امین امینی مهر

معضلات و چالش ها ی بودجه ریزی در ایران ، همواره اندیشمندان اقتصادی و دست اندر کاران اجرایی دولت را به چاره اندیشی در این خصوص ترغیب کرده است. در این راستا طرحی دو مرحله ای هر مرحله شامل چهار بخش در سال 1381 به تصویب هیئت دولت رسید و آن طرح مبنای اصلاح نظام بودجه کشور قرار گرفت. این پژوهش برآن است تا با توجه به بازه زمانی 18 ساله از تصویب و اجرا طرح به بررسی میزان توفیق و چالش های آن از دیدگاه کارشناسان و مدیران دست اند کار بپردازد. با در نظر گرفتن اهداف طرح، تعاریف مفهومی به متغیر های قابل سنجش تبدیل گردید و در قالب یک پرسشنامه 7 مرحله ای تدوین گردید. شرکت کنندگان در تحقیق شامل مدیران و کارشناسان مالی و بودجه ای سازمان های دولتی شامل ادارات کل برنامه و بودجه و ادارات اموزش و پرورش و کار و امور اجتماعی سه استان تهران، البرز و قم که در زمینه تخصصی بودجه در سازمان های دولتی مشغول به کار هستند. در مجموع بر اساس ارزشیابی بدست آمده اهداف کلی طرح در حد متوسط برآورد گردید که با توجه به وقت و هزینه صرف شده در این خصوص امیدوارکننده به نظر نمی رسد .ضمن آنکه اهداف مرحله اول در حد متوسط و مرحله دوم کمتر از متوسط برآورد گردید . عامل مدرک تحصیلی تاثیری در نتایج نداشت اما خانمها موفقیت طرح را کمتر و مدیران در مجموع موفقیت طرح را بیشتر برآورد کرده اند .

در این پژوهش ضمن نگاه بر سیر تکامل ادبیات پیش بینی درماندگی مالی، به ارائه یک مدل یادگیری عمیق پرداخته شده است. در این روش به شکلی مراحلی که روش های پیشین برای پیش بینی درماندگی طی کرده اند،  کوتاه تر و خودکارتر شده است. در نهایت، به مقایسه دقت پیش بینی مدل توسعه داده شده با مدل های پیشین در این حوزه پرداخته شده است. در این پژوهش یک شبکه عصبی پیچشی به عنوان یک مدل یادگیری عمیق که داده های 14 متغیر مرتبط با پیش بینی درماندگی مالی را در طول 3 سال متوالی واکاوی می کند، برای پیش بینی درماندگی مالی مورداستفاده قرار گرفته است.بدر این راستا، به منظور جلوگیری از خطاهای احتمالی تعمیم پذیری، از روش K-fold برای نمونه گیری فرعی استفاده شده است که داده های 300 نمونه را مورد بررسی قرار می دهد. در نهایت، با استفاده از آزمون ناپارامتریک Wilcoxon به بررسی معنی دار بودن اختلاف دقت پیش بینی ارائه شده میان مدل توسعه داده شده و مدل های پیشین پرداخته شده است. نتایج این پژوهش نشان می دهد مدل شبکه عصبی پیچشی به شکل معنی داری در سطح اطمینان 95 درصد مدل های پیش بینی درماندگی سابق از جمله رگرسیون لجستیک و ماشین بردار پشتیبان را در دقت پیش بینی شکست می دهد.

در این پژوهش با نگاهی آماری بر داده های بورس تهران اقدام به شناسایی رفتار و فرآیند تولید داده های بازده روزانه شاخص بورس تهران شده و پس از انجام آزمون های متعدد، با شناسایی رفتار آماری این داده ها و اظهارنظر راجع به کارایی این بازار، اقدام به توسعه مدلی نوین برای پیش بینی  آن شده است. لازم به ذکر است که ساختار مدل ارائه شده مطابق با رفتار آماری این داده ها تدوین شده است. مدل ارائه شده متشکل از دو شبکه عصبی مصنوعی احتمال ترکیبی و حافظه کوتاه مدت و بلندمدت ماندگار می باشد که با در نظر گرفتن تعداد رژیم های رفتاری متفاوت، حرکات روزانه بازده شاخص بورس تهران را در بازه زمانی آذر 1387 تا فروردین 1400 توضیح می دهد. آزمون های متفاوت کارایی ضعیف بازار را رد کرده و ذات آشوبی را در رفتار بازده شاخص کل بورس تهران نشان می دهد. مدل ارائه شده در این پژوهش توانسته است دقت بهتری نسبت به مدل بدون در نظر گرفتن رژیم کسب بنماید. آزمون دیابولد ماریانو معنی دار بودن این تفاوت دقت مدل ها را تائید کرده و آزمون معکوس با در نظر گرفتن هزینه معاملاتی نشان داده است که استراتژی این مدل با در نظر گرفتن چند رژیم، بازده بالاتری نسبت به مدل بدون رژیم و شاخص بازار کسب می کند.