مطالب مرتبط با کلیدواژه

شبکه عصبی


۶۱.

پیشبینی رویگردانی مشتریان بانک با استفاده از روش داده کاوی(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: مدیریت صنعتی (آزاد سنندج) سال سیزدهم تابستان ۱۳۹۷ شماره ۴۴ 99 - 111

کلیدواژه‌ها: مشتری رویگردان شبکه عصبی نقشه خود سازمان ده ماشین بردار پشتیبان درخت تصمیم

حوزه های تخصصی:
تعداد بازدید : ۷۱۴ تعداد دانلود : ۴۳۳
شدت رقابت درفضای صنعتی ، باعث شده است که تمایل بنگاه های اقتصادی به جذب مشتریان بیشتر کم و، تمایل به فعالیت در زمینه های خدماتی و تولیدی افزایش یافته است. به همین منظور، توسعه روش هایی به منظور شناسایی مشتریان رویگردان و پیش بینی رویگردانی، از مهمترین فعالیت های حوزه فروش به حساب خواهد آمد. در صورتی که بانک فرصت کافی برای پیش بینی رویگردانی مشتریان داشته باشد؛ می تواند به اصلاح ساختارها و خدمات خود به منظور جلوگیری از ریزش تعداد بیشتری از مشتریان بپردازد. تحقیق حاضر، به منظور توسعه چنین مدلی برای بانک شهر صورت گرفته است. به همین منظور، از یک الگوریتم دو مرحله ای خوشه بندی، دسته بندی داده کاوی استفاده شده. به منظور خوشه بندی مشتریان، از نقشه های خودسازمان ده شبکه عصبی که یک روش یادگیری نظارت نشده است؛ استفاده و برای دسته بندی از ماشین بردار پشتیبان و درخت تصمیم استفاده شده است. روش استفاده از این ابزارها به این صورت است که ابتدا از دو مشخصه میانگین موجودی و میانگین تراکنش مشتریان در دوره سه ماهه پایانی استفاده شده و به عنوان ورودی شبکه عصبی در خوشه بندی مورد استفاده قرار گرفته است. پس از آن، در مرحله کلاس بندی، از داده های مربوط به تراکنش های نقدی و اعتباری به منظور کلاس بندی و پیش بینی استفاده شده است. نتایج به دست آمده حاکی از آن است که مدل پیشنهادی بیش از 80% توانایی پیش بینی رویگردانی مشتری را داشته و ماشین بردار پشتیبان عملکرد بهتری از درخت تصمیم نشان داده است.
۶۲.

طراحی الگوی داده کاوی پیشنهادی به منظور شناسایی مجرمان(مقاله علمی وزارت علوم)

نویسنده:
منبع: انتظام اجتماعی سال هشتم پاییز ۱۳۹۵ شماره ۳ 109 - 128

کلیدواژه‌ها: داده کاوی شبکه عصبی درخت تصمیم جرم بانک اطلاعاتی

حوزه های تخصصی:
تعداد بازدید : ۶۱۴ تعداد دانلود : ۳۸۷
زمینه و هدف: این پژوهش بر آن است تا با بهره گیری از الگوریتم های داده کاوی به تحلیل داده های ثبت شده در بانک اطلاعاتی پلیس مربوط به دستگیرشدگان توسط گشت های انتظامی تهران بزرگ در سه ماهه اول سال 1389 بپردازد و با استفاده از آنها، الگویی طراحی شود که به شناسایی مجرمان واقعی از بین انبوه متهمان دستگیرشده اقدام کند. این الگو می تواند به عنوان یک سامانه تصمیم یار در اختیار کارشناسان انتظامی قرار گیرد تا فرآیند شناسایی و دستگیری مجرمان واقعی با سرعت و دقت بیشتری انجام شود.<br /> روش شناسی: این پژوهش از نوع پژوهش های داده محور بوده و بر اساس یک فرایند استاندارد داده کاوی CRISP-DM، داده های دستگیرشدگان که شامل متغیرهای جمعیت شناختی متهمان و کلانتری محل دستگیری است، پس از یکپارچه سازی و پالایش، با استفاده از الگوریتم های CHAID,CRT C5.0 و شبکه عصبی MLP مدل سازی شدند.<br /> یافته ها: الگوریتم C5.0 در فن درخت تصمیم نتایج بهتری را به لحاظ دقت شناسایی مجرمان واقعی نسبت به سایر الگوریتم های درخت تصمیم، مانند CHAID, CRT دارد؛ اما نسبت به الگوی طراحی شده توسط شبکه عصبی MLP دقت کمتری دارد.<br /> نتایج: با استفاده از الگوریتم های درخت تصمیم، در مجموع 19 قانون کشف و ارائه شد. برای بررسی این قوانین، نشست خبرگان تشکیل شد و در نهایت از 19 قانون استخراج شده، 3 قانون مرتبط با موضوع مورد پژوهش شناخته شده و مورد تأیید قرار گرفت.
۶۳.

ارائه مدلی هوشمند برای پیش بینی نتایج مسابقات لیگ جهانی والیبال با استفاده از شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت ورزشی مهر و آبان ۱۳۹۶ شماره ۴۴ 17 - 36

کلیدواژه‌ها: شبکه عصبی والیبال نتیجه هوشمندی

حوزه های تخصصی:
تعداد بازدید : ۵۴۸ تعداد دانلود : ۳۹۴
هدف این پژوهش، ارائه روشی هوشمند برای پیش بینی نتایج مسابقات والیبال برمبنای آمار بازی های انجام شده قبلی بود. جامعه آماری شامل همه مسابقات ورزشی و نمونه پژوهش، مسابقات لیگ جهانی والیبال قهرمانی 2014 لهستان بود. روش پژوهش، توصیفی- تحلیلی بود که در بخش توصیفی،آمار بازی ها شامل تعداد آبشارها، تعداد دفاع های روی تور، تعداد سرویس های موفق، تعداد خطاها، زمان بازی، امتیاز تیم ها و تعداد ست های برنده و بازنده، از سایت رسمی فدراسیون جهانی والیبال به دست آمد. در بخش تحلیلی، اطلاعات با استفاده از جعبه ابزار شبکه عصبی نرم افزار متلب تجزیه وتحلیل شد و مدلی پیش بینی برای آن نیز ارائه شد. نتایج و نمودارهای حاصل از شبیه سازی های انجام شده نشان داد که شبکه عصبی پرسپترون دولایه با هشت ورودی و یک خروجی به همراه تابع انتقال تانژانت سیگموید، با 10 نورون در لایه مخفی اول و تابع انتقال خطی با 8 نورون در لایه مخفی دوم، با 10/93 درصد پیش بینی درست در مرحله آموزش، 90 درصد پیش بینی درست در مرحله صحت سنجی و 61/82 درصد پیش بینی درست در مرحله آزمون، الگوی مناسبی برای پیش بینی نتایج مسابقات والیبال در این لیگ جهانی است. می توان از این مدل ها برای تعیین نقاط ضعف و قوت تیم خودی و حریفان استفاده کرد. درواقع، این مدل همانندآنالیزور یا کارشناس ماهری است که اطلاعات مفیدی را در اختیار مربیان و مدیران قرار می دهد.
۶۴.

بررسی الگوی جریان نقدی در شرکت های درمانده و سالم مالی( شواهدی از بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: بورس اوراق بهادار سال دهم تابستان ۱۳۹۶ شماره ۳۸ 5 - 29

کلیدواژه‌ها: الگوهای جریان وجه نقد پیش بینی درماندگی مالی شبکه عصبی نسبت های مالی

حوزه های تخصصی:
تعداد بازدید : ۴۴۱ تعداد دانلود : ۳۱۱
پیش بینی درماندگی مالی شرکت ها جهت جلوگیری از وقوع آن، توجه مدیران شرکت ها را به خود جلب کرده است. در این میان استفاده از نسبت های مالی و به ویژه استفاده از صورت جریان وجه در مدل های آماری شناخته شده است. مسأله اصلی پژوهش حاضر، این است که آیا رابطه معنی داری میان وضعیت مالی شرکت ها و الگوی جریان وجه نقد جهت پیش بینی درماندگی مالی وجود دارد؟ این پژوهش به بررسی تأثیر الگوی جریان وجه نقد (علامت مثبت یا منفی طبقات مختلف صورت جریان وجوه نقد) بر درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1385 تا 1393 با استفاده از داده های 162 شرکت پرداخته است. معیار وجود درماندگی مالی، ناتوانی در بازپرداخت به موقع دیون بانکی و ایجاد جریمه دیر کرد در صورت های مالی شرکت ها در نظر گرفته شده است. بدین منظور شرکت های دارای جریمه دیرکرد به عنوان درمانده مالی و شرکت های بدون جریمه دیر کرد به عنوان شرکت های سالم از سال 1385 تا 1389 از یکدیگر تفکیک شده و قدرت پیش بینی درماندگی مالی با استفاده از نسبت های مالی مورد استفاده در تحقیق حاضر شامل: دارایی جاری به کل دارایی ها، کل بدهی به کل دارایی، فروش به دارایی جاری، سود عملیاتی به فروش، لگاریتم طبیعی دارایی ها و هزینه مالی به سود ناخالص توسط شبکه عصبی در این سال ها سنجیده شده است. پس از تأیید تأثیر این نسبت ها بر وضعیت مالی شرکت ها، توسط همین نسبت ها، از طریق شبکه عصبی، وضعیت مالی شرکت های سال 1390 تا 1393 پیش بینی شده و توسط رگرسیون لجستیک، تأثیر الگوی جریان وجه نقد بر درماندگی مالی بررسی شده است. نتایج حاضر حاکی از این است که نسبت های مورد بررسی قدرت پیش بینی کنندگی تا 88 درصد را داشته و بین الگوی جریان وجه نقد شرکت های درمانده مالی با سالم مالی تفاوت معنی داری وجود دارد.
۶۵.

مقایسه سه روش اصلی هوش مصنوعی در برآورد دبی سیلاب رودخانه یلفان(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۲۹ زمستان ۱۳۹۷ شماره ۴ (پیاپی ۷۲) 35 - 50

کلیدواژه‌ها: دبی اوج شبکه عصبی الگوریتم ژنتیک ANFIS هوش مصنوعی حوضه یلفان

حوزه های تخصصی:
تعداد بازدید : ۸۱۶ تعداد دانلود : ۵۴۰
برآورد دبی اوج، یکی از موضوعات اساسی در مدیریت منابع آب و کنترل سیلاب، جایگاه ویژه ای در موفقیت طراحی سازه های آبی و کارایی اقدامات بیومکانیکی در حوضه های آبخیز دارد. در این پژوهش سعی شده است با مقایسه سه روش اصلی در هوش مصنوعی (مدل شبکه عصبی پرسپترون چند لایه، مدل الگوریتم ترکیبی شبکه عصبی با ژنتیک و مدل ترکیب خوشه بندی کاهشی و روش نورو فازی (ANFIS، بهترین روش پیش بینی دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفان (یکی از زیرحوضه های سد اکباتان همدان) انتخاب شود. به این منظور در این سه مدل،8 متغیر بارندگی مربوط به روز وقوع سیل، بارندگی های روزانه تا 5 روز پیش، دبی پایه در روز وقوع سیل و CN حوضه به منزله پارامترهای ورودی (1380 تا 1391) و دبی حداکثر به منزله خروجی در نظر گرفته و وارد نرم افزار متلب شد؛ سپس با بهره گیری از روش های هوش مصنوعی و پیش پردازش داده ها، ساختار بهینه مدل با استفاده از داده های ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی RSME، MAE و NSE به روش سعی و خطا تعیین شد. در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد شد. در مدل تلفیقی خوشه بندی با ANFIS، پس از تعیین مدل بهینه خوشه بندی، نتیجه مدل به ANFIS وارد و درنهایت با توجه به معیار ارزیابی، ساختار بهینه مدل تعیین شد. نتایج نشان داد مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک نسبت به مدل شبکه عصبی و نیز مدل ترکیب خوشه بندی کاهشی و مدل ANFIS عملکرد بهتری در برآورد دبی سیلاب در حوزه یلفان دارد.
۶۶.

مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشکسالی با استفاده از داده های سری زمانی سنجش از دوری - مطالعه موردی: شهر اراک(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ بهار ۱۳۹۸ شماره ۱۰۹ 185 - 197

کلیدواژه‌ها: شبکه عصبی ARIMA شاخص بارش استانداردسازی شده شاخص اختلاف نرمال شده پوشش گیاهی شاخص وضعیت پوشش گیاهی شاخص پوشش گیاهی - دمایی

حوزه های تخصصی:
تعداد بازدید : ۴۶۲ تعداد دانلود : ۵۲۲
خشکسالی پدیده ای طبیعی، تکراری و موقتی است که به سبب بارش اندک رخ می دهد و تقریباً تمامی مناطق اقلیمی جهان را تحت تأثیر خود قرار می دهد، بویژه مناطق نیمه خشک که بدلیل میزان پائین بارش سالانه و حساسیت به تغییرات اقلیمی مستعد وضعیت خشکسالی می باشند. خشکسالی می تواند بر سلامت انسان ها و همچنین وضعیت اقتصادی و سیاسی جامعه تأثیرگذار باشد. اطلاعات در مورد شدت، طول مدت و پوشش مکانی خشکسالی می تواند به کارشناسان درخصوص کاهش آسیب پذیری مناطقی که تحت تأثیر خشکسالی هستند، کمک کند. یکی از چالش های اصلی در مدل سازی خشکسالی در ایران که در بخش خشک کره زمین واقع شده است، عدم وجود داده های هواشناسی بلند مدت برای اکثر مناطق کشور می باشد. داده های سنجش از دوری می توانند اطلاعاتی را در خصوص وضعیت پوشش گیاهی در اختیار قرار دهند. در این مقاله مدل های آماری خطی اتورگرسیو- میانگین متحرک تجمعی ( ARIMA ) و مدل شبکه عصبی برای مدل سازی خشکسالی براساس داده های سنجش از دوری مورد استفاده قرار گرفته است . به همین منظور، شاخص بارش استانداردسازی شده ( SPI ) با استفاده از داده های هواشناسی به عنوان میزان شدت خشکسالی مورد استفاده قرار گرفت . تعدادی از ویژگی ها شامل شاخص اختلاف نرمال شده پوشش گیاهی ( NDVI ) ، شاخص وضعیت پوشش گیاهی ( VCI ) و شاخص پوشش گیاهی - دمایی ( TVX ) که از تصاویر MODIS استخراج شده است، بکار برده شدند. با استفاده از مدل ها، شاخص های بدست آمده مدل سازی شدند و خطاهای RMSE و MAE برای آنها محاسبه گردید. سپس همبستگی میان شاخص های سنجش از دوری NDVI ، TVX و VCI و شاخص هواشناسی SPI بررسی شده و به ترتیب مقادیر 0546/0، 1475/0 و 0519/0 بدست آمد. در این میان، شاخص های TVX و NDVI دارای بیشترین همبستگی با داده های SPI بودند. بنابراین از شاخص های TVX ، NDVI به همراه شاخص SPI می توان در پیش بینی وضعیت خشکسالی در منطقه مورد پژوهش استفاده نمود .
۶۷.

پتانسیل یابی معابر مستعد جهت احداث ایستگاه های اتوبوس شهری با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) و الگوریتم پس انتشار خطا (نمونه موردی: شهر کرمانشاه)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش و برنامه ریزی شهری سال دهم بهار ۱۳۹۸ شماره ۳۶ 63 - 74

کلیدواژه‌ها: مکان یابی ایستگاه اتوبوس کرمانشاه شبکه عصبی MLP

حوزه های تخصصی:
تعداد بازدید : ۵۳۰ تعداد دانلود : ۴۲۲
حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند.
۶۸.

عمق سنجی از نواحی کم عمق ساحلی با استفاده از تصاویر لندست-8 به طریق آموزش شبکه عصبی (مطالعه موردی: جنوب شرقی دریای خزر)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال هفتم زمستان ۱۳۹۷ شماره ۳ (پیاپی ۲۷) 216 - 230

کلیدواژه‌ها: عمق سنجی لندست- 8 کلاسه بندی فازی شبکه عصبی جنوب شرقی دریای خزر

حوزه های تخصصی:
تعداد بازدید : ۳۶۹ تعداد دانلود : ۴۰۵
تصاویر سنجش از دور ابزاری مناسب جهت برآورد عمق در مناطق ساحلی است. در این پژوهش، به منظور مطالعه مناطق کم عمق ساحلی، از تصاویر لندست-8 و داده های هیدروگرافی که با روش اکوساندر جمع آوری شده استفاده شده است. هدف از این پژوهش، عمق سنجی از نواحی جنوب شرقی ساحل دریای خزر از طریق آموزش شبکه عصبی است. تصحیح اتمسفری Dark Object Subtract (DOS) ، تصحیح رادیومتریکی (تبدیل درجات روشنایی به بازتاب)، تصحیح درخشندگی خورشید و در نهایت ماسک کردن مناطق آبی از مناطق خشکی، از جمله پیش پردازش های لازم است که بر روی باندهای آبی ساحلی، آبی، سبز و قرمز تصویر لندست-8 اعمال شده است. در این پژوهش برآورد عمق از طریق شبکه عصبی در دو حالت بررسی گردد. در حالت اول، هر یک از چهار باند به عنوان داده های ورودی و داده های عمق متناظر با هر یک از این پیکسل ها به عنوان هدف به شبکه عصبی معرفی گردید. و در حالت دوم، داده های عمق به روش میانگین فازی، به شش کلاس تقسیم بندی شدند و اطلاعات هر کلاس بصورت جداگانه به شبکه ارائه شد. در هر دو حالت مورد بررسی، سهم داده های آموزشی، داده های اعتبارسنجی و داده های آزمون از داده های ورودی به ترتیب 60 درصد، 10 درصد و 30 درصد می باشد. نتایج حاصل از شبکه عصبی نشان می دهد که دقت عمق برآورد شده در کلاسه های مختلف، متفاوت است و بیشترین دقت ( RMSE =0.11 و 0.90   R2 = ) و کمترین دقت ( RMSE =0.11 و 0.67   R2 = ) به ترتیب به محدوده عمق های 97/3- تا 1/3- و 48/4- تا 4- اختصاص دارد. در حالیکه عمق برآورد شده از داده های کل (کلاسه بندی نشده) معادل    R2 = 0.94 و  RMSE =0.16 متر بدست آمد. از این رو، با آموزش شبکه عصبی می توان به برآورد عمق از نواحی کم عمق ساحلی با دقت بالا پرداخت.  
۶۹.

