نجمه نشاط

امروزه سیاستگذاری در شرایط بحران مالی با هدف خنثی سازی تبعات سوء اقتصادی، اجتماعی و سیاسی به یکی از مهم ترین ارکان مدیریت اقتصاد جهانی تبدیل شده است. با عنایت به پیشرفت سریع فناوری و تکنولوژی ها ی کامپیوتری می توان الگوی دقیق تری از این پدیده بر اساس تجربیات قبلی ترسیم و در قالب یک سیستم پشتیبان تصمیم گیری مورد استفاده قرار داد. با تکیه بر قابلیت تعمیم دهی مدل های شبکه عصبی مصنوعی، این رویکرد به منظور مدل سازی دینامیک های موجود در پدیده بحران مالی مورد استفاده قرار گرفته است. متغیرهای وضعیت اقتصادی، تولید ناخالص داخلی، شاخص ارزش صادرات، شاخص ارزش واردات، موقعیت زمانی و موقعیت جغرافیایی هر کشور در هنگام وقوع بحران مالی به عنوان ورودی های مدل شبکه عصبی مصنوعی و ترکیب بهینه سیاست ها برای مقابله با بحران مالی به عنوان خروجی مدل تعریف شده است. به منظور آموزش این شبکه، از اطلاعات مشخصات و شرایط حاکم بر سیستم ها و نیز سیاست های اتخاذ شده در مواجهه با بحران های مالی بزرگ دنیا از سال 1997 تا به امروز استفاده شده است. به منظور نشان دادن قابلیت مدل پیشنهادی، نحوه طراحی و پیاده سازی سیستم پیشنهادی در مورد بحران شیوع ویروس کووید-19 در ایران مورد کاوی شد. نتایج به دست آمده بیانگر آن می باشد که استفاده از مدل پیشنهادی به عنوان پشتیبان سیاستگذاران و تصمیم گیران حوزه های مدیریت مالی می تواند در حل مسائل نیمه ساختار یافته کمک کننده باشد و موجب بهبود کارایی تصمیم گیری و توجه بیشتر به اثر بخشی آن شود. به طوری که با توجه به نتایج حاصل از پژوهش حاضر، اتخاذ سیاست های پولی و مالی انبساطی و اعطای بسته های حمایتی به عنوان راهکارهای اساسی جهت کاهش اثرات بحران مالی ناشی از همه گیری کرونا در کشور ایران توصیه می شود.

صنعت گردشگری، مهم ترین منبع درآمد و ایجاد فرصت های شغلی برای بسیاری از کشورهای دنیاست که موتور توسعه محسوب می شود. بدون شک، چنین صنعتی در مقایسه با انواع بحران های طبیعی، انسانی و بیولوژیک آسیب پذیر است و شیوع بحران ها این صنعت را با چالش های جدی مواجه می کند. هدف از انجام این پژوهش، ارائه یک سیستم تصمیم یار مبتنی بر رویکرد شبکه عصبی است که با الگوبرداری از تجربیات کشورهای مختلف در مقابله با بحران های گردشگری ایجاد شده است. مدل شبکه عصبی پیشنهادی با تکیه بر قابلیت تعمیم دهی خود قادر است تا با مدل سازی دینامیک های موجود بین «سیاست ها/ عوامل و شرایط» حاکم بر اکوسیستم ها و «میزان اثربخشی سیاست های اتخاذ شده»، اثربخشی سیاست های پیش رو را برای بحران های احتمالی در اکوسیستم های مختلف پیش بینی کند. نحوه طراحی و پیاده سازی سیستم پیشنهادی برای بحران کرونا موردکاوی شد. خروجی های مدل بیانگر آن است که بهترین سیاست اتخاذشده برای بازگشت به شرایط گردشگری قبل از این بحران بیولوژیک در ایران، بهره گیری از سیاست «ترکیبی اقتصادی و مالی با آمادگی در مقابله با بحران» در وهله اول و سیاست «ترکیبی تمرکز بر گردشگری داخلی همراه با آمادگی» در مرتبه بعدی است که با توجه به معیارهای توسعه پایدار گردشگری و شرایط تحریم های اقتصادی در ایران، سیاست دوم برطبق معیار تعریف شده مدل، کاربردی تر خواهد بود.  

امروزه بسیاری از شرکت ها علاقه زیادی به اطلاعات مربوط به هزینه های واقعی محصولات و خدماتشان دارند. به منظور اندازه گیری هزینه های واقعی، چند روش و تکنیک در ادبیات ارائه شده است. یکی از مهم ترین آنها روش هزینهیابی برمبنای فعالیت (ABC) است. تعیین محرک هزینه در این روش هزینهیابی مرحله ای دشوار به شمار میآید. روش های مختلف برای این منظور معرفی شده اند اما هر روش نقاط ضعف خود را دارد. این مقاله به معرفی روش های دادهکاوی و تحلیل عاملی جهت بهبود و کارآیی تعیین محرک هزینه در سیستم هزینهیابی ABC میپردازد. روش های پیشنهادی به تصمیم گیرندگان اجازه میدهد تا چندین محرک هزینه و آثار آنها بر هزینه را به طور همزمان درنظر گرفته و مورد بررسی و تحلیل قرار دهند. بهکارگیری موفق روش ارائه شده در این مقاله در یکی از بانکهای ایرانی پیشرو (بانک توسعه صادرات ایران: EDBI)، تأییدی بر سودمندی و اثربخشی نتایج بهکارگیری روش پیشنهادی برای سیستم بانکی است.

در این مقاله با ارایه نمونه عملی فرآیند اسپری درایینگ، متدولوژی مدل‌سازی فرآیندها با استفاده سلسله مراتبی از تحلیل رگرسیونی و الگوریتم شبکه عصبی مصنوعی، با هدف کنترل پیش‌بینانه کیفیت، برای نخستین‌بار تشریح و پیاده‌سازی شده است. استفاده ازANNs در این مقاله، به منظور معماری مدل عصبی فرآیند اسپری درایینگ با اتخاذ یک رویکرد عمومی و انتخاب الگوریتم پس انتشار خطا به کمک داده‌های مستقیم است. فرض تاثیر مثبت اعمال تحلیل رگرسیونی بر ارتقا پایایی مدل عصبی، با محاسبه و تحلیل شاخص‌های ارزیابی پایایی مدل که عبارتند از: ضریب تعیین ، میانگین خطای نسبی (MRE) و جذر میانگین مربعات خطا (RMSE)، برای مدل عصبی و مدل عصبی- آماری (مدل عصبی با اعمال تحلیل رگرسیونی) تایید شد. در انتها با توجه به نتایج ارزیابی پایایی، سناریوهای مختلفی برای تنظیم ورودی‌های فرآیند توسط مدل عصبی- آماری فرآیند طراحی شد که با استفاده از آن می‌توان کنترل پیش‌بینانه را جایگزین روش‌های مبتنی بر سعی و خطا برای کنترل فرآیند کرد.