مدل شبکه عصبی

دسترسی مناسب به خدمات گردشگری، یکی از مهم ترین پارامترهایی است که نقش مهم و تعیین کننده ای در رفاه اجتماعی گردشگران و به طورکلی در عرصة حیات گردشگری دارد. با توجه به اینکه دسترسی به خدمات، حلقة ارتباط میان دو عنصر تقاضا (گردشگران) و عرضه (مراکز ارائه کننده) است، خدمات گردشگری کارا و مطلوب و توزیع بهینه و متناسب آن برای گردشگران و سایر استفاده کنندگان، به توازن و تعادل سایر کارکردهای گردشگری کمک شایان توجهی می­کند؛ بنابراین، با کمک برنامه ریزی فضایی به­عنوان یکی از ابزارهای قدرتمند در زمینة تخصیص منابع به فضاها و مکان های دارای اولویت، می توان مکان های بهینة خدمات گردشگری را به بهترین نحو مشخص کرد. برهمین­اساس، مهم ترین هدف پژوهش حاضر پهنه بندی مکان های بهینة عرضة خدمات گردشگری در استان فارس است که یکی از قطب های مهم گردشگری کشور به­شمار می­رود؛ تا با این پهنه­بندی، متناسب با ظرفیت هر مقصد، هم مدیریت بهتری بر گردشگران و نیازهایشان انجام شود و هم مقصدهایی که از نظر خدمات، موانع و محدودیت هایی دارند، شناسایی شوند و مشکلات آن­ها برطرف شود. این پژوهش، توصیفی- تحلیلی و پیمایشی است. در ابتدا، معیارهای خدمات گردشگری، با استفاده از تکنیک دلفی تعیین شدند و سپس وزن دهی معیارهای مربوط به روش سلسله­مراتبی فولر انجام گرفت. در مرحلة بعد، با استفاده از مدل های بهینه سازی MAPPAC و مدل شبکة عصبی مصنوعی، پهنه های مناسب خدمات گردشگری مشخص و رتبه بندی شدند. یافته ها نشان می دهد بخش های سیاسی شهرستان اقلید، سپیدان، بوانات، ممسنی و... از کمترین امکانات برخوردارند و باید در اولویت توسعه قرار گیرند و درمقابل، امکانات بخش های سیاسی شهرستان شیراز، مرودشت، زرقان و... ، بهتر و مناسب تر از دیگر بخش هاست. همچنین ارزیابی مدل ها از واقعیت توسط کارشناسان انجام شده و آن ها معتقدند نقشه نهایی مدل شبکه عصبی مصنوعی، با واقعیت های موجود مطابقت بیشتری دارد.

 امروزه با توجه به روند رو به رشد جمعیت در شهرها و روستاها و تمایل به زندگی شهری بیشترین تغییرات کاربری اراضی در نواحی شهری به وقوع می پیوندد. توسعه سریع شهری در دهه های اخیر موجب تغییرات وسیعی در الگوی کاربری زمین پیرامون شهرها شده و تأثیرات زیست محیطی و اجتماعی–اقتصادی زیادی را به همراه داشته است. در این پژوهش با استفاده از تصاویر ماهواره ای تغییرات کاربری اراضی و شبیه سازی رشد و توسعه شهر رشت به کمک مدل شبکه عصبی و سلول های خودکار زنجیره مارکوف انجام گرفت. برای این منظور از تصاویر سال های 2000، 2008 و 2017 ماهواره لندست استفاده گردید. پس از پیش پردازش تصویر و انتخاب بهترین ترکیب باندی، تصاویر با روش شبکه عصبی طبقه بندی شد. سپس تصاویر طبقه بندی شده در مدل ساز تغییرات زمین وارد گردید و نقشه های خروجی مدل ساز با روش CA-MARCOVE</em> برای سال 2027 پیش بینی شد. نتایج بدست آمده در فاصله زمانی 2000 تا 2017 نشان می دهد که تغییرات مساحت در اراضی شهری، شالیزار و جنگل به ترتیب به میزان 87/9041، 03/7841  و 78/55 هکتار بوده که میزان آن در شهر رشت مثبت و در شالیزار و جنگل منفی می باشد و نقشه پیش بینی سال 2027 با روش CA-</em> MARCOVE</em> نیز موید افزایش قابل توجه کاربری شهری به مقدار 04/14105هکتار در سال های آتی است. نتایج این پژوهش نشان می دهند که ادامه روند فعلی تغییرات کاربری اراضی به نتایج مضر زیست محیطی و به تبع آن آسیب های اقتصادی- اجتماعی جبران ناپذیر می انجامد. بنابراین ضروری است دستگاه برنامه ریزی و مدیریت منطقه، رویکردی جامع برای جلوگیری از مشکلات زیست محیطی آتی و مهار توسعه افقی سکونتگاه ها در این منطقه در پیش گیرد.

