شبکه عصبی

برای رسیدن به توسعه پایدار شهری و همچنین تصمیم گیری بهتر برای جهت دهی توسعه در آینده، بازبینی دائمی فرآیندهای دینامیک شهری با توجه به توسعه در گذشته و پیش بینی آن در آینده، اجتناب ناپذیر است. هدف پژوهش حاضر، مدل سازی توسعه کلان شهر تهران با استفاده از مدل LCM در دوره 11 ساله 1385_1374 است. برای این منظور ابتدا، معیارهای موثر در این فرآیند از سازمان های مربوطه جمع آوری، آنالیز و آماده سازی شدند و نقشه های کاربری زمین از تصاویر ماهواره لندست با ضریب کاپای 765/0 برای هر نقشه استخراج گردید. سپس با استفاده از داده های اتوکد سازمان نقشه برداری و نقشه های موجود (2000/1) تا ضریب کاپای 885/0 بهبود داده شدند. در مرحله بعد صحت سنجی نقشه ها و آشکارسازی تغییرات صورت گرفت. نتایج آشکارسازی تغییرات با ضریب کاپای 85/91 % نشان می دهد که بیش ترین افزایش مساحت در مناطق ساخته شده (68/4603 هکتار) و بیش ترین کاهش مساحت در زمین باز (47/4561 هکتار) رخ داده است. بر مبنای این تغییرات، 11 متغیر مستقل به عنوان ورودی مدل انتخاب شده و سپس، پتانسیل تبدیل کاربری و پیش بینی برای سال 1396، با استفاده از روش MLP و زنجیره مارکوف، مدل سازی شدند. مقایسه نتایج پیش بینی با جدیدترین داده های زمینی و مطالعات گذشته نشان می دهد که نتایج تحقیق حاضر به واقعیت های زمینی نزدیک تر است. همچنین نقشه پیش بینی شده گویای این است که بیش ترین میزان توسعه در سال 1396 به ترتیب در بخش های غرب و شرق کلان شهر تهران رخ می دهند.

امروزه به دلیل افزایش جمعیت، توسعه صنعتی، بهره برداری بی رویه، خشکسالی ها بهره برداری از آب های زیرزمینی چندین برابرشده است. بنابراین تشخیص مناطق دارای آب زیرزمینی به عنوان یکی از منابع مهم برای تأمین آب آشامیدنی، کشاورزی، صنایع مختلف به خصوص  از موارد مهم و ضروری در مدیریت منابع آب محسوب می شود. هدف از انجام این پژوهش، بررسی و پهنه بندی مناطق دارای آب زیرزمینی در دشت خرم آباد واقع در استان لرستان با استفاده از روش شبکه عصبی کانولوشن است. بدین منظور ابتدا از طریق بازدیدهای میدانی، نقشه های زمین شناسی و توپوگرافی و با مرور منابع قبلی و بررسی شرایط منطقه، نه عامل طبقات ارتفاعی، شیب، جهت شیب، فاصله از گسل، فاصله از رودخانه، بارش، لیتولوژی و کاربری اراضی، خاک به عنوان عوامل مؤثر بررسی و انتخاب شدند و  نقشه آن ها در محیط ArcGisتهیه شدند. درروش کانولوشن تعداد نمونه ها به عنوان نسبت بین مجموعه آموزشی و مجموعه آزمایشی70:30 تعیین شد و چارچوب شبکه عصبی کانولوشن به عنوان 2 لایه کانولوشن و 2 لایه ادغام، 2 اتصال کامل استفاده شد. لایه ها و در نهایت لایه sigmoid برای در طبقه بندی از هسته کانولوشن 3 3، تابع Relu به عنوان تابع فعال سازی و تابع آنتروپی متقاطع به عنوان تابع زیان استفاده شد. نقشه های به دست آمده در 5 کلاس طبقه بندی شد. هم چنین برای اعتبارسنجی نتایج مدل از ماتریس کانفیوزن استفاده شد.30 درصد از داده های واقعی برای ارزیابی استفاده شد که منجر به دقت کلی92 درصد شد، یعنی مدل توانسته 92درصد داده ها را آب زیرزمینی و93درصد عدم آب زیرزمینی رو به درستی تشخیص دهد. تجزیه و تحلیل نقشه پتانسیل آب زیرزمینی مدل شبکه عصبی کانولوشن نشان می دهد که حدود 57 درصد منطقه در شرایط کم آب زیرزمینی و43درصد منطقه در شرایط خوب آب زیرزمینی قرار دارد.

