درخت حوزه‌های تخصصی

«توضیح» نزد بسیاری از فیلسوفان علم به عنوان یکی از اهداف عمدة علم مطرح است. نخستین الگوی توضیح که به نحو منطقی صورت بندی شد، الگوی توضیح استنتاجی ـ قانونی (D-N) است که کارل همپل و پاول اوپنهایم در مقاله ای با عنوان «مطالعاتی در منطق توضیح» در سال 1948 آن را معرفی کردند. این الگو در برهه ای از زمان، رایج ترین و مسلط ترین الگوی توضیح علمی بود و کاربرد آن در علوم مختلف بسیار نقد و بررسی شد. این مقاله درصدد است امکان کاربرد الگوی استنتاجی ـ قانونی (D-N) را در علم اقتصاد بررسی کند. آیا علم اقتصاد از شرایطی برخوردار است که بتوان الگوی توضیح استنتاجی ـ قانونی را در مورد آن بهکار برد؟ برای پاسخگویی به این پرسش، امکان تأمین شرایط توضیح استنتاجی ـ قانونی در علم اقتصاد بررسی میشود. در این مقاله، پس از تعریف علم دقیق و علم غیردقیق، انواع تعمیمات غیردقیق ــ شامل تعمیمات تقریبی، احتمالاتی یا آماری، خام، موجهاتی یا خلاف واقع، و مشروط ضمنی ــ بررسی میشود؛ سپس نمای کلی الگوی توضیح استنتاجی ـ قانونی به همراه شرایط کفایت منطقی و تجربی آن بیان میشود؛ آنگاه علم اقتصاد ازنظر تأمین شرایط کفایت منطقی این الگو یعنی آموزة استدلال، آموزة قانون، و شرط آزمون پذیری ارزیابی میشود. همچنین، به تناسب مباحث طرح شده، نکاتی دربارة کاربرد مدل توضیح نظری، و تقارن توضیح و پیش بینی در اقتصاد ارائه میشود. در پایان، از همة مباحث مقاله، در چند بند نتیجه گیری به عمل میآید.

در این مقاله عوامل موثر بر تقاضای سفر به ایران و سهم هر یک از آنها بررسی شده است. با توجه به اطلاعات بیش از سه دهه ٍْتابع تقاضا تصریح شده و مدل برآورد شده نشان می دهد که یک درصد افزایش در نسبت شاخص بهای کالاهای خدمات مصرفی در ایران به شاخص بهای کالاها و خدمات مصرفی جهانی، 25 صدم درصد تقاضای گردشگری به ایران را کاهش می دهد و یک درصد افزایش تولید ناخالص جهانی باعث میشود که 45 صدم درصد تقاضای گردشگری به ایران افزایش یابد و بالاخره میزان تقاضای سفر و به تبع آن درآمد ارزی حاصل از آن در دوره مورد بررسی به شدت تحت تأثیر مسایل امنیتی و تحولات داخلی است.

ایده رگرسیون جعلی در اقتصادسنجی توسط گرنجر و نیوبولد (1974) مطرح شد. این محققان نشان دادند که اگر متغیرهای مستقل و وابسته مورد استفاده در الگو باشند، تخمین الگو به روش حداقل مربعات معمولی باعث پیدایش نتایج غیر واقعی( یا جعلی) خواهد شد . اما سری های زمانی مورد استفاده در الگوها ممکن است خاصیت جمع بستگی متفاوتی داشته باشند. بنابراین، این سوال مطرح می گردد که آیا پدیده رگرسیون جعلی در الگوهای دارای درجات متفاوت جمع بستگی نیز وجود خواهد داشت یا خیر. در این مقاله پس از بررسی سیر تکامل تاریخی و مفهوم رگرسیون جعلی، نتایج یافته های برخی از مطالعات مهم در ارتباط با داده های سری زمانی با الگوهای دارای متغیرهای و و همچنین و مد نظر قرار گرفته و از بررسی متون آشکار گردیده است که در چنین شرایطی نیز احتمال وقوع رگرسیون جعلی وجود دارد. بنابراین پیشنهاد شده است که قبل از اقدام به تخمین هر الگویی، خواص سری های زمانیِ مورد استفاده، دقیقا" بررسی شود.

