پیش بینی

هوش مصنوعی، در دنیای فناورانه امروزی، با اثبات کارآمدی و قابلیت هایش جریان انقلاب چهارم را به راه انداخته و همچون موجی عظیم و قدرتمند تمامی عرصه های زندگی بشر را دربر گرفته و به یاری یا جایگزینی بسیاری از مشاغل برخاسته است. یکی از حوزه های کاربرد هوش مصنوعی در تحقیقات جنایی است که به کشف جرم، شناسایی متهم، اثبات بزهکاری و شناسایی بزه دیده می پردازد. این امر به بهبود و تسریع عملکرد پلیس کمک می کند، دقت در تحقیقات جنایی را افزایش می دهد و نقش مؤثری در پیشگیری از بزهکاری و رفتارهای پرخطر جامعه خواهد داشت. همچنین، در اجرای عدالت پیش گیرنده و ایجاد امنیت در جامعه و بهبود تصمیمات قضایی برای اعطای نهادهای ارفاقی نقش مؤثری ایفا خواهد نمود. در این مقاله قابلیت ها و ظرفیت های هوش مصنوعی در تحقیقات جنایی و نمونه های مشابه کارشده در جهان ارائه و تحلیل شده است تا ضرورت به کارگیری هوش مصنوعی در تحقیقات جنایی به اثبات رسد و اقدامات و برنامه ریزی لازم از جانب سیاست گذاران و دولتمردان این حوزه صورت پذیرد. مهم ترین عناوین موردبحث شامل عملکرد هوش مصنوعی در کشف و پیش بینی جرم، ظرفیت های خطرپذیری بزهکاران و قابلیت اعمال نهادهای ارفاقی و معرفی برنامه های هوش مصنوعی پیاده شده در حوزه تحقیقات جنایی در جهان است.

 یکی از مهم ترین مشکلات در پیش بینی پدیده های اقتصادی فقدان داده های کافی و یا وجود داده های مفقودی قابل توجه در سری های زمانی است. در مقاله حاضر با استفاده از روش جدید خودتوضیح شبکه ای تعمیم یافته، داده های سری زمانی مربوط به نرخ رشد تولید ناخالص داخلی مربوط به ۱۸ کشور حوزه خاورمیانه و شمال آفریقا از سال ۱۹۸۰ تا ۲۰۱۹ مدل سازی شد. در این مجموعه، 42/13 درصد از کل مشاهدات موجود نیست. در روش پیشنهادی، شبکه یا گراف تصادفی که راس ها یا گره های آن کشورها یا سری های زمانی مربوط به آن ها است در نظر گرفته شد. سپس مدل خودتوضیح هر گره براساس تمامی داده های گره های همسایگی چند مرحله آن ساخته شد. برخی پارامترهای مدل مدنظر می تواند به گره وابسته باشد (مدل محلی) یا برای تمامی گره های شبکه یکسان لحاظ شود (مدل سراسری). داده های مفقودی نیز توسط تغییر در وزن یال های شبکه روی گره ها مدل شد. در انتها، براساس مدل ساخته شده سری زمانی پیش بینی شد. از آنجا که ساختار شبکه بر مدل و در نهایت بر پیش بینی تاثیرگذار است و بررسی تمامی شبکه های ممکن دشوار است برای مدل سازی به روش پیشنهادی از 10 هزار شبکه تصادفی بدون جهت و ۱۶ مدل شامل 8 مدل محلی و 8 مدل سراسری روی هر شبکه در نظر گرفته شد. از بین 160 هزار مدل ساخته شده، مدلی که بتواند کمترین خطای پیش بینی را داشته باشد به عنوان بهترین شبکه انتخاب و از آن برای پیش بینی اصلی استفاده شد.کمترین میزان خطای پیش بینی یک گام درون نمونه ای، مربوط به شبکه محلی با ۶۴ یال و تعداد پارامترهای مدل متناظر با آن 4 به دست آمد. در نهایت، مدل مورد بررسی با مدل های کلاسیک همچون خودتوضیح و خودتوضیح برداری مورد مقایسه قرار گرفت که برتری مدل ارائه شده در کاهش خطای پیش بینی نسبت به دو مدل کلاسیک مذکور، قابل توجه است.