هدف این تحقیق، شناسایی و رتبه بندی عوامل پیش بینی کننده تشکیل حباب قیمتی سهام در بورس اوراق بهادار تهران است. بدین منظور ابتدا از طریق آزمون های کشیدگی، تسلسل و چولگی وضعیت حبابی بودن قیمت 158 سهم طی دوره ی زمانی 1389 تا 1392 مشخص شد. سپس بر اساس ادبیات پژوهشی، برای پیش بینی حباب از متغیرهای شفافیت اطلاعات، اهرم مالی، نقدشوندگی، نسبت ارزش دفتری به ارزش بازار سهام، p/e، شناوری سهم، مالکیت نهادی و اندازه شرکت استفاده شد. سپس با استفاده از روش رگرسیون لاجستیک تاثیر این متغیرها بر حباب قیمت تایید شد. نتایج تحقیق نشان داد که افزایش در متغیرهای شفافیت، شناوری سهم، نسبت ارزش دفتری به ارزش بازاری، نقدشوندگی سهام، مالکیت نهادی و اندازه شرکت باعث کاهش احتمال حبابی شدن قیمت سهم می شود. پس از آموزش شبکه عصبی با استفاده از داده های درون نمونه، شبکه با اطلاعات برون نمونه ای بهینه شد. در نهایت با استفاده از تحلیل حساسیت متغیرهای مستقل از طریق شبکه عصبی، این متغیرها بر اساس میزان توانایی پیش بینی حبابی شدن قیمت سهم رتبه بندی شدند.

درادبیات اقتصادی رشد اقتصادی و پیش بینی روند آن به عنوان یکی از شاخص های مهم اقتصادی، نقش مهمی در سیاست گذاری و برنامه ریزی اقتصادی دارد و می تواند به سیاست گذاران در تصمیم گیری های آتی یاری رساند. هدف از این پژوهش نیز پیش بینی میزان تولید ناخالص داخلی بدون نفت به تفکیک بخش های اصلی اقتصاد (صنعت، کشاورزی و خدمات) و رشد اقتصادی بدون نفت تا سال1397 شمسی است. برای این منظور نیز با توجه به ساختار غیرخطی و همراه با عدم قطعیت داده های مربوط به ارزش افزوده بخش های اقتصادی، از الگوی غیرخطی مبتنی بر شبکه های عصبی– فازی تطبیقی (ANFIS) که به داده های کمتری نیاز دارد، استفاده شده است. دراین پژوهش، داده های فصلی مربوط به سه بخش اصلی اقتصاد و تولید ناخالص داخلی ایران از بهار 1385 تا نه ماهه نخست 1395 بکار گرفته شده است. مدل سازی شبکه عصبی- فازی در قالب سه مدل با توابع عضویت مختلف بررسی و نهایتاً با توجه به قدرت مدل ها در پیش بینی، درهر سه بخش به تفکیک، بهترین مدل انتخاب شده است. نتایج حاصل از داده های تست که مربوط به نه ماهه ی نخست سال 1395 بوده، دقت بالای مدل ANFIS درپیش بینی را نشان می دهند. میزان خطای مدل ها نیز با استفاده از معیارهای اندازه گیری خطا محاسبه ودرنهایت باتوجه به مقدارخطای هریک ازمدل ها، از الگوی منتخب برای پیش بینی مقادیر تولید برای 9 دوره ی روبه جلو استفاده شده است. با توجه به مقادیربدست آمده، رشد اقتصادی بدون نفت کشور درسال 1395 حدود 6 درصد برآورد شده که پیش بینی گردیده این مقدار در سال های 1396 و 1397 نیز به ترتیب حدود 2 و 5/3 درصد باشد.

در بازار سرمایه ایران اوراق اختیار معامله فقط از نوع اروپایی خرید و فروش می گردد. در صورتی که در بازارهای جهانی، سایر اختیار معامله ها مثل اختیار آمریکایی، اختیار آسیایی، اختیار مانع، اختیار گذشته نگر و ... خرید و فروش می شوند. از آنجایی که اوراق اختیار معامله یک ابزار مناسب و پر استفاده برای پوشش ریسک است و خاصیت اهرمی نیز دارد لذا تنوع در بازار اوراق اختیار معامله، هم بازار مالی را گرم تر می کند و هم علاقمندان زیادی را به سمت خود جذب می کند. مدل های بسیاری زیادی برای ارزش گذاری اوراق اختیار معامله وجود دارد که مهم ترین آن مدل بلک-شولز کلاسیک است. اما این مدل به دلیل ضعف هایی که دارد از مدل های واقعی بازار دور است. بنابراین نیازمند به مدل های توسعه یافته است. مانند، مطالعه روی سری زمانی نشان می دهد که قیمت دارایی پایه با نوسانات آن رابطه عکس دارد. مدل الاستیسیته ثابت واریانس یک مدل مناسب برای نشان دادن این رابطه معکوس است. در این پژوهش، مدل الاستیسیته ثابت واریانس برای ارزش گذاری اوراق اختیار آمریکایی درنظر گرفته شده است که نوسان پذیری آن به صورت یک تابع از دو پارامتر الاستیسیته نوسان پذیری و مقیاس ثابت نوسان اولیه لحظه ای است. مطالعات نشان می دهد که روش های غیرپارامتریک مانند شبکه عصبی و ماشین یادگیری بهتر از سایر روش ها برای مدل سازی اقتصاد مناسب هستند. بنابراین در این پژوهش، از روش شبکه عصبی برای ارزش گذاری عددی اختیار معامله آمریکایی استفاده خواهد شد.

