مس
(مس کاتد و مفتول مسی)
قیمت، تولید، نرخ بیکاری، میزان صادرات،تولید ناخالص داخلی(GDP)
شبکه عصبی و رگرسیون
شبکه عصبی پرسپترون
(MLP)
سه لایه
MSE
RMSE
شبکه عصبی دارای عملکرد بهتری نسبت به رگرسیون خطی است.
با توجه به جدول(۲-۳) و مطالعات انجام شده در زمینه پیشبینی فروش، مشهود است در اکثر مقالات برای انجام پیشبینی به مقایسه دو روش شبکه عصبی و رگرسیون پرداختهاند و تقریباً نتیجه ۹۰% از آنها حکایت از برتری عملکرد شبکه عصبی نسبت به رگرسیون دارد.
۲-۲۷ جایگاه تحقیق حاضر
نمودار (۲-۱): فراوانی مقالات پیشبینی فروش از نظر مورد مطالعاتی
۹۸/۹۹
با توجه به جدول فوق و نمودار (۲-۱)، ملاحظه میشود که تنها ۰٫۰۲ از تحقیقات انجام شده در سالهای اخیر به پیشبینی فروش محصولات ملی (National product) پرداختهاند. از آنجاییکه فلز مس در صنایع مختلف کاربردهای فراوانی داشته و از جمله فلزاتی است که تأثیر زیادی بر توسعه صنعتی و اقتصادی کشورها دارد، با پیشبینی دقیق میزان فروش مس میتوان در راستای تعیین مناسبتر اهداف شرکت ملی صنایع مس ایران، گام برداشت و استراتژیهای بازاریابی کارایی برای این محصول ملی پیشنهاد داد که منجر به افزایش فروش و به دنبال آن افزایش سودآوری شرکت خواهد شد.
با توجه به مطالب مذکور، به جرأت میتوان گفت که تا کنون تحقیقی در حوزه پیشبینی فروش محصولات معدنی انجام نشده است و با توجه به اهمیت این نوع محصولات برای کشور، خلأ موجود ، مجال را برای تحقیق در این زمینه فراهم میکند.
۲-۲۸ پیشینه تحقیق
۲-۲۸-۱ سوابق تحقیقاتی داخل کشور
تیموری (۱۳۷۸) در پایان‌نامه خود با عنوان «کاربرد شبکه‌های عصبی در پیشبینی شاخص صنعت تحت تأثیر متغیرهای کلان اقتصادی» از یک شبکه پس انتشار (BP) 3 لایه با ۵ نرون در لایه پنهان برای پیشبینی استفاده کرده است و به این نتیجه رسید که میانگین نسبت خطای دادههای مرحله آزمون، در روش رگرسیون بیش از ۷۳ درصد بوده حال اینکه این رقم در شبکه عصبی کمتر از ۷ درصد است و به این نتیجه رسید که عملکرد روش شبکه عصبی نسبت به رگرسیون بهتر است.
رجب‌زاده (۱۳۸۲) در پایان‌نامه خود با عنوان «طراحی مدل پیشبینی شبکه عصبی ترکیبی هوشمند در صنعت نفت» روش رگرسیون چند متغیره و شبکه عصبی را برای پیشبینی تقاضای نفت کشور مورد استفاده قرار داده است. در واقع متغیر وابسته تحقیق، تقاضای نفت کشور میباشد و متغیرهای مستقل عبارتند از: قیمت، درآمد، تقاضای سایر انرژیها، جمعیت و ارزش افزوده در بخش صنعت. برای ارزیابی خطا از دو معیار MSE و MAPE استفاده کرده و در نهایت به این نتیجه رسیده که روش شبکه عصبی نسبت به رگرسیون چند متغیره خطای کمتری دارد.
اکبری (۱۳۸۳)، در پایان‌نامه خود با عنوان «کاربرد روش شبکه‌های عصبی مصنوعی (ANN) در پیشبینی اشتغال کشور و مقایسه آن با روش ARIMA[71]» دو روش شبکه عصبی و ARIMA را برای پیشبینی اشتغال با یکدیگر مقایسه کرد. در روش شبکه عصبی دو شبکه انتخاب شد که شبکه اول با معماری سه گره در لایه ورودی و دو گره در لایه میانی و یک گره در لایه خروجی دارای کمترین میانگین خطا در پیشبینی و شبکه دوم با معماری چهار گره در لایه ورودی و یک گره در لایه میانی و یک گره در لایه خروجی دارای کمترین خطا در دو سال انتهایی پیشبینی بود. در روش ARIMA نیز با توجه به متدولوژی باکس-جنگینز مدل به صورت ARIMA درآمد. در نهایت نتایج به دست آمده نشان داد که هر دو مدل انتخابی شبکه عصبی بسیار بهتر از روش دیگر عمل می‌نماید و خطای پیشبینی شبکه‌های عصبی حدود یک سوم خطای روش ARIMA گردید.
