شبکه های عصبی

در ده ه های اخیر رقابتی شدن بازار برق، مقوله قیمت را به یک عنصر اساسی در تصمیم گیری های بازیگران در چهارچوب صنعت برق تبدیل نموده است و به تبع آن بخش خصوصی به عنوان سرمایه گذار اصلی در این حوزه نیازمند پیش بینی قیمت های آینده به منظور اتخاذ استراتژی مناسب و سازگار با روند کلی نظام بازار در راستای حفظ سهم خود از بازار و حفظ حاشیه سود می باشد. در چهارچوب تحلیل های اقتصادی، این هدف با ابزار مد ل های اقتصاد سنجی محقق خواهد شد که اعتبار مدل یاد شده ناظر به کمینه سازی خطای پیش بینی در تطابق الگوی پیش بینی شده با واقعیت جاری است. پژوهش حاضر به بررسی مقایسه ای قدرت پیش بینی مدل های مبتنی بر شبکه های عصبی مصنوعی، الگوریتم ژنتیک و مدل آریما در افق کوتاه مدت با استفاده از داده های ساعتی قیمت برق پرداخته است. نتایج پژوهش، حاکی از آن است که در افق کوتاه مدت، شبکه های عصبی مصنوعی، خطای کمتری نسبت به دو الگوی دیگر در پیش بینی داشته و الگوریتم ژنتیک در جایگاه دوم قرار دارد. همچنین، الگوهای سری زمانی دارای بیشترین خطا در پیش بینی قیمت برق، با توجه به پیش بینی های درون نمونه ای را دارا می باشد. مجموع مربعات خطا در الگوی شبکه عصبی مصنوعی در داده های آموزش، اعتبار سنجی و آزمون، به ترتیب برابر 43/1473، 63/1762 و 32/1498، در الگوریتم ژنتیک در داده های آموزش و اعتبارسنجی به ترتیب برابر 20/11318 و 98/7085 و در الگوی سری زمانی برابر 37/34644 می باشد.

 از ادوار گذشته خیرخواهی و کمک به نیازمندان با روح ورزش زورخانه ای عجین بوده و است. هدف پژوهش حاضر تجزیه وتحلیل فعالان ورزش زورخانه براساس انگیزه های مشارکت در بازاریابی خیرخواهانه با استفاده از رویکرد ترکیبی است. در گام اول با استفاده از رویکرد کیفی (تحلیل محتوا)، 50 کد به عنوان انگیزه های مشارکت در بازاریابی خیرخواهانه استخراج و با توجه به مشابهت و قرابت معنایی در 10 عامل دسته بندی شدند و بر مبنای آن پرسشنامه پژوهش طراحی شد. در گام دوم از رویکردهای کمی در علم داده کاوی (تشریحی و پیش بینی) به منظور بررسی جامعه آماری استفاده شد. به منظور تشریح جامعه پژوهش، 393 فعال این ورزش با استفاده از شاخص دیویس-بولدین در دو خوشه مجزا از هم خوشه بندی و بررسی شدند. همچنین به منظور طراحی مدل پیش بینی کننده رفتار فعالان ورزش زورخانه ای در فعالیت های خیرخواهانه از شبکه های عصبی مصنوعی استفاده شد. نتایج پژوهش نشان داد در خوشه اول به ترتیب عمل متقابل، تمایل به سرگرمی و کسب لذت، اهمیت احساسی و در خوشه دوم به ترتیب آموزه های مذهبی، نیاز به کمک دیگران و تمایل به مشارکت اجتماعی بیشترین مراکز خوشه ها را به دست آورده اند. به کارگیری شبکه های عصبی نشان داد متغیرهای مستقل پژوهش حاضر از قابلیت پیش بینی کنندگی بالایی برخوردارند و با استفاده از آنها می توان تغییرات متغیر وابسته را با دقت 958/0 پیش بینی کرد. همچنین نتایج تحلیل حساسیت اهمیت متغیرهای جمعیت شناختی، نمادین و آموزه های مذهبی در مشارکت فعالان ورزش زورخانه ای در فعالیت های خیرخواهانه را تأیید کرد.

بخش بندی بازار جهت برآورده شدن نیازهای انسان بسیار حائز اهمیت است. مقاصد گردشگری نیز از این امر مستثنی نبوده و هتل ها که از عناصر مهم هر مقصد گردشگری هستند، نیز باید استراتژی بازاریابی خود را مورد بازبینی قرار دهند که این کار مستلزم توجه به آژانس های مسافرتی است که جهت جذب گردشگران برای هتل ها نقش مهمی را ایفا می نمایند. چراکه وظیفه این آژانس ها است که بر اساس نیاز هر گردشگر، محصول خدماتی را معرفی کرده و وی را ترغیب به استفاده از خدمات هتل نماید. هدف اصلی این مقاله خوشه بندی آژانس های مسافرتی در صنعت هتلداری ایران با تأکید بر هتل های 5 ستاره تهران است. این مقاله ازنظر هدف، کاربردی و ازنظر نحوه گردآوری داده ها، توصیفی- پیمایشی است. کلیه آژانس های مسافرتی که با هتل های 5 ستاره تهران همکاری می کنند؛ جامعه آماری پژوهش را تشکیل می دهند. برای دستیابی به اهداف پژوهش، از شبکه های عصبی فرا ابتکاری که یکی از روش های خوشه بندی است؛ استفاده شد. بازه زمانی موردمطالعه 15 دی 1394 لغایت 15 تیر 1398 است. همچنین جهت مقایسه نتایج این روش، با سایر روش های خوشه بندی از الگوریتم میانگین K و روش RFM نیز استفاده شد. نتایج حاصل از خوشه بندی داده ها با سه روش مورد ارزیابی فوق، مقایسه شدند و درنهایت روش شبکه های عصبی به دلیل داشتن ضریب همبستگی بالاتر کوفنتیک و واریانس کمتر به عنوان مدل بهینه انتخاب شد. در این حالت تعداد 25 آژانس مسافرتی فعال در بازه زمانی موردبررسی به چهار دسته خوشه بندی شدند و درنهایت پیشنهاد های لازم در خصوص هر یک از خوشه ها نیز ارائه شد.

شد و توسعه شهرنشینی در چند دهه اخیر و در کنار آن تغییرات کاربری اراضی پیرامون شهرها و مخصوصا شهرهای بزرگ بعنوان یکی از اساسی ترین چالشهای مهم توسعه پایدار جهانی مطرح بوده است. افزایش تمایل به شهرنشینی و مهاجرتهای روستا- شهری و مدیریت نامناسب در توسعه شهری باعث گردیده است که فضاهای سبز و باغات پیرامون و داخل شهرها به کاربریهای سودآور شهری و عمدتا جهت سکونت تغییر کاربری یابند. در این تحقیق شهر تبریز بعنوان یکی از شهرهای بزرگ کشور برای بررسی این تغییرات انتخاب گردیده است و تغییرات فضاهای سبز شهری تبریز در طی دهه های گذشته مورد تحلیل و بررسی قرار گرفته است. برای ارزیابی این تغییرات از تصاویر ماهواره ای لندست استفاده گردیده است که پس از زمین مرجع کردن و تصحیحات لازم تصاویر، طبقه بندی کلاس های کاربری در نرم افزار Erdas imaging 2014، انجام گردید و نهایتا نقشه کاربری فضاهای سبز در دوره های مختلف بررسی، تهیه گردید. برای پیش بینی تغییرات فضاهای سبز در شهر تبریز برای سال 1405 از شبکه های عصبی مصنوعی (ANN) استفاده گردید. بررسی نتایج به دست آمده نشانگر این بوده است که با گسترش شهر به پیرامون و عمدتا بر روی فضاهای سبز و باغات شهر، تغییرات عمده ای در میزان برخورداری از فضاهای سبزصورت گرفته است. بطوریکه مساحت 5916.53 هکتاری فضای سبز شهر در سال 1355 به 4373.96 هکتار در سال 1385، کاهش یافته است که تا حدودی این تغییرات آهنگی آهسته تر داشته است. ولی شدت تخریب فضاهای سبز در دهه گذشته بسیار فراتر رفته و در سال 1395، به 1709.02 هکتار کاهش یافته است که 6.73 درصد از کل محدوده بیست و پنج هزار هکتاری تبریز را به خود اختصاص داده است. پیش بینی فضاهای سبز تبریز با استفاده از ANN تا سال 1410 براساس ادامه روند گذشته، نشانگر تخریب گسترده فضاهای سبز شهری و تشدید وضعیت اکولوژیکی ناپایدار در تبریز خواهد شد. بطوریکه در این سالها نیز تبریز 1070 هکتار از مساحت فضاهای سبز را از دست خواهد داد. بنابراین نتایج نمایانگر این است که عدم برنامه ریزی مناسب توسعه شهری تبریز در نیم قرن اخیر و مخصوصا در دهه گذشته صدمات جبران ناپذیری به فضاهای سبز شهری تبریز وارد ساخته و ادامه این روند در سالهای آتی توسعه پایدار شهری و تعادل اکولوژیکی شهر تبریز را تهدید خواهد کرد.

بررسی مبانی نظری و ادبیات پژوهش نشان می دهد می توان رابطه مثبت و یا منفی معناداری بین ساختار مالکیت و نقدشوندگی سهام پیش بینی کرد. بنابراین، هدف پژوهش حاضر، بررسی احتمال وجود رابطه نامتقارن بین مالکیت عمده و نقدشوندگی سهام است. با استفاده از رویکرد الگوی رگرسیون انتقال هموار تابلویی و داده های ترکیبی 135 شرکت در بازه زمانی 1387-1396 رابطه نامتقارن بین مالکیت عمده و نقدشوندگی سهام تبیین شد. همچنین، بر اساس مدل های شبکه عصبی و رگرسیون لجستیک، میزان خطای پیش بینی مورد مقایسه قرار گرفت. نتایج نشان می دهد، در رژیم اول (سطح آستانه 34 درصد) رابطه مثبت و معناداری بین مالکیت عمده و نقدشوندگی سهام و در رژیم دوم رابطه منفی و معناداری بین مالکیت عمده و نقدشوندگی سهام وجود دارد. همچنین نتایج پژوهش حاضر بر کمتر بودن خطای مدل های پیش بینی مبتنی بر شبکه های عصبی نسبت به رگرسیون لجستیک تأکید دارد. به نهادهای قانونی توصیه می شود قوانین مرتبط با پشتیبانی از سرمایه گذاران و البته پیش از آن شفافیت اطلاعات مالی در بازارهای مالی را توسعه دهند.