ین مقاله به بررسی مقایسه ای توان شبکه های عصبی مصنوعی و سری های زمانی خودبازگشت در پیش بینی ایستای نرخ تورم ایران می پردازد. در یک بررسی، با استفاده از 37 سال داده های تاریخی نرخ تورم ایران، مدل شبکه عصبی مصنوعی در پیش بینی آینده نزدیک در مقایسه با سری های زمانی خودبازگشت، به‎طور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقف زودهنگام در مرحله یادگیری شبکه عصبی برای پیش بینی سری های زمانی نشان داده شده است.

در صنعت بانکداری امروز وامها نقشی اساسی دارند، به طوریکه بخش زیادی از دارائیهای یک بانک از وامهای پرداخت شده به افراد و شرکتها تشکیل می شود، در نتیجه با توجه به افزایش تعداد درخواستهای وام از سوی افراد و با توجه به ریسک موجود در این رشته از فعالیتها، ارایه روشی برای مدیریت این وامها ضروری به نظر می رسد. در بین ریسک هایی که بانک با آن مواجه است، ریسک اعتباری از اهمیت ویژه ای برخوردار است. یکی از راه های کمی سازی و اندازه گیری ریسک اعتباری و در نتیجه مدیریت مناسب آن، استفاده از مدل های امتیازدهی اعتباری (CS) است. مدل CSبر اساس معیارهای کمی (مانند اطلاعات مالی افراد) و نیز معیارهای غیرکمی (مثل مشخصات مربوط به شخصیت اجتماعی افراد)، ویژگی ها و عملکرد وام های قبلی را مدل سازی می نماید تا عملکرد آتی وام هایی با مشخصات مشابه را پیش بینی کند. در CS یک نمره به هر مشتری اختصاص داده می شود، این نمره به عنوان شاخصی از ریسک مشتریان شناخته می شود. با مقایسه این نمره مقدار آستانه، مشتریان پر ریسک و کم ریسک از هم دیگر تفکیک میگردند. به رغم عمومیت استفاده از روش لاجیت در فرآیند اعتبار سنجی افراد، در این تحقیق سعی شده است روشی جایگزین که با توجه به وضعیت اطلاعات موجود در خصوص مشتریان حقیقی بانک ها در ایران که نسبت به مدل لاجیت برتری داشته باشد ارایه و با استفاده از یک مجموعه داده، کارایی و دقت آن در مقابل مدل لاجیت بررسی شود. به منظور ارزیابی مشتریان حقیقی بانک از مدل امتیازدهی لاجیت و روش غیر پارامتریک CART استفاده شده و نتایج نشان می دهد که روش دوم از دقت بالاتری در پیش بینی مشتریان خوب و بد با یک دیگر برخوردار است. علاوه براین، ضمن این که مدل های ساخته شده برای نمونه های تصادفی با حجم کوچک به روش نمونه گیری بازگردان نیز مورد ارزیابی قرار گرفتتند که، بار دیگر نتایج حاصل از مشاهدات نمونه مورد مطالعه دقت در تشخیص نوع مشتری از نظر خوش حسابی تاییید گردید.

مدل سازی عددی به منظور بررسی سیاست ها و تغییر و تحولات بازار بر اساس اطلاعات داده - ستانده داخلی در دو دهه ی اخیر با استقبال قابل توجه پژوهشگران روبرو بوده است. مدل های تعادل عمومی قابل محاسبه (CGE) ابزاری قوی برای تجزیه و تحلیل روابط پیچیده است. در تعادل عمومی کاربردی، مدل های تعادل جزئی از طریق روش خاص با مدل های تجمیعی اقتصاد کلان ترکیب می شوند. پیشرفت تکنولوژی کامپیوتر و وجود نرم افزارهای خاص، امکان مدل سازی با تعداد متغیرهای فراوان را فراهم نموده است. یکی از مسائل بسیار با اهمیت در مدل سازی تعادل عمومی کاربردی این است که در این روش ارتباط بین کلیه ی بخش های اقتصادی در نظر گرفته و به محدودیت منابع (مانند زمین و نیروی کار) نیز توجه می شود و با بعضی از قوانین اقتصاد کلان مانند تعادل پس انداز و سرمایه گذاری تلفیق می گردد. هدف این مقاله بررسی روش شناسی مدل تعادل عمومی قابل محاسبه و تصریح یک چارچوب استاندارد برای آن است، به طوری که زمینه ی تحلیل داده های حاصل را از طریق محاسبه و شبیه سازی روابط موجود در یک اقتصاد فراهم سازد.

