مطالب مرتبط با کلیدواژه

شبکه های عصبی مصنوعی

۴۱.

تعیین عامل های موثر بر پذیرش بیمه ی دام در شهرستان کرمان با کاربرد روش های پارامتریک ونا پارامتریک(مقاله علمی وزارت علوم)

نویسنده: محمدرضا زارع مهرجردی عادله اسماعیلی

منبع: تحقیقات اقتصاد کشاورزی جلد ۲ پاییز ۱۳۸۹ شماره ۳ (پیاپی ۷)

کلیدواژه‌ها: شبکه های عصبی مصنوعی پذیرش بیمه اثرنهایی شبیه لاجیت

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد مالی نهاد ها و خدمات مالی بیمه،کمپانی های بیمه

تعداد بازدید : ۵۶۰ تعداد دانلود : ۳۸۱

بخش دامپروری به عنوان زیر بخشی مهم از کشاورزی، همانند سایر فعالیت های کشاورزی، در تولید و فروش با مخاطره مواجه است. به دلیل اهمیت این بخش در سامانه های تغذیه ای دنیا و بمنظور تداوم فعالیت های تولیدی، لازم است دامپروران با بکارگیری روش های مناسب مهار و مدیریت خطر، مورد حمایت قرار گیرند. یکی از روش های متداول و مرسوم در مدیریت ریسک استفاده از پوشش های بیمه ای است. آنچه که در این بین مهم است چگونگی رویارویی گروه های هدف با این سامانه حمایتی است. در این مقاله، بمنظور تعیین و بررسی عامل های موثر بر پذیرش بیمه ی دام از سوی دامداران شهرستان کرمان، تعداد 114 دامدار در سال 1387 به گونه ی تصادفی انتخاب و وضعیت آن ها تحلیل شده است. ابتدا با استفاده از شبکه ی عصبی مصنوعی، مولفه های تأثیرگذار بر رفتار دامداران شناسایی و سپس اثر نهایی مربوط به متغیرهای تعیین شده به وسیله ی شبیه لاجیت تجزیه و تحلیل شده است. خروجی های مربوط به شبکه ی عصبی نشان داد که نوع دامداری، سطح سواد، سابقه ی کار، تعداد دام ها، سن، مشاغل جانبی و درآمد سال گذشته، متغیرهای تأثیرگذار بر رفتار دامداران می باشند. نتایج بدست آمده از برآورد شبیه لاجیت بیانگر مثبت بودن تأثیر سطح سواد، سابقه ی کار و تعداد دام ها در پذیرش بیمه و منفی بودن تأثیر نوع دامداری، سن، مشاغل جانبی و درآمد سال گذشته در پذیرش بیمه است. با توجه به نتایج بدست آمده، پیشنهاد می شود به دلیل تمایل بیش تر دامداری های صنعتی در استفاده از بیمه، توسعه ی واحدهای کوچک در شهرستان کرمان مورد توجه قرار گیرد. هم چنین، از فعالان جوان و تحصیل کرده در بخش دامپروری شهرستان، به دلیل تمایل بیش تر به پذیرش نوآوری هایی از قبیل بیمه، حمایت گردد.

۴۲.

بررسی عوامل موثر بر به هنگامی گزارش گری مالی با استفاده از تکنیک های شبکه های عصبی مصنوعی و درخت تصمیم(مقاله علمی وزارت علوم)

نویسنده: مهدی مرادی مجتبی سلیمانی مارشک مصطفی باقری

منبع: پژوهش های تجربی حسابداری سال سوم بهار ۱۳۹۳ شماره ۱۱

کلیدواژه‌ها: شبکه های عصبی مصنوعی کیفیت اطلاعات حسابداری درخت تصمیم به هنگامی صورت های مالی اساسی

حوزه های تخصصی:

تعداد بازدید : ۹۲۳ تعداد دانلود : ۵۴۶

به هنگامی از ویژگی های اطلاعات مفید در تصمیم گیری است که توجه روزافزون نهادهای نظارتی را به خود جلب کرده است. این پژوهش به بررسی عوامل مرتبط با به هنگامی گزارش گری مالی سالانه در شرکت های بورس اوراق بهادار تهران می پردازد. اثر نسبت های مالکیت سهامداران عمده، سهامداران نهادی، هیئت مدیره، مدیر عامل و هلدینگ ها، تعداد سهامداران عمده، نسبت اعضای غیرمؤظف، تمایز مدیر عامل و رئیس هیئت مدیره، موسسه حسابرسی، تغییر حسابرس مستقل، اندازه شرکت، قدمت شرکت، بازده ارزش ویژه، خبر خوب، گزارش مالی تلفیقی، وجود سیستم بهای مورد تأیید حسابرس، اظهارنظر مقبول حسابرس مستقل و صنعت در خلال سال های 1387 تا 1389 روی کیفیت به هنگامی گزارشگری مالی سالانه مورد مطالعه قرار گرفته است. جهت آموزش و آزمون مدل از دو تکنیک شبکه های عصبی مصنوعی و درخت تصمیم استفاده شده است. نتایج حاصله نشان می دهد که به ترتیب متغیرهای نسبت مالکیت سهامداران نهادی، تعداد سهامداران عمده، صنعت، حسابرس بزرگ، اظهارنظر مقبول، نسبت اعضای غیرموظف هیئت مدیره، گزارش تلفیقی و بازده ارزش ویژه بیشترین اثر را روی کیفیت به هنگامی دارا می باشند. نتایج بیانگر آن است که میانگین دقت تکنیک شبکه عصبی مصنوعی بالاتر از درخت تصمیم است.

۴۳.

