هوش مصنوعی برای شبیه سازی سیستم هوشمند

مقاله تحقیق |دسترسی آزاد جلد 2021 |شناسه مقاله 6658516 |https://doi. org/10. 1155/2021/6658516 استناد

یک مطالعه ارزیابی در مورد کارآیی سرمایه گذاری: یک رویکرد یادگیری ماشین پیش بینی

ویوی هائو ، 1 Hongyan Gao ، 1 و Zongqing لیو بیشتر نشان بده، اطلاعات بیشتر ویراستار دانشگاهی: عبد E. I.-Baset Hassanien 26 دسامبر 2020 دریافت کرد اصلاح شده 07 ژانویه 2021 18 ژانویه 2021 را پذیرفت منتشر شده 08 فوریه 2021

خلاصه

در این مقاله یک روش شبکه عصبی غیرخطی (NARNET) برای ارزیابی عملکرد سرمایه گذاری از شرکتهای دولتی (SOE) ارائه شده است. این با روش سنتی مبتنی بر یادگیری ماشین ، مانند رگرسیون خطی ، معادله ساختاری ، خوشه بندی و تجزیه و تحلیل مؤلفه اصلی متفاوت است. در این مقاله از یک روش پیش بینی رگرسیون برای تجزیه و تحلیل بهره وری سرمایه گذاری استفاده شده است. در این مقاله ، ما ابتدا رابطه بین اصلاحات متنوع مالکیت ، اهرم بدهی شرکت ها و راندمان سرمایه گذاری شرکتهای دولتی (SOE) را مورد تجزیه و تحلیل قرار می دهیم. ثانیا ، مجموعه ای از سیستم شاخص ارزیابی بهره وری سرمایه گذاری برای SOE ساخته شد و از یک رویکرد شبکه عصبی غیرخطی غیرخطی برای تأیید استفاده شد. داده های شرکت های دارای لیست دولتی A-Share در بورس سهام شانگهای و شنژن از سال 2009 تا 2018 به عنوان نمونه گرفته شده است. نتایج تجربی نشان می دهد که مقدار خروجی از naet بسیار متناسب با داده های واقعی است. بر اساس تجزیه و تحلیل رگرسیون مدل شبکه عصبی ، این مقاله یک تجزیه و تحلیل آماری توصیفی از متغیرهای اصلی و متغیرهای کنترل شاخص های ارزیابی را انجام می دهد. این تأثیر مستقیم اصلاحات متنوع مالکیت بر بهره وری سرمایه گذاری SOE و تأثیر غیرمستقیم بر بهره وری سرمایه گذاری SOE از طریق اهرم بدهی شرکت ها را تأیید می کند.

1. معرفی

طبق فرضیه کامل بازار ، تصمیمات سرمایه گذاری شرکت فقط مربوط به فرصت های سرمایه گذاری است ، نه به روش های تأمین مالی. با این حال ، به دلیل عدم تقارن اطلاعات ، درگیری آژانس ، محدودیت های تأمین مالی و سایر عوامل در بازار واقعی ، نسبت بدهی شرکت به طور مستقیم بر تصمیمات سرمایه گذاری شرکت تأثیر می گذارد ، و در نتیجه مقیاس سرمایه گذاری واقعی شرکت از مقیاس سرمایه گذاری بهینه منحرف می شود و در نتیجه منجر به آن می شود و در نتیجه این امر باعث می شودوضعیت سرمایه گذاری ناکارآمد سرمایه گذاری یا سرمایه گذاری بیش از حد.