کشورهای توسعه یافته و در حال توسعه بر اهمیت بهره وری به عنوان یکی از ضرورت های توسعه اقتصادی و کسب برتری رقابتی در عرصه های بین المللی تأکید دارند؛ زیرا امروزه رقابت در صحنه های جهانی ابعاد دیگر به خود گرفته و تلاش برای نیل به سطح بهره وری بالاتر یکی از پایه های اصلی این رقابت ها را تشکیل می دهد. بنابراین در مسیر نیل به رشد و توسعه اقتصادی شناسایی عوامل مؤثر بر رشد بهره وری در اقتصاد ایران لازم است. این پژوهش در نظر دارد تا در یک تحقیق جامع ابتدا با استفاده از منطق انتخاب ویژگی (الگوریتم ژنتیک دو هدفه) عوامل مؤثر بر رشد بهره وری را شناسایی کند، سپس با استفاده از شبکه های عصبی مدل انتخابی را در دوره زمانی 1395-1370 تخمین زده و در نهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل مؤثر بر رشد بهره وری را به انجام برساند. بر اساس نتایج حاصل از منطق انتخاب ویژگی از میان بیست متغیر مورد استفاده، پنج متغیر سرمایه گذاری خارجی، سرمایه گذاری در بهداشت، خطوط ریلی، شاخص نوآوری و نرخ ارز از مدل حذف شدند. بر اساس نتایج، مدل شبکه عصبی با تابع فعال سازی تنسیگ با 3 نورون، دارای قدرت پیش بینی 993/0 و حداقل خطا مدل 0019/0 است. همچنین بر اساس نتایج شاخص گارسن سرمایه انسانی با 15 درصد، اندازه دولت با 11 درصد، درجه باز بودن، تحقیق و توسعه و کنترل فساد اقتصادی با حدود 8 درصد بیشترین تأثیر را بر رشد بهره وری داشته اند و متغیرهای توسعه پولی با 48/1درصد و حاکمیت قانون با 27/2 درصد، سرمایه فیزیکی با 2/3 درصد کمترین تأثیر را بر رشد بهره وری داشته اند. 

هدف از این پژوهش مقایسه عملکرد مدل های سری زمانی SARIMA و Holt-Winters با روش های هوش مصنوعی شامل شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و سیستم استنباط عصبی- فازی تطبیقی (ANFIS) به منظور پیش بینی فراوانی روزهای همراه با طوفان گردوغبار (FDSD) در فصل آتی است. بدین منظور، از داده های ساعتی گردوغبار و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان با طول دوره آماری 25ساله (۱۹۹۰-2014) استفاده شد. نتایج نشان داد روش ANFIS، نسبت به سایر روش ها، بهترین عملکرد را داشت و معیارهای ارزیابی R، RMSE، MAE، و NS آن به ترتیب از 72/0، 57/0، 42/0، و 71/0 تا 95/0، 51/0، 40/0، و 96/0 متغیر بود. همچنین، با افزایش شاخص متوسط FDSD در ایستگاه ها (از 06/1 تا 11/7)، دقت پیش بینی همه روش ها افزایش داشت. بر همین اساس، در سری زمانی SARIMA، ضریب همبستگی بین مقادیر مشاهداتی و پیش بینی شده شاخص FDSD از 64/0 به 79/0 افزایش یافت. برای روش های Holt-Winters، RBF، و ANFIS مقدار نیز ضریب همبستگی به ترتیب از 70/0 تا 87/0، 69/0 تا 92/0، و 72/0 تا 95/0 متغیر بود. درمجموع، با مقایسه روش های مورد استفاده، روش هوش مصنوعی ANFIS بهترین و مدل های سری زمانی SARIMA و Holt-Winters بدترین عملکرد را داشتند.

