پیش بینی

وابستگی دنیای امروز به فناوری ، نیاز بشر را به محصولات تولیدشده از سنگ آهن بیشتر می کند و پیش بینی ها حاکی از آن است که تا سال 2035 میزان تقاضای فولاد 60 درصد افزایش یابد (محمدی ، سلطانی محمدی و بخشنده امنیه 1392). به همین دلیل پیش بینی قیمت فلزات ازجمله سنگ آهن با استفاده از روش های کمی و کیفی نظیر مطالعه فنی اقتصادی بازار ،مطابقت زیادی با واقعیت نداشته است .یکی از روش های متداول بررسی قیمت ها، روش سری های زمانی است. در این پژوهش، با مدل سازی و استفاده از تحلیل سری زمانی به کمک شبکه عصبی پویا، به پیش بینی قیمت سنگ آهن پرداخته شده است. در ادامه، با به کارگیری روش شبکه عصبی مصنوعی و با توجه به قیمت ماهانه سنگ آهن و عوامل مؤثر بر نوسانات آن، قیمت سنگ آهن برآورد شده و سپس نتایج به دست آمده، ازنظر قابلیت پیش بینی مورد ارزیابی قرار گرفت. مدل شبکه عصبی بهینه با 3 لایه و 10 نرون قیمت سنگ آهن را با دقت بسیار مناسب برآورد کرده است. در این مدل مقدار خطای آموزش در حدود 7/1% و برای اعتبار سنجی برابر 3/2% و خطای آزمون 5/1% است. همچنین مقدار رگرسیون و همبستگی داده ها در سطح اعتماد 95% و مقدار همبستگی بالا با R2=0.98 نشان گر یک مدل خوب و با دقت مناسب است.

درماندگی مالی شرکتها، منجر به هدر رفتن منابع و عدم بهره گیری از فرصت های سرمایه گذاری می شود. زمانی که شرکتی دچار درماندگی مالی می شود، انتظار می رود با یکی از این دو تضاد احتمالی مواجه شود، کمبود وجه نقد در بخش دارایی های ترازنامه و یا تورم بدهی ها در سمت چپ ترازنامه. بیشتر شرکت های ایرانی به علت موقعیت تورمی که موجود است، ترجیح می دهند تا وجه نقد خود را به دارایی های دیگر تبدیل کنند هرچند این پدیده ، سپر مقاومت در برابر تورم تلقی می شود، لیکن اثر ثانویه آن این است که شرکت ها در سررسید بدهی ها درمانده شده و به اعتبار سازمان لطمه وارد می شود، تاکنون از الگوهای گوناگونی برای پیش بینی درماندگی مالی استفاده شده است. الگوهای به کار گرفته شده در این زمینه کاربرد بسیار زیادی در تصمیم های فعالان بازار مالی دارد. همواره سعی شده است تا دقت پیش بینی و ارزیابی این الگوها با استفاده از روش های پیشرفته تر بهبود پیدا کند. جامعه آماری این پژوهش شامل کلیه شرکت های پذیرفته شده در بورس اوراق بهادار تهران می باشد. نمونه آماری شامل 54 شرکت درمانده مالی و 54 شرکت سالم طی سالهای 90 تا 1400 می باشد که به منظور دسته بندی شرکتها به دو گروه مذکور، از پیش فرض ماده 141 قانون تجارت استفاده شده است. نتایج حاصل نشان می دهد که الگوی طراحی شده مبتنی قابلیت پیش بینی وقوع بحران مالی در شرکت های پذیرفته شده در بورس اوراق بهادار را تا دو سال قبل از وقوع آن دارد. همچنین نتایج به دست آمده بهبود پیش بینی شرکت های درمانده را با ورود امتیاز کارایی به مدلها تأیید می کند، اما این بهبود چندان چشم گیری نیست.

در دو دهه ی اخیر ارقام و اعداد اقتصادی نشان دهنده ی افزایش بی سابقه ی میزان ورشکستگی هاست. وجود بحران های مالی در یک کشور شاخص اقتصادی مهمی است که توجه عموم را به خود جلب می کند. همچنین، هزینه های اقتصادی ورشکستگی نیز بسیار زیاد است. بنابراین، توانایی پیش بینی درماندگی مالی و جلوگیری از وقوع آن از اهمیت اساسی برخوردار است و از تخصیص نامناسب منابع کمیاب اقتصادی جلوگیری می کند. اهمیت پیش بینی درماندگی مالی همواره برای مالکیت شرکت ها رو به افزایش بوده است، اقتصادهای جهانی نیز امروزه نسبت به خطرات ناشی از تعهدات و دیون شرکت ها، مخصوصاً پس از جریان سقوط سازمان های بزرگی همچون وورلدکام و انرون، آگاه و حساس شده اند. از طرفی وضع نامطلوب مالی شرکت ها نیز باعث زیان برای اقشار مختلف جامعه و خصوصاً سرمایه گذاران شامل سهامداران و اعتباردهندگان می گردد، که نه تنها سرمایه گذاران، بلکه مدیران ارشد و حسابداران و حسابرسان نیز علاقمندند به طور علمی وضعیت مالی شرکت ها را پیش بینی نمایند. لذا در پژوهش حاضر، به شناسایی و رتبه بندی متغیرهای پیش بینی درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از رویکرد فازی پرداخته شد. جامعه آماری پژوهش حاضر خبرگان دانشگاهی و فعالان بازار سرمایه هستند. نتایج پژوهش نشان داد که مهمترین متغیرهای پیش بینی کننده درماندگی مالی شرکت های پذیرفته شده در بورس اوراق بهادار تهران عبارتند از: نسبت جاری؛ نسبت آنی؛ نسبت بدهی؛ وجوه نقد به دارایی؛ سرمایه در گردش به کل دارایی؛ فروش خالص به کل دارایی؛ نسبت P/E؛ وجوه نقد به بدهی جاری؛ وجوه نقد به کل دارایی ها؛ دارایی جاری به کل دارایی؛ ارزش بازار سهام به ارزش دفتری سهام؛ سود خالص به کل دارایی؛ سود عملیاتی به کل دارایی؛ سود خالص به حقوق صاحبان سهام؛ سود خالص به فروش خالص؛ ارزش شرکت؛ عمر شرکت؛ اندازه شرکت.

با گسترش روزافزون فناوری اطلاعات و پیچیدگی جرایم سایبری، نیاز به ابزارهای هوشمند برای مقابله با این تهدیدات بیش از پیش احساس می شود. هوش مصنوعی با قابلیت های تحلیل داده های حجیم و پیچیده، به عنوان یک ابزار قدرتمند در این حوزه مطرح شده است. این پژوهش به بررسی نقش هوش مصنوعی در پیش بینی و پیشگیری از جرایم سایبری، چالش های آن و راهکارهای تنظیم گری می پردازد.یافته ها نشان می دهد که هوش مصنوعی می تواند با تحلیل الگوهای رفتاری و داده های تاریخی، وقوع جرایم سایبری را پیش بینی کند. با این حال، چالش هایی همچون حریم خصوصی، تعصب الگوریتمی و عدم قطعیت در پیش بینی، استفاده از آن را محدود می کند. برای مدیریت این چالش ها، ضرورت دارد چارچوب های قانونی و اخلاقی مناسبی تدوین شود. فقه امامیه با اصول کلی همچون لاضرر و عدالت می تواند در این زمینه راهگشا باشد.در نهایت، هوش مصنوعی می تواند نقش مؤثری در مبارزه با جرایم سایبری ایفا کند، اما برای بهره برداری بهینه از آن، باید چالش ها شناسایی شده و راهکارهای تنظیم گری مناسب در نظر گرفته شود. تلفیق اصول فقه امامیه و قوانین حقوقی ایران می تواند به تدوین چارچوبی جامع و کارآمد برای استفاده از هوش مصنوعی در پیشگیری از جرایم سایبری کمک کند.