پیش بینی مقادیر بارش ماهانه با استفاده از شبکه های عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه اهر)(مقاله علمی وزارت علوم)

نویسنده: محمدتقی ستاری علی رضازاده جودی فرناز نهرین

منبع: پژوهش های جغرافیای طبیعی دوره ۴۶ تابستان ۱۳۹۳ شماره ۲ (پیاپی ۸۸)

کلیدواژه‌ها: شبکه های عصبی مصنوعی اهر پیش بینی بارش ماهانه مدل درختی 5M

حوزه های تخصصی:

حوزه‌های تخصصی جغرافیا جغرافیای طبیعی آب و هواشناسی

تعداد بازدید : ۷۰۹ تعداد دانلود : ۵۲۷

بارش یکی از مهم ترین اجزای چرخه آب است و در سنجش خصوصیات اقلیمی هر منطقه، نقش بسیار مهمی ایفا می کند. تخمین مقادیر بارش ماهانه برای اهداف مختلفی چون، برآورد سیلاب، خشکسالی، برنامه ریزی آبیاری و مدیریت حوضه های آبریز، اهمیت زیادی دارد. پیش بینی بارش در هر منطقه ای نیازمند وجود داده های دقیق اندازه گیری شده ای مانند، رطوبت، دما، فشار، سرعت باد و غیره است. محدودیت هایی چون، نبود اطلاعات کافی در مورد مقدار بارش در مقیاس های زمانی و مکانی و همچنین پیچیدگی روابط بین پارامترهای هواشناسی مرتبط با بارش، موجب می شود محاسبه این پارامتر با استفاده از روش های معمول به طور دقیق انجام نگیرد. در این پژوهش، ابتدا سناریوهای مختلفی از ترکیب پارامترهای هواشناسی در مقیاس ماهانه برای منطقه اهر در استان آذربایجان شرقی، به منزله ورودی شبکه های عصبی مصنوعی و مدل درختی 5M تعریف شد و سپس با در نظر گرفتن دو آماره R و RMSE بهترین سناریو برای هر یک از این دو مدل انتخاب شد. یافته ها نشان داد که هر دو روش نتایج نسبتاً دقیقی را برای پیش بینی ماهانه منطقه ارائه می کنند، ولی از آنجاکه مدل درختی 5M روابط خطی ساده ای در اختیار کاربر می گذارد، این روش کاربردی تر است.

۴۴.

پیش بینی سطح رضایت زناشویی دانشجویان زن بر اساس سبک های دلبستگی: مقایسه توانمندی رگرسیون لجستیک و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: حسین پورشهریار

منبع: پژوهش های نوین روانشناختی تبریز سال دهم تابستان ۱۳۹۴ شماره ۳۸

کلیدواژه‌ها: سبک دلبستگی رضایت زناشویی شبکه های عصبی مصنوعی رگرسیون لجستیک

حوزه های تخصصی:

تعداد بازدید : ۹۴۷ تعداد دانلود : ۵۴۷

هدف پژوهش حاضر مقایسه توانمندی رگرسیون لجستیک و شبکه های عصبی مصنوعی در پیش بینی سطوح رضایت زناش ویی دانشجویان زن بر اساس س بک های دلبستگی آنها بود. داده های مربوط به پرسشنامه رضایت زناشویی (انریچ) و مقیاس دلبستگی بزرگسالان که توسط 300 دانشجوی زن متأهل تکمیل شده بود با استفاده از دو روش یاد شده تحلیل شدند و نسبت موفقیت هریک از مدل ها از طریق آزمون مک نمار مورد مقایسه قرار گرفتند. نتایج نشان داد اگرچه مدل شبکه های عصبی مصنوعی موفق تر از مدل رگرسیون لجستیک بود، اما با کاهش تعداد عوامل پیش بینی کننده به سه عبارت، بین توانمندی مدل های یاد شده تفاوت معنی داری مشاهده نشد. بر این اساس می توان گفت مدل شبکه های عصبی مصنوعی در شرایطی که تعداد عوامل پیش بینی کننده افزایش یافته و از چند سطح فراتر می رود، از مدل رگرسیون لجستیک موفق تر عمل می کند.

۴۵.

پیش بینی گزارش حسابرس مستقل در ایران : رویکرد داده کاوی(مقاله علمی وزارت علوم)

نویسنده: محمدعلی باقرپور ولاشانی محمدجواد ساعی علی مشکانی مصطفی باقری

منبع: تحقیقات حسابداری و حسابرسی پاییز ۱۳۹۲ شماره ۱۹

کلیدواژه‌ها: شبکه های عصبی مصنوعی داده کاوی درخت تصمیم تکنیکهای طبقه بندی گزارش حسابرس مستقل

حوزه های تخصصی:

حوزه‌های تخصصی مدیریت مدیریت مالی – حسابداری حسابرسی

تعداد بازدید : ۱۱۲۸ تعداد دانلود : ۵۷۷

با افزایش مبادلات تجاری، اقتصادی، پیشرفت تکنولوژی اطلاعات و انباشته شدن داده های مالی، تکنیکهای داده کاوی به منظور استفاده بهینه و کارا از این داده ها رواج یافت. هدف این پژوهش پیش بینی گزارش حسابرس مستقل با استفاده از تکنیک های داده کاوی می باشد. اهمیت پیش بینی گزارش حسابرس مستقل در تاثیر آن بر تصمیم گیری استفاده کنندگان می باشد.گزارش حسابرس مستقل در این تحقیق به دو دسته مقبول و غیرمقبول (شامل گزارشات مشروط، مردود و عدم اظهارنظر) طبقه بندی شده است. به منظور پیش بینی گزارش حسابرس مستقل از دو تکنیک طبقه بندی داده کاوی شامل، درخت تصمیم C5.0 و شبکه های عصبی مصنوعی استفاده شده است. جامعه آماری پژوهش شامل تمامی شرکت های پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1382 الی 1388 می باشد. در این تحقیق از 29 متغیر مالی و غیرمالی در قالب 10 طبقه نقدینگی، عملکرد، اهرم مالی، ساختار سرمایه، سودآوری، ریسک ورشکستگی، مدیریت سود، حاکمیت شرکتی، اندازه شرکت و سایر (شامل نوع صنعت و عمر شرکت) به منظور آموزش و آزمون مدل استفاده شده است. نتایج تحقیق نشان می دهند که میانگین دقت مدل حاصل از تکنیک درخت تصمیم C5.0 (88.64%) از تکنیک دیگر بیشتر می باشد. همچنین با اهمیت ترین متغیرها جهت پیش بینی نوع گزارش حسابرس مستقل شامل، نوع گزارش حسابرسی سال قبل، نسبت سود و زیان خالص به درآمد خالص و نسبت بدهیها به داراییها می باشند.