تقلب از پدیده های رایج و متداول در کسب و کار است. پیشگیری با کشف تقلب های با اهمیت در صورت های مالی همواره کانون توجه سرمایه گذاران، قانونگذاران، استاندارد گذاران، مدیران و حسابرسان بوده است. بر عصر حاضر عصر اطلاعات نام نهاده شده و آنچه که منجر به قدرت و موفقیت می شود، اطلاعات است. داده کاوی پل ارتباطی میان علم آمار، علم کامپیوتر، هوش مصنوعی، الگوشناسی، فراگیری ماشین و بار نمایی بصری داده ها می باشد که در چارچوب فرآیندی، استخراج اطلاعات معتبر، از پیش ناشناخته، قابل فهم و قابل اعتماد از پایگاه داده های بزرگ امکان پذیر می گردد و استفاده از آن در تصمیم گیری در فعالیت های تجاری مهم نظیر ارتقای کیفیت سودمندی اطلاعات از طریق شناسایی تقلب های مالی میسر می شود. تحقیق حاضر به روش شناخت تاریخی با بهره گیری از اسناد کتابخانه ای و به پشتوانه پیشینه و تحقیقات محققان شواهدی لازم جهت بررسی داده کاوی در تقلب صورت های مالی ارائه می کند.

سقوط بازار پدیده ای است که سبب از دست رفتن ثروت و دارایی سرمایه گذاران در بازه زمانی نسبتاً کوتاهی می شود، از این رو تلاش برای پیش بینی آن از اهمیت زیادی برای سرمایه گذاران، سیاست گذاران، نهادهای مالی و دولت برخوردار است. بررسی اجمالی تئوری ها و مدل های ارائه شده پیش بینی سقوط در بازار سهام نشان می دهد میان پژوهشگران درباره الگوهای مشاهده شده متغیرها، مانند حجم معامله، بازده ها، نوسان پذیری، عوامل بنیادی، شاخص های رفتاری و غیره در بازارهای سهام پیش از وقوع سقوط، اتفاق نظری وجود ندارد. یکی از روش های بسیار مناسب پیشنهادشده برای یافتن الگوهایی که در داده های شبکه های عصبی وجود دارد، نگاشت خودسازمان ده است که روشی ناپارامتریک و غیرخطی محسوب می شود. در این پژوهش با استفاده از شبکه های عصبی نگاشت خوسازمان ده، روشی برای پیش بینی سقوط در بازار سهام ایران ارائه شده است. نتایج اجرای مدل و پیش بینی برون نمونه ای حاکی از این است که مدل عملکرد به نسبت قابل قبولی را در پیش بینی دوره های پیش از سقوط در بازار سهام به دست آورده است.

در اغلب پژوهش های انجام شده، متغیرهای پیش بین بدون ضابطه و فقط براساس مطالعات گذشته انتخاب شده اند. فرایند انتخاب متغیرها را می توان به عنوان مرحله پیش پردازش برای حذف متغیرهای نامربوط و اضافه و انتخاب متغیرهای بهینه قبل از ایجاد مدل دانست. در این رابطه، پژوهش حاضر به بررسی سودمندی روش انتخاب متغیر مبتنی بر همبستگی برای پیش بینی نوع اظهارنظر حسابرسان شرکت های پذیرفته شده در بورس اوراق بهادار تهران می پردازد. طبقه بندی کننده های این پژوهش، شبکه های عصبی مصنوعی و رگرسیون لجستیک است. به طور کلی، یافته های تجربی مربوط به بررسی 1214 مشاهده (سال شرکت) در بازه زمانی 1386 تا 1393 نشان داد سودمندی استفاده از متغیرهای منتخب روش انتخاب متغیر همبستگی، در عملکرد پیش بینی نوع اظهارنظر حسابرسان است. به بیان دیگر، در صورت استفاده از متغیرهای منتخب این روش نسبت به استفاده از کلیه متغیرهای اولیه ، میانگین دقت افزایش و خطای نوع اول و دوم کاهش خواهد یافت. افزون بر این، یافته های پژوهش حاکی از عملکرد مناسب و بهتر شبکه های عصبی نسبت به رگرسیون لجستیک است.

با حرکت سریع جهان به سمت شبکه های 3G و T4G استفاده کنندگان تلفن همراه به سرعت رفتار مصرف، برتری ها و سلایق خرید را تغییر می دهند. از این رو، تولیدکنندگان باید به شناختی صحیح از بازارهای هدف دست یابند و پیشنهاد فروش ویژه ای را به مشتریان عرضه کنند. با هدف دستیابی به درکی صحیح از بازار هدف، رفتار مصرف و سبک زندگی خرده بازارهای پژوهش، پس از نقد روش های سنتی و معرفی تکنیک های بخش بندی مبتنی بر شبکه های عصبی، با بهره مندی از روش دلفی فازی، متغیرهای بخش بندی بازار هدف انتخاب شد و از طریق شبکه های خودسازمان ده کوهنن، تعداد خوشه های مناسبی از جامعه آماری به دست آمد و در نهایت با استفاده از تکنیک میانگین کا و تکنیک تجمعی، به تدقیق خوشه بندی ها و بخش بندی بازار پرداخته شد. جامعه آماری این پژوهش، مصرف کنندگان تلفن همراه شهر تهران با حجم نمونه 130 نفر است. پس از جمع آوری داده ها از طریق پرسشنامه و تجزیه وتحلیل آنها، یافته ها نشان داد بازار تلفن همراه تهران در پنج خوشه دسته بندی می شود که هر یک می تواند قابلیت پیاده سازی استراتژی های بازاریابی مجزا، با در نظر گرفتن مزیت های رقابتی شرکت های حوزه ICT ، برای حداکثر سازی تقاضا و حاشیه سود، داشته باشد.

