مدل شبکه عصبی مصنوعی

با وجود تأکید بسیار زیاد بر بخش کشاورزی و امنیت غذایی در اسناد بالادستی و برنامه های توسعه، واردات محصولات کشاورزی و مواد غذایی تحت تأثیر عوامل مختلف، در سه دهه گذشته روند افزایشی داشته به گونه ای که از نزدیک به 5 میلیون تن در سال 1360 به فراتر از 21 میلیون تن در سال 1391 افزایش یافته است. بر این اساس، هدف مطالعه حاضر شناسایی و بررسی عوامل مؤثر بر تقاضای واردات محصولات کشاورزی ایران در دوره زمانی 1370 -91 با استفاده ازتلفیق روش تجزیه و تحلیل اکتشافی اطلاعات (EDA) با الگوی تحلیل حساسیت مدل شبکه عصبی مصنوعی است. به این منظور، از اطلاعات مربوط به ۱1 قلم گروه کالای منتخب بخش کشاورزی شامل گندم، جو، برنج، ذرت،کنجاله سویا، روغن (سویاوآفتابگردان)،شکر، تخم مرغ، شیر، گوشت مرغ و گوشت قرمزاستفاده شد. نتایج الگوسازی فوق نشان داد که طی دوره مورد بررسی به ترتیب متغیرهای تولید ناخالص داخلی بدون نفت(5/29 درصد)، درآمدهای نفتی (7/27 درصد)، نرخ تعرفه(5/16 درصد) و میزان تولید داخلی محصولات کشاورزی(6/14 درصد) بیشترین اثر را بر تقاضای واردات و دو متغیر قیمت نسبی واردات محصولات کشاورزی(6/6 درصد) و میزان واردات محصولات کشاورزی با یک وقفه (1/5 درصد) کمترین اثر را بر تقاضای واردات محصولات کشاورزی داشته اند. C33; C5; Q17: JELطبقه بندی

تعیین و برآورد قیمت مسکن در مناطق شهری، از اهمیت زیادی برای دولت، سرمایه گذاران خصوصی و دولتی و افراد عادی برخوردار است. این تخمین می تواند در برنامه ریزی و تصمیم گیری های آینده در بسیاری از سیاست های شهری و منطقه ای مورد استفاده قرار گیرد. در این راستا به دلیل اهمیت بالای قیمت مسکن در دهه های اخیر، استفاده از توابع قدرتمند و کارا برای پیش بینی و تخمین قیمت مسکن مرسوم شده است. پژوهش حاضر، با هدف ارائه مدلی بهینه برای پیش بینی قیمت مسکن و تعیین عوامل تأثیرگذار بر قیمت مسکن در کلان شهر اهواز و نیز مقایسه ای بین دو مدل هدانیک و شبکه عصبی مصنوعی انجام شده است. ماهیت پژوهش، توسعه ای-کاربردی و روش انجام آن، توصیفی- تحلیلی می باشد. در این پژوهش، 286 نمونه واحد مسکونی در سال 1394 براساس 27 متغیر مربوطه به منظور پیش بینی قیمت مسکن، مورد ارزیابی قرار گرفته است. در این تحقیق از تابع هدانیکی نیمه لگاریتمی و شبکه عصبی پرسپترون چند لایه (MLP) استفاده شده است. برای مقایسه دو مدل از لحاظ توانایی پیش بینی، از معیارهای R2، MSE، RMSE، MAPE، MAE و ضریب TIC استفاده شده است. نتایج مدل هدانیک نشان دادند از میان 27 متغیر مدل، 18 متغیر معنی دار بودند و با مقایسه نتایج و مقدار برآوردها، مشخص شد که قیمت مسکن در اهواز بیشتر از عوامل فیزیکی و ساختاری تأثیر می پذیرد. برای بررس ی تفاوت در دقت پیش بین ی مدل های مختلف ب رای پیش بینی قیمت مس کن در شه ر اهواز، از آزم ون مورگان-گرنجر- نیوبلد استفاده شده است. نتایج به دست آمده از آزمون نشان دادند که تفاوت قدرت پیش بینی دو مدل از لحاظ آماری نیز معنی دار است که نشان دهنده کارایی بهتر و عملکرد مناسب تر شبکه عصبی مصنوعی (98 درصد) نسبت به مدل رگرسیون هدانیک (88 درصد) است.

