پیش بینی آینده

مدل سازی الگوی رشد شهری فنی مهم برای درک فرایندهای پیچیدة رشد شهری است. در این مطالعه، مدل رگرسیون لجستیک جهت پیش بینی الگوی رشد شهری در آینده به کار گرفته شد. به این منظور، تصاویر ماهواره ای سال های 1988، 1998 و 2007 جهت تهیة نقشه های کاربری زمین به کار گرفته شد. سپس، تغییرات ایجادشده در گسترة شهری در فاصلة زمانی 1988-2007 شناسایی و مدل سازی تغییرات مناطق شهری و پیش بینی الگوی رشد شهری در آینده با به کارگیری مدل رگرسیون لجستیک انجام گرفت. نتایج اجرای مدل نشان داد گسترة مناطق شهری در دورة زمانی مورد مطالعه روند افزایشی داشته است. اعتبارسنجی نتایج مدل با محاسبة معیارهای Pseudo- R2 و ROC انجام گرفت. مقدار این معیارها به ترتیب، بیش از 27/0 و 83/0 به دست آمد که مقادیری مطلوب اند. در مرحلة بعد، الگوی رشد شهری برای سال های 2016 و 2025 پیش بینی شد. مطابق با نتایج، اقدامات مناسب برای کنترل تغییرات کاربری زمین به ویژه رشد شهرها به منظور حفظ محیط زیست و تعادل اکولوژیکی منطقه نیاز است. نتایج مطالعه می تواند به مدیران و تصمیم گیران جهت نظارت و جلوگیری از رشد بدون برنامه ریزی مناطق شهری کمک کند و نقشه های خروجی مدل را برای مدیریت و کنترل الگوی رشد مناطق شهری در آینده به کار گرفت.

موسسات مالی و اعتباری خصوصا بانک ها اهمیت آن دو چندان می شود از این رو تعیین و تخمین شاخص نقدینگی کشور از اهمیت خاصی برای دولت و بانک ها برخوردار است.به سبب اهمیت بالای تعیین نقدینگی و به منظور تصمیم سازی مناسب برآورد و پیش بینی آن در ماه ها و سال های آتی از ضروریات می باشد. ساختار نرم افزارهای تحلیلی مورد استفاده در اکثر مقالات طوری بوده که عملا تحلیل ها در جعبه سیاه انجام شده است. در این تحقیق برای آنکه محقق مستقیما در فرآیند تحلیل قرار گیرد از نرم افزار توانمند R استفاده شده است. در این تحقیق در کنار برآورد نقطه ای که ممکن است با تغییراتی که صورت می پذیرد تفاوت معنی داری داشته باشد، از برآورد بازه ای نیز استفاده شده است. فاصله اطمینان های 80 و 95 درصدی برای پیش بینی نقدینگی کشور انجام شده است که مقادیر واقعی نقدینگی را تحت پوشش قرار می دهند و برآورد مناسبی را در اختیار مدیران کلان قرار داده تا به هنگام برنامه ریزی مسائل اقتصادی در زمینه نقدینگی تغییرات ممکن را به شکل مناسبی لحاظ نمایند.  نتایج حاصل از این تحقیق حاکی از آن هست که مدل آریمای پیشنهاد شده (نقطه ای- بازه ای) در مقایسه با روش هموارسازی نمایی دوگانه توانایی بالایی برای مدل سازی و پیش بینی میزان نقدینگی کشور را داراست. Liquidity management is one of the most important tasks of financial management in firms and credit institutions .The importance of liquidity is to determine appropriate decision-making process in financial activities to decrease Risk and Uncertainty. Based on point estimation and interval estimation we analyzed changes in liquidity management with significantly different estimation. The results of this study suggest that ARIMA model coefficient compared to high capacity double exponential smoothing method for modeling and forecasting liquidity in the financial market is more suitable and consistent.

در این مطالعه نشان داده شد که علم می تواند در بسیاری موارد آینده را پیش بینی کند. روش علمی پیش بینی آینده آن است که با مجموعه داده هایی از سیستم واقعی، مدلی مجازی طراحی شود که رفتارش شبیه سیستم واقعی باشد. شکل کلاسیک مدلسازی سیستم های دینامیکی نشان دادن آنها به وسیله مجموعه ای از معادلات دیفرانسیل خطی یا غیرخطی، معمولی یا با مشتقات جزئی است. شرط لازم و کافی برای پیش بینی آینده در سه ویژگی خلاصه می شود: اول، ارائه مدلی از سیستم واقعی با رفتاری مشابه آن؛ دوم، دانستن دقیق شرایط اولیه سیستم واقعی؛ سوم، دانستن دقیق عوامل مؤثر بر سیستم یا ورودی ها در زمان حال و آینده. تحقق این سه شرط آن قدر” اما و اگر» دارد که همه ناکامی ها در پیش بینی آینده به دلیل ناتوانی در دستیابی به آنهاست. در علوم مهندسی این اما و اگرها به اختصار «عدم قطعیت» نامیده می شود. مهم ترین مورد، عدم قطعیت در نمایش سیستم است که هیچ راهی برای به صفر رساندن آن وجود ندارد، ولی روش های متعددی برای کاهش آن ارائه شده است. یکی از روش های مدلسازی که در دهه های اخیر فراگیر شده، استفاده از روش های محاسبات نرم است. این روش علاوه بر سیستم های مهندسی، در سیستم های مرتبط با علوم انسانی و اجتماعی با عدم قطعیت قابل توجه، مانند اقتصاد و مدیریت، کاربرد وسیع یافته است. در مهندسی کنترل شما نه تنها آینده را پیش بینی می کنید، بلکه آن را به شکل دلخواه می سازید. در این مطالعه این مباحث بررسی و تحلیل شده است تا شیوه آینده پژوهی و پیرو آن آینده سازی بر مبنای علم مشخص شود.