سیستم حمل و نقل درون شهری به عنوان ابزار مهم و موتور محرک، توسعه ی شهرها در اقتصاد محلی و منطقه ای به شمار می آید. چرا که اگر جوامع شهری امروز دارای امکانات و زیرساخت های مناسب حمل و نقل شهری نباشند، خسارات جبران ناپذیر اقتصادی را بر خود تحمیل می نماید. در این راستا اقلیم شناسان تلاش می کنند با تجزیه و تحلیل داده های یک یا چند متغییر اقلیمی در گذشته، به قوانین و مدل هایی دست یابند که بر این اساس، وضعیت اقلیم را در آینده پیش بینی کنند. شبکه های عصبی مصنوعی از مؤلفه های هوش مصنوعی است که امروزه به طور وسیع در زمینه مدل سازی و پیش بینی پارامترهای اقلیمی مورد استفاده قرار می گیرد. در این پژوهش، سعی شده با پیش بینی سرمای دیررس بهاره ایستگاه خرم آباد با استفاده از مدل پرسپترون چند لایه (MLP) به تاثیر آن برسیستم حمل و نقل شهری، ضمن آشکارسازی رخداد وقوع، نسبت به کاهش خسارات و اختلالات ناشی از آن به خودروها و تاسیسات زیرساختی حمل و نقل درون شهری و غیره زمینه ای ایجاد نمود تا تدابیر لازم اتخاذ گردد. به منظور دستیابی به این مهم از متغیرهای میانگین ماهانه حداقل و حداکثر دما، میانگین حداقل و حداکثر رطوبت نسبی، مجموع ساعات آفتابی و میانگین مجموع بارش ماهانه طی دوره آماری 28 ساله (2009-1981) جهت پیش بینی دماهای حداقل ماه های آوریل و می سال های 2010 تا 2012 و مقایسه آن با داده های واقعی استفاده گردید. جهت این کار از امکانات و توابع موجود در نرم افزار MATLAB بهره گرفته شد. سپس به بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین و همبستگی و درصد خطای نسبی پرداخته شد. یافته ها بیانگر وقوع یخ بندان بهاره برای 80% احتمال و دوره برگشت 49/1 ساله روز 187 یعنی 7 فروردین ماه است. و حداکثر خطای این مدل با داده های واقعی کم تر از 10/0 درجه سلسیوس است که توانایی قابل توجه مدل شبکه عصبی مصنوعی در مدلسازی پیش بینی دماهای حداقل را نشان می دهد. بنابراین توجه به پدیده های اقلیمی از جمله یخ بندان بر مدیریت و توسعه حمل و نقل شهری تاثیر شایانی می گذارد و باید از نظر کارشناسان این امر در الویت دقت قرار گیرد.

توریسم نقش مهمی در اشتغال زایی و ایجاد درآمد در کشورها دارد و در دهه های اخیر، رشد قابل توجهی داشته است. به دلیل جاذبه های فرهنگی و طبیعی، ایران موقعیت منحصربفردی در صنعت توریسم دارد. بنابراین توسعه این صنعت می تواند یک روش مناسب برای بهبود شرایط اقتصادی ایران و کاهش وابستگی آن به نفت باشد. هدف مطالعه حاضر، پیش بینی ورود فصلی گردشگر به ایران است. بدین منظور از رهیافت باکس- جنکینز فصلی ([1]SARIMA) و الگوهای جمعی فصلی مبتنی بر آزمون ریشه واحد فصلی استفاده شده است. دوره زمانی مطالعه 44 فصل از سال های 90-1380 را شامل می شود. نتایج آزمون ریشه واحد فصلی [2]HEGY نشان داد که سری ورود گردشگر خارجی به ایران دارای ریشه واحد فصلی است. مقایسه ی نتایج پیش بینی های صورت گرفته با الگوهای جمعی فصلی و SARIMA نشان داد که مدل جمعی فصلی از دقت بیشتری نسبت به الگوی رقیب یعنی SARIMA برخوردار است و از این رو به عنوان الگوی مناسب جهت تبیین رفتار فصلی جریان ورود تورسیم به ایران انتخاب شد. <br clear="all" /> [1]Seasonal Auto-Regressive Integrated Moving Average Approach [2] Hylleberg, Engle, Granger and Yoo test

در این مقاله بررسی می شود که آیا قیمت آتی سکه طلا در بورس کالای ایران پیش بینی کننده دقیقی از قیمت نقدی سکه در زمان سررسید همان قرارداد آتی است. این پژوهش به کمک داده های روزانه قیمت آتی و نقدی سکه در فاصله آذر سال ۱۳۸۷ الی تیر ۱۳۹۷ انجام می شود. بررسی رابطه هم انباشتگی بین قیمت آتی و قیمت نقدی در زمان سررسید نشان می دهد در افق های کمتر از ۱۰۰ روز هم حرکتی قابل ملاحظه و تقریباً یک به یکی بین این دو قیمت وجود دارد که حاکی از آن است که قیمت های آتی در این افق ها حاوی اطلاعاتی از قیمت های نقدی زمان سررسید هستند. در این تحقیق همچنین، دقت پیش بینی قیمت آتی با پیش بینی های حاصل از مدل های سری زمانی مقایسه می شود. نتایج نشان می دهد که در افق های کوتاه مدت، عملکرد قیمت آتی بهتر بوده و با افزایش افق از این برتری کاسته می شود اگرچه همچنان قیمت آتی به طور معناداری بدتر از سایر مدل ها پیش بینی نمی کند.

