الگوریتم ماشین بردار پشتیبان

زمین لغزش ها همواره موجب خسارات جانی و مالی، از دست رفتن منابع طبیعی و زیرساخت های زیربنایی از قبیل جاده ها، پل ها و خطوط ارتباطی می شوند. جاده ارتباطی حیران در حال حاضر تحت تأثیر فرایند لغزش و گسیختگی دامنه ای دستخوش تغییر می باشد. در این پژوهش حساسیت زمین لغزش محور ارتباطی حیران با استفاده مدل های شبکه عصبی مصنوعی و توابع خطی، چندجمله ای، شعاعی و حلقوی الگوریتم ماشین بردار پشتیبان موردبررسی قرار گرفت. معیارهای مؤثر در شناسایی حساسیت زمین لغزش در سطح منطقه موردمطالعه شامل لایه های استخراج شده از سطوح ارتفاعی، زمین شناسی، کاربری اراضی، فاصله از گسل، شیب، جهت شیب و فاصله از جاده می باشد. لایه های اطلاعاتی بعد از آماده سازی در محیط نرم افزار SPSS Modeler اجرا شد و نقش و ارزش هرکدام از پارامترها بر اساس روش های مختلف به دست آمد. بر اساس نتایج ارزیابی مدل به ترتیب عامل زمین شناسی، ارتفاع، جهت شیب و کاربری اراضی، بیشترین ارزش را در ناپایداری دامنه ها در این محدوده داشته اند. همچنین نتایج نشان داد، کاربری های که در طبقه حساسیت زیاد قرارگرفته اند عمدتاً مربوط به اراضی مرتع، زمین کشاورزی و جاده های ارتباطی ( بالاتر از 1400 متر) می باشند که در قسمت های غربی گردنه حیران واقع شده اند. سازندهای تحت تأثیر لغزش در محدوده موردمطالعه عمدتاً تناوب توف، ماسه سنگ توفی به همراه گدازه های برشی و گدازه های پیروکسن آندزیت می باشد. در قالب مقایسه بین مدل ها جهت ارزیابی مطابقت آن با واقعیت منطقه به نظر می رسد مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی کارایی بهتری جهت ارزیابی حساسیت زمین لغزش در محور ارتباطی گردنه حیران دارد. شایان ذکر است، لزوم توجه به نقشه های حساسیت زمین لغزش طی عملیات جاده سازی و تعریض آن می تواند سبب کاهش ریسک مخاطره ی زمین لغزش در محدوده مسیر جاده حیران-آستارا گردد.

رشد سکونتگاه ها و افزایش فعالیت های انسانی در دشت های سیلابی به ویژه حاشیه رودخانه ها و مکان های مستعد سیل، میزان خسارت ناشی از این مخاطره را افزایش داده است. از این رو تعیین گستره سیلاب در راستای برنامه ریزی های کاهش خطر، آمادگی و پاسخ و بازیابی و بازتوانی پس از این مخاطره از اهمیت بسزایی برخوردار است. در مطالعه حاضر از الگوریتم های متداول یادگیری ماشین و طبقه بندی تصاویر سنتینل2 جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین1398 شهرستان آق قلا استفاده شد. همچنین به منظور بررسی و افزایش دقت الگوریتم ها، سه شاخص طیفی نرمال شده پوشش گیاهی(NDVI)، پهنه های آبی(MNDWI) و اراضی ساخته شده (NDBI) با تصاویر مورد استفاده ترکیب شدند. پارامترهای مختلف تنظیم هر یک از الگوریتم ها به منظور تعیین تأثیر آن ها بر دقت طبقه بندی و جلوگیری از کسب نتایج خوشبینانه ناشی از همبستگی مکانی میان نمونه های آموزشی و آزمایشی، با روش اعتبارسنجی متقابل مکانی ارزیابی شدند. نتایج نشان داد که ترکیب شاخص های طیفی منجر به افزایش دقت کلی الگوریتم ها شده و به منظور تولید نقشه های پوشش اراضی، الگوریتم جنگل تصادفی با دقت 83.08 درصد بدلیل استفاده از روش یادگیری جمعی از دقت و تعمیم پذیری بالاتری نسبت به سایر الگوریتم های ماشین بردار پشتیبان و شبکه عصبی با دقت به ترتیب 79.11 و75.44 درصد برخوردار است. پس از مشخص شدن دقیق ترین الگوریتم، نقشه پهنه های سیلابی با استفاده از الگوریتم جنگل تصادفی در دو کلاس اراضی آبی و غیر آبی تولید گردید و دقت کلی الگوریتم در بهینه ترین پارامترها و با ترکیب شاخص طیفی(MNDWI) 93.40 درصد بدست آمد. سپس با همپوشانی نقشه های پوشش اراضی و پهنه های سیلابی، سطح اراضی ساخته شده و اراضی زراعی و فضاهای سبز تحت خسارت سیلاب به ترتیب 4.2008 و 41.0772 کیلومتر مربع برآورد گردید. واژه های ک

