نتایج تحقیق کامرانی فرد (۱۳۸۹) در زمینه پیش‌بینی فروش نشان داد که به طور کلی کارایی شبکه عصبی در پیش‌بینی فروش قطعات وانت بیش از روش رگرسیون است. ورودی‌های شبکه عصبی کلی در نظر گرفته شده در این تحقیق به شرح زیر است: شماره ماه، قیمت قطعه در ماه مربوطه، ضریب اهمیت ماه، نرخ تورم در ماه، فروش تجمعی قطعه تا ماه مورد نظر.در این تحقیق برای پیشبینی از دو شبکه کلی و ماهانه استفاده شده است. شبکههای عصبی کلی ساختاری چهارلایه داشته و اکثر شبکههای عصبی ماهانه سه لایه بودند.
منهاج و همکاران (۱۳۸۹) نیز به پیش‌بینی تقاضای انرژی‌بخش حمل‌ونقل کشور با استفاده از شبکههای عصبی پرداختند. این الگو بر اساس دادههای مربوط به تولید ناخالص داخلی، جمعیت و تعداد خودرو طی سال‌های ۱۳۴۷-۱۳۸۵ طراحی و نتایج آن با الگوی رگرسیون چند متغیره مقایسه شد. نتایج این تحقیق نشان میدهد که شبکههای عصبی نسبت به روش رگرسیون چند متغیره به مراتب خطای کمتری دارد.
علی آب بر(۱۳۹۰) در پایان‌نامه خود با عنوان «پیش‌بینی بازده سهام با استفاده از مدل های خطی و غیرخطی» به پیش‌بینی بازده سهام شرکت‌های پتروشیمی با استفاده از دو متغیر تأثیر گذار قیمت نفت و نرخ ارز پرداخته است، مدل های مورد استفاده در این تحقیق شبکه عصبی مصنوعی و رگرسیون خطی چند متغیره می‌باشد. نتایجی که به دست آمده حاکی از این می‌باشد که شبکه عصبی در امر پیش‌بینی بازده سهام این شرکت‌های موفق تر عمل کرده و برای پیش‌بینی بازده سهام مناسب تر است.
بشارت نیا (۱۳۹۰)، در پایان‌نامه خود تحت عنوان« پیش‌بینی قیمت طلا با استفاده از شبکه‌های عصبی» عوامل زیر را به عنوان عوامل تأثیرگذار بر قیمت طلا در نظر گرفته: قیمت نفت، تولید ناخالصی ملی، نرخ بهره، نرخ تورم، تولید جهانی فلز طلا و قیمت نقره و همچنین از شبکه عصبی پیشخور دو لایه با ریشه میانگین مربعات خطای ۱۲۷ به عنوان بهترین مدل برای پیش‌بینی استفاده کرده و به این نتیجه رسید که نسبت به مقالات قبلی ۸٫۱ درصد بهبود در قدرت پیش‌بینی شبکه حاصل شده است.
۲-۲۸-۲ سوابق تحقیقاتی خارج از کشور
کیو[۷۴](۲۰۰۱) در مقاله‌ای تحت عنوان «سیستم پیش‌بینی فروش مبتنی بر شبکه عصبی فازی با وزن‌های اولیه ایجاد شده با الگوریتم ژنتیک» فاکتورهای زیرا را برای پیش‌بینی در نظر گرفت: روش ترفیع، نوع رسانه تبلیغاتی و فعالیت رقبا و به این نتیجه رسید که عملکرد یک شبکه عصبی ۳ لایه وزن دهی شده (GFNN[75] ) نسبت به ANN(شبکه عصبی بدون وزن) بهتر است و دارای خطای کمتری است.
کو[۷۶] و همکاران (۲۰۰۲) در تحقیقی با هدف پیشبینی فروش فروشگاه‌های چندمنظوره شاخص‌های روش ترفیع، فعالیت رقبا و رسانه تبلیغاتی را عوامل مؤثر بر فروش در نظر گرفتند و عملکرد شبکه GA[77]+FNNW[78] را با ARIMA با استفاده از دو شاخص MSE و MAPE مقایسه کردند و به این نتیجه رسیدند که عملکرد شبکه عصبی ترکیبی (شبکه عصبی وزن دهی شده و الگوریتم ژنتیک) نسبت به ARIMA بهتر است.