تحولات عمیق اجتماعی، فرهنگی و فلسفی از مدرن به پسامدرن، لزوم بازنگری در روش های علمی را آشکار می سازد. علم مدرن مبتنی بر عینیت، قوانین کلی و روش های کمی است؛ درحالی که پسامدرنیسم این اصول را با تأکید بر نسبی گرایی، عدم قطعیت و تحلیل های تفسیری به چالش کشیده است. این مقاله با بررسی اصول تبیین علمی در این دو پارادایم، به ارائیه چارچوبی جامع برای فهم پدیده های پیچیدیه امروز می پردازد.پژوهش حاضر توصیفی است و با راهبرد کیفی و روش تحلیل محتوای تطبیقی انجام شده است. داده ها از آثار نظریه پردازان کلیدی مدرنیسم (همپل، پوپر، ناگل) و پسامدرنیسم (لیوتار، فوکو، گادامر، رورتی) گردآوری شده است. روش کدگذاری شامل استقرایی برای کشف مفاهیم نوظهور و قیاسی برای تحلیل چارچوب های نظری موجود است. در تحلیل تطبیقی، ابزارهایی مانند جدول حقیقت و مجموعه های فازی به کار گرفته شده اند.تحلیل تطبیقی نشان داد هرچند مدرنیسم و پسامدرنیسم دیدگاه های متمایزی در تبیین علمی دارند، اما در برخی جنبه ها مکمل یکدیگرند. مدرنیسم بر پیش بینی پذیری و روش های کمی تأکید دارد؛ درحالی که پسامدرنیسم بر تحلیل های زمینه گرا و تفاسیر متکثر تمرکز می کند.نتایج این پژوهش در قالب یک مدل هیبریدی ارائه شده که با ترکیب اصول مدرنیسم و پسامدرنیسم، هم زمان به تعمیم پذیری و پیش بینی و نیز به معانی اجتماعی و فرهنگی توجه دارد. عناصر اصلی این مدل شامل ۱. ساختاردهی برمبنای قوانین کلی و پیش بینی پذیری مدرنیسم، ۲. تأکید بر تفاسیر متکثر و زمینه گرایی پسامدرنیسم، ۳. هم افزایی میان علیت خطی و پیچیده و ۴. ترکیب روش های کمی و کیفی در تحلیل پدیده ها است.

   کاهش باروری و موالید یک مساله مهم و استراتژیک در کشور ایران بوده که در سالهای اخیر مورد توجه برنامه ریزان و سیاست گذاران واقع شده است. پیامدهای منفی کاهش باروری نظیر سالخوردگی جمعیت، کاهش در اندازه کلی جمعیت، افزایش در نسبت جنسی در بدو تولد و ... حرکت به سمت برنامه های حمایتی دوستدار خانواده با هدف افزایش باروری را سبب شده است. آگاهی از پیامدهای یک تصمیم گیری قبل از اجرایی شدن آن و بهره مندی از دانش پیش بینی برای استخراج روند تغییرات در فرآیندهای جمعیتی نظیر تعداد موالید و نسبت جنسی در بدو تولد می تواند در برنامه ریزی ها راهکاری تاثیرگذار باشد. لذا هدف اصلی مقاله حاضر تحلیل و پیش بینی روند تغییرات در تعداد کل موالید، دختر، پسر و نسبت جنسی در بدو تولد در کشور ایران با استفاده از روش تحلیل سری زمانی برای ده سال آینده (1410-1401) می باشد. شبیه سازی ها در نرم افزار متلب و بر پایه داده های مرکز آمار ایران انجام شده است. نتایج به دست آمده از شبیه سازی نشان از کاهش تعداد موالید در ده سال آینده در کشور ایران دارد، به صورتی که تعداد کل موالید، دختر و پسر در سال 1400 به ترتیب از مقادیر 1116212، 540254، 575958 با یک روند کاهشی به ترتیب به اعداد 1077600، 525700 ، 551100 در سال 1410 خواهند رسید. در حالیکه روند تغییرات در نسبت جنسی در بدو تولد در محدوده نرمال است. نتایج شبیه سازی زنگ خطر و هشداری برای برنامه ریزان و سیاست گذاران جهت ارائه برنامه های حمایتی جامع و دقیق دوستدار خانواده جهت کاهش موالید در کشور ایران می باشد.

