نوع صنعت

۰٫۰۰۰

متغیر وابسته

عامل ثابت

(Sig.)

توسعه محصول جدید

سن استقرار شرکت

۰٫۰۰۰

تعداد پرسنل تحقیق و توسعه

۰٫۰۰۵

تعداد کارمندان

۰٫۰۰۰

نوع صنعت

۰٫۰۰۰

(منبع: یافته‌های تحقیق)
۴-۷- بررسی رابطه بین متغیرهای مستقل و وابسته به کمک معادلات ساختاری
۴-۷-۱٫ تشریح مدل معادلات ساختاری
مدل معادلات ساختاری یک رویکرد آماری جامعی برای آزمون فرضیه‌هایی درباره روابط بین متغیرهای مشاهده شده و متغیرهای مکنون است. از طریق این رویکرد می‌توان قابل قبول بودن مدل نظری را در جامعه‌های خاص با بهره گرفتن از داده‌های همبستگی، غیرآزمایشی آزمون نمود. نتایج معادلات ساختاری به شکل نمودار مسیر ارائه می‌گردد. نمودار مسیر یک نمایش گرافیگی از مدل معادلات ساختاری است که سه جزء اصلی این نمودار عبارت‌اند: مستطیل‌ها، بیضی‌ها و پیکان‌ها. پس از ارائه مدل اولیه توسط نرم‌افزار تحلیل مدل معادلات ساختاری، یکی از مهم‌ترین جنبه‌های بحث‌برانگیز اصلاح مدل است. اصلاح مدل مستلزم تطبیق کردن یک مدل بیان شده و تخمین زده شده است که این را از طریق آزاد کردن پارامترهایی که قبلاً ثابت بوده‌اند و یا ثابت کردن پارامترهایی که قبل از آن آزاد بوده‌اند صورت می‌گیرد. در این حالت پارامترهایی را که در مدل معنادار نشده را حذف کرده و مدل را بهبود می‌بخشد.

( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

هنگامی که یک مدلی تخمین زده می‌شود برنامه نرم‌افزاری یکسری آمارهایی از قبیل خطای استاندارد، T-Value و غیره را درباره ارزیابی تناسب مدل با داده‌ها منتشر می‌کند. مهم‌ترین شاخص تناسب مدل عبارت است از RMSEA. لازم به ذکر است در این پژوهش جهت تحلیل مدل معادلات ساختاری از نرم‌افزار LISRELاستفاده شده است. لازم به ذکر است که متغیرهای پنهان در مدل‌سازی با اختصارات KM مدیریت دانش، PI نوآوری فرایند و NPD توسعه محصول جدید می‏باشد. همچنین متغیرهای آشکار با توجه به گویه پرسش‏ها از X1 تا X45 نام‌گذاری شده است.
۴-۷-۲٫ مدل معادلات ساختاری برآورد شده
این مدل شامل کلیه متغیرهای مستقل و وابسته و ارتباط بین متغیرهای تحقیق یعنی مدیریت دانش، نوآوری فرایند و توسعه محصول جدید می‏باشد. نتیجه حاصل شده بصورت شکل ۴-۹ می‏باشد (اعدادی که بر روی خطوط فلش قرار دارند، مقادیر T-value بین متغیر مستقل و وابسته می‏باشند). با بررسی دقیق‌تر مدل ارائه شده که مشخص می‏شود که قدر مطلق مقدار T-Value در همه رابطه‏ها بیشتر از عدد ۲ می‏باشد که این موضوع بیانگر رابطه بین متغیرهای مربوطه با یکدیگر می‏باشد.

شکل ۴-۹: مدل تحقیق
(منبع: یافته‌های پژوهش)
جدول زیر خلاصه نتایج معادلات ساختاری رانشان می‌دهد. همانطور که در این جدول مشاهده می‏شود کلیه شاخص‌ها در حالت مناسبی قرار دارند و مدل مدل مناسبی برآورد شده است.
جدول ۴-۱۱: شاخص‌های برازش مدل تحقیق

مدل

P-value

RMSEA

GFI

نه از تابوت مرسل گشت و از صندوق خسرو شد یکی موسی را در آن به آب نیل افکنده
سخن از شیر خوارگی موسی که فرعون طشتی از آتش برای امتحان او در جلویش قرار می دهد و موسی دست خود را درون آتش برده و در دهان خود می گذارد و این کار را و باعث می شود که دچار لکنت زبان شود، چنانچه عطار نیشابوری می گوید:

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

چه بودی گر زبان من نبودی که گنگان راست نیکو شرح اسرار
زبان موسی از آتش از آن سوخت که تا پاس زبان دارد به هنجار
درنهاد آدمی شهوت چو طتشتی آتش است نفس سگ چون پادشاهی و شیاطین لشکر است
همچو موسی این زمان در طشت آتش مانده ای طفل و فرعونیت در پیش و دهان پراخگر است
گهی تا بوتم اندازی به دریا گهی برتخت فرعونم نشانی
خاقانی می گوید:
مده جام فرعونیم کز تزّ هد چو فرعونیان ز اژدها می گریزم
همه فرعون گرگ پیشه شدند من عصا و شبان نمی یابم
آری بنای جادوی فرعونی از جهان ثعبان اسود و ید بیضا برافکند
فرعونیان بی فرعونند لاجرم اصحاب بینش ید بیضای من نیند
جام فرعونی اندر آرکه صبح دست موسی برآرد از کهسار
خرد نا ایمن است از طبع از آن حرزش کنم حیرت چو موسی زنده در تابوت از آن دارم به زندانش
خرد بر راه طبع آید که مهد نفس موسی را گذر برخیل، فرعونست و ناچارست از ایشانش
زهد و کرامت آسیه همسر فرعون و ما در موسی را بحر معانی می داند، چنانچه خاقانی می گوید:
ای ساره صفات و آسیه زهد کس چون تو زبیده سان ندیدست
هست آسیه به زهد و زلیخا به ملک از آن تسلیم مصرو قاهره بر قهرمان اوست
آسیه توفیق و ساره سیرتست ساره را سیما دیده ام
کای مادر موسی معانی فارغ شو وفاقذ فیه فی الیم
ای آسیه کرامت و ای ساره معرفت حوّای وقت و مریم آخر زمان شده
۱موسی و معجزات او
حضرت موسی برای انجام امر حق به مصر آمد و دعوت الهی را بر فرعون عرضه داشت. فرعون بر آشفت و گفت مگر نه در خاندان ما تربیت شده ای؟ چگونه با پرونده ی خود از در ستیز در می آیی! فرعون موسی و هارون را به قتل تهدید کرد ولی آنان گفتند ما جز از خدای یگانه از دیگری نمی ترسیم
موسی در برابر فرعون آیاتی اظهار داشت: دست درگریبان کرد واز گریبانش فروغی شبیه به نور آفتاب ساطع گردید و عصایش را افکند به صورت اژدها درآمد.۲
فرعون ساحران را خواست تا با موسی به معارضه بپردازند. ایشان عصاهای خود را افکندند و عصای آنان به صورت اژدها درآمد آنگاه موسی به نام خدا عصای خویش را به زمین افکند، اژدهایی شد وعصاهای دیگر را فرو برد. ساحران به سجده افتادند و به پروردگار یکتا ایمان آوردند. فرعون ایشان را به قتل وصلب تهدید کرد ولی آنان متهورانه ایستادگی کردند واز راه حق باز نگردیدند. موسی از فرعون خواست که فرعون افراد بنی اسرائیل را آزادی بخشد و در اختیار او گذارد تا با خود از مصر بیرون برد وفرعون به این امر رضا نداند و به این ترتیب، بلاهای عشره بر مصریان نازل گردید: نخست آب تبدیل به خون شد و پس از آن دچار وزغ و پشه و مگس و طاعون و طوفان ودمل وملخ شدند. باز فرعون با آزادی کامل بنی اسرائیل موافقت نکرد. بلا فرا رسید و ظلمت همه ی مصر را فرا گرفت ودر مرحله ی دهم نخست زاده ی فرعون ناگهانی مرد. فرعون در برابر این حادثه ی ناگوار تاب مقاومت نیاورد و تسلیم گردید.
چون بنی اسرائیل به همراهی موسی از مصر بیرون شدند فرعون به تعقیب آنان پرداخت. حضرت موسی وهمراهانش از دریا گذشتند لیکن فرعون و سپاهیانش غرق گردیدند ودستخوش امواج دریا شدند. خداوند بدن فرعون را نجات داد تا برای آیندگان آیتی باشد داستان موسی و اعجازهای او این چنین در شعر انعکاس پیدا کرده است.
تبدیل عصای موسی به اژدها و درخشان شدن دستش هنگامی که آن را در گریبان فرو می برد و از آب گذشتن او و یارانش و غرق شدن دشمنانش در آب نیل، انوری می گوید:
ناقه ی صالح، عصای موسی و روح پدر هر سه را در بطن ما در دیده بی جان یافته
غیرت روح موسی است این یک خجلت چوب موسی آن دگرست
به کف موسی کلیم کریم به دم عیسیی که زنده گریست
خواجه ای بود از اینان همه برتر ز شرف مرد موسی کف و عیسی دم یوسف دیدار
به غیرت از نفسش روح عیسی مریم به خجلت از قلمش چوب موسی عمران
به حقّ دم پاک عیسیّ مریم به حقّ کف دست موسیّ عمران
از بهر دفع سحره ی فرعون جهل را کلکت عصای موسی عمران روزگار
دستشان گر ید بیضا کلیم الله نیست چه کند رمح درو همچو عصا ثعبانی
زهی به تقویت دین نهاده صدا انگشت مأثر ید بیضاست دست موسی را
چالاکتر از عصای موسی فرخ قلمت گه مأرب
فرو خورد آب عدلت آتش ظلم چنان چون مار موسی سحر ساحر
آیا دست تو وارث دست حاتم و یا کلک تو نایب چوب موسی
لبیبی۱ می گوید:
مجرهّ چون به دریا راه موسی که اندر قعر او بگذشت لشکر
ناصر خسرو قبادیانی می گوید:
حیدر زی ما عصای موسی دورست موسی ما را جز او که کرد عصایی؟
موسیّ زمان را تو یکی شهره عصایی وانکه نشناسند که خصلان عقلااند
چونانکه عصا هرگز از آن سان که شنودی ثعبان نشدی جز به کف موسی عمران
خیام نیشابوری می گوید:
اکنون که جهان را به خوشی دسترسی است هر زنده دلی را سوی صحرا هوسی است
برهر شاخی طلوعی موسی دستی است در هر نفسی خروشی عیسی نفسی است
دیری است که صد هزار عیسی دیده است طوری است که صد هزار موسی دیده است

