چکیده:
یکی از مسائل بسیار مهم در شروع یک فعالیت اقتصادی، پیش بینی در مطالعات بازار میباشد. روابط موجود در بسیاری از مسائل مدیریتی و تجاری اغلب به صورت پیچیده و غیرخطی بوده و با روشهای معمول قابل پیش بینی نیستند، بنابراین میتوان با فنون و روشهای دقیق تری همچون شبکههای عصبی به پیش بینی با دقت بالا پرداخت. هدف این مقاله نشان دادن برتری شبکههای عصبی در پیش بینی فرآیندهای غیرخطی در مقایسه با روشهای معمول و نیز استفاده از پارامترهای مهم اقتصادی یعنی نرخ تورم و نرخ ارز در بالا بردن دقت پیش بینی است. در این مقاله از دادههای مربوط به میزان تولید بطریهای PET از سال 1379 تا سال 1392 استفاده شده و با بهره گیری از شبکه عصبی مصنوعی و مدلهای غیرخطی، از طریق نرم افزار MATLAB پیش بینی تولید برای سال 1393 انجام پذیرفت و سپس با توجه به شاخصهای MAPE و MSE نتایج به دست آمده از روشهای مزبور با هم مقایسه شدند. یافتههای تحقیق نشان دهنده موفقیت شبکه عصبی با خطای بسیار پایین در پیش بینی نسبت به روشهای سری زمانی و نمایی است.
In many real commercial and administrative issues, relations are often complex, non-routine and are not predictable by conventional methods. Considering the importance of feasibility studies in making decision to start a production activity, forecasting in marketing studies is very important. There are lots of tools and techniques which are used for having an exact prediction, neural networks can be utilized for forecasting with high degrees of accuracy. The purpose of this article is to demonstrate the preference of using neural networks in forecasting nonlinear processes in comparison with conventional techniques and also to increase its accuracy by using economic parameters such as inflation and exchange rates. As a case study, this paper uses the production rate data of PET bottles from 1379 to 1392, then the production rate of 1393 is predicted by using artificial neural networks and nonlinear models. For validating the model, indexes MAPE and MSE obtained from these methods are compared. The result shows the preference of using the neural network for prediction in comparison with time and exponential series techniques, due to the lowest error in forecasting
خلاصه ماشینی:
هدف این مقاله نشان دادن برتری شبکه های عصبی در پیش بینـی فرآینـدهای غیرخطی در مقایسه با روش های معمول و نیز استفاده از پارامترهای مهم اقتصادی یعنی نرخ تورم و نرخ ارز در بالا بردن دقت پیش بینی است .
کارشناس ارشد مدیریت صنعتی ، دانشکده مدیریت و حسابداری ، دانشگاه علامه طباطبایی ، تهران ، ایران به میزان تولید بطری های PET از سال ١٣٧٩ تا سـال ١٣٩٢ اسـتفاده شـده و بـا بهـره گیری از شبکه عصبی مصنوعی و مدل های غیرخطی ، از طریـق نـرم افـزار MATLAB پیش بینی تولید برای سال ١٣٩٣ انجام پـذیرفت و سـپس بـا توجـه بـه شـاخص هـای MAPE و MSE نتایج به دست آمده از روش های مزبور با هم مقایسه شدند.
مطالعات حاضر نشان می دهد اقدامات انجام شده در مدل های پیش بینی صنایع پتروشیمی اغلـب از روش هایی ابتدایی مانند سری های زمانی استفاده می کنندکه کامل به نظر نمی رسـد و بسیاری از فاکتورها مانند نرخ تورم ، نرخ برابری ارز و تغییرات غیر خطی ظاهر شده در هر سال را در نظر نمی گیرد و صرفاً به اطلاعات گذشته متکی است .
G. The principles and practices of time series forecasting and business modeling using Neural Networks.
M. Neural network time series forecasting of financial markets.
Hu. Forecasting with artificial neural networks:The state of the art.