۴۶.

پیش بینی ارتباط بین بازده سهام و عدم تقارن اطلاعاتی با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: سید حسین سجادی محسن رشیدی باغی محسن شیرعلی زاده

منبع: تحقیقات حسابداری و حسابرسی زمستان ۱۳۹۳ شماره ۲۴

کلیدواژه‌ها: شبکه های عصبی مصنوعی عدم تقارن اطلاعاتی پیش بینی بازده سهام بازده آینده

حوزه های تخصصی:

تعداد بازدید : ۱۳۷۸ تعداد دانلود : ۹۷۲

با توجه به اهمیت بازده در مطالعات سرمایه گذاری، برآورد رابطه ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه ی روش های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت های بورسی شده است. هدف از این تحقیق پیش بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه های عصبی مصنوعی است. متغیر مستقل در این تحقیق عدم تقارن اطلاعاتی و متغیر وابسته بازده سهام بوده است. به همین منظور، متغیرهای مربوط برای 100 شرکت بورسی و به مدت 6 سال گرد آوری شده است. خروجی های حاصل از تخمین شبکه های عصبی مصنوعی و نتایج حاصل از تخمین با استفاده از این روش، با معیارهای ارزیابی (99/0=R، 064/0= MSEو 21/0=MAE) بوده است. با در نظر گرفتن مقدار تصادفی (50 درصد) و مقایسه آن با 99/0=R، ارتباط معنادار بین متغیر عدم تقارن اطلاعاتی و بازده سهام مشاهده می شود. همچنین، شبکه مزبور دارای کمترین خطا (064/0= MSEو 21/0=MAE) نسبت به دیگر شبکه های طراحی شده است.

۴۷.

پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: روح الله تقی زاده مهرجردی احمد فتاحی اردکانی محمدحسین طهاری حمید بابایی

منبع: تحقیقات اقتصاد کشاورزی جلد ۷ پاییز ۱۳۹۴ شماره ۳ (پیاپی ۲۷)

کلیدواژه‌ها: شبکه های عصبی مصنوعی مصرف انرژی الگوریتم ژنتیک بخش کشاورزی ایران برنامه ریزی ژنتیک

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد کشاورزی تکنولوژی کشاورزی،خدمات توسعه ای

تعداد بازدید : ۹۵۷ تعداد دانلود : ۵۵۰

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می باشد. برای این منظور، از داده های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل های پیش بینی و از داده های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی مصنوعی و برنامه ریزی ژنتیک، از شاخص های ارزیابی خطای استاندارد نسبی، میانگین خطا، میانگین قدر مطلق درصد خطا و مجذور میانگین مربعات خطا استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک، نسبت به مدل شبکه عصبی مصنوعی و برنامه ریزی ژنتیک دارای بالاترین دقت در پیش بینی تقاضای انرژی بخش کشاورزی کشور می باشد. پیشنهاد می شود در تحقیقات آتی با استفاده از مدل ترکیبی مذکور به پیش بینی مصرف انرژی در سایر بخش های اقتصادی پرداخته شود و کارایی آن سنجیده شود.

۴۸.

بررسی عوامل موثر بر به هنگامی گزارشگری مالی با استفاده از تکنیک های شبکه های عصبی مصنوعی و درخت تصمیم(مقاله علمی وزارت علوم)

نویسنده: مهدی مرادی مجتبی سلیمانی مارشک مصطفی باقری

منبع: پژوهش های تجربی حسابداری سال پنجم پاییز ۱۳۹۴ شماره ۱۷

کلیدواژه‌ها: شبکه های عصبی مصنوعی کیفیت اطلاعات حسابداری درخت تصمیم به هنگامی صورت های مالی اساسی

حوزه های تخصصی:

تعداد بازدید : ۱۲۳۷ تعداد دانلود : ۶۱۳

به هنگامی از ویژگی های اطلاعات مفید در تصمیم گیری است که توجه روزافزون نهادهای نظارتی را به خود جلب کرده است. این پژوهش به بررسی عوامل مرتبط با به هنگامی گزارش گری مالی سالانه در شرکت های بورس اوراق بهادار تهران می پردازد. اثر نسبت های مالکیت سهامداران عمده، سهامداران نهادی، هیئت مدیره، مدیر عامل و هلدینگ ها، تعداد سهامداران عمده، نسبت اعضای غیرمؤظف، تمایز مدیر عامل و رئیس هیئت مدیره، موسسه حسابرسی، تغییر حسابرس مستقل، اندازه شرکت، قدمت شرکت، بازده ارزش ویژه، خبر خوب، گزارش مالی تلفیقی، وجود سیستم بهای مورد تأیید حسابرس، اظهارنظر مقبول حسابرس مستقل و صنعت در خلال سال های 1387 تا 1389 بر به هنگامی گزارشگری مالی سالانه مورد مطالعه قرار گرفته است. جهت آموزش و آزمون مدل از دو تکنیک شبکه های عصبی مصنوعی و درخت تصمیم استفاده شده است. نتایج حاصله نشان می دهد به ترتیب متغیرهای نسبت مالکیت سهامداران نهادی، تعداد سهامداران عمده، صنعت، حسابرس بزرگ، اظهارنظر مقبول، نسبت اعضای غیرموظف هیئت مدیره، گزارش تلفیقی و بازده ارزش ویژه بیشترین اثر را بر به هنگامی دارند. بعلاوه، میانگین دقت تکنیک شبکه عصبی مصنوعی بالاتر از درخت تصمیم است.

۴۹.