۲-۲-۱۳: ویژگی های TEPIX
۱- جامعیت
از ویژگی­های بسیار بارز و ارزشمند این شاخص قیمت، جامعیت آن می باشد، زیرا این شاخص بر اساس تمامی سهام های پذیرفته شده در بورس اوراق بهادار تهران می باشد و بنابراین می تواند نماینده خوبی از وضعیت بازار بورس تهران باشد و در حد خوبی می تواند حرکت بازار را نشان دهد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲- موزون بودن
دومین ویژگی مهم این شاخص موزون بودن آن می­باشد. همانطور که در محاسبه این شاخص دیده شد، در این فرمول وزن دهی بر اساس مقدار هر سهام می باشد، یعنی سهامی دارای تاثیر بیشتری در اندازه شاخص دارد که اندازه ارزش بازار آن سهام یعنی حاصلضرب تعداد آن سهام در قیمت آن سهام، بیشتر باشد.
۳- در دسترس بودن
سومین مشخصه این شاخص در دسترس بودن آن است، زیرا با گسترش نر افزار های موجود در بازار سرمایه و به روزرسانی آنها امکان محاسبه لحظه ای این شاخص میسر شده است و در معرض دید قرار می­گیرد.
۲-۲-۱۴: شاخص های فرعی در بورس اوراق بهادار تهران
تا اینجا شاخص کل بازار بورس را تحت عنوان TEPIX را معرفی کردیم، همانطور که گفته شد این شاخص همه شرکت های پذیرفته شده در بورس را در برمی گیرد، به همین دلیل این شاخص بسیار جامع می باشد و می تواند نماینده خوبی از وضعیت موجود بازار باشد، این شاخص می تواند به اقتصاددان ها در تحلیل اوضاع موجود اقتصادی کشور و بررسی آن کمک کند و در کل می تواند در اکثریت مواقع جهت گیری بازار را نشان دهد.
ولی با یک شاخص کلی مثل TEPIX امکان بررسی و تحلیل و ارزیابی بخش های مختلف بازار وجود ندارد، یعنی ما با این شاخص نمی توانیم به بررسی بخش های جزئی­تری و کوچک تر بازار بپردازیم، از اینرو شاخص های اختصاصی و جزئی­تری ایجاد شده است که کمک می­ کند تا سرمایه گذاران بتوانند در بخش­هایی که مایلند سرمایه گذاری کنند با اطلاعات دقیقتری در آن بخش سرمایه گذاری کنند. این شاخص ها عبارتند از:
۲-۲-۱۴-۱: شاخص صنایع
این شاخص دربرگیرنده شرکت های صنعتی است و از نظر محاسبه همانندTEPIX محاسبه می شود، فقط تعداد شرکت های آن محدود شده است. سرمایه گذارانی که می­خواهند در شرکت های صنعتی سرمایه گذاری کنند، بهتر است که با توجه به شاخص های این گروه به تصمیم گیری بپردازند.
۲-۲-۱۴-۲: شاخص شرکت
شاخص شرکت به تفکیک برای هر شرکت پذیرفته شده محاسبه و مبنای محاسباتی همانند روشی است که در محاسبه شاخص صنایع و کل بکار می رود، شاخص شرکت­های جدید در بدو پذیرش ۱۰۰ تعیین شده تا امکان بررسی تغییرات آنها فراهم باشد.
۲-۲-۱۴-۳: شاخص ۵۰ شرکت با بیشترین ارزش
سازمان بورس اوراق بهادار تهران هر سه ماه یکبار ۵۰ شرکت با بیشترین ارزش جاری را انتخاب کرده، این شرکت ها سهم بیشتر بازار را در اختیار دارند و در واقع از مزایای این شاخص این است که اثرات منفی شرکت های کوچک در شاخص جلوگیری می کند.
در پایان هر سه ماه این شرکت ها مورد بررسی قرار گرفته و در صورت لزوم از این لیست حذف و شرکت های جدید به آن اضافه می شود.
۲-۳: پیشینه تحقیق
مطالعات صورت گرفته را می توان به دو دسته تقسیم کرد: دسته نخست مطالعاتی که در زمینه کارایی یا عدم عدم کارایی بازار بورس صورت گرفته، دسته دوم مطالعاتی که به مقایسه روش های هوشمند با روش های کلاسیک می پردازند. تقریبا تمامی مطالعات انجام شده در زمینه کارایی بازار حاکی از عملکرد بهتر روش های هوشمند نسبت به روش های خطی می باشند. در این بخش به بررسی مطالعات داخلی و خارجی صورت گرفته در زمینه پیش بینی قیمت سهام می پردازیم.
