مدل های هوش مصنوعی

سودهای حسابداری به دلیل جامعیت آن به اصطلاح آینه تمام قد از عملکرد شرکت محسوب می شوند. علاوه بر این یکی از مهم ترین رویکردهای پژوهش های حوزه افشای اختیاری این است که پیش بینی های مدیریت به دلیل دسترسی مدیران به برخی اطلاعات محرمانه، شاخص به موقعی در راستای ارزیابی وضعیت فعلی و آتی اقتصادی باشد، لذا در پژوهش حاضر به بررسی این نکته پرداخته شده است که آیا سودهای کل حسابداری (سود خالص و سود ناخالص) در کنار برخی از اطلاعات افشا شده توسط مدیران نظیر پیش بینی سود می تواند به عنوان شاخص پیش بینی کننده متغیرهای اقتصادی (نرخ تورم و نرخ بیکاری) باشند یا خیر. در همین راستا تعداد 88 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1385 تا 1395 به عنوان نمونه آماری پژوهش انتخاب شده است. همچنین در راستای پاسخگوئی به سؤال پژوهش، سه مدل مبتنی بر شبکه های عصبی، الگوریتم ژنتیک و الگوریتم تجمع ذرات طراحی و نتایج آنها مقایسه شده است.  نتایج بیانگر آن است که استفاده از الگوریتم تجمع ذرات و ژنتیک در آموزش شبکه عصبی مؤثر است. همچنین نتایج مبین آن است که سودهای کل حسابداری شاخص مؤثری در پیش بینی متغیرهای اقتصادی محسوب می شوند. این یافته نشانگر اهمیت اطلاعات حسابداری در سطح کلان اقتصادی است

ماهیت متغیرهای کمی و کیفی آب های زیرزمینی به دلیل تأثیر مستقیم در زندگی انسان، همواره یکی از موضوعات مطرح در تحقیقات علمی و دانشگاهی بوده است. هزینه بر بودن و عدم امکان مطالعه دقیق این منابع، لزوم استفاده از روش جدیدی را برای برآورد چنین متغیرهایی به طور کامل آشکار می کند. در این میان روش های درون یابی ریاضی و زمین آماری و مدل های هوش مصنوعی در سال های اخیر نتایج بسیار قابل قبولی از این برآوردها ارائه کرده اند. در تحقیق حاضرکه با هدف ارزیابی دقت روش های زمین آمار و شبکه عصبی مصنوعی انجام گرفته است، با استفاده از آمار اندازه گیری شده سطح تراز ایستابی آب های زیرزمینی در 46 حلقه چاه مشاهده ای منتخب برای سال 93، در دشت شبستر- صوفیان، اقدام به برآورد مقادیر نامعلوم سطح تراز در منطقه مورد  مطالعه با استفاده از روش های زمین آمار ( kriging ) و روش شبکه عصبی پرسپترون چند لایه ( MLP ) شده است. نتایج حاصل از این تحقیق نشان می دهد، روش شبکه عصبی ( MLP ) با میزان همبستگی بالا (96/0) و جذر میانگین مربعات خطای کمتر (18/13) نسبت به روش کریجینگ (با میزان همبستگی 90/0 و جذر میانگین مربعات خطای 10/20)، توانایی بالاتری در میان یابی سطح تراز آب زیرزمینی دشت شبستر- صوفیان دارد، که این نتیجه با تحقیقات قبلی در این زمینه مبنی بر توانایی  و انعطاف بیشتر مدل های هوش مصنوعی در مطالعات هیدروژئولوژیکی آبخوان ها مطابقت دارد. از این رو استفاده از روش های جدید مانند شبکه های عصبی مصنوعی( ANN ) و روش های فازی - عصبی تطبیقی ( ANFIS ) می تواند، در دستیابی به برآورد های دقیق تر از شرایط سفره های آب زیرزمینی و اطلاع از کم و کیف آن ها کمک شایانی به محققان و برنامه ریزان در این زمینه ارائه کند.