هدف: اخیراً، تحلیل شبکه به یکی از حوزه های بسیار پُرطرف دار و پُرکاربرد در علم داده تبدیل شده است. این فناوری، با تحلیل داده های پیچیده و شناسایی الگوهای ارتباطی بین عناصر مختلف، به درک عمیق تری از ساختار، رفتار و تعاملات درون شبکه ها و سیستم های پیچیده می پردازد. با وجود اهمیت بسیار زیاد تحلیل شبکه در علم داده و تحقیقات اجتماعی، به ویژه در حوزه منابع انسانی، مطالعات کافی روی آن انجام نشده است؛ به خصوص درباره داده های بازار داخلی، هنوز به طور کامل به بحث و مطالعه گذاشته نشده است. این کمبود توجه، فرصت هایی را برای درک عمیق تر و ارائه راه کارهای نوآورانه در مواجهه با چالش های آینده از دست می دهد. از این رو نیاز است تا محققان با بهره گیری از رویکردهای نوین، به بررسی چالش های این حوزه بپردازند و راه کارهای جدیدی ارائه دهند. بر اساس آنچه بیان شد، در این پژوهش مدلی نوآورانه برای بررسی نقش تحلیل شبکه چندحالته در فهم بهتر ارتباطات بازار کار و پیش بینی تحولات آینده آن ارائه شده است. روش: به منظور طراحی شبکه پیشنهادی، داده های اولیه مورد نیاز، از طبقه بندی های بین المللی جمع آوری و شبکه اولیه بر اساس آن ها رسم شد؛ سپس برای اطمینان از اینکه شبکه به خوبی با شرایط کنونی بازار کار مطابقت دارد یا خیر، داده های یکی از وبسایت های کاریابی داخلی نیز استخراج و مطابق آن ها، شبکه به روزرسانی شد. برای کمّی کردن ارتباطات بین اجزای شبکه، از معیار ژاکارد و برای اعتبارسنجی شبکه از الگوریتم های اتصال ترجیحی، آدامیک آدار و همسایگان مشترک استفاده شد. برای محاسبه کوتاه ترین مسیر در شبکه، از الگوریتم دایجسترا و برای رتبه بندی از معیار وزن دهی فراوانی کلمه – معکوس فراوانی متن استفاده بهره برده شد. یافته ها: در این پژوهش، روش جدیدی برای طراحی شبکه چندحالته بازار کار ارائه و نحوه به روزرسانی و غنی سازی آن، به طوری که مطابق با تغییرات پویای بازار کار باشد، تشریح شد. با شبکه نهایی به دست آمده، ارتباطات بین عناصر بازار کار (مشاغل و مهارت ها) بررسی و راه کاری برای کمّی کردن این ارتباطات ارائه شد. همچنین روشی برای محاسبه کارآمدترین جابه جایی شغلی در این شبکه تشریح و رویکردی برای رتبه بندی مهارت ها، بر اساس سطوح مختلف شغلی ارائه شد. در نهایت، شبکه با سه الگوریتم پیش بینی یال اعتبارسنجی شد. نتایج به دست آمده نشان می دهد که استفاده از الگوریتم اتصال ترجیحی، بهترین گزینه برای پیش بینی آینده این شبکه خواهد بود. نتیجه گیری: مدل نوآورانه ارائه شده در این پژوهش، ابزار قدرتمندی برای طراحی شبکه و تحلیل و درک بازار کار فراهم کرده است که به کمک آن، نه تنها درک جامع تری از وضعیت فعلی و آتی بازار کار داخلی به دست می آید، بلکه راه کارهای عملی برای مواجهه با چالش های پیش رو نیز ارائه می شود؛ به ویژه، کشف الگوهای ارتباطی و پیش بینی روندهای نوظهور، امکان سازگاری بهتر و سریع تر با تغییرات بازار کار را فراهم می کند که این امر، به سهم خود، به توسعه فرصت های شغلی پایدار و رشد اقتصادی منجر می شود. از طریق تحلیلی عمیق از داده های موجود و پیش بینی تحولات احتمالی، این مدل می تواند به مدیران بازار کار، سیاست گذاران و تحلیلگران اجتماعی کمک کند تا استراتژی های مؤثرتری برای تقویت ظرفیت های بازار کار و بهینه سازی منابع انسانی طراحی کنند. در نهایت، نتایج به دست آمده نشان داد که با استفاده از مدل های نوآورانه مبتنی بر تحلیل شبکه، می توان افق های جدیدی را در پیش بینی و مدیریت تحولات آینده کشور گشود.