هدف: هدف اصلی پژوهش حاضر، توسعه مدلی دقیق، کارآمد و مبتنی بر الگوریتم های یادگیری عمیق برای پیش بینی ریسک حسابرسی در شرکت های پذیرفته شده در بورس اوراق بهادار تهران، و بررسی پیامدهای کاربردی این مدل در ارتقاء کیفیت قضاوت و تصمیم گیری حرفه ای حسابرسان است. این پژوهش در پاسخ به محدودیت های روش های سنتی ارزیابی ریسک حسابرسی که اغلب در شناسایی ناهنجاری ها، پیچیدگی روابط غیرخطی و وابستگی های زمانی ناکارآمد هستند، انجام شده است. روش : پژوهش حاضر از نوع کاربردی و مبتنی بر داده های واقعی است. جامعه آماری پژوهش شامل 150 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی دوره زمانی 1392 تا 1402 می باشند. داده ها با استفاده از روش غربال گری انتخاب شده و از منابع رسمی مانند سامانه کدال، بانک مرکزی و صورت های مالی حسابرسی شده استخراج شده اند. ریسک حسابرسی به صورت یک متغیر ساختگی و با استفاده از وقوع خطاهای نوع اول و دوم در گزارش حسابرسی تعریف شده است. متغیرهای پیش بین شامل 40 متغیر در سه سطح اصلی (ویژگی های حسابرس، ویژگی های صاحبکار، و شرایط اقتصاد کلان و بازار سرمایه) هستند. از آزمون t برای انتخاب مهم ترین متغیرها استفاده شده و در نهایت 25 متغیر وارد مدل شدند.سه الگوریتم یادگیری عمیق شامل: ماشین بردار پشتیبان، شبکه عصبی پیچشی و شبکه عصبی بازگشتی، جهت آموزش مدل و ارزیابی عملکرد آن استفاده شدند. برای سنجش دقت مدل ها از ماتریس اغتشاش، صحت و خطای نوع دوم استفاده گردید. داده ها به روش تصادفی 50 بار به دو دسته آموزش (75%) و آزمون (25%) تقسیم شدند. یافته ها: نتایج نشان داد الگوریتم RNN با دقت 96.4 درصد، بهترین عملکرد را در پیش بینی ریسک حسابرسی داشت. الگوریتم SVM نیز با دقت 89.6 درصد عملکرد قابل قبولی ارائه کرد، در حالی که CNN با دقت 85.8 درصد پایین ترین دقت را ثبت نمود. الگوریتم RNN توانست با نرخ خطای نوع دوم 2.7 درصد، الگوی مناسبی از روابط زمانی و غیرخطی بین متغیرها را استخراج کند. آزمون t و آزمون کای دو نشان دادند که متغیرهایی نظیر اندازه شرکت، نقدینگی، سودآوری، تخصص مالی هیأت مدیره، استقلال حسابرسی و نرخ تورم، اثر معناداری بر ریسک حسابرسی دارند. همچنین متغیرهایی مانند تغییر حسابرس، رتبه بندی مؤسسه حسابرسی و تخصص حسابرس، با ریسک حسابرسی ارتباط معناداری دارند. نتیجه گیری: یافته ها حاکی از آن است که الگوریتم های یادگیری عمیق، به ویژه RNNمی توانند ابزارهای مؤثری برای ارتقاء دقت قضاوت حرفه ای در ارزیابی ریسک حسابرسی باشند. این مدل ها با توانایی بالا در استخراج الگوهای پنهان و وابستگی های زمانی، امکان تصمیم گیری آگاهانه تر و سریع تر را برای حسابرسان فراهم می کنند. از منظر کاربردی، این پژوهش می تواند به نهادهای نظارتی مانند سازمان حسابرسی، سازمان بورس و مؤسسات حسابرسی در تدوین راهکارهای دقیق تری برای ارزیابی ریسک کمک کند. همچنین، سرمایه گذاران و تحلیل گران بازار سرمایه می توانند با اتکاء به پیش بینی دقیق ریسک حسابرسی، تصمیمات شفاف تر و مبتنی بر داده اتخاذ نمایند.