سورنا فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

سورنا فایل

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP)

اختصاصی از سورنا فایل مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP) دانلود با لینک مستقیم و پر سرعت .

مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP)


مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP)

شاهین شعبانی 1 ، مهدی معتمدی سده 2 ، فرید امجدی 3
-1 استادیار، گروه مهندسی عمران دانشگاه پیام نور تهران، مرکز تهران شمال، تهران، ایران
-2 دانشجوی کارشناسی ارشد، گروه مهندسی عمران دانشگاه پیام نور، مرکز تهران شمال، تهران، ایران
-3 دانش آموخته کارشناسی ارشد، گروه مهندسی عمران دانشگاه پیام نور، مرکز تهران شمال، تهران، ایران
Shabani@iust.ac.ir
M.Motamedi86@yahoo.com
Farid.Amjadi@yahoo.com
خلاصه
پیش بینی دقیق جریان ترافیک کوتاه مدت، نقشی بنیادی در سیستم های هوشمند حمل و نقل و نیز سیستم های مدیریت ترافیک پیشرفته ایفا می کند.
در پژوهش حاضر، از شبکه های عصبی انتشار برگشتی به منظور پیش بینی متوسط حجم روزانه ترافیک استفاده شده است. داده های حقیقی استفاده
شده برای مدلسازی، از جاده قدیم قم- تهران طی دوره زمانی بین سال های 5831 تا 5831 بدست آمده است. سپس، تغییر متغیری بر روی داده ها
صورت پذیرفته و داده های حاصل از نگاشت، به منظور آموزش شبکه عصبی، بکار گرفته می شوند. در این راستا برای دستیابی به بهترین شبکه، از
الگوریتم های آموزشی مختلفی استفاده شده است. سپس شبکه های آموزش دیده برای پیش بینی احجام ترافیکی روزهای آتی مورد استفاده قرار
گرفته و اعتبار سنجی می شوند. نتایج نشان می دهد که روش حاضر، احجام روزانه ترافیکی را با دقتی بالا و سرعتی مطلوب پیش بینی می کند.
کلمات کلیدی: حجم روزانه ترافیک، مدلسازی، شبکه های عصبی، پیش بینی.


دانلود با لینک مستقیم


مدلسازی متوسط حجم روزانه ترافیک با استفاده از شبکه های عصبی انتشار برگشتی (BP)

پایان نامه رشته عمران استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی

اختصاصی از سورنا فایل پایان نامه رشته عمران استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی دانلود با لینک مستقیم و پر سرعت .

پایان نامه رشته عمران استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی


پایان نامه رشته  عمران استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی

خلاصه پایان نامه:

 برای تخمین عمر باقیمانده سازه یک سکوی دریایی و تدوین برنامه زمان بندی بهینه جهت بازرسی و تعمیر در زیر آب، نیاز است تا آهنگ رشد ترک خستگی در اتصالات لوله ای به صورت مناسب پیش بینی شود. به دلیل کوچک بودن شعاع منطقه پلاستیک در نوک ترک خستگی، مکانیک شکست خطی و ضریب شدت تنش، ابزار مناسبی برای تعیین سرعت رشد ترک خستگی بشمار می رود. تاکنون راهکارهای متنوعی با استفاده از روشهای مختلفی برای تعیین سرعت رشد ترک خستگی در اتصالات لوله ای بر اساس قانون رشد ترک پاریس معرفی شده اند که نتایج حل آنها منجر به ارائه معادلاتی برای تعیین ضریب اصلاح شدت تنش Y و ضریب بزرگنمایی جوش Mk شده است.


دانلود با لینک مستقیم


پایان نامه رشته عمران استفاده از شبکه های عصبی مصنوعی در تحلیل خستگی در اتصالات لوله ای سازه های دریایی

دانلود پایان نامه و تحقیق در مورد شبکه های عصبی و کاربرد های شبکه های عصبی (فرمت فایل Word ورد doc)تعداد صفحات 75

اختصاصی از سورنا فایل دانلود پایان نامه و تحقیق در مورد شبکه های عصبی و کاربرد های شبکه های عصبی (فرمت فایل Word ورد doc)تعداد صفحات 75 دانلود با لینک مستقیم و پر سرعت .

دانلود پایان نامه و تحقیق در مورد شبکه های عصبی و کاربرد های شبکه های عصبی (فرمت فایل Word ورد doc)تعداد صفحات 75


دانلود پایان نامه و تحقیق در مورد شبکه های عصبی و کاربرد های شبکه های عصبی (فرمت فایل Word ورد doc)تعداد صفحات 75

این مقاله مقدمه ای بر شبکه های عصبی مصنوعی است. گونه های مختلف شبکه های عصبی توضیح و شرح داده شده است و کاربرد های شبکه های عصبی، نظیر ANN ها در پزشکی بیان شده و همچنین سابقه ای تاریخی از آن به تفصیل آورده شده است. همچنین رابطه بین چیزهای ساختگی و واقعی مورد بررسی قرار گرفته و در مورد آن توضیح داده شده است و به شرح مدل های ریاضی در رابطه با این موضوع و آنالیز رفتار آشوبگونه مدل شبکه عصبی مکانیسم لرزش عضله و هماهنگ سازی نمایی شبکه های عصبی آشوبگونه با اغتشاش تصادفی و شناسایی شبکه های آشوبگونه آغشته به نویز بر مبنای شبکه های عصبی feedforward رگولاریزاسیون و همچنین شبکه های عصبی و الگوریتم های ژنتیک در تجارت  می پردازیم.

یک شبکه عصبی مصنوعی چیست؟
یک شبکه عصبی مصنوعی (Artificial Neural Network (ANN)) ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد . عنصر کلیدی این ایده ، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پرداز شی فوق العاده بهم پیوسته تشکیل شده (neurons)که برای حل یک مسأله با هم هماهنگ عمل می کند.ANN ها ،نظیر انسانها ، با مثال یاد می گیرند . یک ANN برای انجام وظیفه های مشخص ، مانند شناسایی الگو ها و دسته بندی اطلاعات ، در طول یک پروسه یاد گیری ، تنظیم می شود . در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است . این روش ANN ها هم می باشد.   سابقه تاریخی
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد . اگرچه این موضوع پیش از ظهور کامپیوتر ها بنیان گذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلید ها و شبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه ، یک دوره ی بی میلی و بدنامی راهم پشت سر گذاشته است . در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود ، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت . که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کننده ای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط Minsky و Papert شناسانده شد. Minsky و Papert ،کتابی را در سال 1969 منتشر کردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزبه و تحلیل های بیشتر پذیرفته شد. هم اکنون ، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد .
اولین سلول عصبی مصنوعی در سال 1943 بوسیله یک neurophysiologist به نامWarren McCulloch و یک منطق دان به نام Walter Pits ساخته شد . اما محدودیتهای تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد.   چرا از شبکه های عصبی استفاده می کنیم ؟
شبکه های عصبی ، با قابلیت قابل توجه آنها در استنتاج معانی از داده های پیچیده یا مبهم ، میتواند برای استخراج الگوها و شناسایی روشهایی که آگاهی از آنها برای انسان و دیگر تکنیک های کامپیوتری بسیار پیچیده و دشوار است به کار گرفته شود. یک شبکه عصبی تربیت یافته می تواند به عنوان یک متخصص در مقوله اطلاعاتی ای که برای تجزیه تحلیل به آن داده شده به حساب آید.از این متخصص می توان برای بر آورد وضعیت های دلخواه جدید و جواب سؤال های " چه می شد اگر " استفاده کرد.   مزیتهای دیگر شبکه های عصبی
یادگیری انطباق پذیر: قابلیت یاد گیری نحوه انجام وظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.
سازماندهی توسط خود: یک ANN می تواند سازماندهی یا ارائه اش را ، برای اطلاعاتی که در طول دوره یادگیری در یافت می کند، خودش ایجاد کند. عملکرد بهنگام(Real time ) : محاسبات ANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوصی طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.

تحمل اشتباه بدون ایجاد وقفه در هنگام کد گذاری اطلاعات : خرابی جزئی یک شبکه منجر به تنزل کارایی متناظر با آن می شود اگر چه تعدادی از قابلیت های شبکه ممکن است حتی با خسارت بزرگی هم باقی بماند.

 

شبکه های عصبی در مقابل کامپیوتر های معمولی
شبکه های عصبی نسبت به کامپیوتر های معمولی مسیر متفاوتی را برای حل مسئله طی می کنند . کامپیوتر های معمولی یک مسیر الگو ریتمی را استفاده می کنند به این معنی که کامپیوتر یک مجموعه از دستورالعمل ها را به قصد حل مسئله پی می گیرد. بدون اینکه، قدم های مخصوصی که کامپیوتر نیاز به طی کردن دارد، شناخته شده باشند کامپیوتر قادر به حل مسئله نیست. این حقیقت قابلیت حل مسئله ی کامپیوتر های معمولی را به مسائلی ،محدود می کند که ما قادر به درک آنها هستیم و می دانیم چگونه حل میشوند. اما اگر کامپیوتر ها می توانستند کار هایی را انجام دهند که ما دقیقا نمیدانیم چگونه انجام دهیم ، خیلی پر فایده تر بودند.
شبکه های عصبی اطلاعات را به روشی مشابه با کاری که مغز انسان انجام می دهد پردازش می کنند. آنها از تعداد زیادی از عناصر پرداز شی(سلول عصبی) که فوق العاده بهم پیوسته اند تشکیل شده است که این عناصر به صورت موازی باهم برای حل یک مسئله مشخص کار می کنند .شبکه های عصبی با مثال کار می کنند و نمی توان آنها را برای انجام یک وظیفه خاص برنامه ریزی کرد مثال ها می بایست با دقت انتخاب شوند در غیر این صورت زمان سودمند، تلف می شود و یا حتی بدتر از این شبکه ممکن است نا درست کار کند. امتیاز شبکه عصبی این است که خودش کشف می کند که چگونه مسئله را حل کند ، عملکرد آن غیر قابل پیش گویی است.
از طرف دیگر ، کامپیوتر های معمولی از یک مسیر مشخص برای حل یک مسئله استفاده می کنند . راه حلی که مسئله از آن طریق حل می شود باید از قبل شناخته شود و به صورت دستورات کوتاه و غیر مبهمی شرح داده شود. این دستورات سپس به زبان های برنامه نویسی سطح بالا برگردانده می شود و بعد از آن به کدهایی که کامپیوتر قادر به درک آنها است تبدیل می شود. به طور کلی این ماشین ها قابل پیش گویی هستند و اگر چیزی به خطا انجام شود به یک اشتباه سخت افزاری یا نرم افزاری بر می گردد.
شبکه های عصبی و کامپیوتر های معمولی با هم در حال رقابت نیستند بلکه کامل کننده یکدیگرند . وظایفی وجود دارد که بیشتر مناسب روش های الگو ریتمی هستند نظیر عملیات محاسباتی و وظایفی نیز وجود دارد که بیشتر مناسب شبکه های عصبی هستند . حتی فراتر از این ، مسائلی وجود دارد که نیازمند به سیستمی است که از تر کیب هر دو روش بدست می آید (بطور معمول کامپیوتر های معمولی برای نظارت بر شبکه های عصبی به کار گرفته می شوند ) به این قصد که بیشترین کارایی بدست آید. شبکه های عصبی معجزه نمی کنند اما اگر خردمندانه به کار گرفته شوند نتایج شگفت آوری را خلق میکنند.

تعداد صفحات :75 صفحه

فرمت فایل :Word ورد doc


دانلود با لینک مستقیم


دانلود پایان نامه و تحقیق در مورد شبکه های عصبی و کاربرد های شبکه های عصبی (فرمت فایل Word ورد doc)تعداد صفحات 75

پیاده‌سازی شبکه عصبی پرسپترون با ++c

اختصاصی از سورنا فایل پیاده‌سازی شبکه عصبی پرسپترون با ++c دانلود با لینک مستقیم و پر سرعت .

پیاده‌سازی شبکه عصبی پرسپترون با ++c


پیاده‌سازی شبکه عصبی پرسپترون با ++c

این پروژه ساختار یک شبکه عصبی مصنوعی (ANN) تک هسته‌ای پرسپترون که یکی از انواع شبکه‌های عصبی مصنوعی است، با استفاده از تکنیک برنامه‌نویسی شی گرایی است. بدنه ایجادشده در این طراحی برای نمایش شبکه‌های پیچیده مفید خواهد بود. مرکز این پروژه روی ساختار کلاس NeuralNet با توابعی که عملکرد عمومی ANN را انجام می‌دهد، است. این کلاس برای ایجاد و اداره کردن معماری‌های شبکه پیچیده که برای کاربردهای جهان واقعی مفید خواهند بود، استفاده شود.

