سارا آریایی

افزایش جمعیت و تقاضای بیشتر در زمینه انرژی، گرم شدن کره زمین و معضلات زیست محیطی، جنگل زدایی، تخریب لایه ازون و بروز مشکلاتی همچون خشک سالی توجه محققان را به روش هایی جدید برای استفاده از انرژی های تجدید پذیر جلب کرده است. احداث ساختمان های انرژی صفر در شهرهای ایران می تواند گام بزرگی در پیشروی اقتصادی و کاهش مشکلات آلودگی کلان شهرها باشد. هدف این پژوهش شناسایی و اولویت بندی شهرهای مناسب ایران برای ساخت خانه های انرژی صفر است. بدین منظور از روش دلفی فازی و روش های تصمیم گیری چندشاخصه استفاده شده است. با مصاحبه با متخصصین در زمینه معماری، شهرسازی، مدیریت انرژی و آشنا به احداث ساختمان های انرژی صفر و با در نظرگرفتن نتایج حاصل از تحقیقات پیشین و همچنین مشخصات شهرهای مختلف، شهرهایی که برای احداث خانه های انرژی صفر مناسب هستند انتخاب شدند. سپس با استفاده از روش دلفی فازی، شاخص های لازم برای اولویت بندی شهرهای منتخب مشخص شده و وزن آن ها تعیین گردید. پس ازآن با استفاده از روش های مختلف تصمیم گیری چندشاخصه، شهرها اولویت بندی شدند. نتایج نشان داد شهرهای یاسوج، شیراز و تبریز و اراک شهرهای مناسبی برای ساخت خانه های انرژی صفر در ایران هستند.

امروزه پدیده پول شویی به تهدیدی جدی برای اقتصاد جهانی تبدیل شده است. روش های سنتی مقابله با پول شویی هزینه بر و ناکارآمد هستند. اخیراً تکنیک های داده کاوی گسترش پیدا کرده اند و به عنوان روش های مناسب برای کشف فعالیت های پول شویی مورد توجه قرار گرفته اند. هدف این تحقیق، استفاده از الگوریتم های داده کاوی در کشف موارد مشکوک به پول شویی با استفاده از داده های واقعی تراکنش های بانکی است که ممکن است نیاز به بررسی های بیشتر داشته باشند. تحلیل داده ها با استفاده از فرآیند CRISP-DM انجام شده است. جامعه آماری تراکنش های بانک و نمونه آماری تراکنش های مربوط به یکی از شعب بانک است. داده ها از بانک اطلاعاتی بانک مورد مطالعه جمع آوری شده است. برای انجام این کار از دو رویکرد استفاده شده است. در رویکرد اول با استفاده از الگوریتم k-میانگین ابتدا تراکنش های بانکی افراد خوشه بندی شده اند، سپس با استفاده از به کارگیری الگوریتم های کشف موارد مشکوک، تراکنش هایی که ممکن است مشکوک به پول شویی باشند مشخص گردیده اند. در رویکرد دوم، روشی نوین با به کارگیری قانون بنفورد و روش GANs برای کشف حساب هایی که در تراکنش های آن ها از ارقام ساختگی استفاده شده است و ممکن است مشکوک به پول شویی باشند معرفی شده است. رویکرد اول می تواند حساب هایی که در تراکنش های آن ها موارد پرت وجود دارد را با دقتی حدود ۹۳٪ درصد، و رویکرد دوم می تواند حساب های مشکوکی که در پنهان نمودن ارقام ساختگی در تراکنش های آن ها، از روش های حرفه ای استفاده نشده است را با دقتی حدود ۶۰٪ به درستی تشخیص دهد.

هدف از پژوهش حاضر، پیش بینی تقاضای کل مصرف برق کشور ایران بر پایه شاخص های اقتصادی- اجتماعی و با استفاده از روش های فرا ابتکاری است. برای رسیدن به این هدف دو استراتژی مختلف مورد بررسی قرار گرفته است. در استراتژی اول از الگوریتم ژنتیک، الگوریتم بهینه سازی انبوه ذرات و الگوریتم رقابت استعماری برای تعیین معادلات پیش بینی تقاضای انرژی الکتریکی استفاده شده است. بدین منظور اطلاعات مربوط به شاخص های جمعیت، تولید ناخالص داخلی، قیمت برق و مصرف برق طی سال های 1347 تا 1394 مورد استفاده قرارگرفته و مدل های پیش بینی تقاضا به دو صورت خطی و غیرخطی ارائه شده است. در استراتژی دوم از شبکه های عصبی مصنوعی آموزش داده شده با الگوریتم های فراابتکاری فوق الذکر برای پیش بینی تقاضای برق بر پایه همان متغیرهای ورودی تعیین شده در استراتژی اول استفاده شده است. نتایح نشان داد مدل نمایی توسعه یافته با الگوریتم بهینه سازی انبوه ذرات، با درصد قدرمطلق میانگین خطای 85/2%، بهترین دقت را در پیش بینی تقاضای انرژی الکتریکی ایران دارد. تقاضای برق ایران تا سال 1404 پیش بینی شد و انتظار می رود به مقدار 324 تراوات ساعت برسد.