تخصیص نظرها و متن های منتشر شده کاربران در فضای مجازی به طبقاتی با احساسات مثبت یا منفی، در تحقیق های مربوط به متن کاوی اهمیت بسیار زیادی دارد. هدف این مقاله، استفاده و مقایسه روش های یادگیری ماشین در طبقه بندی متن های فارسی بر اساس احساسات کاربران فعال در فضای مجازی است. داده های پژوهش، مجموعه نظرهای منتشرشده درباره فیلم های ایرانی و خارجی در بازه زمانی 1392 تا 1395 در سایت های سینمایی و نقد فیلم فارسی زبان است. پیش از به کارگیری الگوریتم ها، فرایند پیش پردازش داده ها بر اساس تبدیل آنها به نویسه، حذف ایست واژه ها و تحلیل چند واژه ای انجام گرفت. برای طبقه بندی داده ها، الگوریتم های با نظارت نایوبیز، ماشین بردار پشتیبان و شبکه عصبی استفاده شد. براساس نتایج به دست آمده، در آزمون خارج از نمونه با وجود دقت عددی بیشتر الگوریتم نایوبیز بر شبکه عصبی و ماشین بردار پشتیبان بر نایوبیز، برتری آماری نایوبیز بر شبکه های عصبی و ماشین بردار پشتیبان بر نایوبیز اثبات نشد. با وجود این، نتایج تحقیق گویای برتری معنادار الگوریتم ماشین بردار پشتیبان بر شبکه های عصبی در دقت طبقه بندی در سطح اطمینان 5 درصد است.

این پژوهش به بررسی شناسایی عوامل موثر بر رشد بهره وری و چیستی این موضوع در مسیر نیل به رشد و توسعه اقتصادی می پردازد. طیف وسیعی از متغیرهای موثر بر رشد بهره وری در مطالعات مختلف معرفی ولی در عمل به دلیل محدودیت ابزارها و موضوعاتی مانند درونزایی متغیرهای اقتصادی و تاثیر ناخواسته تغییر در این متغیرها، لازم است عوامل اساسی موثر در رشد بهره وری شناسایی و سیاستگذار براین عوامل به شکل مشخص تمرکز نماید. با استفاده از منطق انتخاب ویژگی( الگوریتم ژنتیک دو هدفه) عوامل موثر بر رشد بهره وری نیروی کار شناسایی و سپس با استفاده از شبکه های عصبی مدل اتتخابی را برای دوره زمانی 1370-1395تخمین و در نهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل موثر بر رشد بهره وری را به انجام رسانده ایم. براساس نتایج حاصل از منطق انتخاب ویژگی برای مدل بهره وری نیروی کار از میان بیست متغیر مورد استفاده، دوازده متغیر از مدل حذف شدند. مدل شبکه عصبی دارای قدرت پیش بینی  99/0  و حداقل خطا مدل 0017/0 به عنوان بهترین خروجی انتخاب شد. براساس نتایج شاخص گارسن در میان آن ها  سرمایه انسانی، دستمزد نیروی کارو کنترل فساد بیشترین تاثیرات را بر رشد بهره وری نیروی کار دارند و متغیر ها  حاکمیت قانون، تحقیق و توسعه و انباشت سرمایه فیزیکی کمترین تاثیر را بر رشد بهره وری نیروی کار دارند. Clearly, the main factor in the growth of production, living standards and human welfare, is the growth of productivity, and given the importance of the discussion of productivity in economies and its weak position in explaining the growth of production in Iran, this study examines what This issue is addressed. In order to achieve economic growth and development, it is necessary to identify the factors affecting productivity growth in the Iranian economy. A wide range of variables affecting productivity growth are introduced in various studies. However, in practice, due to the limitation of tools and issues such as endogenous economic variables and the unintended impact of change in these variables, it is necessary to consider the key factors influencing interest rate growth. Identify a problem and focus the policymaker on these factors in a specific way. Therefore, this study intends to first identify the factors affecting productivity growth by using feature selection logic, basis on Non-Dominated Sorting Genetic Algorithm (NSGA-II) then estimate the selective model using Artificial Neural Networks(ANN) for the period(1370-1395) and finally using the Garsen index to measure the sensitivity analysis of factors affecting labour productivity  and capital productivity growth.Based on the results of the feature selection logic for the labor productivity model out of the twenty variables used, twelve variables were excluded from the model.The neural network model with predictive power 0/99 and minimum error 0/0017 of the model was selected as the best output Among the results of the Garsen Index, among them, human capital, labor wages and corruption control had the greatest impact on labor productivity growth and the variables of rule of law, R&D and physical capital accumulation had the least impact on labor productivity growth productivity Keywords: Laborproductivity,Neural Networks,, meta-heuristic.