کاهش باروری به زیر سطح جانشینی و پایین تر از آن در ایران، سیاستگذاران را به ارائه تسهیلاتی برای افزایش فرزندآوری زنان متوجه کرده است، با اینحال تاثیر مشوقهای باروری به دقت بررسی و ارزیابی نشده است. مقاله حاضر، با استفاده از داده های طرح بررسی تحولات باروری در استان تهران (1396) با حجم نمونه حدود 1500 خانوار، رفتار پیچیده باروری پایین را با استفاده از مدل سازی عامل بنیان در نرم افزار انی لاجیک پیش بینی می نماید. سناریوهای مختلفی از جمله سناریوهای اقتصادی، ارائه تسهیلات دولتی، افزایش تعداد ازدواج، کاهش میانگین سن ازدواج و سناریو ترکیبی در نظر گرفته شد. نتایج شبیه سازی روند نزولی برای باروری در استان تهران برای ده سال آینده را نشان داد و براساس آن میزان باروری کل از رقم 1.4 فرزند در سال 1398 به 1.06فرزند در سال 1408 خواهد رسید، ولی افزایش 20 درصدی تعداد ازدواج زنان، می تواند میزان باروری کل را از 1.60فرزند به 1.26فرزند در سال 1408 افزایش دهد. نتایج شبیه سازی سناریوی ترکیبی نیز نشان داد که درصورت کاهش میانگین سن ازدواج در کنار بهبود شرایط فرزند آوری، میزان باروری کل به 6/1 فرزند در سال 1408 افزایش خواهد یافت. نتیجه سیاستی تحقیق حاضر بیانگر این است که برنامه های افرایش جمعیت بایستی با در نظرداشت میزان تاثیرگذاری عوامل تشویقی بر رفتارهای باروری زوجین تدوین شوند تا ضمن تحقق باروری ایده آل و قصد شده آنان، دستیابی به اهداف سیاست های جمعیتی را تسهیل نمایند.  

مقدمه: حوادث ترافیکی یکی از دلایل اصلی مرگ ومیر در سراسر جهان از جمله ایران محسوب می شود. عوامل متعددی در بروز حوادث ترافیکی نقش دارند که با استفاده از مدل های مختلف می توان این عوامل را شناسایی و بروز حوادث ترافیکی را پیش بینی کرد. هدف این مطالعه پیش بینی حوادث ترافیکی بر اساس وضعیت آب وهوا با استفاده از شبکه عصبی مصنوعی می باشد. روش ها: پژوهش حاضر به روش کمی بین سال های 1393 تا 1396 انجام شد که داده های ترافیکی طی با استفاده از شبکه پرسپترون چندلایه بررسی شد. متغیرهای ورودی شبکه شامل حداقل دما، میانگین دما، متوسط بارش، حداکثر سرعت باد، یخبندان، فشار هوا، غلظت مه و متغیر خروجی نیز تعداد تصادفات در محیط موردمطالعه بود. یافته ها: شبکه طراحی شده، با هفت نورون در لایه ورودی، چهار نورون در لایه میانی و یک نورون در لایه خروجی با تابع بهینه سازی لونبرگ-مارکواردت و تابع انتقال تانژانت سیگموئید در لایه میانی و تابع انتقال خطی در لایه خروجی به عنوان شبکه بهینه انتخاب شد. یافته ها نشان داد که شبکه طراحی شده با ضریب همبستگی (R= 0.90) و میانگین مربع خطا (MSE= 0.01) توانایی بالایی در پیش بینی حوادث ترافیکی دارد. نتیجه گیری: با توجه به اهمیت پیش بینی حوادث ترافیکی و نقش آن جهت ارتقای سلامت افراد جامعه، نتایج حاصل از این مطالعه می تواند جهت گسترش اقدامات پیشگیرانه مؤثرتر برای سیاست گذاران و محققان قابل استفاده باشد. با توجه به نتایج بدست آمده شبکه عصبی کارایی خوبی برای پیش بینی کوتاه مدت جریان ترافیک از خود نشان داده است.