۲-۳-۱: مطالعات داخلی
حسن زاده (۱۳۸۸) در پایان نامه کارشناسی ارشد خود برای پیش بینی قیمت سهام شرکت های شهد ایران، چادرملو، سایپا، اقتصاد نوین و پتروشیمی آبادان از برنامه ریزی ژنتیک استفاده نمود. ابتدا با بهره گرفتن از آماره η متریک پیش بینی پذیری هر یک از شرکت های مزبور محاسبه شد و سپس با بهره گرفتن از برنامه ریزی ژنتیک مدل سازی پیش بینی قیمت صورت پذیرفت. نتایج با نتایج بدست آمده از مدل FARIMA-FIGARCH مقایسه گردید. نتایج تحقیق بیانگر کم­تر بودن میانگین خطای پیش بینی مدل FARIMA-FIGARCH از مدل برنامه ریزی ژنتیک بود.
آذر و افسر (۱۳۸۵) در تحقیق خود مدل شبکه ­های عصبی فازی پیش بینی قیمت سهام را طراحی کرده و از لحاظ شش معیار ارزیابی عملکرد با روش ARIMA مقایسه نمودند. نتایج این تحقیق بیانگر این حقیقت است که شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد بر روش ARIMA برتری داشته است و دارای ویژگی­های منحصر به فرد همگرایی سریع، دقت بالا و توانایی تقریب تابع قوی هستند و برای پیش بینی شاخص قیمت سهام مناسب می باشند.
ابوئی مهریزی (۱۳۸۵) پیش بینی قیمت سهام را با بهره گرفتن از شبکه های عصبی-فازی (ANFIS) انجام داده است. در پیش بینی بلند مدت پس از انجام محاسبات ۱۸ مدل به دست آمد که از بین آنها مدل TRIMF به عنوان مدل بهینه انتخاب شد. در مدل پیش بینی کوتاه مدت برای هر دوره ۶ مدل طراحی شد که با توجه به سطح خطا مدل TRIMF برای سه ماهه­ی اول، مدل TRAPMFبرای سه ماهه­ی دوم، مدل GAUSSZMF برای سه ماهه­ی سوم و مدل TRAPMFبرای سه ماهه­ی چهارم به عنوان مدل بهینه انتخاب شدند.
عطری نژاد (۱۳۸۵) در پایان نامه کارشناسی ارشد خود پیش بینی روند تغییرات در بازار بورس را با بهره گرفتن از سری زمانی گارچ انجام داده است. نتایج این مدل بر روی پنج سهم کالسیمین، ملی سرب و روی ایران، نیرو ترانس، معدنی املاح ایران و آهنگری تراکتورسازی مورد بحث قرار گرفته است.
مهدوی و بهمنش(۱۳۸۴) در تحقیق خود از شبکه های عصبی مصنوعی برای پیش بینی قیمت سهام شرکت سرمایه گذاری البرز استفاده نمودند. نتیجه حاصل از مدل طراحی شده نشان می دهد که اگر یک شبکه عصبی مصنوعی درست آموزش ببیند می تواند روابط بین متغیرها را (هر چند پیچیده و غیرخطی) شناسایی کرده و در پیش بینی قیمت سهام شرکت­های سرمایه گذاری با حداقل خطا (در این تحقیق۰۴۴/۰) موثر واقع شود.
طالبی (۱۳۸۴) در پایان نامه کارشناسی ارشد خود قیمت سهام ۱۰ روز آینده ۴۰ شرکت فعال در بورس اوراق بهادار تهران را با بهره گرفتن از ۳ روش شبکه عصبی پیشخور تک لایه با الگوریتم یادگیری لونبرگ-مارکوات و معیار عملکرد میانگین مربعات خطا با ورودی ارزش بازار، شبکه عصبی با اضافه کردن میانگین های متحرک ۵، ۱۰، ۲۰روزه و ROC و RSI 12 روزه و مدل ARMA پیش بینی نمود. نتایج بدست آمده نشان داده است که مدل خطی ARMA بهتر از مدل­های غیر خطی شبکه های عصبی توانسته اند پیچیدگی­های سری های زمانی قیمت سهام را تجزیه و تحلیل نموده و برای پیش بینی قیمت سهام مورد استفاده قرار گیرد.