تحقیق حاضر به بررسی عوامل تعیین کننده نسبت پرداخت سود سهام همچنین مقایسه قدرت پیش بینی شبکه های عصبی و مدل رگرسیون حداقل مربعات به منظور برآورد نسبت پرداخت سود سهام می پردازد. هدف این تحقیق شناسایی و تبیین عوامل تعیین کننده نسبت پرداخت سود سهام، ارزیابی درجه اهمیت این عوامل و ارائه یک مدل توصیفی از عوامل تعیین کننده نسبت پرداخت سود سهام می باشد. از میان تئوری ها و نظریه های متفاوتی که از سوی محققین حوزه مالی در خصوص سود تقسیمی ارائه شده است در این تحقیق نظریه های علامت دهی، نمایندگی و سود سهام باقیمانده مورد بررسی قرار گرفته است. برای بررسی این نظریه ها ابتدا متغیرهای جایگزین تعیین و سپس اطلاعات لازم برای 133 شرکت گردآوری گردید. برای تجزیه و تحلیل اطلاعات نیز از روش های آماری مبتنی بر ضریب همبستگی، رگرسیون چندگانه و شبکه های عصبی مصنوعی استفاده شده است. نتایج تحقیق حاکی از آن است که میان نسبت پرداخت سود سهام و متغیرهای نسبت پرداخت سود سهام سال قبل، پراکندگی مالکیت و جریان نقد آزاد رابطه معنادار و مثبتی وجود دارد. مقایسه بین مدل های رگرسیون و شبکه عصبی نشان دهنده پیش بینی دقیق تر نسبت پرداخت سود سهام با استفاده از مدل شبکه عصبی می باشد. همچنین در ساختار 1-13-7 شبکه عصبی مدلی که دارای نرخ یادگیری 15/0 و اندازه حرکت 9/0 است نشان می دهد که رشد درآمد، نسبت پرداخت سود سهام سال قبل و پراکندگی مالکیت مهمترین عوامل تعیین کننده نسبت پرداخت سود سهام می باشند.

اوراق بهادار روش مطمئنی است برای جلب اعتماد عمومی جهت سرمایه گذاری درانواع اوراق بهادار با خطرهای متفاوت است و با این روش می توان سرمایه های کوچک و پراکنده را که به تنهایی نمی توانند مورد بهره برداری قرار گیرند جمع آوری نمود از آنها سرمایه هنگفتی جهت توسعه و پیشرفت اقتصادی فراهم آورد. در بورس های اوراق بهادار حساسیت های زیادی نسبت به روند قیمت وجود دارد این امر باعث گردیده تا تحولات مرتبط با چنین پدیده ای مورد تحلیل های منظم قرار گیرد . در سال های اخیر مدل های متفاوتی جهت پیش بینی قیمت سهام توسط محققین مورد استفاده قرار گرفته است و از آنجایی که تکنیک های هوش مصنوعی که شامل شبکه های عصبی، الگوریتم ژنتیک و منطق فازی است نتایج موفقیت آمیزی در زمینه حل مسایل پیچیده به دست آورده اند در این راستا بیشتر مورد بهربرداری قرار گرفته اند. هدف از این تحقیق رسیدن به این پاسخ است که آیا می توان با استفاده از ترکیب روش های هوش مصنوعی مدلی ایجاد نمود که نسبت به سایر روش های خطی و غیر خطی پیش بینی قیمت سهام (بورس اوراق بهادار تهران - شرکت ایران خودرو )را با میزان خطای کمتری انجام دهد. در این تحقیق جهت پیش بینی قیمت سهام از ترکیب روش های هوش مصنوعی شامل شبکه های عصبی – فازی و الگوریتم ژنتیک استفاده شده است و این مدل ترکیبی با روش های شبکه عصبی به عنوان یکی دیگر از مدل های هوش 2 مصنوعی و مدل خطی ARIMA با توجه به معیارهای MSE,MAPE,MAE, R مقایسه گردیده اند. نتایج این پژوهش نشان از برتری مدل ترکیبی نسبت به سایر مدل ها مورد بررسی دارد .