عوامل مؤثر بر احتمال سطوح متفاوت تقاضای (رضایت از) بیمه درمانی (مطالعه موردی: شهرهای شیراز و ارسنجان)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بیمه سال سی و سوم پاییز ۱۳۹۷ شماره ۳ (پیاپی ۱۳۱) 105 - 125

کلیدواژه‌ها: بیمه درمانی مدل لوجیت تعمیم یافته شبکه عصبی رگرسیون موازی

حوزه های تخصصی:
تعداد بازدید : ۲۷۳ تعداد دانلود : ۲۳۷
هدف از این مطالعه بررسی عوامل مؤثر ، تعیین جهت آنها و نحوه تأثیر هر عامل بر احتمال قرارگرفتن فرد در سطوح متفاوت تقاضای بیمه درمان است، در این راستا از مدل لوجیت تجمعی تعمیم یافته، اطلاعات 289 خانوار، پرسشنامه سلامت عمومی، پرسشنامه ریسک-مادسیج ، پرسشنامه ریسک پذیری مالی، پرسشنامه استاندارد ابعاد پنج گانه کیفیت خدمات درمانی و پرسشنامه محقق ساخته، استفاده شده است. نتایج آزمونهای اعتبار مدل شامل، نیکویی برازش، رگرسیونهای موازی و روش ماکسیمم درستنمایی -الگوریتم نیوتن-رافسون، حاکی از اعتبار مدل تا 84 درصد اطمینان است، طبق نتایج افرادی که هنگام تولد سالم تر بوده اند ، بیمه برایشان مطلوبیت کمتری دارد و بنابراین احتمال واقع شدن آنها در سطوح پایین تر تقاضای بیمه درمانی بیشتر می شود. با افزایش سن، احتمال ابتلا به بیماری و احتمال افزایش تقاضای بیمه درمانی افزایش می یابد. با افزایش مخارج درمان، مطلوبیت بیمه بیشتر خواهد شد. افرادی که به سلامت خود بیشتر توجه می کنند، تقاضای بیشتری برای بیمه درمانی دارند. با افزایش سطح سواد، فهم و درک فرد از ارزش سلامتی ارتقا یافته و باعث مطلوبیت بیشتر بیمه درمان خواهد شد. افزایش سطح آگاهی فرد از پیامدهای منفی بیماری (مثبت سلامت) باعث افزایش مطلوبیت نهایی سلامت و درنتیجه تقاضای بیمه می شود. افزایش ریسک مالی بیماری، پوشش افقی و عمودی بیمه، رضایت مندی از بیمه را افزایش می دهد. طبق نتایج مدل شبکه عصبی، م تغیرهای ریسک مالی، حق بیمه و مخارج درمانی، بیشترین و اعتقادات و ذخیره سلامت، کمترین تأثیر را بر تقاضای بیمه درمانی دارند. به این معنا که ریسک مالی، حق بیمه و مخارج درمانی در تصمیم گیری مردم برای خرید بیمه بسیار مؤثرند.
۷۰.

شبیه سازی نبرد با استفاده از شبکه های عصبی زمان پیوسته(مقاله علمی وزارت علوم)

نویسنده:
منبع: آینده پژوهی دفاعی سال سوم پاییز ۱۳۹۷ شماره ۱۰ 7 - 19

کلیدواژه‌ها: شبیه سازی نبرد شبکه عصبی بهینه سازی چندهدفی

حوزه های تخصصی:
تعداد بازدید : ۴۲۵ تعداد دانلود : ۲۶۶
این مقاله روی مدل سازی رفتار فرماندهان در شبیه سازی نبرد تمرکز می کند. یک مأموریت نظامی اغلب با اهداف متضاد چندگانه از جمله موفقیت در وظایف، زمان اتمام، نابودی دشمنان و بقای نیروهای خودی همراه است. در این مقاله با در نظر گرفتن سناریوهای غیردفاعی و دفاعی و با استفاده از بهینه سازی چند هدفی، مدلی به منظور کمینه سازی تلفات نیروهای خودی و بیشینه سازی نابودی دشمنان معرفی می شود. همچنین با استفاده از روش وزن دهی و شرایط بهینگی کاروش-کان-تاکر، یک مدل شبکه عصبی بازگشتی زمان پیوسته برای حل مسأله ی بهینه سازی چند هدفی معرفی شده، طراحی می شود. ایده ی اصلی رهیافت شبکه عصبی برای مسأله ِی بهینه سازی چند هدفی معرفی شده، ایجاد یک دستگاه دینامیکی به صورت معادلات دیفرانسیل معمولی مرتبه اول است. شبکه عصبی معرفی شده نیاز به هیچ پارامتر تنظیم کننده ای ندارد و ساختار آن یک پیاده سازی سخت افزاری ساده را امکان پذیر می سازد. روش معرفی شده می تواند به عنوان یک مشاور برای فرماندهی که برای نیروهای تحت امر خود تصمیم می گیرد، عمل کند. در پایان، با استفاده از یک مثال اعتبار و کارایی مدل پیشنهادی نشان داده شده است.
۷۱.