عربی (۱۳۸۴) در مطالعه­ خود به مقایسه­ روش شبکه­ عصبی با روش ARIMA در پیش بینی قیمت سهام شرکت سرمایه گذاری صنایع پتروشیمی پرداخته است. نتایج حاصل از ANN و ARIMA حاکی از برتری عملکرد شبکه عصبی مصنوعی نسبت به ARIMA می باشد.
زارع (۱۳۸۴) در مطالعه­ ای رفتار شاخص قیمت سهام را در ایران مورد بررسی قرار داده است. وی با بهره گرفتن از یک الگوی خود همبسته با وقفه توزیعی (ARDL) و بهره گیری از مدل تعالی قیمت گذاری دارایی های سرمایه ای (CAPM) سعی در شناخت و تبیین تاثیر برخی از متغیرهای تاثیرگذاری بر شاخص قیمت سهام بازار بورس­تهران طی دوره فصل سوم سال ۱۳۷۲ تا فصل اول سال ۱۳۸۲ دارد. نتایج الگوی کوتاه مدت نشان می دهد که متغیرهای وقفه اول لگاریتم شاخص قیمت سهام، لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای تاثیر مثبت و ورودی لگاریتم نرخ ارز و لگاریتم حجم پول دارای تاثیر منفی و معنی داری بر روی متغیر لگاریتم شاخص قیمت سهام می باشد. نتیجه برآورد الگوی بلند مدت نشان می دهد که متغیرهای لگاریتم نسبت شاخص قیمت داخلی به خارجی، لگاریتم شاخص قیمت مسکن، لگاریتم قیمت نفت و لگاریتم بهای سکه دارای رابطه مستقیم و دو متغیر لگاریتم نرخ ارز و لگاریتم حجم پول دارای رابطه عکس و معنی داری با متغیر لگاریتم شاخص قیمت سهام می باشند.
هادی پور (۱۳۸۲) مطالعه­ ای جهت تعیین بهترین مدل پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی بورس اوراق بهادار تهران انجام داده است. در این تحقیق پیش بینی با بهره گرفتن از روش های سری زمانی تخمین روند، هموارسازی نمایی و میانگین متحرک و باکس-جنکینز برای ۴ هفته انتهایی سال ۷۹ انجام شده است و سپس شاخص MSE روش های مختلف با یکدیگر مقایسه شده است. این تحقیق به این نکته اصرار می ورزد که مدل مشخصی برای پیش بینی قیمت سهام در گروه صنایع غذایی و آشامیدنی وجود ندارد و برای پیش بینی قیمت سهام هر شرکت ابتدا باید با بهره گرفتن از روند و خصوصیات آن سری زمانی داده ها، مدل مناسب را با بهره گرفتن از روش شناسی مدل­های پیش بینی انتخاب و سپس با بهره گرفتن از آن مدل به پیش بینی قیمت سهام آن شرکت اقدام نمود.
عباسپور (۱۳۸۱) مطالعه­ ای جهت پیش بینی قیمت سهام شرکت ایران خودرو در بازار بورس تهران با بهره گرفتن از شبکه عصبی مصنوعی انجام داده است. داده­هایی که در این مطالعه مورد استفاده قرار گرفته به صورت روزانه بوده و دوره زمانی ۸۰-۱۳۷۹ را شامل می شود. متغیرهای موثر بر قیمت سهام شرکت ایران خودرو شامل نرخ ارز، قیمت نفت، نسبت P/E و حجم مبادلات سهام می باشد. نتایج این تحقیق نشان از برتری نتایج حاصل از پیش بینی قیمت توسط شبکه عصبی مصنوعی نسبت به روش باکس – جنکنیز می باشد.
چاوشی(۱۳۸۰) در مطالعه­ خود به پیش بینی پذیری رفتار قیمت سهام در بورس اوراق بهادار تهران توسط مدل چند شاخصی آربیتراژ و شبکه های عصبی مصنوعی پرداخته است. جهت آزمون این مساله، قیمت روزانه سهام شرکت صنایع بهشهر به عنوان نمونه آماری انتخاب شده است. نتایج حاکی از موفقیت این دو مدل در پیش بینی رفتار قیمت سهام مورد نظر و همچنین برتری عملکرد شبکه ­های عصبی مصنوعی بر مدل چند شاخصی آربیتراژ بوده است.
صفر نواده (۱۳۸۰) در مطالعه­ خود به امکان سنجی پیش بینی قیمت سهام در بازار بورس اوراق بهادار تهران پرداخته است. وی این کار را از طریق بررسی چند متغیر مهم و تاثیر گذار که عبارتند از:

1. 1. نسبت سود تقسیم شده به قیمت سهم ()

1. 1. نسبت ()

1. 1. حجم مبادلات (V)

1. 1. ریسک ®

1. 1. تفاوت پایین ترین قیمت سهم با قیمت روز بخش بر قیمت روز سهم ()

و با بهره گرفتن از روش­های پیش بینی آماری رگرسیون و ARIMA انجام داده است.
بت شکن (۱۳۷۹) در پایان نامه خود از یکی از تکنیک­های هوش مصنوعی بنام شبکه های عصبی­فازی ANFIS استفاده نموده و توانایی این مدل را در پیش بینی قیمت سهام در مقایسه با مدل های خطی ARIMA مورد سنجش قرار داده است. در شبیه سازی انجام شده انواعی از شبکه های ۲ ورودی تا ۵ ورودی با تعداد توابع عضویت متفاوت و نگاشت­های مختلف جهت پیش بینی سری زمانی قیمت سهام شرکت گروه بهمن مورد استفاده قرار گرفته اند. برای تعیین مدل ARIMA نیز متدولوژی باکس-جنکینز استفاده گردیده است. نتایج بررسی نشان دهنده برتری و اولویت شبکه ANFIS در پیش بینی قیمت سهام نسبت­ به مدل ARIMA می باشد.
عزیزخانی (۱۳۷۹) در مطالعه خود از روش های ترکیبی برای پیش بینی قیمت سهام استفاده کرده است. در انجام این تحقیق دو شرکت به عنوان انتخاب شده و سپس با بهره گرفتن از روش های پیش بینی فردی قیمت سهام برای چند دوره مورد نظر برآورد شده است و نتایج حاصل از پیش بینی­های فردی با روش های مختلف ترکیب شده است. مدل ترکیبی از نظر کاهش میزان خطا با سایر مدل های مقایسه شده و در نهایت مدل بهینه معرفی شده است.
تیموری (۱۳۷۸) در پایان نامه کارشناسی ارشد خود تحت عنوان “کاربرد شبکه های عصبی در پیش بینی شاخص صنعت تحت تاثیر متغیرهای کلان اقتصادی” به مقایسه روش های پیش بینی خطی و عصبی پرداخته که در آن داده ­ها بصورت هفتگی می­باشد. شبکه مورد استفاده دارای سه لایه است که لایه میانی شامل پنج گره بوده و توابع انتقال آن از نوع هلالی می باشند، نتایج این تحقیق نشان از برتری محسوس شبکه­ عصبی بر رگرسیون خطی دارد.
خالوزاده (۱۳۷۷) در رساله دکتری خود با بهره گرفتن از اطلاعات روزانه سری زمانی قیمت و بازده سهام شرکت شهد ایران به پیش بینی قیمت سهام و نیز ارائه مدل بهینه پرداخته است. روش های پیش بینی مورد استفاده در این تحقیق، شامل روش های پیش بینی بر اساس مدل های خطی و غیر خطی (شبکه ­های عصبی) می­باشد و با توجه به نتایج بدست آمده نشان داده شده است که قیمت سهام از نگاشت­های پیچیده غیر خطی به وجود آمده اند و استفاده از انواع روش های خطی صحیح نمی باشد.
رجب زاده قطرمی (۱۳۷۷) در مطالعه خود به بررسی روش های پیش بینی و ترکیب این روشها با هدف کاهش خطای پیش بینی پرداخته است. نتایج بدست آمده حاکی از کاهش بسیار زیاد خطای پیش بینی روش های ترکیبی نسبت به روش های فردی می­ باشد.
۲-۳-۲: مطالعات خارجی
تانگ و همکارانش^[۵۹](۲۰۱۰) با بهره گرفتن از ترکیب تبدیل موجک^[۶۰] ، شبکه عصبی پیشخور^[۶۱] و الگوریتم مورچگان^[۶۲] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان در ابتدا با بهره گرفتن از موجک هار^[۶۳] اقدام به تجزیه­ی سری زمانی قیمت نمودند سپس با بهره گرفتن از شبکه عصبی پیشخور پیش بینی صورت گرفت و وزن­های حاصل از شبکه عصبی با بهره گرفتن از الگورتم مورچگان بهینه گردید. مدل ارائه شده بر روی داده های میانگین شاخص صنعت داو جونز^[۶۴] (DJIA)، شاخص FTSE-100 بورس لندن (FTSE)، شاخص NiKei-225 بورس توکیو (Nikkei) و شاخص بورس تایوان (TAIEX) مورد آزمون قرار گرفت. مدل مزبور با مدل ترکیبی شبکه عصبی و الگوریتم مورچگان، مدل سری زمانی فازی^[۶۵] و شبکه عصبی فازی(ANFIS) مقایسه گردید. در تمامی موارد آزمون شده مدل پیشنهادی نسبت به بقیه مدل ها از خطای کمتری برخوردار بود.
هداوندی و همکارانش^[۶۶] (۲۰۱۰) با بهره گرفتن از ترکیب شبکه عصبی و ژنتیک فازی^[۶۷] مدلی برای پیش بینی قیمت سهام ارائه نمودند. ایشان مدل مزبور را بر روی داده ­های جمع آوری شده برای صنعت IT و هواپیمایی بورس نیوریوک آزمون نمودند. مدل پیشنهادی با مدل­های ARIMA و الگوریتم ژنتیک و شبکه عصبی استفاده شده در پیش بینی مورد مقایسه قرار گرفت که در تمامی موارد مدل پیشنهادی بر مدل­های قبلی نتایج بهتری بدست داد.
آلوارز دیاز و میگز^[۶۸] (۲۰۰۸) از برنامه ریزی ژنتیک برای بررسی کیفیت بنگاهها استفاده نمودند. آن ها از یک GP برای بررسی رابطه بین کیفیت بنگاه­ها و مجموعه ای از متغیرهای تاریخی، اقتصادی، جغرافیایی، مذهبی و اجتماعی استفاده نمودند. نتایج بدست آمده حاکی از این موضوع است که GP می تواند نتایجی به دقیقی OLS را ارائه دهد.
چن و همکارانش^[۶۹] در سال ۲۰۰۸ از یک مدل سری زمانی فازی برای پیش بینی کوتاه مدت قیمت سهام تایوان و هنگ کنگ استفاده نمودند. نتایج تجربی بدست آمده از این تحقیق بیانگر این است که روش آماری سنتی و مدل ارائه شده هر دو مشخص می­ کنند که الگوهای قیمت سهام در این دو بازار کوتاه مدت هستند.
از آنجایی که در بازار سهام، سرمایه گذاران عقلایی پیش بینی هایشان را بر اساس جدید ترین خطاهای پیش بینی اصلاح می کنند، چنگ و همکارانش^[۷۰] در سال ۲۰۰۸ از یک مدل جدید سری زمانی فازی برای کاهش خطای پیش بینی در بازار سهام تایوان استفاده نمودند. نتایج حاکی از برتری این مدل نسبت به مدل چن و یو^[۷۱] بوده است.
چانگ و لو^[۷۲] در سال ۲۰۰۸ از قاعده فازی نوع ^[۷۳]TSK برای پیش بینی قیمت سهام استفاده نمودند. مدل فازی TSK شاخص فنی را به عنوان متغیر­های ورودی در نظر می­گیرد و نتیجه بدست آمده یک ترکیب خطی از متغیرهای ورودی می­باشد. این مدل بر داده ­های شرکت سهامی الکترونیک تایوان آزمون شده است و نتایج بدست آمده حاکی از دقتی نزدیک به ۹۷٫۶ درصد در شاخص TSE و ۹۸٫۰۸ درصد در Media Tek می­باشد.
کابودان در سال ۲۰۰۷ از برنامه ریزی ژنتیک و شبکه عصبی برای پیش بینی فضایی قیمت های مسکن استفاده نموده است. نتایج بدست آمده حاکی از برتری GP نسبت به شبکه عصبی می­باشد.