چانگ و لای[۷۹](۲۰۰۵) در همین زمینه تحقیقی انجام دادند و به پیش‌بینی فروش کتابهای جدیدالانتشار پرداختند. در این تحقیق شاخص‌های مؤثر بر فروش که به عنوان ورودی شبکه در نظر گرفته شده عبارتند از گرید نویسنده (از خوب تا بد با ۵ درجه)،گرید ناشر (از خوب تا بد با ۵ درجه)، طبقه‌بندی کتاب (در ۸ گروه) و قیمت. آنها در تحقیق خود از ترکیب خوشه‌بندی به روش [۸۰]SOM با شبکه عصبی ۳ لایه با یک لایه پنهان و با نرونهای ۱-۱-۵ استفاده کرده و این روش را با استفاده از معیار MAPE با روشهای Conventional CBR[81]و K-CBRمقایسه کردند. نتایج تحقیق حاکی از خطای کمتر SOM-CBR نسبت به سایر روشهای استفاده شده بود.
چانگ[۸۲](۲۰۰۵) از شبکههای عصبی در تجزیه و تحلیل بسامد تصادفات در آزادراهها استفاده کرد. در این تحقیق با استفاده از دادههای مربوط به دو سال ۱۹۹۷ و ۱۹۹۸ در یکی از بزرگراههای تایوان، مدل رگرسیون دوجملهای منفی با شبکه عصبی مصنوعی سه لایه مقایسه شد و این نتیجه به دست آمد که شبکههای عصبی جایگزین مناسبی برای الگوی رگرسیون دوجملهای منفی به شمار میآیند.
تحقیق دیگری که توسط ملک[۸۳] و همکاران (۲۰۰۶) به انجام رسید از قیمت نفت به عنوان ورودی برای پیش‌بینی تولید ناخالص داخلی استفاده شد. در این تحقیق با فرض اینکه قیمت‌های نفت بر روی خروجی اقتصاد در یک حالت غیرخطی مؤثر است ولی شکل کلی تابع آن مورد اجماع نیست، از شبکه‌های عصبی جهت ارتباط دادن متغیرهای کلان اقتصادی با قیمت‌های نفت استفاده شد. در پایان این تحقیق نویسنده مدعی است رویکرد شبکه عصبی که از قیمت نفت به عنوان ورودی استفاده می‌کند از سایر روش‌ها مانند گام برداری تصادفی (Random walk)، روند خطی و شبکه‌های عصبی بدون در نظر گرفتن قیمت نفت، مؤثرتر است، خطای کمتری دارد و برای پیش‌بینی در امور اقتصادی ابزار مناسبی است.
چانگ[۸۴] و همکاران (۲۰۰۷) در تحقیقی با عنوان « ایجاد یک شبکه عصبی فازی وزن دهی شده برای پیش‌بینی فروش PCB » فاکتورهای میزان صادرات و حجم فروش را برای پیش‌بینی مادربرد در نظر گرفته‌اند که نتایج این تحقیق نشان داد که روش شبکه عصبی وزن داده‌شده ([۸۵]WEFuNN) در مقایسه با سایر روش‌ها از دقت بالاتری برخوردار است و پیشنهاد می‌کند که از روش‌های هوشمند ترکیبی برای انجام پیش‌بینی با دقت بالا استفاده شود.
کو و بوسارونگ[۸۶](۲۰۰۷) با در ن

دانلود متن کامل پایان نامه در سایت jemo.ir موجود است

ظر گرفتن عوامل ۱٫ صادرات برنج در ماه جاری ۲٫ تفاوت مطلق بین صادرات برنج در این ماه و ماه قبلی ۳٫ میانگین متحرک ۳ ماهه صادرات برنج ۴٫ میانگین متحرک ۱۲ ماهه صادرات برنج به پیشبینی فروش صادرات برنج پرداختند. آنها در تحقیق خود از شبکه feed-forward با ۱۰ نرون در لایه میانی استفاده کرده و آن را با باکس جنکینز و هالت-وینترز مقایسه کردند و با استفاده از شاخص اندازه‌گیری خطا شامل MAE،MAPE،MSE و RMSE به این نتیجه رسیدند که خطای شبکه کمتر از دو روش دیگر است.