 


دانلود با لینک مستقیم


پیاده‌سازی شبکه عصبی پرسپترون با ++c

دانلودمقاله مقایسه شبکه عصبی مصنوعی و رگرسیون در پیش¬بینی ارزش افزوده

اختصاصی از سورنا فایل دانلودمقاله مقایسه شبکه عصبی مصنوعی و رگرسیون در پیش¬بینی ارزش افزوده دانلود با لینک مستقیم و پر سرعت .

مقایسه شبکه عصبی مصنوعی و رگرسیون در
پیش¬بینی ارزش افزوده اقتصادی پالایش شده در شرکت های پذیرفته شده در بورس اوراق بهادارتهران
چکیده:
توسعه بازارهای سرمایه با افزایش آگاهی سهامداران، فشار روی شرکت¬ها برای عملکرد بهتر را افزایش داده است. سهامداران به عنوان مالکان واحد تجاری در پی افزایش ثروت خود هستند، با توجه به اینکه افزایش ثروت نتیجه عملکردمطلوب واحد تجاری است. درادبیات مدیریت،
شاخص¬های متفاوتی برای سنجش عملکرد از منظرهای مختلف ارائه شده است .ذینفع¬های سازمان¬ها همیشه به پیش بینی وضعیت آینده علاقمند بوده و به دنبال روش¬هایی هستند که در پیش بینی وضعیت آینده دقیق¬تر، کاراتر و سریع¬تر عمل کنند. مزیت اصلی شبکه عصبی مصنوعی قابلیت مدل¬سازی غیر خطی و انعطاف¬پذیریشان است. در این گونه از شبکه¬ها دیگر نیازی به تشخیص شکل خاص مدل نبوده و مدل بر اساس اطلاعات موجود در داده¬ها شکل می¬گیرد.ما در این تحقیق با استفاده از شبکه عصبی مصنوعی و رگرسیون به پیش بینی ارزش افزوده اقتصادی پالایش شده ، به عنوان یکی از معیارهای ارزیابی عملکرد پرداختیم که جامعه آماری مورد مطالعه، شرکتهای پذیرفته شده در بورس اوراق بهادار تهران در طی بازه زمانی1383تا 1388 در صنعت تولید خودروسازی و داروسازی بوده است. با تجزیه وتحلیل آماری توسط نرم افزارها SPSS وMATLAB به این نتیجه رسیدیم که شبکه عصبی مصنوعی نسبت به رگرسیون عملکرد بهتری را در پیش بینی ارزش افزوده اقتصادی پالایش شده داشته است.

 

مقدمه:
برای سالیان زیادی در گذشته، اقتصاددانان تصور می¬کردند که تمامی گروه¬های مربوط به یک شرکت سهامی مثل مدیران و سهامداران برای رسیدن به یک هدف مشترک فعالیت می¬کنند اما از سال 1961 موارد بسیاری از تضاد منافع بین این گروه¬ها مشاهده شد و به دنبال آن شرکت¬ها در پی حل این تضاد منافع برآمدند (جنسن و مک لینگ ، 1976،311).
یکی از راه¬های برخورد با تضاد منافع موجود بین سهامدارن و مدیران استفاده از سیستم¬های ارزیابی عملکرد است (هورن گرن و همکاران ، 2006،791).
به نظر لهمن و همکاران (2004،269)، ارزیابی عملکرد فعالیتی است که مدیران به جهت رسیدن به اهداف و استراتژی¬های خود انجام می¬دهند. انتخاب یک معیار ارزیابی عملکرد مناسب و رسیدن به اهداف مشترک با استفاده از این معیار، سبب با اهمیت¬تر شدن نحوه انتخاب یک معیار مناسب جهت ارزیابی عملکرد می¬شود.
معیارهای سنتی ارزیابی عملکرد هر کدام به نوعی دارای معایبی هستند که چنانچه به عنوان مبنای
اندازه¬گیری مورد استفاده قرار گیرند، اندازه¬گیری عمکرد و تعیین ارزش شرکت مطابق با واقعیت-های موجود نخواهد بود (ورثینگون و وست ، 2004،202).
به عبارت دیگر، در حالی¬که معیارهای سنتی از ابزار مهم برای ارزیابی عمکرد مالی و عملیاتی شرکت هستند، ولی محیط در حال تغییر شرکت¬ها، نیاز به استفاده از معیارهای جدید ارزیابی عملکرد، افزودن بر معیارهای قدیمی را ایجاد کرده است (هیرش ، 2000، 587).
به نظر بریگام و همکاران (1999)، ارزش افزوده اقتصادی یک اندازه¬گیری مناسب و دقیق از ارزش اضافه شده به سرمایه¬گذاری انجام شده توسط سهامداران انجام می¬دهد. در تأیید اظهارات بریگام و همکاران، ورثینگتون و وست (2004)، بیان می¬کنند که ارزش افزوده اقتصادی تنها معیاری است که معایب روش¬های سنتی ارزیابی عملکرد را نداشته و ارزش شرکت را به طور واقعی محاسبه می¬کند. به عبارت دیگر، ارزش افزوده اقتصادی شاخص بنیادین برای اندازه¬گیری عملکرد و تعیین ارزش شرکت است. همچنین، به نظر استیوارت (1991،119) از ارزش افزوده اقتصادی می¬توان برای دستیابی به اهداف شرکت، بودجه¬بندی سرمایه¬ای ، ارزیابی عملکرد سازمان و محاسبۀ میزان پاداش مدیران استفاده کرد.
دیوت و تویت (2007،63) معتقدند علی رغم استفاده گسترده از ارزش افزوده اقتصادی به عنوان معیار اقتصادی ارزیابی عملکرد، این معیار نمی¬تواند معیار ارزیابی قابل اتکایی باشد و در نتیجه نمی¬توان به منظور به حداکثر رساندن ارزش شرکت، آن را افزایش داد. برای برطرف ساختن نقاط ضعف مربوط به ارزش افزوده اقتصادی به عنوان مدل اقتصادی ارزیابی عملکرد، پژوهشگران (باسیدور و همکاران، 1997) نوع اصلاح شده¬ای از ارزش افزوده اقتصادی را به نام ارزش افزوده اقتصادی پالایش شده، مطرح ساختند که در آن به جای استفاده از ارزش¬های دفتری، از ارزش¬های بازار در انجام محاسبات استفاده می¬شود (باسیدور و همکاران ، 1997،14).
در این پژوهش، ابتدا به تشریح هدف و مسأله پژوهش پرداخته می¬شود و پیشینه پژوهش موضوع بعدی این پژوهش است، . سپس، فرضیه¬های پژوهش، روش پژوهش، روش¬های آماری مورد استفاده و آزمون فرضیه¬ها مطرح می¬شود. بخش¬های آخر پژوهش به بیان محدودیت¬های پژوهش، پیشنهادهایی برای پژوهش¬های آتی و نتیجه¬گیری اختصاص دارد.

