مدل هیبریدی

تصمیم به سرمایه گذاری در سیستم های اطلاعاتی، یکی از دغدغه های مدیران است. عدم قطعیت از یک سو و وجود اهداف و معیار های گوناگون، کیفیت تصمیم های مدیران را تحت تأثیر قرار می دهد. با تغییر شرایط محیطی و پارادایم های حاکم بر فضای رقابتی، تصمیم های سرمایه گذاری که بدون توجه به عدم قطعیت ها اتخاذ شده باشند، جذابیت خود را از دست می دهند. تصمیم گیری در مورد سرمایه گذاری درون سیستم های اطلاعاتی نیازمند توجه به معیارهای مختلفی مانند بازگشت سرمایه گذاری، رقابت پذیری استراتژیک و رضایت مندی کاربر است و رویکردهای تصمیم گیری چند معیاره نقش مهمی را برای در نظرگرفتن این معیارها به وجود می آورند. این تحقیق با تلفیق ابزارهای برنامه ریزی سناریو (ابزار مدلسازی عدم قطعیت محیط)، طراحی بدیهی (رویکرد ارزیابی چند معیاره) و روش دلفی فازی (رویکرد اخذ نظرات متخصصان) در قالب مدل هیبریدی، روش شناسی برای ارزیابی سرمایه گذاری در پروژه های سیستم های اطلاعاتی در قالب برون سپاری یا درون سپاری تأمین این سیستم ها پیشنهاد می دهد. روش شناسی پیشنهادی در مطالعه موردی سیستم برنامه ریزی منابع سازمانی در شرکت ملی نفت ایران مورد آزمایش قرار می گیرد.

پیش بینی شاخص قیمت بازار سهام به علت تاثیرپذیری آن از بسیاری عوامل اقتصادی و غیراقتصادی همواره امری مهم و چالش برانگیز بوده، به طوری که انتخاب بهترین و کارآمدترین مدل به منظور پیش بینی آن امری دشوار می باشد. از طرفی سری های زمانی دنیای واقعی، برای مثال سری زمانی شاخص قیمت سهام، به ندرت دارای ساختاری کاملاً خطی و یا غیرخطی است. مدل های هموارسازی نمایی، میانگین متحرک خودرگرسیون انباشته (آریما) و شبکه عصبی خودرگرسیون غیرخطی می تواند برای پیش بینی بر اساس سری های زمانی استفاده گردد. در این پژوهش به منظور استفاده از مزیت های هریک از این مدل ها و کاهش خطای پیش بینی، روشی هیبریدی با استفاده از ترکیب خطی نتایج پیش بینی این مدل ها آزمون شده است. وزن های بکاررفته به منظور ترکیب نتایج با استفاده از الگوریتم ژنتیک و همچنین بکارگیری وزن های مساوی تعیین گردیده است. پس از مشخص شدن قابلیت پیش بینی پذیری سری زمانی مورد مطالعه (با استفاده از آزمون نسبت واریانس)، روش ترکیبی مذکور بر روی مقادیر ماهیانه شاخص قیمت بورس اوراق بهادار تهران بکارگرفته شد. نتایج بدست آمده نشان دهنده کاهش خطای پیش بینی های صورت گرفته توسط مدل هیبریدی (در حالت استفاده از وزن های مساوی) نسبت به مد ل های تشکیل دهنده آن است.

اندازه گیری ریسک اعتباری و برآورد احتمال نکول شرکت ها از مهم ترین چالش های مطرح در حوزه اعتباری است. مدل های ساختاری و مدل های غیرساختاری دو چارچوب اصلی برای برآورد ریسک نکول و ریسک های اعتباری هستند؛ اما هرکدام از این مدل ها دارای نقاط قوت و ضعف هستند و به نظر می رسد ترکیب این دو چارچوب و ارائه یک مدل هیبریدی بتواند پیش بینی دقیق تری از ریسک نکول شرکت ها ارائه کند. در پژوهش حاضر از یک مدل هیبریدی برای سنجش ریسک نکول شرکت های بورسی و فرابورسی در فاصله زمانی 1397-1386 که طبق قوانین بازار سرمایه ایران به بازار پایه انتقال یافته اند استفاده شده است. ابتدا از مدل مرتون (از مدل های ساختاری) برای سنجش ریسک نکول این شرکت ها استفاده شد و سپس نتایج این مدل با مدل Z آلتمن (از مدل های غیرساختاری) مقایسه شده است. سپس با تحلیل رگرسیونی نسبت های مالی مختلف، متغیرهای معنی دار شناسایی شده و مدل مرتون و Z آلتمن به صورت جداگانه و ترکیبی از نظر آماری مقایسه شدند. یافته ها نشان می دهد که مدل هیبریدی نسبت به مدل های ساختاری و مدل های غیرساختاری، پیش بینی دقیق تری از ریسک نکول ارائه می دهد. با وارد کردن نتایج هریک از این دو مدل به مدل هیبریدی، توان آماری مدل هیبریدی افزایش پیدا می کند؛ بنابراین بهره گیری از مدل ترکیبی به بانک ها و مؤسسات اعتباری کمک خواهد کرد تا منابع را با ریسک کمتری در اختیار شرکت های سالم تر قرار دهند.

