فصلنامه تحقیقات مدلسازی اقتصادی

با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیش‌بینی و استخراج دوره‌های رونق و رکود قیمت مسکن می‌تواند برای خریداران مسکن و یاسرمایه‌گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله‌ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل‌های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از Q41390Q3-1369، و با استفاده از شبکه عصبی اقدام به پیش‌بینی ادامه سیکل‌های قیمت مسکن با استفاده از سیکل‌های استخراج شده قیمت مسکن جهت شناسایی و پیش‌بینی دوره‌های رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا  پایان فصل سوم  این سال شاهد طی‌شدن دوره‌های رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه می‌شود.

در این مقاله، پیش‌بینی درآمد حاصل از این منبع مالیاتی با استفاده از رویکرد مبتنی بر برآورد پایه مالیاتی مدنظر قرار گرفته است. بدین نحو که در مرحلۀ اول، پایۀ مالیات (مخارج مصرفی سیگار) برای دوره 1391 الی 1394 پیش بینی و سپس مالیات این سال‌ها با اعمال نرخ‌های مالیاتی، محاسبه خواهد شد. در این راستا از آنجا که یکی از دغدغه‌های سیاستگذاران دسترسی به پیش‌بینی‌های دقیق از درآمدهای مالیاتی است، از روش شبکه‌های عصبی با ناظر برای پیش‌بینی و برای آموزش شبکه‌ها از الگوریتم پس انتشار استفاده شده است. نتایج بیانگر آن است که درآمد مالیات بر ارزش افزوده ناشی از مصرف سیگار در سال‌های مورد پیش‌بینی، به‌طور متوسط از رشد سالانه 20 درصد برخوردار خواهد شد.

مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش‌بینی روند آتی آن می‌باشد. با معرفی و کاربرد گسترده مدل‌های مختلف همچون شبکه‌های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن‌ها، آگاهی از دقت این مدل‌ها جهت نیل به هدف پیش‌بینی دقیق‌تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به‌کارگیری شبکه‌های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش‌بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده‌ترین بخش مصرف‌کننده، به مقایسۀ دقیق‌تر این پیش‌بینی‌ها با استفاده از باز نمونه‌گیری از نمونه‌ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم‌های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن‌ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با  استفاده از باز نمونه‌گیری با جایگذاری از ‌داده‌های اردیبهشت‌ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال‌های‌ 1389 و 1390 توسط آن‌ها پیش‌بینی و فاصله اطمینان 95 درصدی برای پیش‌بینی‌ها محاسبه شد. نتایج بررسی معنی‌داری اختلاف پیش‌بینی مدل ترکیبی شبکه عصبی با مدل ARIMA  و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از  عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه‌ها بود.

ین مطالعه به بررسی وضعیت سنجش سرمایۀ اجتماعی و مسائل و مشکلات آن می‌پردازد. از آنجا که سرمایه اجتماعی یک مقوله کیفی است، لذا سنجش آن با مشکلات خاصی مواجه است و به همین دلیل، هنوز روش و رویه یکسانی برای آن ارائه نشده است. این مشکل هم در سطح جهانی و هم در سطح ملی وجود دارد.  مطالعات مختلفی که در این خصوص صورت گرفته و در آینده نیز انجام می‌شود، دارای شیوه‌های کاملاً متفاوتی هستند و بدیهی است که نتایج آنها نیز کاملاً متفاوت و حتی گاهی اوقات، متناقض می‌باشد. این وضعیت به‌گونه‌ای است که مقایسه هر یک از مطالعات صورت گرفته با مطالعه پایه‌ای وزارت ارشاد، نشان‌دهندۀ تفاوت‌های اساسی بین نتایح آنها است. به‌عنوان مثال؛ در مطالعه وزارت ارشاد، نسبت حداکثر شاخص سرمایه اجتماعی به حداقل آن، حدود 84/1 برابر می‌باشد. این در حالی است که در برخی از مطالعات به 28 برابر می‌رسد و در برخی موارد نیز، تفاوت محسوسی مشاهده نمی‌شود و نسبت مذکور حدود 08/1 می باشد. اما تفاوت اساسی اینجا است که ضریب همبستگی شاخص سرمایه اجتماعی بین مطالعات مختلف با مطالعه وزارت ارشاد، اختلافات جدی را نشان می‌دهد، به‌گونه‌ای که در برخی از مطالعات نزدیک به صفر، در برخی منفی و در برخی نیز مثبت می‌باشد. بنابراین، هر یک از این مطالعات با توجه به اهداف و روش‌های خود به نتایج متفاوتی رسیده‌اند. این نتایج نشان می‌دهد که برآورد و تحلیل سرمایه اجتماعی در ایران نیازمند دقت بیشتر در انتخاب مفاهیم و روش‌های اندازه‌گیری است.