هدف پژوهش حاضر، ارزیابی روش های فرا ابتکاری جهت پیش بینی رفتار قیمت سهام و معرفی کارآمدترین روش در بازار سهام ایران است. بدلیل نااطمینانی در زمینه سرمایه گذاری و کثرت متغیرها، سرمایه گذاران به روش پیش بینی روی می آورند که به واسطه آن ها، تخمین هایشان به واقعیت نزدیک و خطایشان کم شود. در این پژوهش، به پیش بینی قیمت سهام 5 شرکت پذیرفته شده در شاخص فلزات اساسی بورس اوراق بهادار تهران در یک بازه زمانی سه ساله، با شرط فقدان توقف معاملاتی پیوسته برای مدت بیش از 3 ماه پرداخته شد. بدین منظور، متغیرهای بهینه از بین 9 متغیر اولیه و پرکاربرد با استفاده از روش های انتخاب ویژگی، الگوریتم های فرا ابتکاری شاهین هریس  و وال انتخاب و سپس با استفاده از شبکه های عصبی پس انتشار خطا، شبکه عصبی پایه شعاعی و شبکه عصبی با تأخیر زمان به پیش بینی قیمت سهام پرداخته شد. نتایج نشان داد که در پیش بینی قیمت سهام فملی، زنگان، فرآور، فاسمین و فولاد به ترتیب WOATD، HHOTD، HHOTD، HHOTD و HHORBF مدل برتر هستند. همچنین نتایج نشان می دهد که روش تکاملی شاهین هریس در یافتن ویژگی ها نسبت به روش تکاملی وال بهتر عمل کرده است. با توجه به نتایج، مدل HHOTD نسبت به بقیه مدل ها از دقت و کارایی بالاتری برخوردار است.

هدف تحقیق حاضر بررسی و مقایسه دو مدل شبکه عصبی مصنوعی و مدل تاپسیس در پهنه بندی خطر زمین لغزش در منطقه پایین دست سد سنندج است. این کار با استفاده از نرم افزار ARCGIS، زبان برنامه نویسی پایتون و مدلهای شبکه عصبی مصنوعی و تاپسیس صورت گرفت. بدین منظور از 9 لایه ورودی در پهنه بندی خطر زمین لغزش استفاده شد. نقاط لغزشی و غیر لغزشی منطقه با استفاده از تصاویر ماهواره ای، مشخص گردید. از وزن یابی درونی در تعیین وزن لایه ها استفاده شد. در مدل شبکه عصبی داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل تاپسیس پس از بی مقیاس سازی ماتریس تصمیم از روش آنتروپی شانون برای وزن دهی به معیارها و به منظور تعیین فاصله نسبی از ایده آل مثبت و منفی از فاصله اقلیدسی استفاده شد. پس از آماده سازی مدلها، منطقه مورد مطالعه با 970 کیلومتر مربع با 9 متغیر ورودی که تبدیل به داده های رستری به پیکسل های 30*30 شدند تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. بعد از اعمال 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها مشخص گردید مدل شبکه عصبی پرسپترون دارای خطای کمتر و انطباق بیشتری است و با جغرافیای منطقه سازگاری بهتری دارد.