ریسک اعتباری احتمال قصور وام گیرنده یا طرف مقابل بانک نسبت به انجام تعهداتش، طبق شرایط توافق شده است. به عبارت دیگر عدم اطمینان در مورد دریافت عایدات آتی سرمایه گذاری را ریسک می گویند که در بانک ها از اهمیت بالایی برخوردار است. هدف این مقاله برآورد ریسک اعتباری مشتریان حقوقی بانک ملت بوده است. در این مطالعه از اطلاعات آماری 7330 مشتری حقیقی استفاده شده است. در این راستا نتایج مدل شبکه عصبی و مدل ناشی از ماشین بردار پشتیبان مورد مقایسه قرار گرفته است. نتایج بدست آمده بیانگر این بوده است که مولفه های در نظر گرفته شده در این مطالعه بر اساس ویژگی های شخصیتی، مالی و اقتصادی اثرات معناداری در احتمال نکول مشتریان و محاسبه ریسک اعتباری داشته است. همچنین نتایج این مطالعه نشان داد اعمال سیاست های کنترلی در ابتدای دوره بازپرداخت تسهیلاتی که بیشترین احتمال نکول را با طول عمر و بازپرداخت بالا دارند پیشنهاد می دهد. در مقایسه نتایج بدست آمده از دقت پیش بینی مدل های مختلف مشاهده گردید که قدرت بالاتر توضیح دهندگی مدل ماشین بردار پشتیبان و استفاده از تابع احتمال بقاء نسبت به مدل شبکه عصبی ساده برای گروه های مورد مطالعه از مشتریان حقیقی بالاتر بوده است.

پیشینه و اهداف: ضریب نفوذ بیمه عمر به عنوان یک محصول مهم بیمه ای و برنامه ریزی مالی در ایران بسیار پایین است و یکی از دلایل آن بازخرید بیمه نامه هاست. هدف این مقاله بررسی تأثیر مشخصه های فردی و قراردادی بیمه نامه هاست که بر بازخرید بیمه نامه های عمر به شرط فوت اثر می گذارند. روش شناسی: برای این منظور از داده های آماری و اطلاعات ثبتی 35171 خریدار بیمه نامه های عمر و مستمری یک شرکت بیمه ای در مقطع سال 1400 به عنوان پایلوت استفاده شد. برای تجزیه و تحلیل نیز از داده کاوی و الگوریتم های یادگیری عمیق و شبکه عصبی که دقت بسیار بالایی در پیش بینی دارند استفاده شد. یافته ها: مدل از دقت مطلوب 74 درصد در پیش بینی هر دو نوع بیمه نامه های عدم بازخرید و بازخرید شده برخوردار است. البته در پیش بینی عدم بازخرید بیمه نامه ها عملکرد بسیار بهتر بوده اما چون موضوع اصلی مقاله پیش بینی بیمه نامه های بازخرید شده است، در تفسیر نتایج بیشتر به آن توجه شد. نتایج بدست آمده با وجود مشکل نامتوازن بودن داده ها مطلوب است. در داده ها مورد بررسی نسبت بیمه نامه های بازخریدی به عدم بازخرید 3 به 100 است که این عدم توازن موجب می شود فرآیند یادگیری به سمت پیش بینی طبقه با بیشترین فراوانی سوگیری پیدا کند. با این وجود، شاخص پوشش 59 درصدی بدست آمده نشان داد که از مجموع 244 بیمه نامه بازخرید شده در مجموعه داده تست، شبکه توانسته اغلب آنان یعنی 145 مورد را به درستی در طبقه بیمه نامه های بازخریدی پیش بینی و طبقه بندی کند. نتیجه گیری: نشان داده شد که از مشخصه های جمعیت شناختی متغیرهای سن، جنسیت زن، اضافه نرخ پزشکی، نرخ خطر حادثی و از مشخصه های قرارداد نیز مدت بیمه نامه، مدت زمان سپری شده از شروع بیمه نامه، شیوه پرداخت حق بیمه با اقساط بلندمدت تر، بالاتر بودن ضرایب افزایش سالانه سرمایه و حق بیمه و کمتر بودن تعداد موارد پوشش و سرمایه فوت با بازخرید اثر عکس داشته و احتمال آن را کاهش می دهند. با بازخرید بیمه نامه بصورت عکس مرتبط هستند. نسبت بیمه گذار و بیمه شده نیز تأثیرگذار بوده و نشان داده شد که بازخرید وقتی بیمه گذار بیمه نامه عمر را برای خود بخرد در حدأقل و با دور شدن نسبت خویشاوندی احتمال بازخرید افزایش می یابد.

