیمه کمک کند تا با تمرکز بر مشتریان سودآور به درآمد بیشتری برسند.   طبقه بندی موضوعی : B31, C38, C22, D12