هدف: مقایسه قابلیت های سه الگوریتم مختلف درخت تصمیم و مدل شبکه عصبی به منظور انتخاب مدل طبقه بندی مناسب برای ارزیابی عملکرد داوطلبان آزمون سراسریروش پژوهش: مبتنی بر رویکرد کمّی و با روش پیمایشی است و از متغیرهای جنسیت، سوابق تحصیلی و نمره های تراز هر یک از دروس به عنوان متغیرهای موثر در طبقه بندی استفاده گردید.یافته ها: با در نظر گرفتن همه متغیرها بدون جنسیت براساس مدل شبکه عصبی، مشخص شد که دروس تخصصی ریاضی، فیزیک و شیمی سپس دروس عمومی فارسی و دینی به ترتیب بیشترین اهمیت را در طبقه بندی دارند. فاصله دیپلم تا آزمون سراسری کمترین تاثیر را داشت. همچنین مشخص شد در صورتی که تنها متغیرهای مربوط به دروس آزمون در نظر گرفته شود ترتیب میزان اهمیت دروس شیمی و فیزیک جابه جا می شود.نتیجه گیری: با استناد به شاخص دقت کلی، الگوریتم مدل شبکه عصبی با دقت بیشتر از 95/0 از عملکرد بالا تری نسبت به الگوریتم های درخت تصمیم برخوردار است. از طرفی ورود متغیرهای سوابق تحصیلی در دقت الگوریتم شبکه عصبی تاثیر مطلوبی داشته است.     

هدف پژوهش حاضر طراحی مدل ارزیابی عملکرد سیستم مدیریت دانش در صنعت نرم افزار با استفاده از شبکه عصبی است. روش پژوهش بر اساس هدف از نوع کاربردی است و برای گردآوری داده ها از روش آمیخته با رویکرد اکتشافی استفاده شده است. ابتدا از روش کیفی با استفاده از مطالعات کتابخانه ای و مرور پیشینه های پژوهش در ارزیابی عملکرد مدیریت دانش نسبت به استخراج شاخص های مختلف پرداخته شده است. در مرحله دوم بر اساس داده های گردآوری شده، مطالعه ای کمی برای تائید و تصدیق یافته های به دست آمده از مرحله کیفی انجام شد. برای مطالعه اکتشافی و استخراج مقوله های مربوطه به عوامل ارزیابی از روش فراترکیب (الگوی سندلوسکی و باروسو) استفاده شد. با روش دلفی فازی، با ابزار پرسشنامه و نظرسنجی از خبرگان به اعتبارسنجی و ارائه شاخص های نهایی پرداخته شد. روش پژوهش در قسمت کمی توصیفی -پیمایشی است. جامعه آماری پژوهش را تمامی کارشناسان توسعه دهنده نرم افزار و خبرگان حوزه نرم افزار در دانشگاه ها و شرکت ها تشکیل دادند. حجم نمونه با روش نمونه گیری تصادفی ساده با فرمول کوکران 186 نفر انتخاب شد. به منظور گردآوری داده های کمی از پرسشنامه محقق ساخته (40 گویه ای) استفاده شد که گویه های آن برگرفته از نتایج تحلیل فراترکیب در مرحله اول بود. پایایی پرسش نامه ها با روش آلفای کرونباخ به ترتیب برای عوامل زیرساخت 89/0 و عوامل کارکردی 88/0 برآورد شد. جهت تحلیل داده ها در قسمت کمی از روش های تحلیل عاملی تأییدی استفاده شده است. 7 مقوله اصلی شامل عوامل فردی، عوامل سازمانی، فناوری و زیرساخت، عوامل کارکردی، ابزارهای مدیرت دانش، عوامل اقتصادی، ابزارهای مدیریت دانش و 29 مقوله فرعی شناسایی شدند. نوآوری پژوهش ساخت مدلی با استفاده از الگوریتم های شبکه عصبی است که توانایی پیش بینی شاخص ارزیابی عملکرد سیستم مدیریت دانش و تأثیر هر یک از شاخص ها با استفاده از شبکه عصبی در حوزه نرم افزار را دارد. نتایج به دست آماده از پرسش نامه برای ورودی مدل شبکه استفاده شده است، نتایج نشان داد که مؤلفه هایی مانند عوامل زیرساخت فناوری و عوامل کارکردی بر روی ارزیابی عملکرد مدیریت دانش در توسعه نرم افزار تأثیر بیشتری می گذارند.

