نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی کاظمی ¹
• علی اکبر نیک نفس ²
• وحید رنجبر ³

¹ استادیار گروه مدیریت دانشگاه سیستان و بلوچستان، زاهدان، (مسئول مکاتبات)

² استادیار گروه مهندسی کامپیوتر دانشگاه شهید باهنر، کرمان

³ کارشناس ارشد مدیریت فناوری اطلاعات دانشگاه سیستان و بلوچستان

چکیده

ماهیت روابط تشریح کننده بسیاری از فرایندهای واقعی زندگی به ویژه در حوزه های تجاری و مدیریتی اغلب غیر خطی هستند. لذا پیش بینی رفتار چنین فرایندهایی نیازمند ابزارهای دقیق و اثر بخش است. شبکه های عصبی مصنوعی قادرند به عنوان یک ابزار مهم مدل سازی در پیش بینی مسائل کسب و کار، نقایص مدل های معمول را جبران نمایند. هدف مقاله حاضر نشان دادن برتری شبکه های عصبی در پیش بینی فرایند های غیر خطی در مقایسه با سایر مدلهای پیش بینی است. بدین منظور در این مقاله داده های مربوط به صنعت چوب ایران شامل مقدار تولیدات، مقدار واردات و ارزش ارزی واردات از سال 1961 تا سال 2007 میلادی مورد مطالعه قرار گرفته است. ابتدا با استفاده از این داده ها و اعمال شبکه عصبی و مدل های غیر خطی به دست آمده از نرم افزار MATLAB، پیش بینی هایی در مورد صنعت چوب ایران انجام شد و سپس با توجه به شاخص ها میانگین مطلق درصدی خطا نتایج به دست آمده از روش های مزبور با هم مقایسه شدند. یافته های تحقیق حاکی از موفقیت چشمگیر شبکه عصبی در هر سه مطالعه صورت گرفته نسبت به مدل های غیر خطی به دست آمده از نرم افزار MATLAB می باشد.

کلیدواژه‌ها

• پیش بینی
• شبکه عصبی
• فرایند های غیر خطی

عنوان مقاله [English]

Applications Of neural networks in business and managerial forecasting and comparative with nonlinear models Case study: Iran wood industry

نویسندگان [English]

• Mahdi Kazemi ¹
• Ali Akbar Niknafs ²
• Vahid Ranjbar ³

¹

²

³

چکیده [English]

Often, the nature of many real life processes, especially in management and business fields are nonlinear. Forecasting the behavior of these processes requires accurate and effective forecasting tools. Shortages of such processes are removable by artificial neural network as an important modeling tool in business forecasting problems. In a comparing analyze, this paper shows the excellent performance of neural network in forecasting nonlinear processes rather than other forecasting models. For this, production, import and import value (dollar) data, related to wood industry of Iran, from 1961 to 2007 are studied. First, applying this data to neural network model and nonlinear models obtained from MATLAB software, the Iran wood industry was forecasted and then based on MAPE¹, yielded outcomes from both models compared. Study findings show that in all cases neural network has more successful performance than models from MATLAB.

کلیدواژه‌ها [English]

• Forecasting
• Neural network. Nonlinear Processes