توماسی و هاپیت[۸۷] (۲۰۰۷) به انجام پیش‌بینی فروش در صنعت پوشاک پرداختند و شاخص‌های قیمت، طول عمر و زمان شروع فروش را به عنوان شاخص‌های مؤثر بر فروش در نظر گرفتند و شبکه NCC (ترکیب شبکه عصبی احتمالی و SOM) را با شبکه عصبی معمولی مقایسه کردند و برای اندازهگیری خطا از دو شاخص MAPE و MdAPE استفاده کردند و در نهایت به این نتیجه رسیدند که NCC عملکرد بهتری نسبت به شبکه عصبی معمولی دارد.
لو[۸۸] و همکاران (۲۰۱۱) با استفاده از رگرسیون و شبکه عصبی به پیش‌بینی فروش کامپیوتر پرداختند و برای مقایسه عملکرد این دو از شاخص‌های اندازه‌گیری خطا شامل MAD،RMSE،MAPE و RMSPE استفاده کردند. شاخص‌های استفاده شده در این تحقیق عبارتند از.میانگین متحرک ۳ ماهه ۲٫ میانگین متحرک ۶ ماهه ۳٫ میزان فروش ماه قبل ۴٫ میزان فروش ۲ ماه قبل ۵٫ میزان فروش ۳ ماه قبل ۶٫ شاخص قدرت نسبی ۳ ماهه ۷٫ شاخص قدرت نسبی ۶ ماهه ۸٫ شاخص قدرت نسبی ۱۲ ماهه. نتایج این تحقیق نشان داد که عملکرد MARS[89]-SVR نسبت به روشهای SVR[90]،[۹۱]CMACNN و MARS-CMACNN بهتر است.
چن و او[۹۲] (۲۰۱۱) در تحقیقی به پیش‌بینی فروش در صنعت خرده‌فروشی پرداختند. آنها شاخص‌های مؤثر بر فروش را قیمت، برند و وضعیت آب و هوایی در نظر گرفتند. برای پیش‌بینی از یک شبکه سه لایه با ۲۵ نرون در لایه پنهان استفاده کردند و انواع مختلفی از شبکه عصبی را با استفاده از MAD و MSEبا یکدیگرمقایسه کردند و نتیجه به دست آمده از این تحقیق نشان داد که[۹۳] GELM نسبت به دو روش [۹۴]GBPN و GMFLN[95] خطای کمتری دارد.
شیه[۹۶] و همکاران (۲۰۱۱) در همین زمینه و بر روی محصول پرینتر تحقیقی انجام دادند. متغیرهای در نظر گرفته شده در این تحقیق شامل نوع مشتری، رفتار مشتری و آمیخته بازاریابی می‌باشد. آنها در تحقیق خود روش ANP[97] را برای پیش‌بینی پیشنهاد کردند و این روش را با روشهای پیش‌بینی سنتی از جمله میانگین متحرک مقایسه کردند و معیار مقایسه نیز بر مبنای میزان MAD بود که در نهایت نتایج تحقیق نشان داد که ANP نسبت به روشهای آماری و سنتی از عملکرد بهتری برخوردار است.
چی جی لو[۹۸] و همکاران (۲۰۱۲) در پژوهشی به پیش‌بینی فروش کامپیوتر با استفاده از روش رگرسیون و شبکه عصبی پرداختند. شاخص‌های مؤثر بر فروشی که در نظر گرفته شد عبارتند از میانگین متحرک سه ماهه، میزان فروش ماه قبل، میزان فروش دو ماه قبل.در این پژوهش عملکرد رگرسیون انطباقی چند متغیره (MARS) با انواع شبکه عصبی و رگرسیون بردار پشتیبان (SVR) با استفاده از معیارهای MAD، MAPE، RMSE و RMSPE مقایسه شد. نتایج این تحقیق نشان داد که روش MARS نسبت به سایر روشها از جمله SVR,BPN،CMACNN، MARS-SVR و MARS-CMACNN مزیت و برتری دارد.