هدف: درماندگی مالی و ورشکستگی، هزینه های زیادی داشته و به اقتصاد کشورها صدمه وارد می کند و پیش بینی آن جهت جلوگیری از ورشکستگی کمک شایان توجهی می کند. هدف پژوهش پیش بینی ورشکستگی و سودآوری شرکت ها جهت ارزیابی عملکرد و وضعیت مالی با استفاده از رگرسیون لجستیک و نسبت های مالی بامدل های شبکه عصبی مصنوعی و فولمر براساس دوره زمانی 1391 الی 1397 برای 132 شرکت بورس هست.  روش: برای برازش مدل فولمر از نرم افزار EViews و برای برازش مدل شبکه عصبی از نرم افزار Spss26 استفاده شده است. شاخص های استفاده شده در مدل ها شامل نسبت بدهی به حقوق صاحبان سهام، سود قبل از بهره و مالیات، جمع بدهی ها به مجموع دارایی ها، حساب های دریافتنی به فروش، سود خالص بر دارایی، بدهی بلندمدت به دارایی، سرمایه در گردش، سود خالص به فروش هستند.  یافته ها: با استفاده از نتایج و مدل های ارائه شده در پژوهش می توان از مبتلا شدن شرکت ها به بحران مالی، ورشکستگی و همچنین پیامدهای آن، به طور مناسبی جلوگیری کرد. البته توجه این نکته نیز ضروری است که پس از پیش بینی می بایستی به ریشه یابی مساله و پیگیری علل پرداخته شود. نتیجه گیری: نتایج پژوهش نشان داد میزان قدرت و دقت پیش بینی ورشکستگی مدل شبکه عصبی مصنوعی در مقایسه با مدل فولمر از دقت بالاتری برخوردار است و همچنین حساب های دریافتنی بر فروش بیشترین و نسبت بدهی به حقوق صاحبان سهام کمترین نسبت های مالی مؤثر بر ورشکستگی در مدل شبکه عصبی مصنوعی هست.

امروزه مهمترین معیار ارزیابی عملکرد واحدهای تجاری، نرخ بازده سهام است. از آن جا که بشر علاقه زیادی به پیشبینی حوادث آینده دارد تا از طریق آن بتواند آثار ناشی از حوادث را به نحوی کنترل نموده و تبعات منفی ناشی از آن را به حداقل برساند، پیش بینی و تبیین قیمت و بازده سهام نیز همواره از موضوعات مورد توجه در حوزه آکادمیک می باشد. بنابراین در تحقیق حاضر، داده های مربوط به بازده غیرعادی سهام 177 شرکت پذیرفته شده در بورس اوراق بهادار تهران در بازه زمانی 1387 تا 1396 با استفاده از تجزیه و تحلیل تکنیکی و کشف روند گذشته پیرامون تاریخ انتشار صورت های مالی سالانه بررسی گردید. همچنین به منظور پیش بینی بازده غیرعادی سهام  از مدل های آشوبی SETAR وLSTAR، مدل خطی AR و مدل شبکه عصبی مصنوعی (با به کارگیری سه عامل فاما-فرنچ) استفاده شد. در نهایت مدل شبکه عصبی مصنوعی به عنوان مدل بهینه انتخاب گردید.

صنعت گردشگری، مهم ترین منبع درآمد و ایجاد فرصت های شغلی برای بسیاری از کشورهای دنیاست که موتور توسعه محسوب می شود. بدون شک، چنین صنعتی در مقایسه با انواع بحران های طبیعی، انسانی و بیولوژیک آسیب پذیر است و شیوع بحران ها این صنعت را با چالش های جدی مواجه می کند. هدف از انجام این پژوهش، ارائه یک سیستم تصمیم یار مبتنی بر رویکرد شبکه عصبی است که با الگوبرداری از تجربیات کشورهای مختلف در مقابله با بحران های گردشگری ایجاد شده است. مدل شبکه عصبی پیشنهادی با تکیه بر قابلیت تعمیم دهی خود قادر است تا با مدل سازی دینامیک های موجود بین «سیاست ها/ عوامل و شرایط» حاکم بر اکوسیستم ها و «میزان اثربخشی سیاست های اتخاذ شده»، اثربخشی سیاست های پیش رو را برای بحران های احتمالی در اکوسیستم های مختلف پیش بینی کند. نحوه طراحی و پیاده سازی سیستم پیشنهادی برای بحران کرونا موردکاوی شد. خروجی های مدل بیانگر آن است که بهترین سیاست اتخاذشده برای بازگشت به شرایط گردشگری قبل از این بحران بیولوژیک در ایران، بهره گیری از سیاست «ترکیبی اقتصادی و مالی با آمادگی در مقابله با بحران» در وهله اول و سیاست «ترکیبی تمرکز بر گردشگری داخلی همراه با آمادگی» در مرتبه بعدی است که با توجه به معیارهای توسعه پایدار گردشگری و شرایط تحریم های اقتصادی در ایران، سیاست دوم برطبق معیار تعریف شده مدل، کاربردی تر خواهد بود.  

