امیرعلی اقتصاد

جابه جایی کالا جزء ضروری و لاینفک فرآیند برنامه ریزی توسعه ملّی است؛ هدف پژوهش حاضر، پیش بینی و پایش میزان تُن کیلومتر و بارنامه حمل شده کشور به منظور تشخیص رفتار غیرعادی است. در این پژوهش برای گردآوری داده ها از مشاهده ماهانه به دست آمده طی 6 سال (1395 تا 1400) که توسط «سازمان راهداری و حمل ونقل جاده ای ایران» به تفکیک هر استان جمع آوری شده، استفاده شده است. در این پژوهش تُن کیلومتر با روش های مختلف تن-کیلومتر و بارنامه پیش بینی شده و نتیجه برای یافتن رفتار غیرعادی پس از افزایش نرخ بهره و مالیات کنترل می شود. برای پیاده سازی مدل، از 72 داده تُن کیلومتر حمل شده و 72 بارنامه صادرشده که از 32 استان طی شش سال حمل ونقل جاده ای جمع آوری شده است، استفاده شد. چهار روش مختلف پیش بینی، یعنی جنگل تصادفی، شبکه عصبی LSTM، ARIMA و ETS به تفصیل بررسی شدند. نتایج تجربی نشان می دهد که جنگل تصادفی از سایر مدل ها بهتر عمل می کند. در این پژوهش از ابزار کنترل کیفیت آماری امتیاز z برای تشخیص داده های پرت و رفتار غیرعادی استفاده شد. نتایج تجربی حاکی از آن است که از 32 استان، 3 استان دارای رفتار غیرعادی هستند که یکی از آن ها به دلیلی غیر از افزایش نرخ بهره و مالیات حمل ونقل جاده ای است.

در جهان امروز اهمیت مدل های بهینه سازی سبد سرمایه گذاری به صورت فزاینده ای مورد توجه قرار گرفته است. هرچند پیش بینی بازده مورد انتظار گزینه های سرمایه گذاری و در نظر گرفتن آن ها در تابع هدف بیشینه سازی سود امری رایج است لیکن مهم ترین نوآوری پژوهش جاری کمینه سازی خطای پیش بینی به عنوان تابع هدف است. این نوآوری به سرمایه گذاران توصیه می کند که در تشکیل سبد سرمایه گذاری علاوه بر سود و ریسک، بر معیار مهم قابل پیش بینی بودن گزینه های سرمایه گذاری نیز تاکید گردد. ادغام پیش بینی بازده مدل های سری زمانی سنتی در تشکیل پورتفولیو می تواند عملکرد مدل بهینه سازی سبد اصلی را بهبود بخشد. از آنجایی که مدل های یادگیری ماشین و یادگیری عمیق برتری قابل توجهی نسبت به مدل های سری زمانی نشان داده اند، این مقاله پیش بینی بازده در تشکیل پورتفولیو را با مدل یادگیری ماشین، یعنی جنگل تصادفی و مدل یادگیری عمیق حافظه ی کوتاه مدت طولانی ترکیب می کند. به منظور ارزیابی عملکرد مدل پیشنهادی، داده های تاریخی 5 ساله از سال 1396 تا 1401 از شاخص 5 صنعت بانکی، خودرویی، دارویی، فلزی و نفتی است. نتایج تجربی نشان می دهد که مدل های بهینه سازی میانگین واریانس با پیش بینی بازدهی به وسیله جنگل تصادفی ، بهتر عمل می کنند.