پویاسازی خوشه بندی مشتریان با استفاده از روش DEA-DA در بستر شبکه عصبی مصنوعی SOM(مقاله علمی وزارت علوم)

نویسنده: علی بنیادی نایینی سعید یوسفی محمدعلی فائضی راد

منبع: مطالعات مدیریت صنعتی سال چهاردهم بهار ۱۳۹۵ شماره ۴۰

کلیدواژه‌ها: شبکه های عصبی مصنوعی خوشه بندی تحلیل پوششی داده ها DEA صفحه متمایز کننده DA نگاشت خودسازمان ده SOM

حوزه های تخصصی:

تعداد بازدید : ۱۲۸۱ تعداد دانلود : ۹۱۱

امروزه ارزیابی مشتریان برای ارائه خدمات مناسب یکی از مهم ترین چالش های مدیران و تصمیم گیرنددگان در سازمانهای مختلف است. در سازمانهای مختلف گاه با توجه به حجم سنگین تقاضای مشتریان پاسخ گدویی بده نیازهای تمامی آنان امکان پذیر نیست و از سدوی دیگدر ایدن مشدتریان بده عندوان سدرمایه هدای سدازمان ها قلمدداد می شوند. این موضوع هدفمند نمودن مطالعده بدر روی گدرو ه هدای مختلدف مشدتریان در بازارهدای رقدابتی را بدا اهمیت کرده است. یکی از شیوه های کارآمد برای مطالعه مشتریان و ارائه خدمات بهینده بده آندان، گدروه بنددی بازار و خوشه بندی مشتریان در آن است. در این پژوهش به منظور هدفمند نمدودن ارائده خددمات بده مشدتریان، ابتدا به کمک تکنیک شبکه عصبی SOM مشتریان در خوشه هایی متناسب دسته بندی می شوند تا بتدوان بدرای هر مشتری با توجه به خوشه آن به ارائه خدمات مناسب پرداخت. سپس بدا مددل ارائده داده شدده در ایدن مقالده می توان عضویت مشتری جدید در خوشه متناسب را با استفاده از تکنیدک DEA-DA پدیش بیندی کدرد. ایدن مدل، فرآیند خوشه بندی پویا را برای سازمان رقم می زند تا به وسیله آن در هر لحظده بتدوان مشدتریان جدیدد را ارزیابی نموده و خوشه متناسب آنها را با دقت مناسبی تعیین کرد.

۵۰.

تخمین تابش کلی خورشید در استان کرمانشاه با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: یاسر واثقیان

منبع: انرژی ایران دوره نوزدهم بهار ۱۳۹۵ شماره ۱ (پیاپی ۵۷)

کلیدواژه‌ها: شبکه های عصبی مصنوعی رگرسیون غیرخطی چندگانه تابش کلی خورشید استان کرمانشاه.

حوزه های تخصصی:

حوزه‌های تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی انرژی خورشیدی،انرژی جذر و مد،انرژی زمین گرمایی

تعداد بازدید : ۶۶۰ تعداد دانلود : ۲۹۸

هدف مطالعه حاضر توسعه یک مدل شبکه عصبی مصنوعی (ANN) بر اساس روش رگرسیون غیرخطی چندگانه (MNLR) برای تخمین میانگین ماهانه مجموع روزانه تابش کلی خورشید در هر محل از استان کرمانشاه است. برای این منظور، داده های هواشناسی 23 ایستگاه در استان کرمانشاه در طول سالهای 1392- 1387 جمع آوری شد که از این بین، داده های 17 ایستگاه برای آموزش و 6 ایستگاه برای تست شبکه استفاده شد. در مرحله اول، همه متغیرهای مستقل (عرض جغرافیایی، طول جغرافیایی، ارتفاع، ماه، حداقل درجه حرارت ماهانه در جو، حداکثر درجه حرارت در جو، متوسط درجه حرارت در جو، دمای خاک، رطوبت نسبی، سرعت باد، بارش، فشار اتمسفریک، فشار بخار، کدورت و مدت زمان تابش آفتاب) جمع آوری و به مدل رگرسیون وارد شدند. سپس، از روش گام به گام MNLR برای تعیین مناسب ترین متغیرهای ورودی استفاده شد. با استفاده از این متغیرهای ورودی، نتایج به دست آمده توسط مدل ANN با داده های واقعی مقایسه شد، و میانگین درصد خطا مطلق (MAPE) در حدود 98/3 درصد و ضریب همبستگی (R) در حدود 9961/0 برای مجموعه داده های تست به دست آمد که نشان دهنده معتبر بودن مدل است.

۵۱.

مقایسه سیستم های هوش مصنوعی (ANFIS و ANN) و رگرسیون لجیت در پیش بینی ورشکستگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران(مقاله علمی وزارت علوم)

نویسنده: علیرضا بحیرایی کیوان اعتمادی امیر گرامی اصل

منبع: تحقیقات بازاریابی نوین سال ششم تابستان ۱۳۹۵ شماره ۲ (پیاپی ۲۱)

کلیدواژه‌ها: شبکه های عصبی مصنوعی پیش بینی ANN ANFIS ورشکستگی مالی شبکه های عصبی - فازی رگرسیون لجیت (LR) بازاریابی مالی

حوزه های تخصصی:

تعداد بازدید : ۱۶۷۷ تعداد دانلود : ۷۹۹

بانک ها به عنوان بخش اصلی نظام مالی نقش کلیدی را در تأمین مالی بخش های مختلف اقتصادی بر عهده دارند. یکی از مهم ترین موضوع های مطرح شده در زمینه ی مدیریت مالی و بازار یابی مالی، این است که سرمایه گذاران فرصت های مناسب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهندو مدیران مدیریت مالی موثر و کارآمد در تامین منابع مالی داشته باشند. یکی از راه های کمک به سرمایه گذاران، ارائه ی الگوهای پیش بینی ورشکستگی شرکت ها است. تا به امروز تکنیک های مختلفی برای طراحی مدل های پیش بینی ورشکستگی شرکت ها مورد استفاده قرار گرفته است. از آنجا که مطالعات اخیر در زمینه ی پیش بینی ورشکستگی ، بر ایجاد و به کارگیری هوش مصنوعی و روش های یادگیری ماشینی متمرکز شده است، لذا در پژوهش حاضر به منظور پیش بینی ورشکستگی شرکت ها از شبکه های عصبی-فازی(ANFIS)و شبکه های عصبی مصنوعی(ANN) و رگرسیون لجیت(LR) به عنوان مدل مقایسه ای وبرای پیاده سازی مدل ها، از نرم افزار متلب نسخه 2015 استفاده شده است. نمونه ی تحت بررسی شامل 71 شرکت ورشکسته و 74 شرکت سالم می باشد که طی یک دوره 5 ساله از سال 1389 الی1394از بورس اوراق بهادر تهران انتخاب شده اند. یافته های تحقیق حاکی از آن است که در پیش بینی ورشکستگی شرکت ها، مدل مبتنی بر شبکه های عصبی مصنوعی(ANN) نسبت به مدل مبتنی بر شبکه های عصبی-فازی(ANFIS) و رگرسیون لجیت(LR) از دقت کلی بیشتری برخوردار است.

۵۲.

مقایسه کارآیی مدل های رگرسیون با رویکرد تحلیل مؤلفه های اصلی (PCA) وشبکه های عصبی مصنوعی درپیش بینی بازده غیرعادی(مقاله علمی وزارت علوم)

نویسنده: رضا راعی مهدی بستان آراء

منبع: مدیریت دارایی و تامین مالی سال چهارم بهار ۱۳۹۵ شماره ۱ (پیاپی ۱۲)

کلیدواژه‌ها: شبکه های عصبی مصنوعی بازده غیرعادی سهام پیش بینی برون نمونه ای رگرسیون خطی با تحلیل مؤلفه های اصلی (PCA)

حوزه های تخصصی:

تعداد بازدید : ۸۵۱ تعداد دانلود : ۴۸۲

بسیاری از پژوهش ها در علم مالی بر پیش بینی دقیق بازده شرکت ها با در نظر داشتن ریسک سرمایه گذاری در سهام آن ها تمرکز داشته اند. هدف این پژوهش،بررسی امکان توضیح بازده غیرعادی(تفاوت بازده مورد انتظار حاصل از مدل قیمت گذاری دارایی های سرمایه ای و بازده واقعی) بااستفاده ازنسبت های مالی وانتخاب ابزاربهتر برای پیش بینی آن از بین دومدل رگرسیون چندگانه با رویکرد تحلیل مؤلفه های اصلی (PCA) وشبکه های عصبی مصنوعی(ANN) است. بر این اساس توانایی مدل شبکه های عصبی مصنوعی پیش خور با الگوریتم پس انتشار خطا (BPN) در پیش بینی برون نمونه ایِ بازده غیرعادی سهام مورد معامله در بورس اوراق بهادار تهران در سال های 1384 تا 1391 به طور معناداری بیشتر از توانایی رگرسیون خطی با رویکرد تحلیل مؤلفه های اصلی بوده است.

۵۳.

بخش بندی مشتریان براساس ارزش دوره حیات و شبکه های عصبی مصنوعی

نویسنده: مژده گل شناس امیر خانلری

منبع: پارس مدیر تابستان ۱۳۹۵ شماره ۳

کلیدواژه‌ها: شبکه های عصبی مصنوعی بخش بندی مشتریان ارزش حیات مشتریان LRFM

حوزه های تخصصی:

تعداد بازدید : ۱۰۴۶ تعداد دانلود : ۶۳۳

استفاده از الگوهای جدید تحقیق مانند شبکه های عصبی مصنوعی همزمان با معرفی رویکردهای نوین بازاریابی لازمه موفقیت در بازارهای رقابتی است. در دو دهه اخیر بازاریابی در سیر تطور و تکوین خود از بازاریابی سنتی به سمت بازاریابی مشتری محور تغییر جهت پیدا کرده است. با رشد و اهمیت مدیریت ارتباط با مشتری، موضوع ارزش حیات مشتریان مطرح شده است. در واقع مدیران برای پاسخ به این پرسش که ارتباطات با کدام دسته از مشتریان باید مورد تاکید قرار گیرد از مفهوم ارزش حیات مشتری استفاده می کنند. به عبارت دیگر کوشش های بازاریابی باید روی مشتریانی معطوف شود که بیشترین سودآوری را برای سازمان به همراه دارند. مطالعه حاضر تحقیقی کاربردی است که به خوشه بندی مشتریان شرکت بازرگانی به پخش می پردازد. خوشه بندی مشتریان براساس ارزش حیات مشتری و چهار عنصر تازگی، دفعات، حجم و طول مدت خرید صورت می گیرد که به مدل LRFM موسوم است. همچنین جهت خوشه بندی مشتریان از رویکرد ترکیبی و دو مرحله ای شبکه های عصبی مصنوعی و الگوریتم کای میانگین استفاده شده است. نتایج این تحقیق نشان می دهد براساس الگوریتم خودسامان دهنده کوهنن مشتریان این شرکت در چهار گروه قابل دسته بندی هستند. نتایج تکنیک کای میانگین نیز نشان داده است مشتریان وفادار شرکت حدود ۳۶% نمونه را تشکیل می دهند و نیمی از مشتریان شرکت نیز در زمره مشتریان اتفاقی دسته بندی می شوند.

۵۴.