امروزه مدل های هیبریدی هوش مصنوعی به عنوان یک روش مناسب برای شبیه سازی پدیده های هیدرولوژیکی از جمله برآورد کمی جریان رودخانه ها مطرح است. بدین منظور جهت برآورد میزان آبدهی رودخانه ها رویکردهای متنوعی در هیدرولوژی وجود دارد که مدل های هوش مصنوعی از مهم ترین آن ها می باشد.  بنابراین در این پژوهش عملکرد مدل های رگرسیون بردار پشتیبان_ موجک، رگرسیون بردار پشتیبان_گرگ خاکستری و رگرسیون بردار پشتیبان_خفاش جهت شبیه سازی دبی رودخانه کشکان واقع در استان لرستان طی دوره ی آماری 1399-1389 در مقیاس زمانی روزانه ی مورد تجزیه و تحلیل قرار گرفت. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدر مطلق خطا و بایاس برای ارزیابی و عملکرد مدل ها انتخاب شد. نتایج نشان داد الگوهای ترکیبی نتایج قابل قبولی در شبیه سازی دبی رودخانه دارند. مقایسه ی مدل ها نیز نشان داد مدل رگرسیون بردار پشتیبان-موجک در مرحله ی صحت سنجی مقادیر 960/0R2=، 045/0RMSE=، 024/0MAE =، 968/0NS= و001/0BIAS= در پیش بینی جریان روزانه ی رودخانه از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی رگرسیون بردار پشتیبان-موجک می تواند در زمینه ی پیش بینی دبی روزانه مفید باشد.

در این پژوهش به منظور شبیه سازی سطح آب زیر زمینی دشت خرم آباد عملکرد مدل های هیبریدی رگرسیون بردار پشتیبان-موجک، رگرسیون بردار پشتیبان خفاش، رگرسیون بردار پشتیبان- گرگ خاکستری برای چهار چاه پیزومتری سراب پرده، ناصروند، سالی و پل بابا حسین که دارای آمار همگن و فاقد داده های مفقود بودند انجام شد. جهت مدلسازی، پارامترهای بارش (P)، دما (T) و سطح آب زیرزمینی (H) و برداشت از منابع آب (q) در مقیاس ماهانه بعنوان ورودی مدل ها در طی دوره آماری 1400-1380 به کار برده شد. لازم به ذکر است جهت مدلسازی 80 درصد داده ها برای آموزش و 20 درصد باقی مانده جهت تست، بصورت تصادفی، که گستره وسیعی از انواع داده ها را پوشش دهد، انتخاب شد. معیارهای ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب نش ساتکلیف (NS) برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد ساختار ترکیبی در کلیه مدل های مورد بررسی عملکرد بهتری نسبت به سایر ساختارها ارائه می دهد. همچنین نتایج نشان داد مدل رگرسیون بردار پشتیبان موجک طبق شاخص های ارزیابی، در چاه پیزومتری سراب پرده دارای مقادیر R=0.978، RMSE=0.221 m، MAE=0.011 m،0.985 NS= و نیز در چاه پیزومتری ناصروند دارای مقادیر R=0.981، RMSE=0.168 m، MAE=0.008 m،0.991 NS= و همچنین چاه پیزومتری سالی دارای مقادیر R=0.980، RMSE=0.186 m، MAE=0.010 m،0.986 NS= و در نهایت چاه پیزومتری پل بابا حسین دارای مقادیر R=0.985، RMSE=0.101 m، MAE=0.007 m،0.995 NS= می باشد، نسبت به سایر مدل ها از توانایی مطلوبی برخوردار است.

ارزیابی ریسک اعتباری یک بخش ناگسستنی از فرآیند اعطای وام می باشد. اهمیت اعتبارسنجی اخیراً به خاطر بحران مالی و کفایت سرمایه بانک ها افزایش یافته است. هدف از این پژوهش آزمون یک روش جدید و صحیح تر برای برآورد امتیاز اعتباری شرکت ها می باشد. بنابر روش های آماری سنتی و تکنیک های هوش مصنوعی (AI)، این پژوهش به پیروی از لی و همکاران، 2016 به آزمون مدل هیبریدی می پردازد که این مدل تلفیقی از مدل رگرسیون لجستیک و شبکه های عصبی مصنوعی(ANN) می باشد. جامعه آماری تحقیق حاضر شرکت های تولیدی پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1389 تا 1395 می باشد. روش نمونه گیری به روش حذف سیستماتیک بوده که باتوجه به در نظر گرفتن معیارها تعداد 90 شرکت تولیدی به عنوان نمونه پژوهش انتخاب شدند. نتایج تحقیق نشان می دهند که مدل هیبریدی نسبت به مدل های رگرسیون لجستیک و شبکه های عصبی مصنوعی از اعتبار بالاتری در سنجش ریسک اعتباری شرکت های پذیرفته شده در بورس اوراق بهادار تهران برخوردار است .