پیش بینی موفقیت طرح های سرمایه گذاری مناطق آزاد تجاری – صنعتی ارس و ماکو و منطقه ویژه اقتصادی سلماس با استفاده از تکنیک شبکه عصبی چندلایه پرسپترون
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 129
This Paper With 28 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JDEP-9-2_011
تاریخ نمایه سازی: 19 دی 1402
Abstract:
هدف اصلی از این پژوهش این است که الگویی را برای پیش بینی موفقیت طرح های سرمایه گذاری در مناطق آزاد تجاری – صنعتی ارس و ماکو و منطقه ویژه اقتصادی سلماس ارائه دهد. برای تجزیه و تحلیل داده های این تحقیق از نرم افزارهایexpert choice، MATLAB و SPSS و PLS استفاده شده است و با استفاده از مبانی نظری و بصورت کتابخانه ای شش عامل موثر و متغیرهای پیش بینی کننده موفقیت یا شکست طرح های سرمایه گذاری در مناطق آزاد و ویژه اقتصادی کشور شناسایی و بعد از توصیف متغیرها و آزمون نرمال بودن، با استفاده از نرم افزار PLS تحلیل عاملی تاییدی متغیرها صورت گرفت که همگی عوامل از تحلیل عاملی تاییدی مناسبی برخوردار هستند.سپس با استفاده از رگرسیون خطی و آزمون آنالیز واریانس تاثیر هر یک از عوامل بر موفقیت یا شکست طرح های سرمایه گذاری بررسی گردید که نتایج این آزمون نشان دهنده تایید تاثیر هر یک از عوامل بوده است و با استفاده از تحلیل سلسله این عوامل رتبه بندی شدند، که با توجه به این اولویت بندی،شبکه عصبی مورد استفاده شده در این تحقیق نیز شامل داده های ۶متغیر به عنوان متغیر ورودی می باشد، با دو لایه میانی با تعداد۳۰ گره در لایه اول و سه گره در لایه دوم می باشد. که دارای یه خروجی است. که نتایج نشان دهنده این بود که مدل شبکه عصبی طراحی شده قدرت پیش بینی موفقیت طرح های سرمایه گذاری را تا ۱.۲ درصد خطا دارد،که نشان دهنده ی قدرت پیش بینی بالای مدل است
Keywords:
پیش بینی موفقیت , طرح های سرمایه گذاری , مناطق آزاد تجاری- صنعتی و ویژه اقتصادی , شبکه عصبی چند لایه
Authors
مرتضی شکرزاده
گروه مدیریت، دانشکده مدیریت - حسابداری، موسسه آموزش عالی غیرانتفاعی - غیردولتی آذرآبادگان، ارومیه، ایران
مجتبی شکرزاده
دانشجوی دکتری گروه مدیریت صنعتی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :