پایتون

هدف: اهمیت بالای درماندگی مالی برای حیات اقتصادی کشور و هزینه های بالای فردی و اجتماعی آن، موضوع پیش بینی درماندگی مالی را به یک مسئله مهم برای استفاده کنندگان و ذی نفعان صورت های مالی تبدیل کرده است. عمده پژوهش ها باتکیه بر اطلاعات مالی ساختاریافته و کمی صورت های مالی درماندگی مالی را پیش بینی کردند؛ اما در این پژوهش تلاش شده است با استفاده از تکنیک متن کاوی و الگوریتم های یادگیری ماشین، از اطلاعات ساختار نیافته گزارش های هیئت مدیره جهت پیش بینی درماندگی مالی استفاده شود.   روش: به همین منظور گزارش هیئت مدیره 100 شرکت بورسی در بازه زمانی 1390-1400 جمع آوری، با استفاده از زبان برنامه نویسی پایتون مورد متن کاوی (شامل مراحل پیش پردازش، استخراج ویژگی، انتخاب ویژگی و ...) قرار گرفتند و سپس مدل سازی آن با استفاده از الگوریتم های یادگیری ماشین در زبان برنامه نویسی پایتون انجام گرفت.   یافته ها: نتایج پژوهش حاکی از برتری دو روش مدل درخت تصمیم و ماشین بردار پشتیبان با کرنل شعاعی نسبت به سایر روش ها (شامل رگرسیون لجستیک، جنگل تصادفی، نزدیک ترین همسایگی و روش های ماشین بردار پشتیبان با کرنل های خطی، سیگموئید و چندجمله ای) بود.   نتیجه گیری: در واقع نتایج این پژوهش نشان داد که به جای توجه صرف بر اعداد و ارقام و نسبت های مشتق شده، می توان از تکنیک متن کاوی نیز جهت تجزیه وتحلیل و پیش بینی استفاده کرد و با تلفیق آن با نتایج حاصل از اطلاعات کمی می توان درماندگی مالی شرکت ها پیش بینی نمود.

پژوهش حاضر به ارزیابی دقیق تأثیر دیوارهای سبز بر پارامترهای محیطی و شاخص های حرارتی در مقیاس واقعی می پردازد. علی رغم تمرکز تحقیقات پیشین بر تأثیر این سیستم ها در فصل های تابستان و زمستان، تحقیقات کمتری به تأثیر این سیستم ها در فصل پاییز پرداخته اند. این پژوهش، به تحلیل اثرات دیوارهای سبز بر خرداقلیم پیرامونی در فصل پاییز و مقایسه اثرات آن در فواصل مختلف از دیوار می پردازد. اندازه گیری های میدانی طی 10 روز، به صورت 24 ساعته و در فواصل مختلف از دیوارها، شامل یک دیوار سبز و یک دیوار عاری، به منزله نمونه کنترل، در فصل پاییز انجام شد. از شاخص های مرتبط با احساس حرارتی (شاخص گرما، شاخص رطوبت و شاخص احساس گرمای تابستانی) و استرس حرارتی (شاخص استرس گرمایی کشنده) با استفاده از زبان برنامه نویسی پایتون بهره گرفته شد. یافته ها نشان دادند که دیوار سبز در طول شبانه روز، به طور میانگین بیشترین اثرگذاری را در فاصله 0.5 متری بر کاهش شاخص های حرارتی تا °C2.1 داشته است. همچنین با تجزیه وتحلیل داده هایِ حاصل از محاسبه شاخص ها در ساعات اوج گرمای روز، مشخص گردید که دیوار سبز به طور میانگین، شاخص های حرارتی را تا °C3.9 بلافاصله بعداز دیوار کاهش می دهد. نتایج حاکی از آن است که دیوارهای سبز در فصل پاییز به طور مؤثری به بهبود شرایط خرداقلیم پیرامونی، به ویژه در ساعات اوج گرمای روز، در محیط های شهری واقع در اقلیم گرم و نیمه خشک کمک می کنند.