پیش بینی قیمت سهام امری پیچیده است؛ مؤلفه های گوناگونی از قبیل وضع عمومی اقتصاد، رخداد های سیاسی و انتظارات سرمایه گذاران، بر بازار سهام تأثیر می گذارد. بازار سهام، در حقیقت یک سیستم غیرخطی و آشوبناک است که به عوامل متعدد سیاسی، اقتصادی و روانی وابسته است، برای غلبه بر محدودیت تکنیک های تحلیل سنتی در پیش بینی الگوهای غیرخطی، متخصصان طی دو دهه اخیر تکنیک های هوشمند و بخصوص شبکه های عصبی مصنوعی و الگوریتم ژنتیک را برای بهبود پیش بینی قیمت سهام به کاربرده اند. این پژوهش، با توجه به گسترش روز افزون روش های پیش بینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهم ترین عوامل مؤثر در تصمیمات سرمایه گذاری است و پیش بینی آن می تواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام مورد نظر را با دقت بالایی پیش بینی کرد. بر همین اساس، یک مدل ترکیبی برای پیش بینی روند حرکتی قیمت سهام با استفاده از شبکه عصبی مصنوعی ارائه شده است. برای نمونه آماری، شرکت های برتر بورس اوراق بهادار در سه ماهه دوم سال ۱۳۹۹ انتخاب شده است. سپس برای هراین منظور، ۳۲ متغیر محاسبه شد. این متغیرها ورودی مدل هستند و به کمک الگوریتم شبکه عصبی مصنوعی بهینه سازی شده اند. نتایج نشان می دهد، مدل در پیش بینی روند حرکتی قیمت سهام بسیار بهتر عمل کرده و درمقایسه باروش های سنتی، از دقت بالاتری برخوردار است.

درماندگی مالی پیش از ورشکستگی مالی رخ می دهد؛ پیش بینی درماندگی مالی شرکت ها، یکی از مهمترین مباحث پیش روی مدیران است و می تواند به موفقیت و تداوم حیات شرکت ها کمک زیادی بکند؛ زیرا با ارائه سیگنال های هشدار برانگیز و به موقع می تواند مدیران شرکت ها را نسبت به وقوع درماندگی مالی و ورشکستگی آگاه نماید؛ بنابراین هدف پژوهش حاضر، به مطالعه و ارزیابی پیش بینی درماندگی با استفاده از الگوریتم سیستم ایمنی مصنوعی می پردازد. جامعه آماری شامل شرکت های پذیرفته شده در بورس اوراق بهادار تهران و نمونه استفاده شده شامل 164 شرکت درمانده و سالم بوده در بازه زمانی بین سال های 1385-1399 می باشد. متغیرهای پیش بینی براساس نسبت هایی انتخاب شدند که در نتایج تحقیقات قبلی به عنوان متغیرهای اصلی پیش بینی در مدل پیش بینی آن ها ارائه شدند. در این تحقیق داده های جمع آوری شده با استفاده از نرم افزار EXCEL تلخیص و سپس متغیرها محاسبه می شود. پیش از اجرای الگوریتم AIRS یک تحلیل آماری با استفاده از نرم افزار PYTHON جهت انتخاب متغیرهایی که دارای اهمیت بیشتری برای پیش بینی درماندگی دارند انجام می شود. درماندگی مالی دارای ماهیت کیفی و مقیاس سنجش اسمی است. در اندازه گیری این متغیر، به شرکت های درمانده مالی عدد یک و به شرکت های غیر درمانده مالی، عدد صفر تخصیص داده می شود. برآیند حاصل از بررسی های این پژوهش نشان داد که نتایج مستخرج شده از پیش بینی های صورت گرفته توسط مدل و مقایسه آن با واقعیت در سطح دقت کلی 86 درصد توانایی شناسایی شرکت های درمانده و سالم را دارد. ویژگی هایی که این تحقیق را از سایر تحقیقات مرتبط با این موضوع متمایز می کند، استفاده از 5 معیارهای مختص درماندگی (نه معیارهای ورشکستگی) جهت تفکیک شرکت های درمانده از سالم، و به عنوان یک نوآوری نسبت به مطالعات پیشین می باشد.

پژوهش حاضر به دلیل ارائه روشی نوین برای پیش بینی ارزش طول عمر مشتری و کاربرد آن در افزایش سودآوری سازمان های ورزشی به لحاظ هدف، کاربردی بوده و از نظر روش گردآوری داده ها از نوع میدانی است. در این پژوهش با استفاده از تکنیک دسته بندی گروهی داده ها در شبکه عصبی به محاسبه و پیش بینی ارزش طول عمر مشتریان در باشگاه های ورزشی پرداخته شده است. حجم نمونه در بخش کیفی با استفاده از روش غیر تصادفی هدفمند، تعداد ۱۸ نفر از خبرگان (اساتید دانشگاهی و مدیران متخصص ورزشی) که در حوزه های مرتبط با موضوع تخصص داشتند، شناسایی شده و با آن ها مصاحبه مستقیم انجام شد و یا از پرسشنامه باز پاسخ استفاده گردید. برای دستیابی به نقطه اشباع، مطالعه میدانی تا زمانی ادامه پیدا کرد که هیچ گواه و مؤلفه جدیدی از داده ها حاصل نشد. پس ازآن عوامل تحلیل گردیده و ابزار تحقیق ساخته شد. پایایی کلی پرسشنامه 85/0 محاسبه گردید. در بخش کمی جامعه آماری شامل 413 نفر از ورزشکاران زن و مرد که حداقل 6 ماه سابقه فعالیت ورزشی و عضویت در یکی از باشگاه های ورزشی واقع در استان های غرب و شمال غرب کشور را داشتند، توزیع گردید؛ که به علت پراکندگی و گسترده بودن جامعه موردنظر از روش نمونه گیری خوشه ای استفاده شد. برای تحلیل داده ها، اطلاعات جمعیت شناختی، سابقه ورزشی و 33 متغیر مستقل وارد شبکه شد. همچنین وجود زیرساخت ورزشی، حمایت مالی باشگاه ها، رفاه عمومی جامعه، اثربخشی خدمات ورزشی، مدیریت ورزشی هوشمند و مهارت مربی، تأثیر بالایی بر افزایش ارزش طول عمر مشتری دارد.