در بازارهای سرمایه عامل‌های مختلفی در پیش بینی قیمت سهام موثر می باشد بنابراین سرمایه گذار جهت سرمایه گذاری سودآور با کمترین ریسک  با چالش، تردید و خطا مواجه می باشد. در راستای کاهش هزینه و بالا بردن سود سرمایه گذاری،  تعیین عاملهای تاثیر گذار و زمان مناسب جهت خرید و فروش از مهم ترین مسائلی است که هر سهام دار یا سرمایه گذار در بازار بورس بایستی به آن توجه ویژه داشته باشد. تاکنون روشهای مختلفی جهت نیل به این اهداف معرفی شده اند که اغلب روشهای آماری،  هوشمند و ترکیبی هستند. الگوریتم پیشنهادی یک روش ترکیبی است که شامل دو بخش است بخش اول پیش پردازش و بخش دوم پیش بینی کننده است. در پیش پردازش  سه فرآیند جاگذاری داده‌های غیر موجود، نرمالیزه کردن و انتخاب ویژگی به ترتیب انجام می شود. از آنجایی که تعداد ویژگی‌های بکار برده شده زیاد است از روش الگوریتم ژنتیک برای انتخاب ویژگی و کاهش ابعاد فضای ویژگی استفاده شده است. در بخش پیش بینی کننده، با توجه به قابلیت پیش بینی هوشمند شبکه عصبی - فازی، از این شبکه با دو ساختار ممدانی و سوگنو بعنوان پیش بینی کننده قیمت سهام بهره می‌بریم که قابلیت استخراج قواعد فازی بصورت خودکار دارد. آموزش پارامترهای مقدمه و نتیجه شبکه برپایه الگوریتم پس انتشار خطا (گرادیان نزولی) می‌باشد.
الگوریتم پیشنهادی با استفاده از داده های 10 شرکت که هر کدام از آنها دارای 7 ویژگی می‌باشند، ارزیابی شده است. نتایج شبیه سازی نشان می دهد که با توجه به نوع شرکتها، ویژگیهای انتخابی و نوع ساختار شبکه عصبی فازی ترکیبی  نتایج متفاوتی بدست می آید. با توجه به معیارهای مورد ارزیابی، نتایج به دست آمده برتری شبکه عصبی فازی ترکیبی را به شبکه عصبی فازی ساده نشان می دهد، اما بطور کلی پیش بینی‌کننده با ساختار سوگنو با الگوریتم ژنتیک دارای عملکرد بهتری نسبت به ساختار ممدانی دارد، چون تعداد پارامترهای آموزش ساختار سوگنو بیشتر است.

یکی از فرصت‌های که امکان بهره‌برداری هر چه بهتر از منابع مالی را  به سیاست گذاران مالی کشور، مدیران عامل و مالی یک نهاد انتفاعی می‌دهد، استفاده از معاملات تهاتری به جای معاملات نقدی و پرداخت‌های پولی است. در شرایطی که مبادلات پولی با مشکل مواجه می‌شوند استفاده از مبادلات تهاتری بسیار کارگشا خواهد بود.  در این مقاله سعی شده است تا با معرفی روش‌های مختلف مبادلات تهاتری، مزایای متعدد آن توضیح داده شده و شبکه تهاتر که روشی بهره‌ور برای رشد اقتصادی بدون رشد نقدینگی است ارائه گردد. در نتیجه استفاده کنندگان از مبادلات تهاتری می‌توانند بدون تاثیر گذاری بر رشد نقدینگی که باعث تورم می‌شود، محصولات یا خدماتشان را توسعه داده و در فضای رقابتی کسب و کار رشد بیشتری را تجربه کنند.