در قسمت‏های گذشته تعدادی مقاله در زمینه مکان‏یابی پایانه‏های شبکه اتوبوس‏رانی، جایگاه‏های عرضه سوخت، مدارس، ایستگاه‏های آتش‏نشانی، محل‏های دفن زباله، ایستگاه راه‏آهن و واحدهای خدماتی بیمارستان مطالعه و بررسی شد. هر یک از این مقاله‏ها با بهره گرفتن از روش‏های مختلف مکان‏یابی تسهیلات را بر روی شهرهای مختلف اجرا نموده ­اند که هر کدام از آنها معایب و مزایایی دارد. در جدول ۲-۶ ویژگی‏های مختلف مقاله‏های بررسی شده به طور خلاصه ذکر شده است.

• • 1. 1. خلاصه فصل

     

در این فصل به بررسی تعدادی از مقاله‏ها که در زمینه مکان‏یابی تسهیلات اشاره کرده‏اند پرداخته شد. همچنین روش‏های مورد استفاده در آنها به طور خلاصه معرفی گردید. مقاله‏هایی که در این فصل بررسی شد شامل مکان‏یابی پایانه‏های شبکه اتوبوس‏رانی درون شهری، جایگاه‏های عرضه سوخت، مدارس، ایستگاه‏های آتش‏نشانی، محل‏های دفن مواد زاید شهری، اضافه کردن ایستگاه راه‏آهن و واحدهای خدماتی بیمارستان هستند. این مقاله‏ها از روش‏های مختلفی استفاده کرده‏اند که این روش‏ها شامل الگوریتم ژنتیک، برنامه‏ ریزی ریاضی، AHP، TOPSIS و SAW هستند. هر کدام از این مقاله‏ها روش‏های خود را بر روی شهرهایی چون تهران، مشهد، تبریز، البرز، قزوین و شادگان آزمایش نمودند.
مطلبی که در اکثر این مقاله‏های بررسی شده مشترک است، استفاده از روش‏های غیر هوشمند و نرم‏افزاری است. بنابراین در آن‏ها در حین زمان‏بری بالای اجرا، به طور حتم به بهترین پاسخ‏ها دست یافته نمی‏شود و اگر نیاز باشد بهترین پاسخ یافته شود باید همه فضای حالات جستجو گردد که این امر مستلزم زمان زیادی است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