پیش بینی تغییرات اقلیمی و ارزیابی تاثیرات اقلیمی پیش بینی شده در اکوسیستم ها ی آب شیرین به خصوص با توجه به تاثیرات انسانی و پاسخ ها به این تاثیرات بسیار پیچیده است. در ایران مطالعات محدودی خصوصاً در جنوب شرقی کشور که با مشکلاتی از جمله خشکسالی و گردوغبار روبروست، صورت گرفته است. در پژوهش حاضر از داده های گردش عمومی جو HADCM 3 و مدل  LARS-WG تحت سه سناریوی اصلی A 1 B،  A 2 و B 1 از مجموعه سناریوهای مطرح شده برای پیش بینی دما و بارش حوضه آبریز جازموریان استفاده شده است. نتایج این پژوهش نشان می دهد که در 50 سال آینده (میانگین 20 ساله دوره آینده میانی) افزایش 1/5  تا 2/1 درجه ای میانگین دما و در 100 سال آینده (میانگین 20 ساله دوره آینده دور) افزایش 2/4 تا 3/9 درجه ای میانگین دمای منطقه بر مبنای سناریوهای مختلف قابل انتظار است. بارش متوسط تحت سناریوی B 1 (دوستدار محیط زیست) در هر دو ایستگاه ایران شهر و جیرفت در دوره آینده دور، افزایش 15 درصدی نسبت به دوره پایه را نشان می دهد. در حالی که حوضه آبریز جازموریان در طول دوره 2100- 2080 تحت سناریوی A 2 (ادامه روند کنونی) شرایط خشک تری نسبت به دوره پایه را تجربه می کند.

یکی از مشکلات جوامع امروزین پیچیدگی روزافزون و به تبع آن خودبسندگی و استقلال نهادها برابر عاملین اجتماعی است. در فرایند مدرنیزاسیون، نهادها، عینیتی مستقل از کنشگران پیدا می کنند. این پیچیدگی فرایند مدیریت جامعه را دچار مسائلی می‌کند که توجه به آینده و پیش‌بینی روندها و فرایندها را می‌طلبد. پیش‌بینی، یکی از خواص فراموش شده علم در جامعه‌شناسی ایرانی است. به گونه‌ای که تقریبا جامعه‌شناسی در ایران طی چهاردهه گذشته کوششی برای اعلان آینده پیرامون نهادی خاص و با تغییراتی در یک حوزه نداشته است. با این وجود به صورت ناخودآگاه، جامعه‌شناسان پیش‌بینی‌هایی داشته‌اند که محقق شده است. برخلاف جریان غالب جامعه شناسی در جهان که آینده نهادهای اجتماعی از جمله خانواده بیشتر مورد توجه بوده است، جامعه شناسان در کشور ما، بیشتر پدیده­هایی که نماد تغییرپذیری جامعه هستند، همچون انقلاب­ها و جنبش­های اجتماعی را به­عنوان انواع مختلفی تغییرات اجتماعی مورد مطالعه قرار داده اند. این مقاله بر آن است با بررسی نگاه جامعه‌شناسان ایرانی پیرامون تغییرات خانواده ایرانی که در مقالات آنان منعکس شده است، آن‌چه در لابلای متون به عنوان نگاه به آینده خانواده ایرانی بوده است را دسته بندی و احصا نماید. برای پاسخ به این سؤال که «جامعه‌شناسان ایرانی چه پیش‌بینی‌هایی دربارۀ خانوادۀ ایرانی در ابعاد ازدواج، بعد خانواده و طلاق داشته‌اند» بهترین روش استفاده از تحلیل شکاف است که ابتدا در فضای مهندسی و به‌مرور زمان در مطالعات بازار استفاده شد. در ایران با دو نوع نگاه به آینده روبه‌رو هستیم. اولین مدل کار محققان آینده در دهۀ اخیر است که در پنج سال پیش قدرتمندتر شده است. جامعه‌شناسان نگاه دیگری به آینده دارند. آن‌ها تقریباً هرگز ادعای پیش‌بینی نکرده‌اند، اما دربارۀ رویدادهای آینده به‌ویژه درخصوص خانواده ابراز نگرانی کرده‌اند. در میان تمام نظریه‌های جامعه‌شناسان دو مورد را می‌توان به‌وضوح بیان کرد؛ اول اینکه هیچ‌یک از آن‌ها ادعا نکرده‌اند آیندۀ خانواده را پیش‌بینی می‌کنند، حتی اگر در عمل چنین کرده باشند. نکتۀ بعدی این است که هیچ‌کدام از آن‌ها از روش‌های متعارف آینده‌نگر در دنیای امروز استفاده نکرده‌اند. البته بخش قابل‌توجهی از روش تحقیق آینده‌پژوهان نیز برگرفته از جامعه‌شناسی است. جامعه‌شناسی سنتی غنی در مطالعات آیندۀ جهان معاصر است. با وجود این، در حوزۀ روش کسانی که از آیندۀ خانواده صحبت کردند، به‌صراحت از روش آینده‌نگر سخنی نگفتند. جامعۀ ایران را برخلاف آنچه شناخته شده است، می‌توان با مطالعه‌ای پیمایشی پیش‌بینی کرد. این موضوع در حوزۀ خانواده نیز کاملاً مشهود است.