تأمین مالی یکی از عوامل کلیدی برای رشد و بقای صنایع کوچک و متوسط (SMEs) است. در این پژوهش، به شناسایی و اولویت بندی مولفه های تأمین مالی SMEs پرداخته شده است. برای این منظور، از شبکه عصبی مصنوعی (ANN) به عنوان یک روش پیشرفته استفاده شده است. پژوهش حاضر شامل سه فاز اصلی است. ابتدا، با مرور ادبیات موضوع، مولفه های تأمین مالی SMEs شناسایی شدند. سپس، با استفاده از نظرسنجی و جمع آوری داده ها از کارشناسان و مدیران SMEs در ایران، داده های مورد نیاز برای آموزش شبکه عصبی جمع آوری شدند. در نهایت، با تحلیل داده ها با استفاده از شبکه عصبی، مولفه های تأمین مالی SMEs بر اساس اولویت های آنها تعیین شدند. نتایج نشان داد که مهم ترین مولفه های تأمین مالی SMEs به ترتیب اولویت بندی عبارتند از: سرمایه گذاری، روش تأمین مالی داخلی، تأمین مالی خارجی. این پژوهش می تواند به مدیران و تصمیم گیران SMEs کمک کند تا بهترین استراتژی های تأمین مالی را برای رشد و توسعه کسب و کار خود انتخاب کنند. همچنین، نتایج این پژوهش می تواند به سیاست گذاران و برنامه ریزان اقتصادی کمک کند تا سیاست های حمایتی مناسب برای SMEs را شناسایی و اجرا کنند.

این مقاله به بررسی و طراحی یک مدل پیش بینی برای تحلیل رفتار مشتریان با استفاده از الگوریتم های هوش مصنوعی و شبکه های عصبی می پردازد. هدف اصلی این تحقیق، شبیه سازی و پیش بینی رفتارهای خرید مشتریان در بازارهای پویا و متغیر با کمک مدل های یادگیری ماشین است. در این راستا، ابتدا مبانی نظری مرتبط با پیش بینی رفتار مصرف کنندگان، کاربردهای هوش مصنوعی در تحلیل داده ها و الگوریتم های شبکه عصبی مورد بررسی قرار می گیرد. سپس مدل های مختلف پیش بینی معرفی شده و کاربرد آنها در تحلیل داده های مشتریان و تصمیم گیری های تجاری تشریح می شود. همچنین، چالش ها و فرصت های استفاده از الگوریتم های هوش مصنوعی در پیش بینی رفتار مشتریان در صنایع مختلف بررسی شده است. یافته های تحقیق نشان می دهد که استفاده از شبکه های عصبی و الگوریتم های یادگیری ماشین می تواند بهبود قابل توجهی در پیش بینی دقیق رفتار مشتریان و بهینه سازی استراتژی های بازاریابی و فروش ایجاد کند. در نهایت، نتایج حاصل از مدل سازی و پیش بینی رفتار مشتریان برای سازمان ها و کسب وکارها می تواند به عنوان ابزاری کارآمد در تصمیم گیری های استراتژیک و مدیریت منابع استفاده شود.