کاربرد شبکه های عصبی مصنوعی در بررسی ارتباط بین سرمایه اجتماعی و رضایت مشتری

نویسنده: کریم حمدی سمیه مرادی دولاما

منبع: فراسوی مدیریت (نام جدید مدیریت بهره وری) سال پنجم زمستان ۱۳۹۰ شماره ۱۹

کلیدواژه‌ها: شبکه های عصبی مصنوعی سرمایه اجتماعی رضایت مشتری

حوزه های تخصصی:

حوزه‌های تخصصی مدیریت مدیریت دانش و IT منطق فازی و هوش مصنوعی

تعداد بازدید : ۹۴۲ تعداد دانلود : ۴۳۳

هدف از این تحقیق توسعه یک مدل از شبکه های عصبی مصنوعی برای شناسایی ارتباط بین سرمایه اجتماعی و رضایت مشتری است. بدین منظور، ضمن مرور ادبیات و مفاهیم موجود در زمینه سرمایه اجتماعی و رضایت مشتری، عوامل مؤثر مورد مطالعه قرار گرفت. تحقیق حاضر بر پایه دو مجموعه داده متفاوت استوار است. اولین مجموعه داده ها از پاسخگویی 100 مدیر از شرکت هایی که در زمینه قطعه سازی خودرو در آذربایجان شرقی فعالیت می کنند، جمع آوری شده است. حجم این نمونه با استفاده از جدول بارتلت بدست آمده است. برای گردآوری داده های سرمایه اجتماعی و ابعادش از پرسشنامه استفاده شده است. دومین مجموعه داده ا از پاسخ مشتریان به پرسشنامه هایی که با طیف 5 نقطه ای لیکرت(کاملاً موافق،...، کاملاً مخالف) طراحی شده اند، جمع آوری گردید. روش تحقیق از نوع همبستگی است. از ضریب همبستگی اسپیرمن و شبکه های عصبی مصنوعی برای تجزیه و تحلیل داده ها استفاده شده است. شبکه های عصبی چند لایه، با تابع آموزشی تانژانت هایپربولیک، آموزش داده شده با الگوریتم پیش خور برای ساخت مدل شناسایی بکار گرفته شده اند. آزمون سؤالات نشان داد که رابطه معنی داری بین سرمایه اجتماعی و رضایت مشتری وجود دارد.

۵۵.

تبیین سرمایه ی اجتماعی محله ای توسط ترکیب گونه های مختلف ابعاد سرمایه ی فرهنگی؛ تحلیل فازی با رویکرد شبکه های عصبی مصنوعی (ANNFIS) (مطالعه ی موردی شهروندان 18 سال و بالاتر شهر تهران)(مقاله علمی وزارت علوم)

نویسنده: قربانعلی ابراهیمی هادی رازقی مله سیده صباح متولیان

منبع: مطالعات جامعه شناختی شهری سال هفتم زمستان ۱۳۹۵ شماره ۲۱

کلیدواژه‌ها: شبکه های عصبی مصنوعی سرمایه ی فرهنگی سرمایه ی اجتماعی محله ای فضای همسایگی ANNFIS

حوزه های تخصصی:

تعداد بازدید : ۶۳۹ تعداد دانلود : ۴۳۱

هدف اصلی پژوهش حاضر پاسخگویی به این سؤال اساسی است که سرمایه ی فرهنگی و ابعاد آن چه تأثیری بر سرمایه ی اجتماعی در سطح محلات شهر تهران دارد و آیا تفاوتی در میزان سرمایه ی اجتماعی و سرمایه ی فرهنگی در محلات شمال و جنوب شهری وجود دارد؟ برای پاسخگویی به سؤالات اساسی بالا، پرسشنامه ای فازی برای جمع آوری اطلاعات طراحی شد. روش تحقیق در این پژوهش، روش فازی با رویکرد شبکه های عصبی مصنوعی است. جامعه ی آماری تحقیق، شامل افراد 18 سال و بالاتر شهر تهران است و حجم نمونه نیز 2538 نفر را شامل می شود. یافته های تحقیق حاضر نشان می دهد که متغیر سرمایه ی فرهنگی عینیت یافته (533/0-) و متغیر سرمایه ی فرهنگی تجسم یافته (260/0-) به ترتیب، بیشترین و کمترین تأثیر را بر متغیر وابسته ی مذکور دارند. باید اضافه نمود که از بین سه متغیر وارد شده به معادله ی رگرسیونی، تنها متغیر سرمایه ی فرهنگی نهادینه شده از معادله خارج شده است و سایر متغیرها در معادله باقی مانده است. لازم به ذکر است که تأثیر تمام متغیر هایی که در معادله باقی مانده اند بر متغیر وابسته ی سرمایه ی اجتماعی محله ای منفی است.

۵۶.

پیش بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان)(مقاله علمی وزارت علوم)

نویسنده: عطاءالله ندیری کیوان نادری اصغر اصغری مقدم محمدحسن حبیبی

منبع: جغرافیا و برنامه ریزی سال بیستم زمستان ۱۳۹۵ شماره ۵۸

کلیدواژه‌ها: شبکه های عصبی مصنوعی کریجینگ کوکریجینگ مدل فازی ساگنو نوسانات سطح ایستابی دشت دوزدوزان ANNs SFL

حوزه های تخصصی:

تعداد بازدید : ۱۲۶۹ تعداد دانلود : ۵۱۳

نبود منابع آب سطحی دائمی در بسیاری از نقاط کشور باعث اضافه برداشت آب از منابع محدود زیرزمینی شده است. در دشت دوزدوزان که در حوضه آبریز دریاچه ارومیه قرار دارد، به دلیل عدم جریان سطحی دائمی برداشت بی رویه از منابع آب زیرزمینی باعث ایجاد متوسط افت 76 سانتی متر در سال شده است. هدف از این تحقیق پیش بینی سطح آب زیرزمینی در این دشت با استفاده از روش های هوش مصنوعی و زمین آمار می باشد. در ابتدا با استفاده از روش خوشه بندی مرتبه ای (HCA) پیزومترها دسته بندی شدند. با انجام آنالیز حساسیت، داده های ماهانه سطح آب، بارش و تبخیر هرکدام با یک تأخیر زمانی طی دوره 10 ساله (91-82) به عنوان ورودی های مدل انتخاب شدند. پس از نرمال سازی داده ها مدل سازی با شبکه های عصبی (ANNs) انجام شد. به منظور بررسی بیشتر شبیه سازی با مدل فازی ساگنو (SFL) نیز انجام شد. برای مقایسه نتایج دو مدل شاخص های آماری جذر میانگین مربعات خطا و ضریب تبیین به کار گرفته شدند. با توجه به برتری مدل ANNs، مدل کریجینگ و کوکریجینگ عصبی برای پیش بینی مکانی سطح ایستابی انتخاب شدند و پیش بینی مکانی با هر دو مدل انجام شد. نتایج نشان داد که مدل کوکریجینگ با در نظر گرفتن پارامتر ثانویه توپوگرافی نسبت به مدل کریجینگ پیش بینی دقیق تری داشته است. براساس نتایج به دست آمده با افزایش بازه زمانی پیش بینی خطای مدل ترکیبی (کوکریجینگ عصبی) افزایش می یابد که بیش تر به دلیل افزایش خطای مدل شبکه عصبی مصنوعی با افزاییش بازه زمانی پیش بینی می باشد و خطای مدل زمین آمار ( کوکریجینگ) نامحسوس به نظر می رسد.