مقدمه: هدف از انجام این مطالعه، ارائه عناصر و روش شناسی مدل یادگیری تقویتی منطبق بر مدل مفهومی عامل بنیان اعتباربخشی بیمارستانی در ایران است. عناصر و روش شناسی مدل یادشده، زیربنای مطالعاتی مطلوبی برای ایجاد سیستم هوشمند و چندعاملی اعتباربخشی بیمارستانی و روندهای شبیه سازی محیط در جهت ارائه رهنمودهای بهره ورانه به کارگزاران و سیاست گذاران مربوطه ایجاد خواهد کرد. این مطالعه در نظر دارد تا پاسخ مناسبی به پرسش های اصلی پژوهش که در آن ابهامات مربوط به عناصر یادگیری تقویتی و چگونگی انتخاب روش شناسی یادگیری تقویتی در یک سیستم چندعاملی از نوع سیستم های اجتماعی فنی وجود دارد، ارائه کند.روش ها : به منظور گردآوری داده های موردنیاز برای شناخت عناصر و شناسایی فرایندهای اعتباربخشی بیمارستانی، عامل ها، محیط و تعامل بین آن ها، از روش مرور سیستماتیک منابع، بررسی مستندات علمی و مصاحبه های نیمه ساخت یافته، از طریق خبرگان، به صورت حضوری بهره گرفته شد. مصاحبه شوندگان از میان اعضای هیئت علمی، مدیران بیمارستان و مسئولان بهبود کیفیت بیمارستان ها انتخاب شدند. جمع بندی مصاحبه ها با استفاده از روش های مبتنی بر داده بنیاد، رویکرد ترتیبی و سیستماتیک، صورت گرفت. منابع جمع آوری ویژگی های فرایند یادگیری ماشین با استفاده از روش مرور سیستماتیک از مستند «راهنمای اعتباربخشی 1401» بوده است. روند انتخاب ویژگی های یادشده از طریق انتخاب صحیح از ویژگی های خروجی مدل که همان کنش های عامل است، صورت گرفت. فهرست کنش های عامل بر اساس طبقه بندی ساختار درختی از محتوای مفهومی مستند فوق الذکر به صورت یک درخت عمومی غیردودویی استخراج شد.یافته ها: مدل یادگیری تقویتی استخراج شده درصدد یافتن زنجیره های بهینه از کنش های عملیاتی در شرایطی که داده های کمی موجود است، خواهد بود. مهم ترین عناصر مدل یادشده عبارت اند از:مجموعه حالات: مجموعه عوامل اعتباربخشی بیمارستانی مانند متغیرهای ورودی، متغیرهای خروجی، شاخص ها، پارامترها، اعداد ثابت مربوط به سنجه های هر عامل مفهومی در مستند «راهنمای اعتباربخشی 1401»؛مجموعه کنش ها: کنش های عامل های هوشمند؛ در هر اپیزود یادگیری تقویتی، مسیرهایی از درخت دودویی خوشه بندی سلسله مراتبی شده اقدامات عملیاتی قابل انجام در بیمارستان و به ازای مجموعه ویژگی های حالت هستند؛تابع پاداش: «کسب بالاترین امتیاز ممکن در نظام رتبه بندی بیمارستانی با انجام کمترین تعداد کنش و اقدام لازم» است؛تابع سیاست: بر اساس فرایند یادگیری هر عامل، مبتنی بر یک شبکه عصبی عمیق DQN و الگوریتم کاهش گرادیان است؛عامل های عملیاتی: هدف عملیاتی هر یک از عامل های مفهومی؛ «حداکثرکردن امتیازات اعتباربخشی سنجه های حوزه مربوط به خود با توصیه کمترین اقدامات» است.چرخه کلی مدل: در این ساختار هر کدام از عامل های هوشمند، زیرمجموعه عامل های مفهومی نه گانه، در محدوده خود دارای یک شبکه عصبی چندلایه است که ویژگی های حالات مرتبط، به این شبکه عصبی وارد می شود و در خروجی، بر اساس تعریف تابع سیاست ویژه آن عامل، نگاشتی از کنش های بهینه بر حسب شرایط و حالات فعلی عامل ایجاد خواهد شد؛مدل شبکه عصبی: شبکه عصبی عامل هوشمند برگرفته از عامل مفهومی «مدیریت و رهبری» است که در آن مشخصات لایه های ورودی، مخفی و خروجی شبکه آمده است.نتیجه گیری: جمع بندی پیشینه پژوهش های مرتبط، نشان داد که رویکرد طراحی مدل های اعتباربخشی بیمارستانی می تواند به دو گروه «مدل های مفهومی بدون بهره گیری از عوامل هوشمند» و «مدل های مفهومی با بهره گیری از مفاهیم هوشمندسازی و سیستم های عامل بنیان» تقسیم شود. بررسی ها نشان داد که این مطالعات دارای نتایج موردانتظار بوده و کارایی و اثربخشی مدل ها و فرایندهای پیشنهادشده توسط آن ها، اعتبار لازم را داشته اند. از نقاط ضعف این پژوهش ها، این است که الگوریتم های یادگیری تقویتی لزوماً با مدل های عامل بنیان در آن ها درآمیخته نشده است.