پیش بینی قیمت و روند تغییرات آن از مهم ترین عوامل در تصمیم گیری و تدوین راهبرد های مربوط به محصولات کشاورزی است. هدف مطالعه حاضر ارائه یک مدل یا الگوی داده کاوی هیبریدی شامل مجموعه مدل های غیرخطی الگوریتم ژنتیک، تبدیل موجک، شبکه عصبی عمیق و روش مونت کارلو برای پیش بینی دقیق قیمت محصولات کشاورزی بود. این الگوی پیشنهادی از نوع هیبریدی دومرحله ای و مدل پایه هیبریدی غیرخطی- غیرخطی بود و در آن، از الگوریتم ژنتیک برای تعیین وقفه بهینه سری زمانی قیمت، از تابع موجک برای نوفه زدایی داده های قیمت، از شبکه عصبی عمیق برای پیش بینی قیمت، از روش مونت کارلو برای شبیه سازی محتمل ترین احتمال قیمت و در نهایت، از محاسبات پیچیده نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» برای دوره زمانی دوم تا دهم اردیبهشت 1399 استفاده شد. نتایج مقایسه الگوی پیشنهادی «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی عمیق- مونت کارلو» با سه الگوی رقیب «الگوریتم ژنتیک-شبکه عصبی عمیق- مونت کارلو»، «الگوریتم ژنتیک- تبدیل موجک- شبکه عصبی ساده- مونت کارلو» و «الگوریتم ژنتیک- شبکه عصبی ساده- مونت کارلو»، با استفاده از معیارهای ارزیابی، نشان داد که الگوی پیشنهادی نسبت به سه الگوی رقیب دارای عملکرد بهتری در پیش بینی قیمت زعفران آتی است؛ همچنین، استفاده از شبکه عصبی عمیق در مقایسه با شبکه عصبی ساده و نیز به کارگیری نظریه موجک برای نوفه زدایی و استفاده از روش مونت کارلو برای شبیه سازی قیمت های پیش بینی شده دقت پیش بینی قیمت آتی زعفران را افزایش می دهد. علاوه بر این، استفاده از محاسبات نرم برای انجام «پیش بینی خارج از نمونه با مجموعه داده های جدید» نشان داد که الگوی پیشنهادی از کارآیی لازم و دقت بالا برای پیش بینی کوتاه مدت قیمت آتی زعفران برخوردار بوده، به گونه ای که میزان خطای محاسباتی کمتر از یک درصد (6/0 درصد) است. بنابراین، مطالعه حاضر در دستیابی به شاخص میزان دقت حداکثری، سناریوسازی روند قیمت های آتی، تحلیل حساسیت مؤلفه های مؤثر بر قیمت و سرانجام، پیش بینی قیمت آینده از جایگاهی بسیار مناسب برخوردار است. با توجه به نتایج به دست آمده، استفاده از الگوی پیشنهادی برای پیش بینی قیمت محصولات کشاورزی توصیه می شود.

هدف این پژوهش، مقایسه کارایی مدل های یادگیری ماشین (32 مدل) و مدل های آماری (14 مدل)، در پیش بینی ریسک مالی 145 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی بازه زمانی 1389 تا 1398 و انتخاب بهترین مدل با استفاده از تکنیک های بهینه سازی پیشرفته می باشد. یافته های پژوهش با استفاده از آزمون مقایسه دقت ضرایب پیش بینی، بیانگر آن است که با اطمینان 99 درصد، دقت پیشبینی مدلهای یادگیری ماشین، بیشتر از مدلهای آماری است. همچنین بهترین مدل یادگیری ماشین پس از بهینه سازی، مدل ماشین بردار پشتیبان تکاملی با دقت پیش بینی 99.86درصد و مقدار سطح زیر منحنی برابر0.998بوده است. علاوه بر این، نسبت های مالی تعهدی با دقت پیش بینی99.45درصد و نسبت های مالی فعالیت با دقت پیش بینی 98.62درصد توانستند در مقایسه با سایر نسبت های مالی در استفاده از ماشین بردار پشتیبان تکاملی به منظور پیش بینی ریسک مالی عملکرد بهتری داشته باشند. از سوی دیگر ریسک مالی پیش بینی شده بر اساس صنایع مختلف، متفاوت بوده است. بنابراین مشخص شد که مدل های یادگیری ماشین به دلیل عدم برخورداری از محدودیت هایی که مدل های آماری با آن مواجهه هستند می توانند به عنوان ابزاری مهم، در پیش بینی ریسک مالی شرکت ها به کار روند.

از زمانی که بازار سهام در قرن نوزدهم ایجاد شد بسیاری از پژوهشگران به پژوهش بر روی مدل های پیش بینی قیمت سهام و بازده بازار تمرکز کرده اند. مدل های پیش بینی آماری مانند ارما، اریما، آرچ، به طور گسترده بکار برده شده اند اما هیچ کدام نتیجه مطلوب نداشته اند؛ بنابراین اخیراً بسیاری از پژوهشگران بازار سهام را به عنوان یک سیستم پویای غیرخطی در نظر گرفته اند. کاربرد مدل های غیرخطی و همچنین تکنیک های پیش رفته اگرچه س الهای زیادی نیست که شروع شده است ولی در همین مدت زمان ک م توانسته است، جایگاه خود را در علوم مختلف باز کند. هدف از این مطالعه پیش بینی شاخص بورس با استفاده از مدل پویای میانگین گیری  و نیز روش مدل پویای انتخابی  و استفاده از داده های فصلی سال های 1380-1399 و به کارگیری نرم افزار متلب می باشد. مزیت اصلی مدل مورداستفاده در مطالعه حاضر ورود تعداد زیادی متغیر مستقل به جهت پویایی آن است بدون اینکه مشکل معمول برازش بیش ازحد در مدل ظاهر شود. در این مقاله اثر برخی متغیرهای کلان اقتصادی بر فرآیندِ مدل سازی و تخمین بازده سهام بورس اوراق بهادار بررسی شد. نتایج مقاله نشان داد که احتمال ورود متغیرهای رشد حجم پول، رشد شبه پول، تورم، رشد شاخص قیمت زمین در شهرهای بزرگ بیشتر از سایر متغیرهای ورودی است

در جهان امروز، نوآوری مبحثی بسیار مهم برای همه صنایع، از جمله صنایع دفاعی است چراکه لازمه پشتیبانی از قدرت دفاعی، نوآوریها هستند. لذا مطالعه حاضر با هدف بررسی تاثیر استراتژیهای کسب و کار بر عملکرد نوآورانه به منظور رسیدن به عملکرد موثر در شرکتهای زیرمجموعه صنعت دفاعی انجام شده است. پژوهش حاضر از لحاظ هدف، کاربردی و از نظر روش تحقیق، توصیفی – پیمایشی است. جامعه آماری این تحقیق شامل مدیران میانی و رده بالای شرکتهای زیر مجموعه وزارت دفاع می باشد که از میان آنها 82 نفر به روش نمونه گیری تصادفی ساده برای نمونه تحقیق انتخاب شدند. ابزار اصلی جمع آوری اطلاعات، پرسشنامه محقق ساخته بود و پایایی آن با محاسبه فرمول آلفای کرونباخ برابر با 0.87 بدست آمد. به منظور تحلیل داده های بدست آمده، از مدل یابی معادلات ساختاری با کمک روش حداقل مربعات جزئی توسط نرم افزار آماری اسمارت پی ال اس (SMARTPLS) نسخه 2 بهره گرفته شد. نتایج بدست آمده حاکی از وجود رابطه معناداری میان متغیرهای استراتژی کسب و کار و عملکرد نوآورانه است و قابلیتهای پیش بینی و کنترل و انعطاف پذیری استراتژیهای کسب و کار در ارتقا عملکرد نوآورانه موثر هستند. همچنین شاخص های برازندگی مدل حاکی از آن است که مدل ارائه شده از برازش مناسب برخوردار است.

اتخاذ سیاست های پولی و مالی در اقتصاد هر کشور و تأثیر حداکثری این سیاست ها منوط به شناخت صحیح تابع تقاضای پول آن کشور است. از طرفی، شناخت ثبات و پیش بینی  تقاضای پول نیز می تواند در جهت کنترل حجم پول در راستای تحقق هدف های اقتصادی و به حداقل رساندن خسارت های ناشی از عملکرد ناصحیح نظام پولی مؤثر باشد. این مقاله به تخمین، بررسی ثبات تابع و پیش بینی تابع  تقاضای پول ایران برای دوره 1388 – 1350 به روش ARDL می پردازد. نتایج نشان می دهند که رابطه بلند مدت تعادلی بین متغیرهای این تابع وجود دارد و رابطه مستقیم متغیر تولید ناخالص داخلی و رابطه معکوس متغیرهای نرخ ارز و نرخ تورم بر روی تابع تقاضای پول تأیید می شود. همچنین، آزمون ثبات بر روی این تابع صورت گرفت. نتایج آزمون ها حاکی از آن است که تابع مورد بحث در بلند مدت دارای ثبات ساختاری است. می توان گفت با تغیر متغیرهای تأثیرگذار و یا اعمال سیاست های پولی و مالی مناسب، دسترسی به اهداف بلند مدت با توجه به ثبات تابع تقاضای پول با وقفه کوتاه تری امکان پذیر است.