 

 

 

 

 

 

 

فصل اول
کلیات تحقیق

 

 

 

 

 

 

 

1-1 مقدمه
توسعه بازارهای سرمایه با افزایش آگاهی سهامداران، فشار روی شرکت¬ها برای عملکرد بهتر را افزایش داده است. مدیران شرکت¬ها در حال حاضر دورانی را پیش روی دارند که آن¬ها را ملزم می-سازد، چارچوب اقتصادی جدیدی در شرکت¬های خود مستقر کنند که ارزش و سودآوری را بهتر منعکس کنند. سهامداران به عنوان مالکان واحد تجاری در پی افزایش ثروت خود هستند، با توجه به این¬که افزایش ثروت نتیجه عملکرد مطلوب واحد تجاری است،
ارزش¬یابی واحد تجاری برای مالکان دارای اهمیت فراوانی است. در ادبیات مدیریت،
شاخص¬های متفاوتی برای سنجش عملکرد از منظرهای مختلف ارائه شده است که مقاصد اهداف ارزیابی را مشخص می¬نماید. ارزیابی عملکرد از منظر جامع، یعنی نگاه همه جانبه به همه ابعاد، که در حقیقت نشانه¬های کارکردی مدیریت بنگاه را آشکار می¬سازد و بسیاری ضروری است. در این فصل ابتدا به بیان مساله پژوهش سپس اهمیت و ضرورت و اهداف تحقیق و چارچوب نظری و فرضیه¬ها می¬پردازیم.

2-1- بیان مساله
نقش اساسی مدیریت سازمان¬های نوین ارزش¬آفرینی برای همه افراد و نهادهایی است که به نوعی علایق و منافع خویش را در سازمان¬ها جستجو می¬کند.
در میان ذینفع¬های هر سازمان و بنگاه که به طور عمده از سهامداران، مشتریان، کارکنان، تامین-کنندگان کالا و جامعه و مراجع دولتی تشکیل می¬گردند، سهامداران به خاطر نقش محوری در کارآفرینی و شکل¬دهی بنگاه و همچنین ریسک از جایگاه ویژه¬ای برخوردارند. سهامداران همواره به دنبال راه¬هایی برای ارزیابی عمکلرد مدیران در جهت ثروت آفرینی برای شرکت و برآورد عملکرد آینده می¬باشند. عدم استفاده از معیارهای مناسب برای پیش بینی و ارزیابی عملکرد باعث جلوگیری از ارائه اطلاعات مناسب جهت تصمیم¬گیری خواهد شد.
معیارهای اندازه¬گیری عملکرد را با توجه به مفاهیم حسابداری و مفاهیم اقتصادی می¬توان به دو دسته حسابداری و اقتصادی تقسیم کرد. در معیارهای حسابداری، عملکرد سازمان با توجه به داده-های حسابداری ارزیابی می¬شود در حالی¬که در معیارهای اقتصادی، عملکرد سازمان با توجه به قدرت کسب سود دارایی¬های موجود و سرمایه¬گذاری بالقوه و با عنایت به نرخ بازده و نرخ هزینه سرمایه ارزیابی می¬گردد.
معیارهای حسابداری ارزیابی عملکرد شرکت عبارتند از:
سود، رشد سود، سود تقسیمی، جریان¬های نقدی، سود هر سهم و نسبت¬های مالی (شامل ROA، ROE و P/E، نسبت ارزش بازار به ارزش دفتری سهام و نسبت Q تدبین)
معیارهای اقتصادی ارزیابی عملکرد شرکت عبارتند از:
ارزش افزوده اقتصادی ، ارزش افزوده بازار ، ارزش افزوده اقتصادی تعدیل شده است.
ارزش افزوده اقتصادی (EVA) معیاری است که هزینه فرصت همه منابع به کار گرفته شده در شرکت را از سود خالص عملیاتی کسر می¬کند. به عبارتی EVA مثبت نشان¬دهنده تخصیص بهینه منابع و ارزش آفرینی برای سهامدارن است و EVA منفی نشان¬دهنده اتلاف منابع و از بین رفتن ثروت سهامداران است. با وجود مزایایی که این معیار دارد، به نظر می¬رسد که عاری از نقص نباشد. (کاوسی، ع 1382، 76)
فارغ از مشکلات مربوط به محاسبه آن مستلزم دسترسی به اطلاعات زیاد، انجام محاسبات پیچیده است، ایرادی که به ارزش افزوده اقتصادی (EVA) وارد می¬شود، اتکا این معیار بر ارقام تاریخی است. هر چند ارزش افزوده اقتصادی از اطلاعات قابل اتکا نیز استفاده می¬کند (ارزش دفتری) اما این اطلاعات لزوماً مربوط نیست در تلاش برای رفع این نقص، صاحبنظران مالی شکل تعدیل شده-ای از EVA را به عنوان ارزش افزوده اقتصادی تعدیل شده (REVA) مطرح کردند که به جای تأکید بر قابلیت اتکای اطلاعات به مربوط بودن اطلاعات تأکید دارد. به عبارت دیگر این معیار هزینه فرصت منابع به کار گرفته شده را بر مبنای بازار آن¬ها محاسبه می¬کند.
ذینفع¬های سازمان¬ها همیشه به پیش بینی وضعیت آینده علاقمند بوده و به دنبال روش¬هایی هستند که در پیش بینی وضعیت آینده دقیق¬تر، کاراتر و سریع¬تر عمل کنند. روش¬های میانگین در گرسیرن و مانند این¬ها الگوهایی بودند که برای پیش بینی استفاده می¬شوند.
شبکه عصبی مصنوعی روش محبوب برای پیش بینی قلمداد می¬شود. این روش محاسباتی از ارزیابی تکنولوژیکی استفاده کرده و نیازی به الزامات خاص برای متغیرهای پیش بینی ندارد. مزیت اصلی شبکه عصبی مصنوعی قابلیت مدل¬سازی غیر خطی و انعطاف¬پذیریشان است. در این گونه از شبکه¬ها دیگر نیازی به تشخیص شکل خاص مدل نبوده و مدل بر اساس اطلاعات موجود در داده¬ها شکل
می¬گیرد (صابری، ح 1388، 51) (پویان¬فر و همکاران، 1389، 76).
مسئله اساسی تحقیق این است که مدل پرستپرون چند لایه شبکه عصبی مصنوعی (MLP) با استفاده از نسبت¬های مالی می¬تواند در پیش بینی ارزش افزوده اقتصادی پالایش شده نسبت به رگرسیون کاراتر عمل کند یا خیر؟

3-1 تاریخچه مطالعاتی
تحقیقات انجام شده پیرامون معیارهای ارزیابی عملکرد
در ایران، نظریه (1379) با انجام پژوهشی با عنوان «ارزیابی رابطه بین سود هر سهم و ارزش افزوده اقتصادی در شرکت¬های تولید کننده محصولات کانی غیر فلزی در بورس اوراق بهادار تهران در طی سال¬های 1377-1372»، به این نتیجه رسید که با 99 درصد اطمینان می¬توان بیان کرد که بین معیار ارزش افزوده اقتصادی و سود هر سهم همبستگی وجود ندارد
طالبی و جلیلی (1381) در پژوهش خود با عنوان «کاربرد اطلاعاتی ارزش افزوده اقتصادی در ارزیابی عملکرد مالی شرکت¬های پذیرفته شده در بورس اوراق بهادار تهران در سال¬های 1376 و 1377»، به این نتیجه رسیدند که بین ارزش افزوده اقتصادی و بازده سهام، ارتباط معناداری وجود ندارد
شریعت (1382) در پژوهشی به «بررسی رابطه ارزش افزوده اقتصادی و سود حسابداری شرکت-های خودروسازی پذیرفته شده در بورس اوراق بهادار تهران طی سال¬های79-1374 پرداخت. نتایج پژوهش وی نشان داد که ارتباط معناداری بین ارزش افزوده اقتصادی و سود حسابداری وجود دارد. از سوی دیگر در این پژوهش، ارتباط بین ارزش افزوده اقتصادی و قیمت سهام نیز مورد تایید قرار گرفت، به طوری که این ارتباط قوی¬تر از رابطه بین سود و قیمت سهام است.
استفاده از مدل ارزش افزوده اقتصادی پالایش شده در پژوهش¬ها برای اولین بار در سال 1997 توسط جفری باسیدور آغاز شد. باسیدور و همکاران در پژوهش خود رابطه بین ارزش افزوده اقتصادی و ارزش افزوده اقتصادی پالایش شده را با بازده غیر عادی سهام برای نمونه¬ای شامل ششصد شرکت آمریکایی در دوره زمانی 1992-1982 میلادی بررسی کردند.
پژوهش آنان به دنبال پاسخ این سوال بود که چگونه ارزش افزوده اقتصادی و ارزش افزوده اقتصادی پالایش شده با خلق ارزش برای سهامداران ارتباط دارد.نتیجه پژوهش آنان نشان داد که ارزش افزوده اقتصادی و ارزش افزوده اقتصادی پالایش شده، هر دو دارای رابطه مثبتی با بازده غیرعادی سهام بودند و رابطه مزبور در سطح یک درصد معنادار بود. همچنین، ارزش افزوده اقتصادی پالایش شده، بهتر بازده غیر عادی را پیش بینی می¬کرد. بنابراین، ارزش افزوده اقتصادی پالایش شده در زمینه توضیح تغییرات بازده غیر عادی و پیش¬بینی آن، بهتر از ارزش افزوده اقتصادی عمل می¬کند. به نظر باسیدور و همکاران، بهتر است از ارزش افزوده اقتصادی پالایش شده برای ارزیابی عملکرد سطوح بالای سازمان و از ارزش افزوده اقتصادی برای ارزیابی عملکرد سطح پایین¬تر سازمان استفاده شود.
تحقیقات انجام شده پیرامون استفاده از شبکه های عصبی
سرافراز و افسر (1384) به بررسی عوامل مؤثر بر قیمت طلا و ارائه مدل پیش¬بینی بر مبنای شبکه عصبی فازی پرداختند و نتیجه تحقیق آنها نشان¬دهنده توانایی بیشتر شبکه عصبی در پیش¬بینی قیمت طلا نسبت به رگرسیون¬ بود.
مهدوی و بهمنش(1383) در تحقیقی تحت عنوان «طراحی مدل پیش¬بینی قیمت سهام
شرکت¬های سرمایه¬گذاری با استفاده از شبکه عصبی مصنوعی (مطالعه موردی شرکت
سرمایه¬گذاری البرز)» به این نتیجه دست یافتند که اگر شبکه عصبی درست آموزش ببیند می¬تواند و روابط بین متغیرها را هر چند پیچیده و غیرخطی باشد شناسایی کرده و در پیش¬بینی قیمت سهام شرکت¬های سرمایه¬گذاری موفق واقع شود.
کمیجانی و سعادت¬فر (1385) به بررسی کاربرد مدل¬های شبکه¬های عصبی در پیش¬بینی ورشکستگی اقتصادی شرکت¬های بازار بورس پرداختند. نتایج این پژوهش بیانگر این بود که به کارگیری مدل شبکه عصبی مصنوعی توانایی مدیریت مالی را بر اساس مقابله با نوسانات اقتصادی و ورشکستگی افزایش می¬دهد.
نیکبخت و شریفی (1388) در تحقیقی با عنوان «پیش¬بینی ورشکستگی مالی شرکت¬های بورس اوراق بهادار تهران با استفاده از شبکه عصبی مصنوعی» به این نتیجه رسیدند که مدل شبکه عصبی در پیش¬بینی ورشکستگی دقت بالایی دارد. به علاوه توان پیش¬بینی مدل شبکه عصبی در تفکیک درست شرکت¬ها ورشکسته بالاتر از شرکت¬های غیر ورشکسته بود.
کارلوس باتیست در تلاش برای پیش بینی شاخص قیمت سهام بازار فیلیپین با استفاده از شبکه¬های عصبی مصنوعی دریافت که پیش بینی به وسیله شبکه¬های عصبی در وقفه¬های کوتاه مدت اختلاف معناداری با فرضیه گشت تصادفی ندارد ولی در وقفه¬های طولانی¬تر شبکه¬های عصبی بهتر از روش گشت تصادفی می¬توانند به پیش بینی شاخص بپردازند. لندانس به پیش بینی شاخص با استفاده از شبکه¬های عصبی اقدام کردند، داده¬های آن به شبکه شامل دو نوع داده¬های برون زا و درون زا بود که داده¬های برون زای اقتصادی شامل شاخص¬های قیمت سهام بین المللی (SBF250 و TOPIX، S&P500)، نرخ¬های تبدیل (دلار/ مارک، دلار/ ین) و نرخ بهره (سه ماهه و نرخ بهره خزانه) بوده-اند و داده¬های درون زا شامل مقادری تاریخی شاخص بودند. آن¬ها از تحقیق خود نتیجه گرفتند که استفاده از شبکه¬های عصبی از روش¬های خطی بهتر عمل می¬کند. گارلیاسکاس به پیش بینی سری زمانی بازار سهام با استفاده از الگوریتم محاسباتی شبکه عصبی مرتبط با تابع کرنل و روش پیش بینی بازگشت خطا اقدام کرد، او نتیجه گرفت که پیش بینی سری¬های زمانی کالی به وسیله شبکه-های عصبی بهتر از مدل¬های آماری کلاسیک و دیگر مدل¬های انجام می¬شود.