پروژه ها در سازمان های مختلف به خصوص در سازمان های پروژه ای و اجرایی دارای نقش مهمی هستند؛ اما در حال حاضر پروژه ها، به خصوص پروژه های صنعتی با تأخیر زمانی همراه هستند. پیش بینی مدت زمان تأخیر در انجام پروژه های نفت با توجه به نقش حدود 25 درصدی صنعت نفت در تولید ناخالص ملی و سهم 85 درصدی در صادرات و میانگین تأخیر زمانی 30 درصدی پروژه های مهندسی، تدارکات و ساخت (EPC)، از اهمیت خاصی برخوردار است. در این پژوهش به تعیین مهم ترین عوامل مؤثر بر تأخیر زمانی پروژه ها و قوانین منجر به تاخیر زمانی آنها پرداخته شده است. داده ها از پایگاه داده اطلاعاتی امور قراردادها و پروژه های شرکت نفت و گاز پارس جنوبی گردآوری شده-اند. تعداد 206 پروژه انتخاب و با با در نظر گرفتن معیارهای مختلف پیش بینی تاخیر زمانی انجام شده است. برای پیش بینی مدت زمان تاخیر پروژه ها از 5 الگوریتم درخت تصمیم استفاده شده است که این الگوریتم ها عبارتند از: C&R ، C5، CHILD ، QUEST و AS. نتایج اعتباریابی 10 تایی نشان داد بهترین الگوریتم درخت تصمیم برای پیش بینی مدت زمان تاخیر پروژه ها الگوریتم های C5 و CHILD با دقت حدود 91 درصد هستند.

امروزه بانک ها و موسسات مالی و اعتباری برای افزایش سود، کاهش هزینه، رقابت با رقبا، جذب مشتریان و افزایش بهره وری در تلاش هستند. یکی از عواملی که به عملی کردن این استراتژی ها کمک می کند مکان یابی بهینه شعب می باشد. این تحقیق با هدف مکان یابی شعب جدید بانک مهر اقتصاد در منطقه یک شهر تهران انجام گرفته است. از آنجا که تمرکز مراکز خدماتی از جمله بانکها بر بیشترین سرویس دهی و یا در صورت امکان سرویسدهی کامل خدمات به مشتریان است از بین تمامی مدلهای پوشش، مدل حداکثر پوشش به عنوان بهترین گزینه برای مکانیابی شعب بانک انتخاب شده است. برای این منظور ابتدا ادبیات مکانیابی شعب بانک، سیستم اطلاعات جغرافیایی (GIS) و مساله مکانیابی حداکثر پوشش (MCLP) بررسی شدند. سپس محقق از طریق مطالعات کتابخانه ای و مصاحبه با کارشناسان به شناسایی معیارها و زیرمعیارهای موثر در مکانیابی شعب بانک پرداخت. وزن معیارها و زیرمعیارها با پخش کردن پرسشنامه بین مدیران بانک تعیین گردید. از سیستم اطلاعات جغرافیایی برای استخراج برخی از اطلاعات ورودی به مدل و از مدل حداکثر پوشش وزندار با در نظر گرفتن پوشش جزئی برای تعیین بهترین مکانها استفاده شد. مدل برنامهریزی ریاضی با 393 متغیر صفر و یک، 122 محدودیت، 121 ناحیه تقاضا، 121 نقطه بالقوه، بافر 1111 متر،

در عصر حاضر، بنگاه های اقتصادی، به ویژه بانک ها و مؤسسه های مالی و اعتباری، برای رقابت در دنیای کسب و کار به دنبال حداکثر پوشش مشتریان، کاهش هزینه و افزایش سود و کارایی هستند. برای این منظور با استفاده از روش های علمی به دنبال تعیین و انتخاب بهترین مکان برای شروع فعالیت اقتصادی می باشند. مطالعه حاضر با هدف مکان یابی شعب «بانک مهر اقتصاد» در منطقه یک شهر تهران با استفاده از سیستم اطلاعات جغرافیایی و مدل حداکثر پوشش وزن دار انجام گرفته است. ابتدا از طریق مطالعات کتابخانه ای و مصاحبه با کارشناسان معیارها و زیرمعیارهای مؤثر در مکان یابی شعب بانک شناسایی شدند؛ سپس با تهیه دو پرسشنامه و توزیع آن ها در میان مدیران بانک، وزن معیارها و زیرمعیارها بر اساس روش بهترین بدترین به دست آمد. از سیستم اطلاعات جغرافیایی برای تعیین نقاط بالقوه که ورودی مدل حداکثر پوشش وزن دار هستند، استفاده شد؛ درنهایت مکان های مناسب با حل مدل حداکثر پوشش وزن دار در نرم افزار متلب مشخص شدند.