مرگ و میر یکی از مولفه های کلیدی پویایی جمعیت است که به همراه باروری و مهاجرت، موجب تغییر در حجم، رشد، توزیع و ترکیب جمعیت می شود. در بستر توسعه اقتصادی و اجتماعی، امید زندگی زنان نسبت به مردان افزایش یافته است، که این موضوع تأثیر عمیقی بر نسبت جنسی جمعیت سالمند در آینده خواهد داشت. از این رو، مطالعه حاضر به تحلیل روند تفاوت های جنسیتی مرگ و میر در کشور ایران از سال 1344 تا 1400 می پردازد و در ادامه با استفاده از مدل سازی مبتنی بر شبکه عصبی، روند تغییرات مرگ و میر زنان و مردان و همچنین شاخص نسبت جنسی مرگ و میر را برای ده سال آینده (1410-1401) پیش بینی می کند. شبیه سازی ها در نرم افزار متلب و بر اساس داده های مرکز آمار ایران انجام شده است. نتایج پیش بینی حاصل از مدل سازی شبکه عصبی نشان می دهد که تا سال 1410، تعداد مرگ و میر به ترتیب برای کل جمعیت، مردان و زنان به 6/12، 8/13 و 4/11 درصدرسیده و روندی افزایشی خواهد داشت و نسبت جنسی مرگ و میر از عدد 22/104 در سال 1401 به 54/106 در سال 1410 خواهد رسید. نکته کلیدی در پیش بینی تغییرات اجتماعی و جمعیتی، تمرکز بر روندها به جای پیش بینی دقیق اعداد است. این موضوع اهمیت دارد زیرا رفتارهای انسانی ممکن است تحت تأثیر حوادث غیرمنتظره قرار گیرند. نتایج شبیه سازی همچنین زنگ خطر و هشداری برای برنامه ریزان محسوب می شود تا برنامه های حمایتی جامع و دقیقی به منظور کاهش تفاوت جنسیتی مرگ و میر ارائه دهند.

این پژوهش با هدف بررسی تأثیر ذهن تورمی، یعنی مشغول بودن ذهن مردم نسبت به افزایش قیمت کالاها و به ویژه دارایی ها، بر تورم ذهنی یا همان انتظارات تورمی بر تورم در اقتصاد ایران انجام شده است. داده های مورد استفاده شامل برخی شاخص های تورم ذهنی منعکس شده در فضای مجازی به طور خاص، گوگل ترندز، و مجموعه ای از متغیرهای اقتصادی از فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ است. این پژوهش یک مطالعه کاربردی است که با استفاده از روش توصیفی-تحلیلی و تحلیل همبستگی، به بررسی عوامل مؤثر بر نرخ تورم و پیش بینی آن با بهره گیری از الگوریتم های یادگیری ماشین با استفاده از نرم افزار پایتون می پردازد. نتایج نشان می دهد که در تحلیل تک متغیره، دو برابر شدن تورم ذهنی بدون اعمال وقفه زمانی منجر به افزایش ۰.۹ واحدی در نرخ تورم شده است. همچنین، با اعمال وقفه سه ماهه، این متغیر موجب افزایش ۴ واحدی نرخ تورم گردید. این یافته نشان می دهد که اثر تورم ذهنی نه تنها فوری است، بلکه در طول زمان تقویت می شود. در تحلیل چندمتغیره، تأثیر ذهن تورمی در مقایسه با سایر متغیرها کاهش یافته، اما همچنان معنادار باقی مانده است. این امر نشان دهنده آن است که ذهن تورمی، در کنار سایر متغیرهای کلیدی اقتصادی مانند قیمت طلا، دلار و تولید ناخالص داخلی، ابزاری قدرتمند برای تحلیل و پیش بینی تورم به شمار می آید. از بین الگوریتم های پیشرفته یادگیری ماشین، الگوریتم درخت تصمیم بهترین عملکرد را در پیش بینی نرخ تورم ارائه کرده است. یافته های این پژوهش می تواند برای سیاست گذاران اقتصادی در مدیریت انتظارات تورمی و پیش بینی تحولات آتی نرخ تورم مفید باشد.

هدف: پیش بینی بازدهی صندوق های دولتی بورس تهران به دلیل اهمیت آن ها در فرآیندهای تصمیم گیری اقتصاد کلان و بازارهای مالی کشور، از جایگاه ویژه ای برخوردار است. پژوهش حاضر با بهره گیری از الگوریتم های پیشرفته یادگیری ماشین، نظیر ماشین بردار پشتیبان (SVM) و رگرسیون خطی، مدلی برای پیش بینی بازدهی این صندوق ها ارایه می دهد. هدف اصلی، بهبود استراتژی های اقتصادی و سرمایه گذاری در سطح دولت و نهادهای مالی با تحلیل دقیق بازدهی این صندوق ها است.روش شناسی پژوهش: این پژوهش از نظر هدف کاربردی و از نظر روش توصیفی-همبستگی است. داده های صندوق های دولتی بورس تهران شامل دوره زمانی چهارساله (1399 تا 1402) از پایگاه مرکز اطلاع رسانی و فناوری بورس تهران (فیپ ایران) استخراج شده است. تحلیل داده ها با استفاده از دو الگوریتم یادگیری ماشین (SVM و رگرسیون خطی) در نرم افزار R انجام شد. به دلیل ترکیب متفاوت دارایی ها، صندوق های پالایش یکم و دارایکم به عنوان نمونه های اصلی انتخاب شدند.یافته ها: نتایج نشان داد که الگوریتم های SVM و رگرسیون خطی می توانند بازدهی صندوق های دولتی را با دقت بالایی پیش بینی کنند. به طور خاص، صندوق پالایش یکم به دلیل ترکیب دارایی های کمتر متنوع و بازار ناکارای تهران، با خطای کمتری پیش بینی شد. مقایسه عملکرد الگوریتم ها نشان داد که هر دو روش دقت مناسبی داشته و برای پیش بینی های آتی قابل استفاده هستند.اصالت/ارزش افزوده علمی: این پژوهش با استفاده از الگوریتم های یادگیری ماشین، مدلی کاربردی برای پیش بینی بازدهی صندوق های دولتی بورس تهران ارایه کرده است. یافته های پژوهش می توانند در تصمیم گیری های اقتصادی و سرمایه گذاری در سطح دولت و سایر نهادهای مالی مورداستفاده قرار گیرند.