۵۷.

برآورد آب معادل برف در استان کرمان جهت مدیریت منابع آب با استفاده از داده های سنجش از دور مایکروویو غیر فعال به روش شبکه های عصبی مصنوعی و تکنیک های رگرسیون چندگانه(مقاله علمی وزارت علوم)

نویسنده: یاسر امینی عباس علیپور سید مصطفی هاشمی سجاد باقری سیدلشکری

منبع: سپهر دوره ۲۶ تابستان ۱۳۹۶ شماره ۱۰۲

کلیدواژه‌ها: شبکه های عصبی مصنوعی استان کرمان آب معادل برف گمانه زن ماکروویو پیشرفته

حوزه های تخصصی:

تعداد بازدید : ۷۳۰ تعداد دانلود : ۵۷۱

پوشش برف معرف میزان آب ذخیره شده است و درنتیجه آب حاصل از ذوب برف نقش مهمی را درایجاد رواناب های سطحی و آب های زیرزمینی در حوضه های آبریز کشور ایفا می کند. آشکارسازی و تعیین ویژگی های مختلف برف و یخ با استفاده از داده های سنجش ازدور، که در هیدرولوژی کاربرد وسیعی دارد، روش نوینی را در به دست آوردن پارامترهای مورد نیاز هیدرولوژی پدید آورده است. در این تحقیق با استفاده از دمای روشنایی واحد گمانه زن مایکروویو پیشرفته A ( AMSU-A )، روی ماهواره های NOAA ، و الگوریتم های مختلف بازیابی (رگرسیون، شبکه های عصبی مصنوعی و...) آب معادل برف در حوضه های آبریز استان کرمان در فصل زمستان طی یک دوره 10 ساله (2015-2006) محاسبه و صحت سنجی شده است. به دلیل عدم همزمانی اخذ داده های ایستگاهی و گذر ماهواره، طی دوره مورد مطالعه، درمجموع اطلاعات دیده بانی شده برای 104 روز از پنج ایستگاه برف سنجی که تقریباً با اطلاعات مایکروویو ماهواره ای همزمان بوده اند از منطقه تحت بررسی گردآوری شده است. براساس نتایج به دست آمده، روش شبکه های عصبی مصنوعی با مقادیر شاخص های خطا (11/0= MSE و05/0= RMSE ) و حجم آب معادل برف (459270000 مترمکعب) و پوشش برف 83/10 درصد روزانه برای 104 روز انتخابی، برآورد بهتری نسبت به روش رگرسیون چندگانه با مقادیر شاخص های (51/7= MSE و 74/2= RMSE ) و حجم آب معادل برف (530347500 مترمکعب) و الگوریتم بازیابی آب معادل برفِ سنجنده ی AMSU-A با برآوردهای مقادیر شاخص های خطا (66/90= MSE و 52/9= RMSE ) و حجم آب معادل برف (338985000 مترمکعب) داشت. این نتایج همچنین نشان می دهند که مشاهدات این گمانه زن پتانسیل بالایی را برای آشکارسازی پوشش برف دارد و استفاده از اطلاعات آن برای محاسبه آب معادل برف در مناطقی نظیر استان کرمان که با محدودیت ایستگاه های زمینی برف سنجی مواجه است پیشنهاد می شود. ازآنجایی که این منطقه قابلیت ریزش برف را در فصل زمستان دارا می باشد بنابراین اطلاعات درباره آب معادل برف در این منطقه برای بسیاری از کاربردهای هیدرولوژی، هواشناسی، اقلیم شناسی و همچنین تولید برق آبی و پیش بینی سیلاب ضروری است.

۵۸.

پیش بینی آلودگی PM10 هوای شهر مشهد با استفاده از شبکه های عصبی مصنوعی MLP و مدل زنجیره مارکف(مقاله علمی وزارت علوم)

نویسنده: حسین زنگویی غلامرضا اسدالله فردی

منبع: تحقیقات کاربردی علوم جغرافیایی سال هفدهم زمستان ۱۳۹۶ شماره ۴۷

کلیدواژه‌ها: شبکه های عصبی مصنوعی آلودگی هوا PM10 زنجیره مارکف

حوزه های تخصصی:

تعداد بازدید : ۶۴۵ تعداد دانلود : ۵۰۹

مدیریت ذرات معلق یکی از موارد مهم در کنترل آلودگی شهرها محسوب می شود. این ذرات باعث ایجاد و توسعه بیماری های قلبی و تنفسی مختلف در افراد می گردد. شهر مشهد به عنوان یکی از شهرهای اصلی و پرجمعیت ایران با توجه به شرایط اقلیمی و همچنین توریستی بودن، بیش از هر چیزی در معرض خطر این نوع آلودگی قرار دارد. در این تحقیق سعی شده با استفاده از مدل های پرسپترون شبکه های عصبی مصنوعی و مدل زنجیره مارکوف غلظت PM10 پیش بینی و تحلیل گردد. برای این منظور از داده های ساعتی CO، SO2، PM2.5 و دما برای دو ماه فروردین و اردیبهشت در سال 1394 استفاده شد. از مجموع 1488 سری داده، 1300 داده برای آموزش شبکه و 188 داده جهت صحت سنجی استفاده گردید. نتایج نشان دهنده عملکرد مطلوب این روش ها در پیش بینی میزان آلاینده و همچنین احتمال وقوع ساعات با کیفیت های مختلف آلودگی بود. بهترین مدل پرسپترون میزان آلاینده ذرات معلق را با ضریب همبستگی 88/0، شاخص تطابق 91/0، میانگین بایاس خطای 0874/0 و جذر میانگین مربعات خطای 26/2 پیش بینی نمود، همچنین مدل مارکوف با خطای مطلق متوسط حدود 1/0 درصد احتمالات انتقال وضعیت و تداوم وضعیت های مختلف آلودگی هوای ناشی از ذرات معلق را پیش بینی نمود.

۵۹.

نقش کانون ارزیابی در برنامه های بهبود کارکنان با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده: سید یعقوب حسینی مانی آرمان زهرا محمدی زاده

منبع: پژوهش های مدیریت منابع سازمانی سال هفتم پاییز ۱۳۹۶ شماره ۳

کلیدواژه‌ها: کانون ارزیابی بخش بندی کارکنان شبکه های عصبی مصنوعی نقشه های خودسازمانده

حوزه های تخصصی:

حوزه‌های تخصصی مدیریت مدیریت سازمانی و منابع انسانی

تعداد بازدید : ۸۸۳ تعداد دانلود : ۶۴۶

در دنیای رقابتی امروز، توجه به بهبود و توسعه کارکنان به طور فزاینده ای اهمیت پیدا کرده است. یکی از روش هایی که سازمان ها می توانند از آن برای بهبود وضعیت کارکنان خود استفاده کنند، اجرای کانون های ارزیابی و توسعه است. اما باید توجه داشت که اجرای برنامه های بهبود به ازای هر فرد شرکت کننده در کانون ارزیابی، هم زمان بر و هم هزینه بر است. بر این اساس، پژوهش حاضر در پی کاهش هزینه های اجرای کانون ارزیابی از طریق بخش بندی شرکت کنندگان در کانون ارزیابی و ارائه برنامه های بهبود برای هر بخش است. روش نمونه گیری، هدفمند و بر اساس معیار و حجم نمونه 75 نفر می باشد. در این پژوهش، از نقشه های خودسازمانده برای بخش بندی کارکنان استفاده شده است و تجزیه و تحلیل داده ها نیز با استفاده از نرم افزارViscovery Profiler انجام گرفته است. بر اساس یافته های پژوهش، در کانون ارزیابی چهار بخش شناسایی شد که به صورت استعدادهای درخشان، کارکنان قابل بهبود (با محوریت شایستگی)، کارکنان قابل بهبود (با محوریت شخصیت) و کارشناسان غیرمستعد نام گذاری شده اند. نتایج این بخش بندی می تواند در پنج حوزه، از جمله آموزش، ارتقا، حل چالش های سازمانی، سیاست های استخدام و نگهداشت نیرو و پاداش به کار گرفته شود. بر پایه نتایج، برای بخش های شناسایی شده در کانون ارزیابی، پیشنهادهایی در حوزه های ذکر شده ارائه شده است.

۶۰.

بهبود مدیریت درآمد در صنعت هتلداری با بهره گیری از شبکة عصبی مصنوعی در تعیین پارامتر احتمالی یک مدل رزرو مازاد(مقاله علمی وزارت علوم)

نویسنده: احمد توکلی محمدعلی فائضی راد

منبع: تحقیقات بازاریابی نوین سال هفتم پاییز ۱۳۹۶ شماره ۳ (پیاپی ۲۶)

کلیدواژه‌ها: شبکه های عصبی مصنوعی صنعت هتلداری مدل رزرو مازاد مدیریت درآمد

حوزه های تخصصی:

حوزه‌های تخصصی مدیریت مدیریت بازرگانی مدیریت بازرگانی

تعداد بازدید : ۳۸۲ تعداد دانلود : ۴۳۷

بهره گیری از مدل های مدیریت درآمد در صنایع مختلف رو به افزایش است. این افزایش در بهبود عملکرد و سودآوری این مدل ها در کسب و کارها ریشه دارد. یکی از کسب و کارهای پراهمیت در این حوزه، صنعت هتلداری است که دارای فرایند رزرو و متغیرهای تصادفی ناشی از آن است. مدل کلاسیک رزرو مازاد، یک مدل مرسوم در مدیریت درآمد تلقی می شود که تلاش می کند بین تعداد مشتریان حاضر در سرویس مورد نظر و تعداد مشتریان غایب (No-Show) تعادل ایجاد کند. این مدل فرصتی ایجاد خواهد کرد تا بتوان با مطالعة توابعی که توزیع حضور مشتریان را به صورت احتمالی بیان می کنند، تعدادی مشتری مازاد را به سیستم اضافه کرد و عملاً از نبود مشتریان غایب نیز درآمد کسب کنند. در این پژوهش، با به کار بستن شبکة عصبی مصنوعی با عنوان ابزاری در تخمین تعداد مشتریان غایب، تابع احتمال دوجمله ای که در مدل رزرو مازاد به کار رفته، بهبود داده شده و پارامتر احتمالی آن به طور دقیق تری برآورد شده است. این امر ناشی از برازشی است که شبکة عصبی پرسپترون یک یا چندلایه در زمینة شاخص های مؤثر در حاضرشدن یا نشدن مشتریان ایجاد خواهدکرد. بنابراین، این توانایی ایجاد خواهد شد که مدلی پویا را برای هر بار فروش و رزرو مشتریان در بنگاه ایجاد کنیم که پارامتر احتمال حضور یا غیبت مشتریان با در نظر گرفتن شاخص های تأثیرگذار برآورده شود.