مطالعات اولیه با اهرم بدهی و بهره وری سرمایه گذاری شرکت ها از نظریه درگیری آژانس و نظریه مدیریت احتمالی آغاز شد. از نظریه درگیری آژانس ، تضاد آژانس بین سهامداران و طلبکاران ناشی از بدهی ها اغلب سهامداران یا مدیران را به تصمیم گیری های سرمایه گذاری سوق می دهد که به منافع طلبکاران آسیب می رساند و سپس منجر به تحریف سرمایه گذاری می شود. جنسن و مکلینگ [1] و مایرز [2] مشکل کارآیی کم سرمایه گذاری را از دیدگاه تضاد منافع بین طلبکاران و سهامداران مطرح کردند. به عبارت دیگر ، در ساختار تأمین مالی با اهرم مالی بالا ، مدیران ، به عنوان یکی از سهامداران ، انگیزه محکمی برای شرکت در پروژه های سرمایه گذاری پرخطر دارند. با شروع از تئوری حاکمیت مشروط ، بدهی می تواند هزینه های آژانس ناشی از درگیری بین سهامداران و مدیران را از طریق نظارت و مدیریت توسط طلبکاران کاهش دهد ، از این طریق مدیران را از تصمیم گیری های سرمایه گذاری که به حقوق سهامداران آسیب می رساند ، باز می دارد. تیرول [3] معتقد بود که محدودیت های بدهی می تواند شرکت ها را ترغیب کند تا به جای اینکه توسط مدیریت در اراده یا سرمایه گذاری در پروژه هایی با ارزش های خالص منفی مصرف شود ، از جریان نقدی آزاد برای پروژه های سرمایه گذاری با ارزش های فعلی خالص استفاده کنند. مدیرانی که با کمبود نقدینگی ناشی از محدودیت بدهی روبرو هستند ، در سرمایه گذاری پروژه محتاط تر و دقیق تر خواهند بود و این به بهبود کارآیی سرمایه گذاری شرکت کمک می کند.

تجزیه و تحلیل فعلی بیشتر بر اساس فرض محدودیت های بودجه سخت است. Sun و Li [4] سرمایه گذاری صندوق های تحقیق در دانشگاه ها را مورد بررسی قرار دادند و شش متغیر به عنوان شاخص های ارزیابی از منظر دارایی های ثابت ، پیکربندی تدریس ، ابزارهای تحقیق و تعداد کتاب در کتابخانه ها انتخاب شدند. از طریق تجزیه و تحلیل تجربی ، لی و دیگران [5] معتقدند که بیشتر شرکت های ذکر شده غیر مالی در چین دارای رفتارهای سرمایه گذاری بیش از حد هستند و نشان دهنده ناکارآمدی سرمایه گذاری است. هرچه میزان مطلق افزایش سالانه بدهی بیشتر باشد ، ناکارآمدی سرمایه گذاری شرکت ها جدی تر خواهد بود. هرچه نسبت بدهی به بدهی کوچکتر باشد ، احتمال افزایش سرمایه گذاری در شرکت بیشتر است.

ثابت شده بود که آخرین پیشرفت ها در علم داده و یادگیری ماشین، پتانسیل بهبود تصمیمات سرمایه گذاری را دارند. بسیاری از محققان از روش های یادگیری ماشینی برای تحقیق و ارزیابی استراتژی های سرمایه گذاری هوشمند استفاده کرده اند. لی لیانگ و وانگ جیا [6] کارایی سرمایه گذاری سرمایه گذاری هوشمند بانک بازرگانان چین را بر اساس تجزیه و تحلیل خوشه ای K-means و فناوری داده کاوی تجزیه و تحلیل کردند و ثابت کردند که این روش برای تجزیه و تحلیل کارایی سایر محصولات سرمایه گذاری هوشمند مناسب است. مدل های رگرسیون خطی، درخت تصمیم، جنگل تصادفی، شبکه عصبی و مدل XGBoost برای تجزیه و تحلیل کارایی بیش از 10000 شرکت در کار لی و همکاران [7] استفاده شد. آنها یک الگوریتم یادگیری ماشین قابل تفسیر را برای مسائل تصمیم گیری هوشمند برای پیش بینی کارایی نوآوری شرکت پیشنهاد کردند [7]. Bhagchandani [8] از یادگیری ماشین برای آشکار کردن شکاف بین اکوسیستم های مالی استفاده کرد و یک الگوریتم اساسی برای تجزیه و تحلیل ساختار گرافیکی بازار مالی با استفاده از رگرسیون لجستیک برای تعیین اعتبار پیش بینی ها طراحی کرد.