طلوعی و حق دوست (۱۳۸۶) در تحقیقی با عنوان « مدل‌سازی پیشبینی قیمت سهام با استفاده از شبکه عصبی و مقایسه آن با روشهای پیشبینی ریاضی» به این نتیجه رسیدند که خطای رگرسیون نسبت به شبکه عصبی کمتر است و در ادامه بیان داشتند که در شرکت ایران‌خودرو پیشبینی با رگرسیون جواب مناسبتر و قابل‌قبول‌تری نسبت به مدل طراحی شده شبکه عصبی ارائه میدهد؛ بنابراین استفاده از شبکه عصبی در تمامی شرایط راه حل مناسبی نمیباشد. شبکه استفاده شده در این تحقیق یک شبکه پیشخور با سه لایه پنهان با نرون های ۴-۴-۶ و تابع غیرخطی سیگموئید به عنوان تابع انتقال استفاده شده است. ابزار اندازهگیری خطا در تحقیق مذکور، MSE وMAE هستند.
فولاد چنگ (۱۳۸۸) در پایان‌نامه خود با عنوان «پیشبینی شاخص کل بورس اوراق بهادار تهران با سیستم استنتاجی عصبی فازی تطبیقی (ANFIS[72])» به مقایسه روش ANFIS با دو روش شبکه عصبی و مدل خطی ARIMA در پیشبینی شاخص کل بورس پرداخت. در این تحقیق سه روش برای پیشبینی مطرح شده است.۱٫ پیشبینی شاخص کل قیمت سهام با روش سیستم عصبی فازی ۲٫ پیشبینی شاخص کل قیمت سهام با روش شبکه عصبی ۳٫ پیشبینی شاخص کل قیمت سهام با مدل خطی ARIMA. نتایج حاصل از بررسی نشان میدهد که رفتار شاخص سهام بورس اوراق بهادار تهران غیرخطی است و پیشبینی آن با روشهای غیرخطی خطای کمتری را دارد و ثانیاً در بین روشهای غیرخطی شبکه عصبی-فازی پیشبینی مناسبتری را انجام میدهد.
حنفی زاده و جعفری (۱۳۸۹)، در تحقیقی با عنوان« مدل ترکیبی شبکه‌های عصبی مصنوعی پیشخور و خودسازمانده کوهونن[۷۳] برای پیشبینی قیمت سهام» به ارائه مدلی ترکیبی برای پیشبینی قیمت سهام پرداختهاند. متغیرهای مستقل این تحقیق عبارتند از: قیمت طلا، نرخ ارز (یورو و دلار) و شاخص قیمت و بازده نقدی (شاخص بورس).MSE به عنوان معیار اندازهگیری خطا انتخاب شده است. نتایج تحقیق برای سهام شرکت ایران‌خودرو نشان میدهد که ترکیب شبکه خود سازمانده کوهونن با شبکه پیش خور، موجب بهبود عملکرد و افزایش دقت شبکه
| برای دانلود متن کامل این فایل به سایت torsa.ir مراجعه نمایید. |
پیشخور به میزان ۸۱% در پیشبینی قیمت سهام میشود و در مقایسه با مدل منفرد شبکه پیشخور که پرکاربردترین مدل شبکه‌های عصبی مصنوعی در حوزه پیشبینی است، عملکرد بهتری در پیشبینی قیمت سهام ارائه میکند.
حسینی و همکاران (۱۳۸۹) در تحقیقی با عنوان «معرفی شبکه پس انتشار فازی جهت پیشبینی فروش کاغذ روزنامه» با در نظر گرفتن متغیرهای میزان مصرف کاغذ روزنامه، میزان واردات کاغذ روزنامه، میزان صادرات کاغذ روزنامه، نرخ فروش کاغذ روزنامه، نرخ بیکاری به پیشبینی فروش کاغذ روزنامه پرداختند. شبکه پیشنهادی آنها شبکه عصبی پس انتشار فازی با یک لایه میانی و ۲ نرون بوده و معیارهای MAPE,MSEوRMSE را برای اندازهگیری خطا به کار بردند و به این نتیجه رسیدند که خطای شبکه عصبی فازی بسیار کمتر از روش رگرسیون و ARIMA میباشد.