هدف: یکی از ریسک های مهم پیش روی مؤسسه های مالی، ریسک اعتباری است که از احتمال قصور تسهیلات گیرنده در بازپرداخت تسهیلاتی یا بازپرداخت به موقع تسهیلات شکل می گیرد. یکی از نهادهای مالی بسیار مهم در اقتصاد ایران، صندوق ضمانت صادرات ایران است که به عنوان تنها مؤسسه بیمه اعتبار صادراتی رسمی ایران، کاملاً دولتی است و تمامی تعهدهای مربوط به پوشش های صندوق بر عهده دولت است. صندوق ضمانت صادرات ایران، به عنوان تنها صادرکننده ضمانت نامه های صادراتی در اقتصاد ایران، طی دهه اخیر حدود 8/15میلیارد دلار از طریق صدور انواع ضمانت نامه و بیمه نامه، ریسک پذیرفته است که بیشترین مبلغ خسارت آن، به ضمانت نامه های اعتباری صادره مربوط می شود. بر اساس آمار و مستندات موجود در صندوق ضمانت صادرات ایران، طی دوره ۱۳۸۷ تا ۱۳۹۷، این صندوق 7/6 میلیارد دلار ضمانت نامه صادر کرده است که بیشترین مبلغ خسارت (بیش از ۳۱۷ میلیون دلار)، مربوط به ضمانت نامه های اعتباری صادرشده به نفع اعتباردهندگان است. نظر به اهمیت این موضوع با دستیابی به یک الگوی بهینه برای اعتبارسنجی مشتریان ضمانت نامه های اعتباری صندوق ضمانت صادرات ایران، می توان ریسک اعتباری و به تبع آن، خسارات پرداختی صندوق را کاهش داد؛ به گونه ای که حتی اگر تنها ۱ درصد خسارت های صندوق کاهش یابد، حداقل سالانه بیش از ۱۳۳۰ میلیارد ریال از مجموع خسارات وارده به صندوق کاهش خواهد یافت. بدیهی است که با افزایش صدور ضمانت نامه های اعتباری صندوق، این رقم افزایش بیشتری نیز خواهد یافت. بر این اساس، هدف اصلی پژوهش، انتخاب بهترین روش برای تفکیک اشخاص خوش حساب از بدحساب، برای کاهش نکول اعتبارات اعطاشده صندوق ضمانت صادرات ایران است.روش: در این پژوهش تلاش شده است تا به کمک مدل شبکه عصبی مصنوعی، مدلی برای ارزیابی ریسک متقاضیان تسهیلات و ضمانت نامه ها از این صندوق طراحی شود که بیشترین قدرت پیش بینی احتمال نکول تسهیلات اعطایی را داشته باشد. برای این منظور، بر اساس داده های ۲۱۷۰ پرونده اعتبار اعطایی این صندوق، ۶۹ متغیر درون سازمانی و برون سازمانی انتخاب و اطلاعات آن جمع آوری شد و از میان آن ها ۶ متغیر در مدل نهایی شبکه عصبی استفاده شد که عبارت اند از: استان محل فعالیت اعتبار گیرنده، ذی نفع ضمانت نامه (بانک اعتباردهنده)، تعداد کارمند، نسبت جاری، نرخ سود واقعی و نرخ رشد اقتصادی.یافته ها: بر اساس مدل شبکه عصبی و با سه شیوه بیزین، لونبرگ و گرادیان مزدوج و با ۱ تا ۳۰ نرون در لایه پنهان، بهترین مدل ها استخراج شدند. بهترین مدل با کلیه متغیرهای مستقل (یعنی ۶۹ متغیر مستقل)، پیش بینی ای با ۹۶/۲ درصد دقت داشته است که از مدل اقتصادسنجی پروبیت بیشتر است.نتیجه گیری: بر اساس نتایج حاصل از این پژوهش، می توان ضمن تفکیک مشتریان خوش حساب از بدحساب و بر اساس رتبه اعتباری مشتریان، میزان وثایق اخذشده از مشتریان را متناسب با وضعیت اعتباری گروه های اعتباری تنظیم کرد؛ بدین معنا که چنانچه مشتری جزء مشتریان خوش حساب و با رتبه اعتباری خوب باشد، می توان وثایق کمتری از ایشان گرفت و اگر مشتری ریسک اعتباری بالاتری داشته باشد، متناسب با آن، وثایق بیشتری را به عنوان تضمین تعهد بازپرداخت درخواست کرد. در این صورت، ضمن اندازه گیری ریسک اعتباری و تفکیک مشتریان، می توان به مدیریت بهینه ریسک و پرتفوی اعتباری صندوق ضمانت صادرات ایران اقدام کرد.