با پیچیده شدن فرایند کسب و کار خطر انحراف صورت های مالی هر روز بیشتر می شود. در این راستا پژوهشگران به دنبال مدل هایی برای کشف تقلب در صورت های مالی بوده اند. هدف پژوهش ارائه مدل بسط یافته بنیش بر اساس ویژگی های خاص شرکت است. بنیش (1997) با استفاده از نسبت های مالی و اقلام تعهدی ش یوه های دستکاری سود را پیش بینی نمود. از آنجایی که ویژگی های شرکت به عنوان عامل مؤثر بر عملکرد شرکت مطرح می شود، در این پژوهش مدل بنیش بر اساس ویژگی های خاص شرکت بسط داده می شود که عبارتند از قیمت سهام به جریان نقدی، نسبت جریان نقدی، نسبت سود تقسیمی و رقابت در بازار محصول. از برازش مدل ماشین بردار و جنگل تصادفی و شبکه عصبی جهت برازش مدل بسط یافته بهره گرفته شده است. نتایج نشان دهنده دقت ضرایب بدست آمده از مدل جنگل تصادفی 99 درصد و بیشتر از دو مدل شبکه عصبی و ماشین بردار 94 درصد است. همچنین مدل بسط یافته نسبت به مدل پایه دقت بیشتری دارد. ویژگی های شرکت در پیش بینی تقلب در صورت های مالی تأثیرگذار است و بهتر است توسط مشارکت کنندگان بازار سرمایه در نظر گرفته شود. یافته های پژوهش می تواند در بهبود پیش بینی تقلب در صورت های مالی مؤثر باشد و همچنین توجه استفاده کنندگان را به ترکیب اطلاعات صورت های مالی و ویژگی های گزارش حسابرس در پیش بینی تقلب جلب می کند

سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهه گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده ها و همچنین در توسعه و اجرای روش های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینه فنّاوری سنجش از دور ابرطیفی، بر طبقه بندی این تصاویر تأکید دارد. روش های طبقه بندی تصاویر ابرطیفی در دو دسته طبقه بندی طیفی یا مبتنی بر پیکسل و طبقه بندی طیفی– مکانی یا مبتنی بر شیء قرار می گیرند. در این تحقیق، به طبقه بندی طیفی – مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط های شهری، از نظر عناصر به کاررفته در آنها، ویژگی های پیچیده ای دارند، داده های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازنده آنها کمک مؤثری می کنند. شناسایی مواد گوناگون در محیط های شهری اهمیت بسیاری در زمینه کاربردهای گوناگون، همچون ارتباط تلفن های همراه، واقعیت مجازی، معماری و مدل سازی شهری و برنامه ریزی و مدیریت شهرها دارد.مواد و روش ها: در این تحقیق، برای ارزیابی روش پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزه سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم PCA کاهش می یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش یافته استخراج می شود. در ادامه، الگوریتم ژنتیک وزن دار بر ویژگی های طیفی و مکانی به دست آمده اعمال می شود و در انتها، ویژگی های حاصل به کمک الگوریتم MLP طبقه بندی می شود.نتایج و بحث: در آزمون های انجام شده در زمینه الگوریتم ژنتیک، کروموزوم ها دارای ژن هایی برابر با تعداد ویژگی های طیفی و مکانی اند. در این آزمون ها، میزان تقاطع و جهش به ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحله 100 نمی رسد و قبل از آن، الگوریتم به وضعیت پایدار می رسد و متوقف می شود. الگوریتم طبقه بندی MLP با سه لایه پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش طبقه بندی پیشنهادی بیان شده با الگوریتم های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشه حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم ها مناطق یکنواخت تری را دربرمی گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به ترتیب الگوریتم های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می تواند استفاده از اطلاعات نزدیک ترین همسایگی و دو مرحله کاهش ابعاد باشد.نتیجه گیری: در این تحقیق، روشی جدید به منظور طبقه بندی طیفی – مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش یافت و ده ویژگی، به منزله اطلاعات نزدیک ترین همسایگی ها، از باندهای کاهش یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن دار روی ویژگی های به دست آمده، به منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی که در الگوریتم ژنتیک وزن دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش ها برتری کمّی و کیفی به کارگیری این روش را نشان می دهد. کم بودن دقت نتایج در تصویر برلین می تواند به دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.

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.

هدف اصلی پژوهش بررسی عوامل موثر بر کیفیت سود بر اساس روش شبکه عصبی مصنوعی است. دوره زمانی پژوهش از ابتدای سال 1389 تا پایان سال 1401 بوده و جامعه آماری پژوهش شامل تمام شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. در این مطالعه به منظور شناسایی و پیش بینی کیفیت سود، شاخص های مرتبط با حاکمیت شرکتی، سیاست تقسیم سود، تامین مالی بدهی، محافظه کاری و سایر عوامل تاثیر گذار مورد بررسی قرار گرفته است. بر اساس نتایج پژوهش، شبکه مورد نظر با میزان دقت 96/93 درصد بهترین عملکرد را در پیش بینی کیفیت سود داشت و همچنین نتایج این پژوهش نشان می دهد که سیاست تقسیم سود، استقلال هیت مدیره ، استقلال کمیته حسابرسی، محافظه کاری، مالکیت سازمانی و تامین مالی بدهی به ترتیب بیشترین تاثیر را بر کیفیت سود داشته اند. نتایج این تحقیق نشان می هد از بین 6 متغیر ورودی، متغیر سیاست تقسیم سود با 25 درصد، استقلال اعضای هیئت مدیره با 21 درصد و استقلال کمیته حسابرسی با 15 درصد به ترتیب دارای بیشترین اهمیت در پیش بینی کیفیت سود بوده است.