4-1- چارچوب نظری ومدل مفهومی تحقیق
چارچوب نظری به رابطه بین متغیرها مانند متغیر مستقل، وابسته، مداخله و تعدیل¬گر که تصور می¬شود در دگرگونی شرایط مورد بررسی نقش دارد می¬پردازد. ایجاد چنین چارچوب نظری در برقراری و ساخت فرضیه¬ها، آزمون¬ها و همچنین تکمیل درک پزوهشگر کمک می¬کند (خاکی 1388، 30)
در این تحقیق سعی براین است که ارزش افزوده اقتصادی پالایش شده را بااستفاده ازمدل MLP شبکه عصبی مصنوعی پیش بینی کرده ونتایج آن را باپیش بینی ازطریق رگرسیون مقایسه کنیم.
متغیرهای مستقل عبارتند از، نسبت جاری، نسبت بدهی، نسبت بدهی بلند مدت، نسبت بدهی کوتاه مدت، نسبت بازده کل دارایی، نسبت یازده حقوق صاحبان سهام، نسبت سود تقسیمی هرسهم، نسبت سود هرسهم، نسبت ارزش بازاربه سودهرسهم. متغیر مستقل به متغیری گفته می¬شود که به وسیله آن متغیر وابسته تبیین می¬شود به عبارت دیگر این متغیر، متغیر درون داد، متغیر علت و تأثیرگذار است.
متغیر وابسته نیزارزش افزوده اقتصادی پالایش شده می باشد، متغیر وابسته به متغیری گفته می¬شود که تغییرات آن تحت تأثیر متغیر مستقل قرار گیرد به عبارتی این متغیر، متغیر معلول است و تغییراتش تابع تغییرات متغیر مستقل می¬باشد.
شکل 1-1 مدل پرسپترون چندلایه (MLP)

(کردلوئی و حیدری زارع. 1388، 54)
xi: ورودی (نسبت¬های مالی)
yi: خروجی (ارزش افزوده اقتصادی پالایش شده)
z: متغیر کنترلی
wi: تمایل نرون
شکل 2-1: مدل مفهومی تحقیق

 

 

 

 

 

 

 

منبع: (حسن¬زاده، 1390، 14)
5-1- اهمیت و ضرورت پژوهش
اگر چه بسیاری از شرکت¬ها از معیارهای سنتی مثل (نرخ بازده حقوق صاحبان سهام، نرخ بازده سرمایه، نسبت قیمت هر سهام به سود هر سهام) برای ارزیابی و برآورد عملکرد استفاده می¬کنند اما این معیارهای در معرض تحریف شدن به وسیله اعمال مدیران است.
از سال¬ها قبل استفاده از ارزش افزوده اقتصادی برای ارزیابی عملکرد مدیران وسازمان ها پیشنهاد شده، مدیران مالی باید به منظور ارتقای معیارهای سنتی ارزیابی عملکرد از معیارهایی استفاده کنند که به واقعیت اقتصادی نزدیک¬تر باشد. علی رغم برطرف شدن نقایص مربوط به روش¬های سنتی ارزیابی و برآورد عملکرد به وسیله استفاده از ارزش افزوده اقتصادی انتقادی نیز به این روش وارد است که ذهن پژوهشگران را به خود مشغول ساخته و در صدد یافتن معیارهای بهتر یا تعدیل یا پالایش معیارهای موجود برآمده¬اند تا انتقادهای وارد بر معیار ارزش افزوده اقتصادی را برطرف سازند از جمله این انتقادها اتکاء این معیار بر ارقام تاریخی و محاسبه هزینه فرصت سرمایه¬گذاران بر اساس ارزش¬های دفتری و تحریف نتایج آن بر اثر تورم است.
در سال¬های اخیر تحقیقاتی در ارتباط با ارزش افزوده اقتصادی و ارزش افزوده اقتصادی پالایش شده به عنوان معیارهای ارزیابی عملکردسازمان انجام شده است (برای مثال طالبی و جلیلی 1381، نوروش و مشایخی 1383، شریعت پناهی و بادآور نهندی 1384، مهدوی و رستگاری 1386) با این حال پژوهشی که پیش بینی ارزش افزوده اقتصادی پالایش شده با استفاده از شبکه عصبی مصنوعی بپردازد مشاهده نشد.
از آنجا که انتخاب معیاری مناسب برای ارزیابی پیش بینی عملکرد نقش مهمی در تعیین ارزش یک شرکت دارد، در این پژوهش به مقایسه دو روش رگرسیون و شبکه عصبی در پیش بینی ارزش افزوده اقتصادی پالایش شده به عنوان معیار عملکرد سازمان پرداخت.
اهمیت این پژوهش را می¬توان چنین بیان نمود که این ضرورت احساس می¬شود که به مدلی دست پیدا کنیم تا بتواند ارزش افزوده اقتصادی پالایش شده (REVA) را به نحوی مطلوب¬تر و کاراتر پیش بینی کند.
6-1- اهداف پژوهش
با توجه به پژوهش حاضر که پیش بینی ارزش افزوده اقتصادی پالایش شده با دو روش رگرسیون و شبکه عصبی می¬پردازد اهداف زیر مد نظر است:
1) هدف اساسی این پژوهش پیش بینی ارزش افزوده اقتصادی پالایش شده با استفاده از مدل پرسپترون چند لایه (MLP) شبکه عصبی است که می¬توان از آن برای سرمایه¬گذاری و تصمیم¬گیری اقتصادی استفاده نمود.
2) هدف دیگر این پژوهش یافتن روش بهتر و کاراتر در پیش بینی ارزش افزوده اقتصادی پالایش شده است.
7-1- فرضیه های تحقیق
فرضیه اول : قدرت تبیین مدل رگرسیون در جهت تعیین رابطه نسبت های مالی وارزش افزوده اقتصادی پالایش شده مناسب است.
فرضیه دوم : قدرت تبیین مدل پرسپترون چند لایه شبکه عصبی مصنوعی در جهت تعیین رابطه نسبت های مالی وارزش افزوده اقتصادی پالایش شده مناسب است.
فرضیه سوم : مدل پرسپترون چند لایه شبکه عصبی مصنوعی، قدرت بالاتری نسبت به رگرسیون در پیش بینی ارزش افزوده اقتصادی پالایش شده داراست.
8-1- قلمرو مکانی و زمانی تحقیق
قلمرو تحقیق چهارچوبی را فراهم می¬نماید تا مطالعات و آزمون محقق در طی آن قلمرو خاص انجام پذیرد و دارای اعتبار بیشتر باشد.
این پژوهش شرکت¬های صنایع خودروسازی وداروسازی در بورس اوراق بهادار تهران را مورد بررسی قرار می¬دهد. دوره زمانی این پژوهش 6 ساله و از ابتدای سال 1383 تا انتهای سال 1388 است.
9-1- تعریف واژه¬ها و اصطلاحات تحقیق
شبکه عصبی مصنوعی
هدف شبکه¬های عصبی کوشش برای ساخت الگوهایی است که همانند مغز انسان عمل می¬کنند. کار شبکه عصبی ایجاد یک الگوی خروجی بر اساس الگوی ورودی ارائه شده به شبکه است. شبکه¬های عصبی متشکل از تعدادی عناصر پردازشی (نرون¬های مصنوعی) می¬باشند که این نرون¬ها درون داده¬ها را دریافت و پردازش می¬کنند. پرسپترون چند لایه روشی از شبکه عصبی مصنوعی می¬باشد که پیشخور بوده و پردازنده¬های شبکه به چند لایه مختلف تقسیم می¬شدند. (بیل و آروجکسون تی، 1998، 123)
ارزش افزوده
ارزش افزوده، ثروت ایجاد شده توسط واحد تجاری را اندازه¬گیری می¬کند و این ثروت حاصل کار و تلاش گروهی است که به نوعی در واحد تجاری سهیم بوده¬اند. به عبارت دیگر ارزش افزوده نشان-دهنده جمع بازده حاصلۀ مؤسسه توسط سرمایه¬گذاران، اعتباردهندگان، کارمندان و دولت می¬باشد که قسمتی از این ثروت با ارزش در قالب سود سهام، بهره وام¬ها، حقوق و دستمزد (شامل بیمه و بازنشستگی و سایر مزایای کارکنان) و مالیات به آنان توزیع می¬شود و قسمت باقیمانده به عنوان ذخایر یا برای سرمایه¬گذاران مجدد در همان واحد تجاری منظور می¬گردد.
ارزش افزوده اقتصادی تعدیل شده
ارزش افزوده اقتصادی پالایش شده یک چارچوب تحلیلی برای ارزیابی عملیاتی و میزان ارزش ایجاد شده برای سهامداران فراهم می¬کند. در این نسبت به جای تأکید بر قابلیت اتکا اطلاعات به مربوط بودن آن¬ها تأکید می¬کند. به عبارت دیگر این معیار هزینه فرصت تابع به کار گرفته شده را بر مبنای ارزش بازار آن¬ها محاسبه می¬کند (باسیدور و همکاران ، 2007، 145).
پیش¬بینی
تجسم یک موقعیت در آینده بر اساس اطلاعات گذشتهف در واقع پیش بینی بر اساس معیارهای کلی از داده¬های به وقوع پیوسته در زمان¬های گذشته برای تخمین اینده استفاده می¬کنیم (راعی، رضا و کاظم چاوشی، 1382).
میانگین موزون و هزینه سرمایه (WACC)
میانگین موزون هزینه منابع مختلف تأمین مالی بلندمدتی که توسط شرکت بکار گرفته می¬شود. (باسیدور ، 2007، 33)

رگرسیون
از لحاظ لغوی به معنی پسروی، برگشت است اما از دید آمار و ریاضی به معنی بازگشت به یک مقدار متوسط یا میانگین به کار می¬رود، بدین معنی که برخی پدیده¬ها به مرور زمان از نظر کمی به طرف یک مقدار متوسط میل می¬کند (عادل آذر، 1380، 58).

 


فصل دوم
مروری بر ادبیات تحقیق

 

 

 

 

 

 