محققان مختلف تحقیقات زیادی در مورد کارایی سرمایه گذاری شرکت های دولتی با استفاده از روش های یادگیری ماشین از دیدگاه های مختلف انجام داده اند، از جمله بررسی تأثیر بدهی بر کارایی سرمایه گذاری شرکت ها و تجزیه و تحلیل تأثیر بر کارایی سرمایه گذاری شرکتی از دیدگاه مالکیت متنوع. اصلاحاینها پایه خوبی برای مطالعه این مقاله گذاشته اند. با این حال، تحقیقات موجود در مورد رابطه بین اصلاح مالکیت متنوع، اهرم بدهی و کارایی سرمایه گذاری شرکت های دولتی عمدتاً بر رابطه بین این دو متمرکز است و چند کار سه مورد فوق را به هم مرتبط کرده است.

با شروع از تئوری ساختار سرمایه، این مقاله رابطه بین اصلاحات مالکیت متنوع، اهرم بدهی شرکت ها و کارایی سرمایه گذاری شرکت های دولتی را تحلیل می کند و یک سیستم ارزیابی شاخص جامع برای کارایی سرمایه گذاری ایجاد می کند. ما از اصلاح مالکیت متنوع و اهرم بدهی شرکتی به عنوان عوامل تاثیر استفاده کردیم، از روش آنتروپی برای پردازش و تجزیه و تحلیل داده ها استفاده کردیم، از یک شبکه عصبی برای نمونه های آموزشی استفاده کردیم و یک مدل ارزیابی کارایی سرمایه گذاری بر اساس NARNET ایجاد کردیم.

ما از naet برای انجام تجزیه و تحلیل رگرسیون و ارزیابی در مورد کارآیی سرمایه گذاری شرکتهای دولتی استفاده می کنیم و در مورد تأثیر اصلاحات متنوع مالکیت و اهرم بدهی شرکت ها بر بهره وری سرمایه گذاری شرکتهای دولتی نتیجه گیری می کنیم.

بخش دوم این مقاله مروری بر تحقیقات مرتبط با یادگیری ماشین اعمال شده در زمینه ارزیابی کارآیی ارائه می دهد. در بخش سوم ، ما سیستم شاخص ارزیابی بهره وری سرمایه گذاری را ایجاد می کنیم ، مجموعه داده های نمونه شرکت های دارای لیست دولتی را پردازش می کنیم و مدل Naet را تعیین می کنیم. در بخش چهارم ، شبکه عصبی برای دستیابی به اثر مورد نظر آموزش دیده و تجزیه و تحلیل رگرسیون بر روی داده های نمونه انجام می شود. سرانجام ، نتیجه گیری این مقاله در قسمت پنجم آورده شده است.

2. کار مرتبط

در سالهای اخیر ، یادگیری ماشین در زمینه های تشخیص تصویر و چهره ، تشخیص گفتار ، پردازش زبان طبیعی ، سیستم های توصیه و موارد دیگر به موفقیت های بسیاری رسیده است. از نظر ارزیابی کارآیی ، استفاده از یادگیری ماشین نیز به یک موضوع داغ در تحقیقات مرتبط تبدیل شده است.

APIPIE و GEORGESCU [9] برای حل یک مشکل بهینه سازی نمونه کارها بهینه سازی چندگانه بهینه سازی را اعمال کردند. آنها با تجزیه و تحلیل ویژگی های شرکت های ذکر شده در املاک و مستغلات و مبنای ایدئولوژیک تئوری دستگاه بردار پشتیبانی ، آنها اصل انتخاب شاخص ارزیابی را طراحی کردند ، سیستم شاخص ارزیابی را تشکیل دادند که از ده فهرست تشکیل شده است و مدل رگرسیون دستگاه بردار پشتیبانی را ایجاد می کند. لیو [10] یک سیستم تجزیه و تحلیل کمکی عملکرد را بر اساس تجزیه و تحلیل متن ، با استفاده از یادگیری ماشین بر اساس SVM ، Bayes ساده لوح ، همسایگان K-Nearest و سایر الگوریتم های طبقه بندی متن برای طبقه بندی نقش مقامات دولتی ارائه داد و یک سیستم ارزیابی نقش کمی ایجاد کردبشراین یک مرجع عینی تر و علمی تر برای ایجاد سیستم ارزیابی عملکرد در سیستم دولت الکترونیکی بر اساس حالت تعامل طبیعی فراهم می کند.