امروزه ماهواره های مدار پایین نقش مهمی در جمع آوری مشاهدات مربوط به زمین و میدان گرانش حاکم بر آن ایفا می کنند. عوامل مختلفی بر دقت و صحت مشاهدات این ماهواره ها مؤثر هستند. ازجمله ی این عوامل، اصطکاک اتمسفری وارد بر ماهواره ها است که حتی می تواند پس از مدتی کارایی آن ها را با چالش مواجه کند. به همین دلیل تلاش های گوناگونی درصدد مدل سازی و پیش بینی عوامل مؤثر بر این نیرو برآمده است. مدل های تجربی ارائه شده برای چگالی اتمسفری نمونه ای از این تلاش ها است. باگذشت زمان و پیدایش خطاهای موجود در مدل های تجربی، تلاش برای اصلاح آن ها آغاز شد چراکه به دلیل ساده سازی ها و محدودیت های مشاهداتی، این مدل ها همواره با خطا همراه هستند و مقدار خروجی آن ها با مقدار واقعی چگالی اتمسفر، تطابق کامل ندارد . از دیگر سو، با گسترش علوم، روش های جدیدی مانند هوش مصنوعی و شبکه های عصبی برای پیش بینی یک سری زمانی ارائه شده است که قابلیت یادگیری رفتار سیگنال بدون تشکیل یک مدل ریاضی پیچیده را دارند. در این تحقیق، از شبکه های عصبی با حافظه بلند-کوتاه مدت برای پیش بینی و اصلاح مدل های تجربی چگالی اتمسفری که مهم ترین عامل تعیین کننده ی میزان کشش اتمسفری است، استفاده شده است. این شبکه های عصبی از نوع شبکه های بازگشتی هستند و با حفظ وابستگی سیگنال در زمان می توانند دقت بهتری را برای پیش بینی سیگنال فراهم آورند. داده های مورداستفاده برای آموزش شبکه عصبی مربوط به ماهواره ی GRACE و در نیمه ی نخست سال 2014 بوده است. برای ارزیابی نتایج نیز با استفاده از ضریب اصطکاک خروجی حاصل از شبکه عصبی و همچنین ضریب اصطکاک مربوط به مدل های عددی، موقعیت ماهواره تعیین و با موقعیت واقعی مقایسه شده است. نتایج پیش بینی نشان می دهد که در حالت تک متغیره مقدار RMSE در حدود 0.054 و در حالت چند متغیره در حدود 0.03 است و همچنین شبکه ی عصبی قادر است مدار ماهواره GRACE   را با RMSE در حدود 0.15 متر پیش بینی کند.

هدف این تحقیق برآورد الگویی برای پیش بینی لحن افشای اطلاعات با استفاده از شبکه های عصبی و رگرسیون خطی وده است. قلمرو مکانی این تحقیق شرکتهای پذیرفته شده در بورس اوراق بهادار تهران و قلمرو زمانی سالهای بین 1392 تا 1398 بوده است. تحقیق حاضر، از نظر هدف کاربردی است و براساس نحوه جمع آوری داده ها جزء روش تحقیقهای غیرآزمایشی میباشد و روابط میان متغیرها را بررسی و متغیرها را توصیف می کند و در نهایت به ارائه مدل میپردازد. علاوه بر این، در حوزه مطالعات پس رویدادی (استفاده از اطلاعات گذشته) قرار می گیرد و مبتنی بر اطلاعات واقعی صورت های مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران و سایر اطلاعات واقعی است ؛ در این پژوهش برای جمع آوری داده ها و اطلاعات، ازروش کتابخانه ای استفاده شد. در بخش داده های پژوهش از طریق جمع آوری داده های شرکت های نمونه با مراجعه به صورت های مالی، یادداشت های توضیحی و ماهنامه بورس اوراق بهادار انجام پذیرفت. بر اساس روش حذف سیستماتیک تعداد 147 شرکت به عنوان نمونه آماری انتخاب گردید؛ به منظور توصیف و تلخیص داده های جمع آوری شده از آمارتوصیفی و استنباطی با استفاده از نرم افزارهای متلب 2019 و ایویوز 7 بهره گرفته شده است. در این پژوهش به منظور پیشبینی لحن افشای اطلاعات از پارامترهای مؤثری نظیر اخبار بد، قابلیت مدیران، عملکرد مالی (بازده دارایی) و... استفاده گردید؛ نتایج بدست آمده از پژوهش، حاکی از آن است که استفاده الگوی مبتنی بر شبکه عصبی دارای توانایی بیشتری در پیش بینی لحن افشای اطلاعات نسبت به رگرسیون دارد.

رشد و پیشرفت دانشجویان، به عنوان سرمایه های آینده این کشور، همواره مورد اهمیت و توجه نظام آموزش و پرورش بوده است. چه بسیار دانشجویانی هستند که خلاقیت و استعدادشان شکوفا شده است و در عوض، ما سالیانه با تعداد کثیری از دانشجو مواجه هستیم که استعدادهایشان تلف شده و از موفقیت دور شده اند. امروزه، با افزایش دانشجویان در مقاطع مختلف دانشگاهی و تنوع رشته های تحصیلی، لزوم هدایت صحیح دانشجویان بیش تر از قبل احساس می شود. بدین منظور داده کاوی آموزشی در سال های اخیر موردتوجه ویژه مسئولان نظام آموزش و پرورش قرارگرفته است. تاکنون روش ها و تکنیک های دسته بندی متنوعی در حوزه داده کاوی و یادگیری ماشین به منظور دسته بندی و پیش بینی عملکرد دانشجویان به کار گرفته شده اند. اما این دسته بندهای تکی برای پیش بینی عملکرد در فرآیند آموزش محدودیت هایی از قبیل پیچیدگی و عدم ثبات دارند. برای مقابله با این مشکل دسته بندهای جمعی به عنوان روش های نوین و کارآمد مطرح می شوند. سیستم های دسته بند جمعی نتایج چندین دسته بند تکی را ترکیب می کنند و مدلی با عملکرد بهتر ارائه می دهند. در این پژوهش یک دسته بند جمعی جدید با استفاده از شبکه های عصبی چندلایه و خوشه بندی SOM به منظور تخمین و دسته بندی معدل دانشجویان دوره کارشناسی ارائه شده است. همچنین از روش ترکیبی میانگین گیری و رأی اکثریت برای ترکیب نتایج دسته بندهای تکی استفاده شده است. نتایج ارزیابی بر روی داده های واقعی دانشگاه نشان می دهد که مدل پیشنهادی ارائه شده در این پژوهش دقت و کارایی بیشتری نسبت به روش های دسته بندی منفرد مشهور و پرکاربرد دارد. همچنین مدل پیشنهادی در مقایسه با روش های جمعی معروف، عملکرد بهتری در دسته بندی معدل دانشجویان داشته است.

