مدل سازی ارزش خالص فعلی در پروژه های معدنی با استفاده از الگوریتم های هوشمند و رگرسیون چند متغیره آماری

مقدمه شاخص ارزش خالص فعلی یکی از مهم­ترین پارامترهای اقتصادی برای ارزیابی پروژه­های سرمایه­گذاری معدنی است. با توجه به وجود عدم قطعیت در پارامترهای تاثیرگذار بر ارزش خالص فعلی در اکثر پروژه­های معدنی، تخمین دقیق آن فرآیندی مشکل بوده و نیازمند استفاده از روش­های مناسب است. در تحقیق حاضر، از سه مدل سیستم فازی، شبکه عصبی و رگرسیون چند متغیره آماری برای تعیین ارزش خالص فعلی در پروژه سرمایه­گذاری معدن طلای زرشوران تکاب استفاده شده است. علاوه بر قیمت فلز، تاثیر هزینه­ها و نرخ تنزیل هم در تعیین ارزش خالص فعلی به­عنوان شاخصی برای ارزیابی پروژه معدن طلای زرشوران تکاب با استفاده از مدل­های فوق­الذکر در نظر گرفته شده است. یکی از مزایای تحقیق حاضر نسبت به تحقیقات مشابه قبلی، استفاده از دو الگوریتم هوشمند سیستم فازی و شبکه عصبی برای مدل­سازی ارزش خالص فعلی با دقت بیشتر است. الگوریتم­های فوق، روش­هایی کارا در حل مسائل دارای ابهام و عدم قطعیت از جمله پروژه­های سرمایه­گذاری معدنی بوده و باعث کاهش ریسک­های سرمایه­گذاری می­شوند. با در نظر گرفتن چالش­های مدیریتی موجود در تصمیم­گیری بر سر توجیه اقتصادی پروژه­های مختلف و وجود محدودیت­های زمان و منابع، استفاده از این مدل­ها به روشن نمودن آینده اقتصادی یک پروژه سرمایه­گذاری معدنی و تصمیم­گیری نهایی کمک شایانی می­کند. مواد و روش­ها در این تحقیق از سه مدل سیستم فازی، شبکه عصبی و رگرسیون چند متغیره آماری برای تعیین ارزش خالص فعلی و ارزیابی پارامترهای تاثیرگذار بر آن در پروژه سرمایه­گذاری معدن طلای زرشوران تکاب استفاده و نتایج حاصله با همدیگر، با داده­های واقعی و با مطالعات مشابه قبلی مقایسه شده است. قیمت طلا (عنصر اصلی)، قیمت نقره (عنصر همراه) و نرخ تنزیل به­عنوان پارامترهای ورودی جهت ارزیابی ارزش خالص فعلی در نظر گرفته شده است. استفاده از منطق فازی در مدل­سازی ارزش خالص فعلی که همواره با عدم قطعیت همراه است، می­تواند به نتایج واقعی­تری منجر شود. همچنین، استفاده از شبکه عصبی با توجه به قابلیت بالای آن در مواجهه با داده­های مبهم و دارای نویز که به نوعی در ارزیابی پروژه­های معدنی دخیل هستند، می­تواند مثمرثر واقع شود. نتایج و بحث با استفاده از روش سعی و خطا، توابع عضویت مثلثی و ذوزنقه­ای، موتور استنتاج ممدانی و تابع غیرفازی­ساز مرکز ثقل به­عنوان پارامتراهای بهینه در مدل فازی پیشنهادی انتخاب شد. همچنین، شبکه عصبی با تابع آموزش پس­انتشار خطا از نوع لونبرگ-مارک کواردت، تابع انتقال لگاریتم سیگموئید با ساختار ۳-۵-۱۰-۱ و متوسط جذر مربعات خطای ۰۰۳۲/۰ به­عنوان شبکه بهینه انتخاب گردید. به علاوه، یک رابطه آماری چند متغیره خطی برای پیش­بینی ارزش خالص فعی ارائه شد. براساس شاخص­های ارزیابی عملکرد ضریب تصمیم­گیری، خطای مطلق و خطای نسبی، نتایج حاصل از مدل­های پیشنهادی با همدیگر و همچنین با داده­های واقعی و مطالعات مشابه قبلی مقایسه گردید. مقایسه فوق نشان داد که عملکرد دو مدل فازی و عصبی در پیش­بینی ارزش خالص فعلی قابل قبول بوده و در مقایسه با مدل آماری تطابق بسیار بهتری با داده­های واقعی دارند. با این حال، عملکرد سیستم فازی تا حدودی بهتر از شبکه عصبی پیشنهادی در این تحقیق و مطالعات قبلی بوده و نتایج حاصل از آن تطابق نسبتا بهتری با داده­های واقعی دارد. در نهایت، آنالیز حساسیت نتایج حاصل از مدل فازی با استفاده از روش میدان کسینوسی انجام شد (با توجه به دقت بیشتر آن). نتایج حاصله نشان داد که قیمت طلا دارای بیشترین تاثیر و نرخ تنزیل دارای کمترین تاثیر بر ارزش خالص فعلی است. نتیجه ­گیری در این تحقیق، کاربرد موفقیت­ آمیز دو مدل هوشمند مبتنی بر منطق فازی و شبکه عصبی در پیش ­بینی ارزش خالص فعلی در پروژه سرمایه­­گذاری معدنی طلای زرشوران ارائه گردید. همچنین، یک معادله رگرسیون چند متغیره خطی با عملکرد نسبتا قابل قبول برای تخمین ارزش خالص فعلی پیشنهاد شد. ارزیابی نتایج حاصل از مدل­های پیشنهادی نشان داد که عملکرد مدل فازی در تخمین ارزش خالص فعلی پروژه­های معدنی تا حدودی بهتر از مدل شبکه عصبی پیشنهادی در این تحقیق و مطالعات قبلی بوده و عملکرد هر دو مدل بهتر از مدل آماری است. براساس نتایج آنالیز حساسیت مدل فازی (دقیق­ترین مدل پیشنهادی)، اثبات گردید که قیمت طلا و نرخ تنزیل به­ ترتیب بیشترین و کمترین تاثیر را بر ارزش خالص فعلی دارند. با توجه به نتایج فوق، می­توان نتیجه گرفت که از تکنیک­های هوشمند پیشنهادی در این تحقیق (به­ویژه مدل فازی) می­توان با قابلیت اطمینان خوبی در ارزیابی پروژه­های سرمایه­گذاری معدنی به­منظور پوشش عدم قطعیت و کاهش ریسک سرمایه­ گذاری استفاده نمود.

Keywords:

آنالیز حساسیت , ارزش خالص فعلی , رگرسیون چند متغیره , سیستم فازی , شبکه عصبی