بهینه سازی تخصیص منابع مالی با استفاده از مدل بنکر توسط شبکه عصبی (مطالعه موردی: بانک تجارت استان گیلان)

نویسنده:
منبع: رویکردهای پژوهشی نوین در مدیریت و حسابداری پاییز ۱۳۹۸ شماره ۲۱ (جلد اول) 37-52

کلیدواژه‌ها: تخصیص منابع مدل بنکر شبکه عصبی الگوریتم هوشمند اجتناب از بن بست

حوزه های تخصصی:
تعداد بازدید : ۵۰۳ تعداد دانلود : ۴۵۵
در دوره ای بسر می بریم که بانک ها دوران بحران را می گذرانند. در چنین وضعی بسیاری از بانک ها در حال یافتن راهی بهینه برای سرمایه گذاری و بهره حداکثری از منابع خود هستند. اعتماد مشتریان در گرو سودآوری بانک هاست. درحالی که بانک ها در مورد حفظ جایگاه خود تلاش می کنند، نیاز دارند تا منابع محدود به دست آمده را سخت گیرانه تر در جایگاهی درست اختصاص دهند؛ اما این انتخاب می تواند فرصتی برای رشد و تحول حقیقی ایجاد کند. بانک تجارت یکی از بانک های پیشرو در صنعت بانکداری ایران به شمار می رود؛ بنابراین انتخاب این بانک برای بررسی مسئله تخصیص منابع می تواند قابل تعمیم به سایر بانک ها نیز باشد. در این پژوهش به موضوع تخصیص منابع در صنعت بانکداری اسلامی پرداخته شده است. مدل بنکر ازجمله مدل های قدرتمندی است که در ایران به آن پرداخته نشده است. این مدل با در نظر گرفتن بن بست منابع، شرایط را برای تخصیص منابع در ناحیه ای امن فراهم می کند. تخصیص منابع مسئله ای غیرخطی است و با توجه به گسترده بودن منابع و مصارف، حل آن توسط الگوریتم های شناخته شده ریاضی بسیار دشوار است. استفاده از الگوریتم های هوشمند در این گونه موارد راهکاری خردمندانه برای حل مسئله است. شبکه عصبی مصنوعی یکی از پرکاربردترین الگوریتم های هوشمند بهینه سازی است که برای مدل سازی بکار می رود. این پژوهش بر روی بانک تجارت استان گیلان انجام شده است. میزان خطای مجموع مربعات 6-10 × 85/1 در این کار نشان دهنده آن است که شبکه عصبی می تواند مدل دقیقی از تخصیص منابع بر مبنای الگوریتم بنکر با اجتناب از بن بست ارائه دهد.
۷۲.

آشکارسازی پدیده گردوغبار جنوب غرب ایران با استفاده از شاخص های NDDI و BTD و شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ پاییز ۱۳۹۸ شماره ۱۱۱ 217 - 234

کلیدواژه‌ها: NDDI BTD شبکه عصبی گردوغبار مودیس

حوزه های تخصصی:
تعداد بازدید : ۵۹۴ تعداد دانلود : ۳۸۴
امروزه پدیده های گردوغباری در ردیف مهم ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی (خشک و نیمه خشک)، رخداد پدیده های گردوغباری است. تشخیص توفان های گردوغبار، اولین و مهم ترین روش جهت پیش گیری و کاهش آثار مخرب آن می باشد . از این رو هدف تحقیق حاضر تشخیص و بارزسازی گردوغبار با استفاده از شاخص های NDDI و BTD و شبکه های عصبی در نرم افزار MATLAB می باشد. در این تحقیق نتایج مربوط به پدیده های گردوغبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI به تنهایی قادر به تفکیک پیکسل های گردوغبار موجود در اتمسفر از پیکسل های غیرگردوغبار و ماسه زمینی نبوده و عملکر ضعیفی دارد. شاخص BTD ، گردوغبار اکوسیستم خشکی را به خوبی بارزسازی کرد ولی BTD (20-31) و BTD (23-31) بارزسازی بهتری در اکوسیستم آبی داشت. بنابراین، باید با دقت زیاد آستانه را تعیین کرد. همچنین، بارزسازی در زمین های شنی و ماسه ای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60 %   و برای تصاویر شبانه با 59 % ،  دقت و عملکرد نسبتاً خوبی را نشان داد. بنابراین، شبکه عصبی نسبت به شاخص های   NDDI و BTD ، روش مناسب تری برای تشخیص و بارزسازی گردوغبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونه های آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق می تواند در راستای تشخیص خودکار گردوغبار در طول روز و شب و در اکوسیستم های آبی و خشکی مورد استفاده قرار گیرد .
۷۳.

تخمین توان تولیدی پنل های مونوکریستال و پلی کریستال توسط شبکه عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: انرژی ایران دوره بیست و یکم پاییز ۱۳۹۷ شماره ۳ (پیاپی ۶۷) 87-100

کلیدواژه‌ها: مدل سازی شبکه عصبی مونوکریستال پلی کریستال

حوزه های تخصصی:
تعداد بازدید : ۲۹۸ تعداد دانلود : ۳۰۶
تجزیه و تحلیل توان تولیدی یک سیستم فتوولتائیک به عواملی نظیر میزان حرارت و تابش مستقیم خورشید بستگی دارد. منبع بی پایان و رایگان انرژی خورشیدی دریافت شده در سطح زمین، دستخوش تغییراتی چون مکان جغرافیایی، ساعات مختلف شبانه روز و فصول مختلف سال می باشد، از این رو ارزیابی صحیح آن یک عامل استراتژیک برای ارزیابی امکان سنجی یک سیستم فتوولتائیک می باشد. در این مقاله با استفاده از داده های میزان تابش و دمای بدست آمده از مانیتورینگ پنل های خورشیدی منوکریستال و پلی کریستال نصب شده در سایت خورشیدی دانشگاه ولی عصر(عج) رفسنجان، یک روش جدید مدل سازی توان تولیدی سیستم های فتوولتائیک ارائه گردیده است. مدل به دست آمده با استفاده از داده های در بازه زمانی یک ساله سایت خورشیدی ذکر شده توسط شبکه عصبی چند لایه پروسپترون آموزش و تست شده اند، حاصل گردیده است. ورودی های این مدل شامل دمای پنل و تابش مستقیم نور خورشید و خروجی آن میزان توان تولید شده توسط پنل های منو کریستال و پلی کریستال این سایت خورشیدی می باشد. باتوجه به نتایج حاصل شده، بهترین پاسخ برای مدل با تابع تحریک در لایه های مخفی logsig,tansig, tansig و تعداد نرون ] 10 10 10 [ دارای تکرار 32 با میانگین مربعات خطا 51/20780 و نیز ضریب همبستگی با داده های تست مقدار 0/9142 ، اعتبارسنجی مقدار 0/9151 و آموزش مقدار 0/91644 انتخاب گردید.
۷۴.

ارزیابی پتانسیل و الگوی رشد بهینه شهر تبریز مبتنی بر استفاده از شبکه های عصبی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های جغرافیای انسانی دوره ۵۱ پاییز ۱۳۹۸ شماره ۳ (پیاپی ۱۰۹) 731 - 745

کلیدواژه‌ها: تبریز توسعه فیزیکی شبکه عصبی مکان یابی

حوزه های تخصصی:
تعداد بازدید : ۴۹۲ تعداد دانلود : ۳۴۷
شهر تبریز یکی از کلان شهرهای ایران است که گسترش و توسعه روزافزونی دارد. یکی از مشکلات موجود در مسیر توسعه شهرها، مدیریت نکردن صحیح آن و بی توجهی به عوامل مؤثر است. در سال های گذشته، شهر تبریز به دلیل مهاجرپذیر بودن از رشد فیزیکی بسیاری برخوردار بوده است. مدیریت صحیح رشد شهرها از جهات گوناگون از مسائل مهمی است که باید مدنظر قرار بگیرد. روش های متعددی برای تعیین مناطق مناسب رشد شهری وجود دارد. یکی از این روش ها در تعیین مناطق مناسب برای توسعه شهر روش شبکه عصبی است که در مطالعه حاضر نیز از آن استفاده شده است. در این مطالعه، برای تعیین مکان بهینه رشد شهری از سه گروه معیارهای اجتماعی-اقتصادی، کاربری زمین و بیوفیزیکی استفاده شد. برای مکان یابی مناطق مساعد رشد با روش شبکه عصبی، 200 نقطه به عنوان نقاط آموزشی شبکه تهیه شدند و لایه های میانی نیز هفت عدد بود. نتایج مرتبط با اجزای شبکه نشان می دهد با دورشدن از امکانات و مناطق شهری، پتانسیل ها به شدت کاهش یافته است و بیشتر مناطقی که پتانسیل توسعه شهری دارند، در نزدیک ترین فاصله این امکانات و مناطق شهری قرار دارند. قسمت هایی از شهر که طی سال های گذشته به صورت پراکنده و نامنظم رشد داشته اند، با توجه به نتایج حاصل شده نامناسب هستند. همچنین حاشیه های نزدیک به هسته اصلی شهر که به خدمات شهری نیز دسترسی بیشتری دارند، برای رشد مناسب تر هستند، اما قسمت هایی که به صورت پراکنده در شمال غرب و جنوب شرق شهر توسعه یافته اند کاملاً نامناسب هستند.
۷۵.

طراحی مدل زنجیره تامین حلقه بسته در شرایط عدم اطمینان با در نظر گرفتن انبارهای واسطه ای (بررسی موردی: شرکت خودرنگ)(مقاله پژوهشی دانشگاه آزاد)

نویسنده:
منبع: مدیریت صنعتی (آزاد سنندج) سال چهاردهم پاییز ۱۳۹۸ شماره ۴۹ 73 - 94

کلیدواژه‌ها: زنجیره تامین حلقه بسته لجستیک عدم قطعیت شبکه عصبی

حوزه های تخصصی:
تعداد بازدید : ۵۴۳ تعداد دانلود : ۳۲۶
مدیریت زنجیره تامین، فرآیند برنامه ریزی، اجرا و کنترل کارآمد جریان مواد اولیه، موجودی های در جریان ساخت، محصولات نهایی و همچنین جریان اطلاعات مرتبط با آن از تامین مواد اولیه تا تحویل به مصرف کننده نهایی می باشد. هدف این تحقیق طراحی یک مدل زنجیره تامین حلقه بسته در شرایط عدم اطمینان با در نظر گرفتن انبارهای واسطه ای در شرکت خودرنگ می باشد تا با تاثیرآن بر روندتولید و توزیع، برلزوم شناخت هرچه بیشتر این مفهوم و جایگاهی که می تواند در توسعه شرکت خودرنگ داشته باشد تاکیدکند. در این تحقیق پس ازجمع آوری اطلاعات ومشاوره با کارشناسان شرکت خودرنگ، تا حد امکان بدون لطمه زدن به اصل داده ها مدل ساده سازی گردید و با استفاده ازتکنیک های برنامه ریزی غیرخطی ، شبکه های عصبی و با نرم افزار های متلب و گمز کدگذاری گردید. نتایج این پژوهش در یک محیط بسته و بدون دخالت متغیرهای خارج از مدل، در شرکت خودرنگ نشان می دهد مدیران این شرکت توانسته اند با پیاده سازی معیارهای مربوط به زنجیره تامین حلقه بسته وپیش بینی میزان تقاضا و برگشت محصول، رضایت مشتریان و تامین کنندگان عمده خود را فراهم سازند.
۷۶.