LI با استفاده از SVM برای حل مزایای یک نمونه کوچک ، غیرخطی و تشخیص الگوی بالا برای ارزیابی و تجزیه و تحلیل سرمایه گذاری کمی سهام پیشنهاد کرد [11]. در کار وو ، مدل بازی Stackelberg از تصمیم گیری سرمایه گذاری سبز در بین شرکت ها با در نظر گرفتن پرونده سرمایه گذاری سبز تأمین کننده به تنهایی و مورد تولید کننده و سرمایه گذاری مشترک سبز تأمین کننده تأسیس می شود. تأثیر عدم اطمینان سبز در تصمیم گیری شرکت مورد تجزیه و تحلیل قرار می گیرد [12]. نتایج مطالعات قبلی ثابت کرد که روش یادگیری ماشین در سیستم ارزیابی عملکرد است و مدل کاربرد خوبی دارد. لین و همکاران. نوع جدیدی از روش بهینه سازی چند منظوره را برای مشکلات ارزیابی عملکرد با استفاده از الگوریتم K-Means برای طبقه بندی اشیاء ارزیابی و سپس ساخت عملکرد رضایت ارائه دهید [13]. بر اساس کار فوق ، آنها یک مدل بهینه سازی چند منظوره برای ارزیابی رضایت از شی ایجاد کردند. نتایج ثابت می کند که مدل مقیاس می تواند یک راه حل ضعیف را بدست آورد. Song [14] یک دستگاه بردار پشتیبانی دوقلوی حداقل مربعات با حداقل مربعات با محدودیت فازی (FCC-LSTSVM) در پیش بینی عملکرد کسب و کار ساخت. احمد [15] قوانین استاندارد بهترین KPI را برای وب سایت های تجارت الکترونیکی بر اساس الگوریتم Google Analytics و Tree Tree تعیین کرد. Heilbru [16] از روش یادگیری ماشین فرآیند انتشار متناوب برای بررسی تأثیر برنامه ریزی استراتژیک بر عملکرد شرکتهای کوچک و متوسط خدمات (SME) استفاده کرد. این روش دو مجموعه داده تجاری را که داده های برنامه ریزی استراتژیک و داده های عملکرد هستند ، اعمال می کند.

لی و دیگران سیستم شاخص ارزیابی عملکرد اساسی نوآوری شرکت را از شش بعد منابع ، فناوری ، محصولات ، مدیریت ، ارزش تجاری و ارزش اجتماعی تشکیل می دهند [17]. آنها یک مدل ارزیابی عملکرد را ایجاد کردند و مدل استفاده از شبکه عصبی BP را آموزش دادند و تأیید شبیه سازی ارزیابی عملکرد نوآوری اساسی شرکتهای نمونه را به پایان رساندند. وانگ از تقویت RS-Multi به عنوان یک روش یادگیری ماشین یکپارچه ترکیبی (HEML) استفاده کرد تا به شرکت ها کمک کند تا تصمیمات و ارزیابی های تجاری صحیح بین NPD (توسعه محصول جدید) و استراتژی های افزایشی NPD را برای بهبود عملکرد کلی NPD انجام دهند [18].