جدول ۲-۶ جمع‏بندی ویژگی‏های مختلف مقاله‏های بررسی شده

- پیچیدگی بالا

- سفارشی سازی بالا
- پیچیدگی بالا

- گسترش سفارشی سازی
- پیچیدگی بالا

- افزایش سفارشی سازی
- افزایش پیچیدگی

فناوری

نمودار ۲-۱۰: توسعه شبکه دانش پتروبراس در تکنولوژی های فراساحل (۱۹۶۰ الی ۲۰۰۰ میلادی)

• شبکه های دانش و نوآوری در شرکت تویوتا

تویوتا (Toyota) یک شرکت خودروساز ژاپنی و یکی از بزرگترین تولیدکنندگان خودرو در جهان است. تولیدات تویوتا انواع خودرو و کامیونت و کامیون کوچک شهری و لوکس را تولید می کند. این شرکت در سال ۲۰۰۸ میلادی توانست در فروش اتومبیل بر جنرال موتورز پیشی بگیرد و بر سلطه ۷۷ ساله شرکت جنرال موتورز به عنوان بزرگ‌ترین شرکت خودروسازی جهان پایان بدهد.
دیر و نوبکا (Dyer and Nobeoka, 2000) در تحقیقات خود در خصوص تسهیم دانش در شبکه های تامین کنندگان شرکت تویوتای ژاپن، تجزیه و تحلیل دقیقی از مشکلات خاص و راه حل های آن در شبکه های دانش در این شرکت ارائه کرده اند.
چارچوب آنها بر اساس این ایده است که شبکه های دانش با سه چالش اصلی مواجه هستند. اولین چالش مربوطه به ایجاد انگیزه در همکاران برای تسهیم دانش آنها می باشد. این مشکل توسط دیگر صاحبنظران نیز در زمینه مدیریت دانش و همکاری های دوطرفه بیان شده است. این مشکل در شبکه هایی که اعضا برای عضویت در شبکه هزینه ای پرداخت می کنند مضاعف است و ممکن است منجر به عدم شفافیت در شبکه شود. اعضای شبکه به چشم انداز بلند مدتی برای مشاهده ارزشهای واقعی همکاری های خود نیاز دارند. مشکل انگیزش می تواند از طریق نشان دادن شفاف ارزش های همکاری، یا از طریق ایجاد یک هویت برای شبکه که شرکت ها را به سمت چشم اندازهای بلند مدت همکاری هدایت کند، و یا از طریق پیاده سازی صحیح قوانین مالکیت و تخصیص ارزش حل شود.

( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )

مشکل دوم شبکه های دانش بازدارندگی و رفتارهای سواری آزاد در شبکه است. گروه وسیعی از همکاران بدون ایجاد یک رفتار سواری آزاد، راحتتر برای شرکت ها در یک شبکه سودآوری دارند. شرکت تویوتا این مشکل سواری آزاد را با ایجاد صراحت و شفافیت در توافق نامه هایی که تسهیم دانش بوسیله شبکه انجام می شود، یا با این واقعیت که تویوتا بعنوان یک مشتری می تواند همکاران با سواری آزاد را از طریق پایان دادن به روابط عرضه به صورت یکجانبه تحریم نماید.
چالش سوم چگونگی تحقق بخشیدن به انتقال دانش موثر در یک محیط چند شریکی است. هنگامی که تعداد قابل توجهی از شرکا در یک شبکه باشند، ممکن است زمان زیادی طول بکشد برای اینکه دانش مورد نیاز هر یک از شرکا به آنها برسد. راه حل شرکت تویوتا برای این مشکل این است که فرصتهای زیادی برای ملاقات افراد در شبکه ایجاد می کند. با ایجاد گره های قوی میان شرکت ها و فرایندهای گوناگون برای اینکه افراد یکدیگر را ملاقات کنند (در انجمن ها، جلسات و وقایع).
جدول ۲-۱۰: مشکلات مدیریت دانش در شبکه شرکت تویوتا و راه حل های آن (De Man, 2008)

مشکل

راه حل

مکانیسم های سطح خرد در شبکه تویوتا

ایجاد انگیزش برای تسهیم دانش

نشان دادن شفاف ارزش

هزینه کردن در مراحل اولیه همکاری

ایجاد هویت شبکه به طوری که تامین کنندگان با موفقیت شبکه شناسایی شوند

ارتباط با تامین کننده

تیم های مشاوره

تیم های یادگیری داوطلبانه

انتقال کارمندان شرکت

ایجاد قوانین برای حفاظت از دانش و تخصیص ارزش

دانش اختصاصی در خصوص فرایند تولید وجود ندارد