درخت حوزه‌های تخصصی

در پژوهش حاضر، با استفاده از اطلاعات جمع آوری شده 150 بهره بردار گندم منطقه زرقان فارس در سال زراعی1390-1389 مهم ترین عوامل مؤثر بر کارآیی زیربرداری نهاده آب در تولید این محصول شناسایی شد و مورد تجزیه و تحلیل قرار گرفت. به منظور محاسبه کارآیی زیربرداری آب از رهیافت تحلیل پوششی داده ها استفاده گردید. سپس، با کمک شبکه عصبی مصنوعی تابع پایه شعاعی (RBF) مهم ترین عوامل اثرگذار بر کارآیی زیربرداری آب شناسایی شد. در ادامه، با به کارگیری مدل توبیت، اثرگذاری مهم ترین عوامل شناسایی شده مورد بررسی قرار گرفت. نتایج خروجی شبکه عصبی به کار برده شده نشان داد که متغیرهای سطح زیر کشت محصول، درآمد ناخالص هر هکتار و مدت زمان میان دو آبیاری، اثرگذارترین عوامل بر کارآیی زیربرداری آب هستند. همچنین، نتایج حاصل از کاربرد مدل توبیت نیز نشان دهنده اثرگذاری مثبت متغیرهای سطح زیر کشت و درآمد ناخالص هر هکتار محصول و تأثیر منفی مدت زمان میان دو آبیاری بر کارآیی استفاده از نهاده ی آب است. در پایان، پیشنهاد گردید که به منظور افزایش کارآیی استفاده از آب در منطقه، یکپارچه سازی اراضی مورد توجه بیشتری قرار گیرد.

در این تحقیق به مطالعه برندسازی روزنامه های کشور در کلان شهرها پرداخته شده است. روزنامه ها برای جلب مخاطبان خود از روش های متفاوتی استفاده می کنند و بدین ترتیب برند می تواند نقش بسزایی برای روزنامه ها در جذب مشتریان داشته باشد. برندسازی منجر به ارتباط بهتر بین مشتریان و مطبوعات می گردد. ارائه اطلاعات صحیح و برندسازی، منجر به تداعی برند شده و در این پژوهش برای برندسازی از متغیر رضایت مشتریان نیز استفاده شده است. روش پژوهش، از نوع توصیفی - همبستگی است و جامعه آماری، مشتریان روزنامه های اقتصادی هستند که ۳۱۸ نفر به عنوان نمونه در دسترس پژوهش انتخاب شدند. برای گردآوری داده ها، از پرسشنامه محقق ساخته استفاده شد. به منظور تجزیه و تحلیل آماری داده ها، از ضریب همبستگی پیرسون و رگرسیون خطی استفاده شده است. نتایج پژوهش نشان دادند که همبستگی مثبت و معناداری بین آگاهی از برند، وفاداری به برند و کیفیت ادراک شده برند با رضایت مشتریان وجود دارد ولی بین تداعی از برند روزنامه های اقتصادی و رضایت مشتریان، رابطه معنی داری وجود ندارد. نتایج رگرسیون خطی نیز نشان دادند که وفاداری به برند در پیش بینی رضایت مشتریان سهم بیشتری دارد.

سرمایه گذاری مستقیم خارجی با نماد اختصاری(FDI)عبارت است از سرمایه گذاری که یک شرکت یا شخص حقیقی در کشوری دیگر جهت تجارت یا تولید انجام می دهد، این نوع سرمایه گذاری از جمله منابع باثبات و پایدار برای تأمین مالی خارجی است که نه تنها مشکلات استقراض خارجی را ندارد بلکه عاملی برای جبران کمبود سرمایه کشورها به حساب می آید. این نوع سرمایه گذاری، عامل مهمی در رشد و توسعه اقتصادی، رفع شکاف پس انداز – سرمایه گذاری، انتقال دانش فنی و شیوه های نوین مدیریتی است. اما سرمایه گذاران خارجی در صورتی سرمایه گذاری در کشوری را به کشور خود ترجیح می دهند که بازدهی مناسب و باثباتی را برای آن پیش بینی کنند که به عوامل متعددی بستگی دارد یکی از مهم ترین عوامل مؤثر بر بازده و امنیت سرمایه گذاری خارجی، ثبات است. بنابراین در این مطالعه به بررسی تأثیر سه نوع ریسک اقتصادی، مالی و سیاسی بر سرمایه گذاری مستقیم خارجی طی دوره 2000-2014 برای هفده کشور در حال توسعه و با استفاده از Panel ECM از طریق تخمین زننده حداقل مربعات کاملاً اصلاح شده پانلی می پردازد. متغیرهای مورد بررسی در این پژوهش عبارت اند از: سرمایه گذاری مستقیم خارجی، نرخ ارز واقعی، باز بودن تجاری، نرخ رشد تورم، تولید ناخالص داخلی واقعی و ریسک سیاسی، مالی و اقتصادی. نتایج نشان دهنده اثر بلندمدت منفی و معنادار هر سه ریسک مالی، اقتصادی و سیاسی بر سرمایه گذاری مستقیم خارجی است. ریسک سیاسی و مالی در کوتاه مدت اثر معنی داری بر سرمایه گذاری مستقیم خارجی ندارند، با این وجود بیشترین اثر بلندمدت، مربوط به ریسک سیاسی است. ضریب متغیرهای باز بودن تجاری، نرخ رشد تورم و تولید ناخالص داخلی واقعی مثبت و معنی دار و ضریب نرخ ارز واقعی منفی و معنی دار شده است.

کارشناسان اقتصادی و متخصصان بازارهای مالی همواره در پی یافتن روش هایی برای پیش بینی رفتار متغیرهای اقتصادی و مالی از جمله نرخ ارز بوده اند. مطالعات زیادی بر روی مدل های ساختاری و سری زمانی پیش بینی نرخ ارز انجام شده است. با این حال پیش بینی نرخ ارز همواره یک مسئله پیچیده بوده است و مدل سازی نرخ های ارز به چالشی در میان محققان حوزه مالیه بین الملل و متخصصان اقتصادسنجی تبدیل شده است. در این پژوهش ابتدا با استفاده از روش الگوریتم ژنتیک یک الگوی ترکیبی شامل مدل های ساختاری و سری زمانی ارائه می شود. سپس عملکرد آن با مدل های ساختاری و سری زمانی منفرد و همچنین با روش های دیگر ترکیب مانند استفاده از میانگین مقایسه می شود. نتایج به دست آمده نشان می دهند که در میان روش های پیش بینی نرخ ارز، روش ترکیب مدل ها به وسیله الگوریتم ژنتیک دقت بالاتری دارد.