پیش بینی براساس مدل های چندمتغیری اقتصادسنجی با محدودیت هایی زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدل های تک متغیری است. اما اکثر روش های تک متغیری برای حصول به نتیجه خوب نیاز به داده های زیادی دارند. روش های رگرسیون فازی به دلیل فازی در نظر گرفتن اع داد، برای مدل سازی و پیش بینی معمولاً نیاز به داده های کمتری دارند. از این رو در این مطالعه کارایی روش رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (FARIMA) که ترکیبی از روش خودبازگشتی میانگین متحرک انباشته (ARIMA) و رگرسیون ف ازی است با روش های ARIMA و شب که عصبی فازی (ANFIS) در پیش بینی رشد اقتصادی ایران مقایسه می شود. برای تخمین مدل از داده های دوره ی 1338 تا 1380 استفاده شده است. سپس کارایی این مدل ها در پیش بینی رشد اقتصادی ایران برای دروه 1381 تا 1388 با استفاده از معیارهای RMSE، MAE، MAPE و TIC ارزیابی و مقایسه شده است. مقایسه این معیارها حاکی از این است که بهترین عملکرد متعلق به روش FARIMA است. همچنین مدل ANFIS عملکرد بهتری نسبت به مدل ARIMA دارد.

رابطه بین قیمت انرژی و کالاهای کشاورزی از عوامل مهم و تأثیرگذار در افزایش قیمت مواد غذایی است. از ط رفی وجود داده ها در تواترهای مختلف همواره مشکل مهمی ف را روی محققان مط العات سری زمانی می باشد؛ زیرا محقق با استفاده از روش میانگی گیری ناگزیر به از دست دادن بعضی اطلاعات ارزشمند در تواترهای بالاتر می باشد. به منظور رفع این معضل مدل های رگرسیونیMIDAS  به عنوان یک روش جایگزین در سال های اخیر موردتوجه قرار گرفته اند. بر این اساس مطالعه حاضر بر آن است تا با به کارگیری روش ARDL تعمیم یافته الگوی  MIDASبه پیش بینی قیمت غلات با استفاده از قیمت انرژی و همچنین متغیرهای کلان اقتصادی ازجمله نرخ ارز رسمی، نرخ تورم و نرخ بهره با تواترهای مختلف در دوره زمانی 1387-1361 بپردازد. آماره های دقت پیش بینی نشان می دهند که الگوی MIDAS در مقایسه با روش میانگین گیری دقت پیش بینی قیمت غلات را بهبود بخشیده است.

هدف مطالعه حاضر پیشنهاد کاربرد یک مدل ترکیبی خاص برای تخمین تابع تقاضای سرانه برق کل و همچنین پیش بینی مقدار تقاضای آن برای 15 سال آینده در ایران است. در این تحقیق ابتدا با استفاده از مدل تعدیل جزئی پویا، تقاضای سرانه برق کشور برای دوره سالانه 1393-1360 برآورد شده است و سپس با جایگذاری مقادیر آتی متغیرها که از مدل میانگین متحرک خودهمبسته یکپارچه  (ARIMA)به دست آمده در مدل ترکیبی تعدیل جزئی پویا (DPAM)، تقاضای برق تا سال 1408پیش بینی گردیده است. یافته های تحقیق بیانگر بی کشش بودن تقاضای برق نسبت به تغیرات قیمت می باشد به طوری که کشش های قیمتی کوتاه مدت و بلندمدت به ترتیب برابر 014/0- و 026/0- درصد است. نتایج پیش بینی نشان می دهد مقدار تقاضای سرانه برق تا سال 1408 نسبت به سال 1393 حدود 45 درصد رشد خواهد داشت که برای پاسخگویی به این تقاضا باید سیاست هایی در جهت افزایش تولید و محدودیت تقاضا طراحی و اجرا گردد.