1-2 مقدمه
جستجوهای اولیه برای دستیابی به معیارهای ارزیابی عملکرد منجر به استفاده از اعداد و اطلاعات حسابداری در این زمینه شده است.
بسیاری از معیارهای ارزیابی عملکرد، مبتنی برمدل¬های حسابداری، به ویژه مدل سود حسابداری گزارش شده یا سود هر سهم است.
با گذشت زمان، مدیران به منظور حفظ سطح پاداش و بهبود آن، به مدیریت سود از طریق تحریف اعداد حسابداری پرداختند. این موضوع باعث شده است که علیرغم آنکه برخی از شرکت¬ها دارای وضعیت مالی مطلوب از نظر اعداد حسابداری و معیارهای ارزیابی عملکرد مبتنی برمدل¬ها حسابداری بوده¬اند. با بحران¬های مالی از جمله کمبود نقدینگی مواجه شدند. برای رفع نارسائیهای مدل¬های ارزیابی عملکرد که به دلیل استفاده از اطلاعات حسابداری بوجود می¬آید پژوهشگران به جستجوی ارئه معیاری جدید برای ارزیابی عملکرد پرداختند. با پیدایش نظریه¬هایی در زمینۀ سود اقتصادی یا سود باقیمانده مدل¬هایی به منظور محاسبه سود اقتصادی پیشنهاد شد. در این مدل¬ها سود خالص عملیاتی پس از کسر مالیات و هزینه سرمایه به عنوان سود اقتصادی یا سود باقیمانده تعریف می¬شود. بنابراین معیارهای ارزش افزوده اقتصادی، ارزش افزوده اقتصادی پالایش شده، ارزش افزوده بازار و سود باقیمانده اقتصادی در سیر تکاملی خود تلاش دارند ضمن توجه به پیچیدگی¬های رفتاری مدیران، به ارزیابی عملکرد و تعدیل تضاد منافع پرداخته و اطلاعات موجود در قیمت و بازده سهام را توضیح دهند.
هدف از این فصل ارائه کلیات و مفاهیمی پیرامون ارزیابی عملکرد و شبکه عصبی مصنوعی است. براین اساس ابتدا مباحثی پیرامون ارزیابی و پیش¬بینی عملکرد و شبکه¬عصبی ارائه می¬گردد و بخش بعدی متغییرها تشریح می¬گردد و نحوۀ محاسبۀ آنها بیان می¬شود و بخش آخر برخی از پژوهش¬های مشابه خارجی و داخلی انجام شده ارائه می¬گردد.
2-2- معیارهای عملکرد
استفاده¬کنندگان گزارشهای مالی با استفاده از معیارهای مختلف عملکرد سازمان را ارزیابی می¬کنند. روشهای متعددی برای ارزیابی عملکرد وجود دارد نتیجه به دست آمده از تحقیقات به ارائه چهار رویکرد در رابطه با معیارهای عملکرد به شرح زیر انجامیده است:
1-2-2- رویکرد حسابداری
این رویکرد بر صورت سود و زیان و ترازنامه تأکید دارد یعنی یک جریان خروجی وجه نقد می-تواند هزینه در صورت سود و زیان و یا به عنوان یک دارایی سرمایه¬ای در ترازنامه منعکس شود، که نتیجه آن ایجاد صورت سود و زیان و ترازنامه متفاوت ناشی از نظرات مختلف است (استیوارت 1991، 24)
2-2-2- رویکرد اقتصادی
براساس این رویکرد که در آن مفاهیم اقتصادی استفاده می¬شود. عملکرد واحد تجاری با تاکید بر قدرت سودآوری دارایهای شرکت و با توجه به نرخ بازده و نرخ هزینه سرمایه به کار رفته ارزیابی می¬شود. (انواری رستمی و همکاران، 1383) ارزش افزوده اقتصادی و ارزش افزوده اقتصادی و ارزش افزوده اقتصادی تعدیل شده و ارزش افزوده بازار در این گروه جای دارند.
3-2-2- رویکرد تلفیقی
در این رویکرد ترکیبی از اطلاعات حسابداری و بازار برای ارزیابی عملکرد به کار می¬رود مانند نسبت Q توبین و نسبت قیمت به سود (ملکیان و اصغری 1385، 55-54)
4-2-2- رویکرد مدیریت مالی
در این رویکرد اغلب از تئوری¬های مدیریت مالی نظیر الگوی قیمت¬گذاری دارایی¬های سرمایه¬ای (CAPM) و مفاهیم ریسک و بازده استفاده می¬شود. تأکید اصلی این رویکرد بر تعیین بازده اضافی هر سهم می¬باشد. (انصاری و کریمی 1387، 11-3).
3-2- پیش بینی
یکی از ابزارهای مهم مدیریتی استفاده از روش¬های مختلف پیش¬بینی است. مدیر جهت تصمیم¬گیری نیاز به برآورد رویدادهای آینده با استفاده از اطلاعات گذشته دارد. آینده¬نگری به مفهوم مطالعه قبلی، محاسبه و حدس زدن از اوضاع و شرایط آتی است - کسی که با آگاهی از این محاسبات که غالباً متکی بر آمار و اطلاعات کنونی است- و به اتکاء بینش شخصی خود در خصوص آینده به قضاوت می¬نشیند، به پیش¬بینی می¬پردازد. (آیت¬الهی، 1377، 36)
1-3-2 اهداف پیش¬بینی
به طور کلی در پیش¬بینی دو هدف اساسی دنبال می¬شود.
هدف اول: مشخصاً برنامه¬ریزی مناسب است. برنامه¬ریزی به معنی تدوین و طراحی سیاست¬ها و الگوها و طرح¬ها و ایده¬ها برای آینده جهت تأمین اهداف سازمانی یا اهداف سیستم است. بنابراین
می¬توان گفت که برنامه¬ریزی نوعی پیش¬بینی است. هدف دوم از به کارگیری تکنیک¬های پیش¬بینی تصمیم¬گیری است در یک تعریف تصمیم¬گیری فرآیند تشخیص مسأله و حل مساله است (الوانی، 1374، 66)
2-3-2- عوامل موثر در انتخاب مدل مناسب پیش¬بینی
برای انتخاب مدل مناشب توجه به موارد ذیل ضروری است (الوانی، 1374، 67 )
- محدوده زمانی: به طورکلی اگر بخواهیم مدت نسبتاً دوری را پیش¬بینی کنیم بهتر است از روش-های کمی استفاده نمائیم و اگر بخواهیم پیش¬بینی¬های میان مدت یا کوتاه مدت به عمل آوریم بهتر است از روش¬های کیفی پیش¬بینی استفاده نمائیم.
- آمار و ارقام داده شده: با توجه به نوع آمار گذشته نیز نحوۀ پیش¬بینی فرق می¬کند. در برخی مواقع آمار دارای نوسانات فصلی است و یا اینکه از یک سری نوسانات تصادفی و نامنظم تبعیت می¬کند.
شکل 1-2: شمای ترسیمی آمار و داده¬های گذشته

منبع :(الوانی، 1374، 68)
- ارتباط اطلاعات با متغییرهای مورد نظر:
در پاره¬ای از اوقات آمار و اطلاعات در رابطه با متغییر مورد نظر در دسترس نیست و باید از اطلاعات مربوط به متغییر دیگری که ارتباط با متغیر مذکور دارد استفاده کرد.
- هزینه: مدل¬های مختلف پیش¬بینی چون دارای خصوصیات مختلفی می¬باشند هزینه¬های متفاوتی را ایجاد می¬کنند.
- دقت: برخی از مدل¬ها با دقت 90% موقعیت را در آینده پیش¬بینی می¬کنند و برخی با دقت کمتر. واضح است با توجه به انتظاری که از دقت مدل داریم می¬توانیم مدل مورد نظر را انتخاب کنیم.
- سادگی: بعضی از مدل¬ها اگر چه از دقت زیادی برخوردار ولی به علت پیچیدگی قابل استفاده در کلیه سازمان¬ها نمی¬باشد.

 

 

 

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله   151 صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید


دانلود با لینک مستقیم


دانلودمقاله مقایسه شبکه عصبی مصنوعی و رگرسیون در پیش¬بینی ارزش افزوده