کولوریوتیس و مانتاس[۹۹](۲۰۱۲) با استفاده از انواع مختلف شبکه عصبی به پیش‌بینی فروش محصولات بهداشتی پرداختند. آنها در تحقیق خود شبکه Feed-forward 3 لایه را با روشهای Radial basis، Elman و ANFIS مقایسه کردند. شاخص اندازه‌گیری خطا در این تحقیق MSE بوده و در نهایت میزان خطای شبکه Feed-forward سه لایه نسبت به سایر روشها کمتر ارزیابی شد.
خاساناه[۱۰۰]وهمکاران (۲۰۱۳) با استفاده از ترکیب رگرسیون با SOM فروش شرکتی در زمینه محصولات مواد غذایی را پیش‌بینی کردند. شاخص‌های مؤثر بر فروش در این تحقیق عبارتند از: تعطیلات، دما هوا و رطوبت هوا. آنها برای اندازه‌گیری خطا از شاخص MAPE استفاده کردند و نتایج تحقیق نشان داد که عملکرد مدل پیش‌بینی با خوشه‌بندی نسبت به مدل بدون خوشه‌بندی بهتر است.
۲-۲۹ جمعبندی
در این بخش بعد از ارائه تعاریف مقدماتی، به بررسی مقالات مرتبط پرداخته و خلاصه نتایج آن در جدول (۲-۴) نشان داده شد. نتایج حاصل از این جدول نشان میدهد که بخش زیادی از مطالعات خارجی حوزه پیشبینی فروش در صنایعی نظیر صنعت اتومبیل، کامپیوتر، پرینتر و سایر صنایعی که در بازار رقابتی فعالیت دارند، انجام شده و این مطالعات براساس مقایسه روشهای شبکه عصبی و ترکیبی هوشمند با روشهای پیشبینی سنتی نظیر رگرسیون بودهاند. مرور پیشینه داخلی ، نشان میدهد که در تحقیقات انجام شده در این زمینه بسیار اندک میباشد. با توجه به نبود تحقیقات داخلی کافی در این زمینه و همچنین اهمیت محصولات ملی برای هر کشور و تدوین استراتژی مبتنی بر پیشبینی فروش برای فروش بیشتر این محصولات، پژوهشی در این زمینه انجام نشده است که این خلأ زمینه را برای انجام تحقیق حاضر فراهم میکند.
فصل سوم
روش شناسی تحقیق
۱-۳ مقدمه
در این فصل به بررسی روش انجام تحقیق پرداخته میشود. ابتدا، نوع تحقیق از نظر هدف و روش مشخص شده و سپس مراحل انجام تحقیق در قالب نموداری آورده شده است. پس از تعیین جامعه و نمونه آماری، نحوه گردآوری دادهها، چگونگی انتخاب شاخصها و در پایان شیوه تجزیه و تحلیل دادهها تشریح شده است.
۳-۲ روش شناسی تحقیق
دستیابی به
هدف‌های علمی یا شناخت علمی میسر نخواهد بود مگر زمانی که با روششناسی[۱۰۱] درست صورت پذیرد؛ به عبارت دیگر تحقیق از حیث روش است که اعتبار میپذیرد نه موضوع تحقیق (خاکی،۱۳۹۰ :۱۹۳) روش، شیوه پیش رفتن به سوی یک هدف است؛ بنابراین شرح دادن روش علمی عبارت است از شرح اصول اساسی که در هر کار تحقیقی به اجرا گذاشته می‌شود.