بررسی گسترش شهری و تأثیرآن بر دمای مناطق شهری با استفاده از آنالیز چندزمانه تصاویر ماهواره ای نوری - مطالعه موردی: شهرستان شهرکرد(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ زمستان ۱۳۹۸ شماره ۱۱۲ 55 - 73

کلیدواژه‌ها: رشد شهری شبکه عصبی الگوریتم پنجره مجزا جزایر گرمایی

حوزه های تخصصی:
تعداد بازدید : ۳۱۰ تعداد دانلود : ۴۷۵
امروزه بررسی رشد شهرها و اثرات آن در کشورهای در حال توسعه از مسائل حائز اهمیت است. هدف از این پژوهش پایش رشد مناطق شهری در طول 31 سال گذشته، اثر آن بر درجه حرارت سطح زمین و بررسی تغییرات جزایرحرارتی شهر است. به منظور بررسی دقیق تر توسعه مکانی مناطق شهری در طول سال های گذشته تاکنون، از تلفیق در سطح تصمیم نتایج بدست آمده از الگوریتم طبقه بندی با نظارت مبتنی بر شبکه عصبی مصنوعی و نتایج حاصل از شاخص مناطق مسکونی استفاده شده است. به منظور محاسبه دمای سطح زمین در منطقه مورد مطالعه، از الگوریتم بهبود یافته پنجره مجزا برای تصاویر سنجنده مادیس و ماهواره لندست 8 استفاده شده است. در مرحله ارزیابی دقت الگوریتم پیشنهادی، از مجموعه تصاویرچندزمانه ماهواره لندست 5 ولندست 8 مربوط به شهرستان شهرکرد، اخذ شده در سال های 1365، 1368، 1372 1377، 1380، 1387، 1392،1394، 1396و تصاویرمتناظر زمانی سنجنده مادیس (تصاویرشب)در سال های 1380، 1387، 1392، 1394 و 1396 استفاده شده است. نتایج بدست آمده نشان دادکه مناطق مسکونی در این شهرستان در طول بازه 31 ساله رشدی در حدود دوبرابر داشته است و مساحت مناطق شهری از 1004 هکتاربه 2112 هکتاررسیده است. علاوه براین، بررسی نقشه های حرارتی تولید شده، نشان می دهد که دمای روزانه سطح شهر و مناطق ساختمانی نسبت به سایر مناطق پایین تر می باشد، ولیکن این امر درطول شب متفاوت است، به طوری که در طول شب مناطق مسکونی و پوشش ساختمانی دارای دمای بالاتری نسبت به سایر مناطق می باشند و این نشان دهنده جزایر گرمایی در شهر است. همچنین نتایج حاصل از آنالیز همبستگی بین مقادیر دمای سطح شهر و شاخص مناطق ساختمانی نشان می دهد که با افزایش رشد مناطق شهری، جزایر حرارتی نیز با روند افزایشی روبه رو هستند.
۷۷.

تحلیلی بر الگوهای پایداری گردشگری شهری در شهر اهواز(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت گردشگری سال پانزدهم بهار ۱۳۹۹ شماره ۴۹ 181 - 201

کلیدواژه‌ها: پایداری گردشگری شهری شبکه عصبی تحلیل رگرسیونی شهر اهواز

حوزه های تخصصی:
تعداد بازدید : ۴۳۳ تعداد دانلود : ۴۹۷
پژوهش حاضر با روش شناسی «توصیفی – تحلیلی» در راستای ارزیابی الگوی های پایداری گردشگری شهری در شهر اهواز به انجام رسیده است. در راستای هدف اصلی پژوهش دو هدف فرعی شناخت اولویت کاربست الگوهای پایداری گردشگری و شناخت میزان تأثیر الگوها در پایداری گردشگری شهری اهواز در فرایند انجام پژوهش دنبال گردیده است. جهت گردآوری داده های پژوهش به شیوه پیمایشی و با استفاده از ابزار پرسشنامه از نظرات 30 نفر از کارشناسان مرتبط با حوزه مورد پژوهش استفاده شده است. جهت تحلیل اولویت شاخص ها از رهیافت شبکه عصبی چند لایه(MLP) و جهت تحلیل میزان تأثیر شاخص ها در فرایند پایداری گردشگری شهری در شهر اهواز از تحلیل های رگرسیونی خطی(R-Linear)، لگاریتمی(R- Logarithmic) و لجستیک(R-Logistic) استفاده شده است. ن
۷۸.

بررسی تأثیر نسبت های مالی و متغیرهای کلان اقتصادی بهینه بر بازدهی سهام شرکت های شستا

نویسنده:
منبع: تامین اجتماعی دوره ۱۵ زمستان ۱۳۹۸ شماره ۱ (پیاپی ۵۴) 81 - 100

کلیدواژه‌ها: الگوریتم تقریب بازار سرمایه شبکه عصبی تأمین اجتماعی

حوزه های تخصصی:
تعداد بازدید : ۵۸۲ تعداد دانلود : ۳۴۴
هدف: با توجه به تأثیرگذاری قابل توجه هولدینگ عظیم شرکت های سازمان تأمین اجتماعی در صحنه اقتصاد کشور و همچنین ازآنجاکه بسیاری از شرکت های سهامی تحت مالکیت این هولدینگ قرار دارند، انتخاب نسبت های مالی بهینه بر بازدهی سهام این شرکت ها و پیش بینی تأثیر نسبت های مالی و متغیرهای کلان اقتصادی بر بازده سهام آن ها اهمیت ویژه ای دارد. در پژوهش حاضر به بررسی تأثیر نسبت های مالی و متغیرهای کلان اقتصادی بهینه بر بازدهی سهام شرکت های شستا پرداخته شده است.  روش: جامعه آماری مورد مطالعه شامل 61 شرکت تحت سرمایه گذاری شستا برای دوره زمانی 1390 تا 1396 است که داده ها با استفاده از نرم افزارهای Stata، MATLAB و MSmodeling و مدل های الگوریتم تقریب تابع ژنتیک، شبکه عصبی فازی تطبیقی مورد تجزیه و تحلیل قرار گرفته اند. یافته ها: نتایج الگوریتم تقریب تابع ژنتیک نشان داد که از 18 نسبت مالی مؤثر بر سهم بازده سهام شرکت های شستا، 6 نسبت مالی بهینه هستند که از این نسبت های مالی، نسبت های بازده سهام به نسبت های دارایی های جاری (X 3 )، نسبت کالا به سرمایه در گردش(X 11 )، بازده دارایی ثابت(X 14 )  و حاشیه سود خالص شرکت(X 17 )  با بازده سهام شرکت های شستا رابطه منفی دارد و همچنین با نسبت های مالی گردش دارایی ثابت (X 10 ) و نسبت بازده حقوق صاحبان سهام (X 15) رابطه مثبت دارد. مدل سازی متغیرهای کلان اقتصادی مؤثر بر بازده سهام شرکت های شستا نشان داد که چهار متغیر کلان اقتصادی (نرخ ارز دولتی و آزاد، قیمت نفت اوپک، قیمت سکه، نرخ سود علی الحساب) مؤثر هستند و مدل رگرسیون بهینه نشان داد که بازده سهام با نرخ ارز آزاد و قیمت نفت اوپک رابطه مثبت و با قیمت سکه و نرخ سود علی الحساب رابطه منفی دارد. نتیجه گیری: بر اساس نتایج می توان توصیه کرد که در شرایط رکودی کشور شرکت های شستا توانایی پرداخت تعهداتشان را در کوتاه مدت افزایش دهند و از رابطه نسبت های مالی با بازده سهام شرکت های شستا می توان به کارایی مدیریت شرکت های شستا در توانایی کسب سود قابل قبول برای سرمایه گذاری پی برد. با توجه به نتایج، نرخ ارز آزاد و قیمت نفت اوپک بر بازدهی سهام تأثیر مثبت داشته، بنابراین باید انتظار داشت افزایش این دو متغیر سرمایه گذاران را ترغیب به خرید سهام شرکت های شستا نمی کند و ازآنجاکه قیمت سکه و نرخ سود علی الحساب بر بازدهی سهام تأثیر منفی دارد، پیشنهاد می شود که با پیش بینی افزایش این دو متغیر شرکت شستا اقدام به فروش سهام خود کند.
۷۹.

بررسی اثر نوسانات قیمت نفت بر متغیرهای بخش کشاورزی توسط مدل Arimax و شبکه عصبی طی دوره 1373-1393(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات اقتصاد کشاورزی جلد ۱۲ زمستان ۱۳۹۹ شماره ۴ (پیاپی ۴۸) 189 - 204

کلیدواژه‌ها: بخش کشاورزی بیماری هلندی مدل ARIMAX شبکه عصبی

حوزه های تخصصی:
تعداد بازدید : ۲۴۹ تعداد دانلود : ۲۴۶
بر اساس پدیده ی بیماری هلندی پیش بینی می شود، درنتیجه ی افزایش درآمدهای نفتی آثار و پیامدهای آن در تمام بخش های اقتصادی ازجمله بخش سنتی منعکس گردد. هدف این پژوهش بررسی اثر نوسانات قیمت نفت بر متغیرهای بخش کشاورزی می باشد. داده های مورد استفاده جهت بررسی تولید، صادرات، قیمت دو محصول پسته و خرما طی دوره ی 1373-1393 به صورت سالانه می باشد. داده های مربوط به متغیرهای بخش کشاورزی از طریق سایت جهاد کشاورزی و مرکز آمار ایران و سایت بانک مرکزی گردآوری شده است. بر اساس نتایج دو مدل Arimax و شبکه ی عصبی مشاهده می شود، ترتیب شدت اثرگذاری نوسانات قیمت نفت بر هر یک از متغیرها در هر دو مدل یکسان می باشد. اما، در مدل شبکه عصبی جهت تأثیرگذاری نوسانات قیمت نفت بر متغیرها با دقت بالاتری صورت گرفته به صورتی که رابطه ی معکوس بین قیمت نفت با دو متغیر تولید و صادرات، که عامل رخ دادن پدیده ی بیماری هلندی می باشد، به وضوح نشان داده شده است. از همین رو مدل شبکه ی عصبی نسبت به مدل Arimax از دقت بالاتری ببرخوردار می باشد.
۸۰.

عملکرد شبکه عصبی GMDH در پیش بینی عوامل موثر بر جذب سرمایه گذاری مستقیم خارجی کشور ایران(مقاله علمی وزارت علوم)

نویسنده:
منبع: سیاست نامه علم و فناوری دوره هفتم پاییز ۱۳۹۶ شماره ۳ (پیاپی ۲۰)
تعداد بازدید : ۵۱۸ تعداد دانلود : ۲۶۷
سرمایه گذاری مستقیم خارجی (FDI) یکی از عوامل مهم رشد و توسعه اقتصادی کشورهای میزبان به شمار می رود و طی دهه های اخیر روند فزاینده ای نیز داشته است. شناخت عوامل مؤثر در جذب FDI در سیاستگذاری کشورهایی که نتوانسته اند از این عامل به خوبی استفاده کنند مفید است. تحلیل بیان شده در چارچوب الگوی «شبکه عصبی چند جمله ای» ارائه شده است تا پیش بینی مدل با حداقل خطا نمایش داده شود. همچنین در مدل برآوردشده، مؤثرترین متغیرها از راه آنالیز حساسیت الگوریتم ژنتیک به دست آمد. نتایج حاصل از برآورد الگو مبین آن است که اثر درجه باز بودن، نرخ بازگشت سرمایه، رشد اقتصادی، سرمایه انسانی، نقدینگی، مخارج تحقیق و توسعه، زیرساخت ها و فساد از عوامل مؤثر در جذب سرمایه گذاری مستقیم خارجی است.