هدف از انجام شدن این پژوهش، علاوه بر تخمین قیمت بازیکنان لیگ حرفه ای فوتبال ایران، مقایسه روش های رگرسیون و شبکه های عصبی در پیش بینی آن بود. روش انجام شدن پژوهش با استفاده از طرح های آمیخته اکتشافی بود که تلفیقی از روش های کیفی و کمی است. جامعه آماری پژوهش در بخش کیفی، مدیران، مربیان باشگاه ها و کارشناسان خبره و آشنا با حوزه خرید و فروش بازیکنان بودند که 14 نفر تا رسیدن به نقطه اشباع به روش گلوله برفی انتخاب شدند. در بخش کمی نیز جامعه آماری، همه فوتبالیست های لیگ حرفه ای فوتبال خلیج فارس در سال های 2019-2018 بودند که 226 نفر از آن ها با استفاده از فرمول کوکران به عنوان نمونه با روش تصادفی طبقه ای انتخاب شدند. ابزار پژوهش در روش کیفی، مصاحبه عمیق بود که پایایی آن از طریق روش بازآزمون 81/0 محاسبه شد. داده های مورد نیاز برای تجزیه و تحلیل روش های کمی نیز از سایت های معتبر و سازمان لیگ فوتبال ایران جمع آوری شدند. از ضریب همبستگی پیرسون، رگرسیون خطی و شبکه های عصبی شعاعی نیز با بهره گیری از نرم افزارهای اس پی اس اس نسخه 21 و آر نسخه 3.6.2 برای پیش بینی و طراحی مدل استفاده شد. یافته های پژوهش در بخش کیفی حاکی از این بود که عملکرد بازیکن، ویژگی های شخصی، توانایی های آن ها، ویژگی های باشگاه و عوامل ایجادکننده حباب، در تعیین قیمت بازیکنان فوتبال تأثیر دارند. همچنین نتایج پژوهش نشان داد که با وجود مزایای روش های رگرسیون در پیش بینی مسائل، به علت چندوجهی و پیچیده بودن قیمت گذاری بازیکنان فوتبال، مدل های شبکه مصنوعی متغیرهای بیشتری را پوشش می دهد و کاراتر و دقیق تر خواهند بود.

مطالعه و توسعه معیارهای سنجش کیفیت سود و به طور ویژه کیفیت اقلام تعهدی یکی از موضوعات کلیدی در طی حدود سه دهه اخیر بوده است. ادبیات موضوعی حاکی از این است که معیارهای مبتنی بر رگرسیون خطی، عمدتا دارای خطای بالا بوده و لذا در سالهای اخیر، پژوهشهایی جهت اعمال الگوریتم های یادگیری ماشین صورت گرفته است. با این حال، بنیان گذاری این الگوریتم ها بر رویکرد جعبه سیاه، توسعه پذیری و همچنین درجه کاربردی بودن این مدلها را با محدودیت مواجه می نماید. لذا در این پژوهش از الگوریتم مدیریت گروهی داده ها که یک نوع مدلسازی جعبه سفید تلقی می شود جهت پیش بینی اقلام تعهدی استفاده شده است. نتایج به دست آمده با استفاده از داده های ۱۶۴ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای ۱۳۸۵ تا ۱۳۹۷ و متغیرهای «تغییر در درآمد»، «داراییهای ثابت مشهود»، «جریانهای نقدی عملیاتی دوره جاری»، «جریانهای نقدی عملیاتی دوره گذشته» و «جریانهای نقدی عملیاتی دوره آتی»، حاکی از بهبود سطح خطای این مدلها نسبت به مدلهای خطی می باشد. با توجه به برتری مدل های خروجی تحقیق حاضر از نظر خطای پیش بینی نسبت به مدلهای رایج، یافته های این پژوهش می تواند توسط نهادهای نظارتی، تحلیلگران و حسابرسان در شناسایی موارد احتمالی تحریف اطلاعات مالی شرکتها مورد استفاده قرار گیرد.