روش‌ها صورت خاصی از روش علمی هستند که بدین منظور طراحی‌شده‌اند تا بهتر با پدیده‌ها و موضوع سازگار باشند. با توجه به نقش و اهمیت کاربرد صحیح و دقیقی روش‌های علمی و نیز با توجه به محدودیت‌هایی که وجود دارد و اهدافی که از این تحقیق داریم تلاش ما براین است که روشی را بکار گیریم که دقیق و مبتنی بر روش‌های علمی باشد. روش‌های تحقیق را با معیارهای مختلف، دسته‌بندی می‌کنند؛ که در زیر نمونه‌ای از این طبقه‌بندی آمده است:
طبقه‌بندی انواع تحقیق بر مبنای هدف
طبقه‌بندی انواع تحقیق بر مبنای روش
۳-۲-۱ طبقه‌بندی انواع تحقیق بر مبنای هدف
با توجه به هدف تحقیق، تحقیقات علمی به سه دسته بنیادین، کاربردی و تحقیق و توسعه تقسیم می‌شوند. تحقیق حاضر به لحاظ هدف از نوع تحقیقات کاربردی است.
تحقیقات کاربردی تحقیقاتی هستند که قانونمندی‌ها، اصول و فنونی که در تحقیقات پایه تدوین می‌شوند را برای حل مسائل اجرایی و واقعی به کار می‌گیرند. این نوع تحقیقات بیشتر به مؤثرترین اقدام تأکید دارند و علت‌ها را کمتر مورد توجه قرار می‌دهند. این تأکید بیشتر به واسطه آن است که تحقیقات کاربردی به سمت کاربرد علمی دانش هدایت می‌شود. (سرمد و همکاران،۱۳۸۳: ۷۹)
۳-۲-۲ طبقه‌بندی انواع تحقیق بر مبنای روش
این تحقیق از لحاظ روش از نوع تحقیقات توصیفی- تحلیلی می‌باشد و چون از روش رگرسیون استفاده می‌شود در گروه تحقیقات همبستگی قرار می‌گیرد.
تحقیق توصیفی آنچه را که هست توصیف و تفسیر می‌کند و به شرایط یا روابط موجود، عقاید متداول، فرایندهای جاری، آثار مشهود یا روندهای در حال گسترش توجه دارد. تمرکز اصلی در درجه اول به زمان حال است، هر چند که غالباً رویدادها و آثار گذشته را نیز که به شرایط موجود مربوط میشوند مورد بررسی قرار میدهد. پژوهش توصیفی شامل جمعآوری اطلاعات برای آزمون فرضیه یا پاسخ به سؤالات مربوط به وضعیت فعلی موضوع مورد مطالعه میشود. اطلاعات توصیفی معمولاً از طریق پرسشنامه، مصاحبه و یا مشاهده جمع‌آوری می‌شوند. (خاکی، ۱۳۹۰: ۲۱۰)
در تحقیق همبستگی هدف اصلی آن است که مشخص شود آیا رابطه‌ای بین دو یا چند متغیر کمی (قابل سنجش) وجود دارد و اگر این رابطه وجود دارد اندازه و حد آن چقدر است؟ هدف از مطالعه‌ی همبستگی ممکن است برقراری یک رابطه یا نبود آن و به‌کارگیری روابط در انجام پیش‌بینی‌ها باشد. مطالعات همبستگی، تعدادی از متغیرهایی را که تصور می رود با مسئله مرتبط هستند ارزیابی می‌کند. متغیرهایی که معلوم شود وابستگی زیادی ندارند، حذف‌شده و مورد بررسی بیشتر قرار نمی‌گیرند. برای تعیین علی بودن روابط بین متغیرهایی که وابستگی زیادی دارند، نیاز به انجام مطالعات علی- تطبیقی یا تجربی وجود دارد. (همان منبع:۲۱۸)
۳-۳ مراحل انجام تحقیق
در این تحقیق ابتدا با استفاده از شاخصهای نهایی برگرفته از پرسشنامه، دو شبکهMLP و RBF طراحی و پس از مقایسه عملکرد دو شبکه مذکور،MLP به عنوان شبکه پیشبینی کننده مورد انتخاب قرار گرفت. سپس برای دو محصول از محصولات شرکت ملی صنایع مس ایران (مس کاتد و مفتول مسی) با استفاده از روشهای شبکه عصبی مصنوعی(شبکه MLP) و رگرسیون، پیشبینی فروش انجام شد.

این را هم حتما بخوانید :   دسترسی متن کامل - بررسی عملکرد شرکتهای بورسی قبل و بعد از اجرای فاز اول هدفمندی یارانه‌ها- ...