یکی از چالش های عمده حسابرسی عملکرد شناسایی عوامل موثر بر پیاده سازی صحیح و میزان و نحوه اثرگذاری این عوامل بر بهبود فرآیند عملیاتی دستگاه های اجرایی است. بر این اساس هدف تحقیق حاضر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور است. این پژوهش در قلمرو پژوهش های کاربردی است. تحقیق حاضر دارای دو جامعه است . جامعه اول متخصصان و خبرگان (حسابرسان سازمان حسابرسی، حسابرسان دیوان محاسبات و حسابداران و مدیران مالی دیوان محاسبات) و جامعه دوم کارمندان و مدیران دیوان محاسبات کشوری در بازه زمانی تحقیق است. در جامعه اول از تکنیک گلوله برفی جهت تعیین حجم نمونه بهره گرفته شد و بر اساس اصل اشباع اطلاعاتی 14 نفر انتخاب شدند. در نمونه دوم از روش نمونه گیری در دسترس با استفاده از فرمول کوکران اقدام به تعیین حجم نمونه که 315 نفر به عنوان نمونه انتخاب شدند. بر اساس مبانی نظری 8 عامل موثر بر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور شناسایی شدند؛ بر اساس رویکرد دلفی- فازی نوع 3 عوامل شناسایی شده مورد تأیید قرار گرفتند. سپس 18 رویکرد شبکه عصبی، ژنتیک و الگوهای ابتکاری و فرابتکاری جهت بررسی نحوه اثرگذاری عوامل موثر بر پیاده سازی حسابرسی عملکرد در دیوان محاسبات کشور مورد بررسی قرار گرفت. بر اساس نتایج رویکرد گرگ خاکستری نسبت به سایر روش ها از دقت بالاتری برخوردار بود. بر اساس نتایج روش گرگ خاکستری متغیرهای زیرساخت ها (3440/0)؛ کارایی (1849/0)؛ اثربخشی (1134/0)؛ صرفه اقتصادی (2947/0)؛ فرهنگ سازی (3657/0)؛ نیروی انسانی متخصص (5984/0)؛ عملکرد سازمان (4609/0)؛ مدیریت و رهبری (6804/0) بر پیاده سازی حسابرسی عملکرد تأثیر مثبت و معنادار دارند.

پژوهش حاضر با هدف بررسی تأثیرات کارایی ثبات مالی و سرمایه فکری بر پایداری مالی بانک های پذیرفته شده در بورس ایران و عراق انجام شده است. این پژوهش با بهره گیری از داده های مالی گسترده 22 بانک ایرانی و 44 بانک عراقی در بازه زمانی 2000 تا 2023 و استفاده از رویکردهای یادگیری ماشین، الگوریتم های فضایی و شبکه های عصبی برای تحلیل عمیق و چندبعدی روابط پیچیده بین متغیرهای مالی این بانک ها پرداخته است. نتایج حاصل از این تحقیق نشان می دهد که مدل های یادگیری ماشین، به ویژه یادگیری عمیق بیزین و شبکه عصبی ترانسفور، عملکرد برجسته ای در پیش بینی و تحلیل پایداری مالی بانک ها دارند. این مدل ها قادر به شناسایی الگوهای پنهان و روابط غیرخطی در داده های مالی هستند که روش های سنتی قادر به کشف آن ها نیستند. مدل خودرگرسیون بردار فضایی، با ترکیبی از یادگیری های عمیق، آشکار می سازد که ثبات مالی، کارایی و سرمایه فکری به ترتیب مهم ترین عوامل تأثیرگذار بر پایداری مالی بانک ها در ایران و عراق هستند. این یافته ها اهمیت در نظر گرفتن وابستگی های فضایی و بین بخشی را در تحلیل های مالی برجسته می کند. علاوه بر این، مدل پانل فضایی هیبرید نقش حیاتی کفایت سرمایه را در پایداری مالی نشان می دهد و همزمان تأثیرات منفی تمرکز بانکی، مالکیت دولتی و اهرم مالی بالا بر پایداری مالی را آشکار می سازد. این نتایج لزوم بازنگری در سیاست های مربوط به ساختار مالکیت و مدیریت ریسک در سیستم بانکی را برجسته می کند.