الگوریتم SVM

شناخت و نحوه پراکنش فضایی لندفرمی به منظور درک و ارزیابی تحول آن ها، مطالعات پایداری دامنه ای و برنامه ریزی منطقه ای آن ها در آینده، از نیازهای اساسی در علم ژئومورفولوژی کاربردی است. اهمیت مطالعه لندفرم ها به حدی است که امروزه موضوع مطالعه ژئومورفومتری به عنوان زیررشته ای از ژئومورفولوژی ارائه می شود. ژئومورفومتری به اندازه گیری کمی سطوح و لندفرم ها بر اساس تغییرات ارتفاعی تحت تأثیر تابع فاصله می پردازد. شاخص های ژئومورفومتریک ویژگی های شکل عوارض زمینی را به صورت کمی بیان می دارند. این تحقیق با تأکید بر استفاده از شاخص های ژئومورفومتریک و الگوریتم SVM به شناسایی سطوح مستعد زمین لغزش در آزادراه خرم آباد – پل زال به عنوان یکی از راه های ارتباطی مهم کشور می پردازد. شاخص های مورداستفاده شامل شیب، جهت شیب، لیتولوژی، وضعیت گسل ها، شبکه زهکشی و کاربری اراضی است که به همراه شاخص های ژئومورفومتریک شامل انحنای پروفیل، انحنای پلان و انحنای کلی با استفاده از رویکرد هوش مصنوعی و توابع خطی و چندجمله ای الگوریتم SVM در شناسایی سطوح مستعد لغزش استفاده شده است. نتایج تحقیق نشان می دهد استفاده از شاخص های ژئومورفومتریک، انحنای پلان، پروفیل و کلی توانسته ویژگی های شکلی سطوح را به صورت کمی مشخص نماید و درنتیجه نقش مهمی در افزایش دقت شناسایی سطوح مستعد لغزش داشته است. با توجه به به هم ریختگی و زبری سطوح لغزشی شاخص های ژئومرفومتریک کارایی خوبی در شناسایی پهنه های لغزشی داشته اند. ارزیابی دقت با استفاده از داده های پیمایش زمینی ضمن تأکید این مطلب نشان می دهد تابع چندجمله ای در شناسایی سطوح مستعد لغزش، دقت بیشتری نسبت به تابع خطی الگوریتم SVM داشته است که علت آن می تواند رفتار غیرخطی وقوع لغزش در منطقه مطالعاتی است و بنابراین تابع غیرخطی الگوریتم بهتر توانسته احتمال وقوع لغزش را مشخص نماید.

مالیات در ایران به لحاظ تأمین مالی و ابزار سیاستگذاری از جایگاه مناسبی برخوردار نمی باشد. بین عملکرد مالیات و سطح بالقوه آن، شکاف وجود دارد که یکی از دلایل اصلی ایجاد آن، وجود پدیده فرار مالیاتی است. در این میان، شناسایی فرار مالیاتی اشخاص حقوقی و ارائه راهکارهایی به منظور شناسایی و مقابله با آن به دلیل درآمدزایی عمده این پایه مالیاتی از اهمیت بالایی برخوردار است. از طرف دیگر وقتی مأمورین مالیاتی جهت حسابرسی به پرونده مالیاتی اشخاص حقوقی مراجعه می کنند با حجم زیاد اطلاعات مواجه می باشند که در بعضی مواقع ظرف مهلت کمتر از یک روز باید پرونده ها را حسابرسی نمایند که نبود فرصت کافی و عدم تفکیک پرونده های پرریسک و کم ریسک و ... باعث کاهش کیفیت حسابرسی مالیاتی می گردد و مقدمه افزایش فرار مالیاتی مودیان را فراهم می کند. در این پژوهش به منظور پیش بینی و مبارزه با فرار مالیاتی، تعداد 28 نسبت مالی مربوط به تعداد 1186 شرکت طی سال های 1393 تا 1395 که از سایت سازمان بورس اوراق بهادار استخراج گردید به عنوان ورودی مدل، مبنای آموزش و تست روش های ترکیبی شبکه بیزین و الگوریتم SVM قرار می گیرد. بعد از ارائه مدل، خروجی مشخص می کند که شرکت دارای فرار مالیاتی می باشد یا خیر. سازمان مالیاتی می تواند با استفاده از مدلهای این پژوهش، قبل از حسابرسی مالیاتی مودیان، تشخیص دهد که مؤدی دارای فرار مالیاتی می باشد یا خیر و میزان ریسک مؤدی را تعیین نماید. نتایج حاصل از این تحقیق نشان می دهد که به ترتیب، روش های الگوریتم ترکیبی، الگوریتم SVM و شبکه بیزین از دقت و کارایی بیشتری در کشف و شناسایی فرار مالیاتی برخوردار هستند.

 پیش بینی ورشکستگی بنگاه های اقتصادی یکی از شاخه های رشته مالی است که در تحقیقات اخیر بیشتر مورد توجه قرار گرفته است به گونه ای که الگوهای ورشکستگی توسعه یافته است. در عمده پژوهش های صورت گرفته در حوزه پیش بینی عملکرد مالی شرکت ها و به طور خاص، ورشکستگی، تنها به پیش بینی و یا مقایسه توان پیش بینی مدل ها با استفاده از اطلاعات تاریخی صورت های مالی پرداخته شده است. از آنجا که در ایران بیشتر از اطلاعات تاریخی حسابداری استفاده شده است هدف اصلی این پژوهش لحاظ نمودن آثار تورم بر روی متغیرهای ورودی در طراحی مدل پیش بینی ورشکستگی می باشد. لذا متغیرها در دو گروه نسبت های مالی تعدیل شده و تاریخی، در طراحی دو مدل متفاوت دسته بندی شدند، سپس با استفاده از الگوریتم لارس نسبت های گویاتر تمایز بین شرکت های ورشکسته و غیرورشکسته، انتخاب گردیدند و در نهایت با به کارگیری آزمون رگرسیون لاجیت و الگوریتم های ماشین بردار پشتیبان و نیو بیزین مدل نهایی پیش بینی کننده ورشکستگی شکل گرفت. بدین منظور داده های50 شرکت پذیرفته شده در بورس تهران براساس ماده 141 قانون تجارت برای حداقل یکسال ورشکستگی را تجربه کرده بودند، به کار گرفته شد. نتایج این پژوهش اثبات نمود که نسبت های مالی تعدیل شده بر مبنای شاخص قیمت ها پیش بینی کننده مناسب تری برای ورشکستگی شرکت ها می باشند همچنین، مدل طراحی شده توسط الگوریتم ماشین بردار پشتیبان با دقت 4/99% و برازش بالاتر نسبت به مدل های دیگر، پیش بینی کننده مناسبی برای ورشکستگی شرکت ها می باشد.