امروزه گردشگری و توریسم به عنوان یکی از مهم ترین مؤلفه ها و شاخص های توسعه محسوب می شود به طوری که اکثر کشورها سرمایه گذاری ویژه ای در این بخش انجام می دهند. کشور ایران نیز با توجه به وضعیت اقلیمی و تاریخی و طبیعی، زمینه بالقوه مناسبی برای رشد تقاضای توریسم خارجی دارد. ازجمله ضرورت های برنامه ریزی در راستای بهبود شرایط و درآمدزایی از توریسم خارجی، پیش بینی تقاضای توریسم خارجی در سال های آینده است. در این مقاله با استفاده از مدل خاکستری بهبودیافته GM(1,1) سعی شده است، پیش بینی مناسبی از تقاضای گردشگری خارجی در آینده برای کشور ایران انجام شود. از ویژگی ممتاز مدل خاکستری بهبودیافته GM(1,1) این است که با داده های اندک، قادر به پیش بینی با خطای پایینی است. نتایج پژوهش نشان می دهد که تقاضای توریسم روندی افزایشی دارد و تا سال 2022 میزان تقاضای توریسم خارجی به حدود 15.2 میلیون نفر در سال خواهد رسید. همچنین مقایسه نتایج مدل GM(1,1) با روشARIMA  بیانگر خطای کمتر مدل GM(1,1) در پیش بینی تعداد گردشگران خارجی است.

این مقاله به دنبال ارزیابی متغیرهایی است که می توانند به صورت بالقوه به عنوان نشان گر پیشرو برای پیش بینی چرخه های تجاری در اقتصاد ایران در نظر گرفته شوند. متغیر تولید ناخالص داخلی بدون نفت به عنوان متغیر هدف در نظر گرفته شده است. از یک مجموعه متشکل از 265 متغیر با تواتر فصلی در بازه زمانی 1367:1-1387:2 که با شش تبدیل از آن ها مجموعاً 1590 سری زمانی را تشکیل می دهند، به عنوان نشان گرهای پیشرو بالقوه استفاده شده است. معیارهای تعداد نقاط مفقوده، هشدارهای نادرست، هشدارهای دیرهنگام، میزان تطابق دوران رکود و رونق نشان گر و سری هدف و انحراف معیار تقدم در پیش بینی به تفکیک نقاط اوج (شروع رکود) و حضیض (پایان رکود) برای هر سری زمانی، محاسبه و ارائه شده است. در این مطالعه نشان داده می شود که نمی توان مجموعه ای از متغیرها را یافت که به لحاظ تمامی معیارهای فوق، عملکرد مطلوبی داشته باشند. این در حالی است که 20 متغیر قابلیت نسبتاً خوبی در شناسایی نقاط چرخش دارند و 6 متغیر قابلیت نسبتاً مطلوبی به لحاظ انحراف معیار تقدم در پیش بینی دارند. «شاخص قیمت مصرف کننده-بهداشت و درمان»، «مالیات بر اشخاص حقوقی» و «اسکناس و مسکوک در دست اشخاص» ازجمله متغیرهایی هستند که عملکرد پیش بینی آن ها براساس معیارهای ارزیابی فوق الذکر از سایر متغیرها بهتر است و به لحاظ وقفه انتشار عمومی نیز وضعیت مناسبی دارند.

در این تحقیق با ترکیب 25 نشان گر معرفی شده توسط برکچیان و سمائی (1399)، یک نشان گر پیشرو ترکیبی برای پیش بینی تولید ناخالص داخلی بدون نفت ساخته می شود، به گونه ای که در پیش بینی نقاط اوج و حضیض چرخه های تجاری از کارایی مناسبی برخوردار باشد. ابتدا تمام نشان گرهای ترکیبی که از ترکیب این نشان گرها قابل تولید است، ساخته شده و سپس عملکرد آن ها در پیش بینی چرخه های تجاری ارزیابی می شود. نتایج نشان می دهد که بخش مهمی از نشان گرهای پیشرو ترکیبی ساخته شده هشدار نادرست، هشدار دیرهنگام و نقطه مفقوده ندارند و به عبارت دیگر، عملکرد مناسبی در پیش بینی نقاط چرخش تولید ناخالص داخلی بدون نفت از خود نشان می دهند؛ سپس از میان این نشان گرهای ترکیبی، آن هایی که انحراف معیار تقدم در پیش بینی کمتری دارند، میزان تطابق آن ها با سری زمانی تولید ناخالص داخلی بیشترین است، و نهایتاً این که بیشترین قدرمطلق هم بستگی در وقفه تطابق بهینه را دارند، انتخاب می شوند. نتایج نشان می دهد که متغیرهای شاخص قیمت تولیدکننده برق، آب وگاز، مالیات بر واردات، مالیات بر سود شرکت ها و تعداد پروانه های ساختمانی، بیشترین نقش را در تولید نشان گرهای پیشرو ترکیبی بهینه دارند.