هدف: در این پژوهش تلاش شده است تا موفقیت کشورها در بازی های آسیایی از طریق متغیرهای کلان اقتصادی، سیاسی، فرهنگی و اجتماعی پیش بینی شود.روش شناسی: بدین منظور، اطلاعات کلیه متغیرهای جمعیت شهری، هزینه آموزش و پرورش، ساختار سنی، تولید واقعی ناخالص داخلی، سرانه تولید ناخالص داخلی، بیکاری، جمعیت، میزان تورّم، تعادل حساب جاری، امید به زندگی و تراز بازرگانی کلیه کشورهای شرکت کننده در بازی های آسیایی از سال 1970 تا 2006 برای طراحی مدل استفاده گردید و مدل برای سال 2010 آزمایش شد. پیش بینی رتبه کشورها بر اساس مجموع مدال های کسب شده کشورها انجام شد. در این تحقیق از نرم افزار WEKA که یک نرم افزار ماشین یادگیری است استفاده شد.یافته ها: ضریب همبستگی بین رتبه های پیش بینی شده و واقعی بر اساس مدل درختی 18/77 درصد، بر اساس مدل شبکه های عصبی 42/90 درصد و بر اساس الگوریتم k نزدیک ترین همسایه 35/91 درصد مشاهده شد. بر اساس یافته های تحقیق الگوریتم k نزدیک ترین همسایه، بهترین مدل در میان سه مدل بود و این مدل از 28 کشوری که موفق به کسب مدال در بازی های آسیایی شدند، رتبه پیش بینی شده 23 کشور (14/82 درصد) را حداکثر با 3 اختلاف، 3 کشور (72/10 درصد) را حداکثر بین 4 تا 6 اختلاف و 2 کشور (14/7 درصد) را با بیش از 6 اختلاف به نسبت رتبه واقعی آن ها پیش بینی نمود. تحقیقات گذشته بیشتر بر تعداد محدودی متغیر متمرکز شده بود. این سوال پیش می آید که چرا تاثیر عوامل سطح کلان بر موفقیت ورزشی کاهش یافته است؟ یافته های این تحقیق نشان داد که متغیرهای سطح کلان همچنان اثرگذاری بالای خود را بر موفقیت ورزشی حفظ کرده اند و این کاهش در شدت اثرگذاری، ناشی از جابه جایی متغیرهاست.نتیجه گیری: در این تحقیق سعی شد تا متغیرهای فرهنگی و اجتماعی که در تحقیقات گذشته به علت دشواری کمّی ساختن آن ها در طرح تحقیق گنجانده نمی شدند در کنار متغیرهای اقتصادی و سیاسی قرار گیرند. البته نکته حائز اهمیت این است که بسیاری از متغیرها می توانند دارای وزن های اقتصادی، سیاسی، فرهنگی و اجتماعی به طور همزمان باشند، ولی آن ها وزن های متفاوتی در هر یک از این حیطه ها دارند.

هدف: هدف این پژوهش بررسی رفتار شرکت کنندگان در پیش بینی رقابت های فوتبال و بررسی نحوه بازاریابی شرکت های متولّی این رقابت ها بود.روش شناسی: روش پژوهش از نظر راهبرد، توصیفی و از نظر مسیر اجرا پیمایشی بود و به صورت میدانی انجام شد. جامعه پژوهش عبارت بود از 20000 نفر شرکت کننده در مسابقات پیش بینی در شهر رشت که طبق جدول مورگان 380 نفر به عنوان نمونه تحقیق به صورت تصادفی و با استفاده از روش نمونه گیری در دسترس انتخاب شدند.یافته ها: نتایج پژوهش نشان داد که اکثریت شرکت کنندگان را جوانانی تشکیل می دادند که هدف آن ها از شرکت در این مسابقات تفریح و سرگرمی بود و درصد کمی از افراد نیز به شکل بیمارگونه و مشکل ساز در این مسابقات شرکت می کردند. بین سطوح جنسیت، تاهل، تحصیلات و سن افراد شرکت کننده از نظر رفتار شرط بندی تفاوت معنی داری وجود داشت. همچنین از نظر روند بازاریابی این مسابقات، یافته ها نشان داد که شرکت کنندگان به این مسابقات وفادار بودند، ولی میزان وفاداری آن ها تحت تاثیر عوامل بیرونی تغییرپذیر بود. مطالعه عناصر آمیخته بازاریابی مورد استفاده شرکت های برگزار کننده این مسابقات نشان داد که از نظر مشتریان این عناصر به طور مطلوبی استفاده می شدند.نتیجه گیری: اکثر شرکت کنندگان فقط به دلیل تفریح و سرگرمی در مسابقات پیش بینی شرکت می کنند و شدت این امر در گروه های مختلف اجتماعی متفاوت است. علاوه بر آن اشراف مسئولین شرکت های برگزارکننده این مسابقات بر روش های مطلوب و اثرگذار بازاریابی که به جذب هر چه بیشتر جامعه به شرکت در این مسابقات می گردد، جای تامل است. لذا لزوم برنامه ریزی مناسب برای تامین نیازهای سرگرمی و تفریحات جوانان در اوقات فراغت و لزوم اطلاع رسانی در مورد مضرات شرط بندی و شرکت های برگزارکننده آن از طریق رسانه های گروهی و فرهنگ سازی در جهت استفاده از فرصت ها برای انجام فعالیت های ارزشمند و مفید اهمیت دارد.