مهمترین مساله برای سرمایه گذاران فعال در بازار سرمایه، پیش بینی قیمت سهام می باشد. هدف اصلی این مطالعه نیز بررسی کاربردپذیری پیش بینی قیمت سهام به وسیله شاخص های تحلیل تکنیکی با استفاده از شبکه های عصبی و مقایسه این روش با سایر روش های پیش بینی از جمله شبکه عصبی استفاده کننده از قیمت سهام و مدل های ARIMA می باشد. در این تحقیق قیمت سهام ده روز آینده چهل شرکت فعال در بورس اوراق بهادار تهران با استفاده از سه روش مختلف پیش بینی می شود. در روش اول با استفاده از یک شبکه عصبی پیش خور تک لایه با الگوریتم یادگیری لونبرگ - مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، قیمت پیش بینی می شود. سپس علاوه بر ورودی ارزش بازار، میانگین های متحرک پنج، ده و بیست روزه و ROC و RSI دوازده روزه نیز به عنوان ورودی به شبکه معرفی گردید و پیش بینی صورت گرفت. قیمت سهام با استفاده از مدل های ARIMA نیز برای کلیه شرکت های پیش بینی شد. با استفاده از تحلیل واریانس سه روش مختلف پیش بینی با یکدیگر مقایسه گردیدند. از آنجا که در مورد سی شرکت پیش بینی قیمت توسط مدل های ARIMA به طور معنی داری نسبت به مدل های شبکه عصبی نتایج بهتری ارایه نموده است می توان اظهار داشت که مدل های خطی - ARIMA بهتر از مدل های غیر خطی، شبکه های عصبی - توانسته اند پیچیدگی های سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرند.

یکی از پیشرفته ترین مدلهای پیش بینی کننده ورشکستگی، مدل «شبکه عصبی مصنوعی» است. مطابق نتایج تحقیق ساختار اصلی پرسپترون سه و چهار لایه برای پیش بینی ورشکستگی شرکتها به مدلهایی شبیه یکدیگر منتهی می شود که در این میان شبکه سه لایه از قدرت پیش بینی بیشتری نسبت به شبکه چهار لایه برخوردار است. این تحقیق نشان می دهد که «به کارگیری مدلهای مبتنی بر شبکه عصبی توانایی مدیریتهای مالی را برای مقابله با نوسانهای اقتصادی و ورشکستگی نسبت به مدلهای رقیب افزایش می دهد». پیش بینی ورشکستگی اقتصادی شرکتهای بازار بورس در سالهای 1385 و 1386 و ترسیم روند ورشکستگی این شرکتها در دورة 1369- 1386 از دیگر بخشهای این مقاله است. نتایج نشان می دهد که در سال 1385 تحت تأثیر سیاستهای شفاف سازی روند ورشکستگی اقتصادی شرکتها به طور چشمگیری افزایش خواهد یافت که با سازگارشدن شرکتها با شرایط جدید، تا حدی این روند در سال 1386 تعدیل می شود.

اطلاع از میزان تقاضای موجود در هر دوره یکی از مباحثی است که شرکت ملی گاز در راه پاسخگویی به مراجعان به آن نیاز دارد. عدم اطلاع از میزان تقاضای اشتراک سبب ایجاد مشکلاتی مانند عدم آگاهی از تعداد پیمانکاران مورد نیاز و همچنین فقدان برنامه کنترل موجودی مناسب برای انواع کنتورهای مورد نیاز و دیگر عوامل مرتبط می شود. در چند دهه گذشته، اقتصاددانان و علمای مدیریت برای برآورد تقاضا اغلب از روش های اقتصادسنجی استفاده کرده اند. امروزه از بین روش های پیش بینی، شبکه های عصبی مصنوعی و مدل های فازی در بسیاری از زمینه های کاربردی استفاده شده اند که هر کدام از آنها دارای محاسن و معایبی هستند. بنابراین، ترکیب موفقیت آمیز این دو روش، مدل سازی شبکه های عصبی مصنوعی و فازی، با اتکا به ترکیب قدرت یادگیری شبکه های عصبی و عملکرد منطقی سیستم های فازی تبدیل به ابزار بسیار قدرتمندی شده که هم اکنون کاربردهای گوناگونی دارند. در این تحقیق، تقاضای اشتراک گاز شهری خانگی شهر تهران با استفاده از روش خطی ARIMA و روش غیرخطی شبکه های عصبی فازی بررسی شده و از لحاظ شش معیار ارزیابی عملکرد با یکدیگر مقایسه شده اند. نتایج تحقیق بیان گر این حقیقت است که برای پیش بینی تقاضای اشتراک گاز شهری، شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد، بر روش ARIMA برتری داشته، بنابراین مناسب تر است.