متفاوت از روشهای ذکر شده در بالا ، این مقاله به طور مستقیم یک شبکه عصبی مکرر غیرخطی با روش ورودی های خارجی برای ارزیابی کارآیی اعمال نمی شود. به دلیل کارآیی شرکتهای دولتی به عنوان یک سیستم پیچیده ، یادگیری مستقیم مبتنی بر داده ها برای توضیح بهتر کافی نیست. در این مقاله ، ما از مزایای روش آنتروپی در پردازش داده ها برای تعیین وزن وزن اولیه هر شاخص استفاده کردیم. از بند برای ارزیابی روش رگرسیون بهره وری سرمایه گذاری شرکت دولتی استفاده می شود. آزمایشات نشان می دهد که مدل Naet با شبیه سازی داده ها سازگارتر است. ما رابطه بین اصلاحات متنوع مالکیت ، اهرم بدهی شرکت ها و سایر عوامل و کارآیی سرمایه گذاری شرکتهای دولتی را تأیید کردیم. نتایج تأیید می کند که این روش مؤثر و کاربردی است.

3. روش

3. 1طرح کلی

رابطه بین اصلاحات مالکیت مختلط ، بدهی شرکت ها و کارآیی شرکت ها بر اساس تحلیل زیر است.

اصلاحات متنوع مالکیت در بدهی های SOE عمدتاً از طریق روشهای زیر تأثیر دارد: (1) از طریق اصلاحات متنوع مالکیت ، سرمایه غیر دولتی اضافه می شود و مقیاس سرمایه شرکتها گسترش می یابد. این می تواند نسبت مسئولیت دارایی شرکتهای دولتی را کاهش دهد که مقیاس کل بدهی شرکتها بدون تغییر باقی بماند. در عین حال ، شرکت ها همچنین می توانند از این بخش از وجوه گسترش یافته برای اولویت بازپرداخت بدهی استفاده کنند ، به طوری که نسبت بدهی شرکتها را کاهش داده و به هدف کاهش بدهی دست می یابند.(2) اصلاحات متنوع مالکیت می تواند به طور غیرمستقیم بدهی SOE را با بهبود حاکمیت شرکت ها کاهش دهد. با بهبود سیستم مدیریت شرکت و تقویت عملکرد محور بازار ، نظارت سهامدار کافی خواهد بود که این امر وضعیت بدهی بیش از حد بنگاه ها را تغییر می دهد و شرکت ها را برای بازگشت به سطح سالم از نسبت مسئولیت دارایی ارتقا می بخشد.

راندمان سرمایه گذاری شرکتهای دولتی عمدتاً تحت تأثیر روشهای زیر قرار می گیرد. معرفی سرمایه های غیر دولتی توسط SOE از طریق اصلاحات متنوع مالکیت می تواند نقش نظارتی در مدیریت داشته باشد تا مدیریت بتواند تصمیمات سرمایه گذاری علمی و معقول تری داشته باشد ، رفتار سرمایه گذاری ناکارآمد و غیر منطقی را کاهش دهد و کارایی سرمایه گذاری را بهبود بخشد. شرکت های دولتی.

از طریق تجزیه و تحلیل فوق ، اصلاحات متنوع مالکیت منجر به کاهش بدهی SOE می شود و کاهش بدهی شرکتهای دولتی منجر به بهبود بهره وری سرمایه گذاری شرکتها می شود. علاوه بر این ، می توان دریافت که تنوع نه تنها می تواند به طور مستقیم بر کارآیی سرمایه گذاری تأثیر بگذارد بلکه به طور غیرمستقیم بر کارایی سرمایه گذاری نیز تأثیر می گذارد.

راندمان سرمایه گذاری شرکتها یک سیستم پیچیده است. با این حال ، تحقیقات موجود در مورد کارآیی سرمایه گذاری از دیدگاه توضیحی است که عدم جامع بودن آن است. در این مقاله ، ما یک روش پیش بینی کننده برای آزمایش فرضیه خود از طریق یک شبکه عصبی رگرسیون پیشنهاد می کنیم.

روند ساخت یک مدل شبکه عصبی در شکل 1 آورده شده است. همانطور که در شکل 1 نشان داده شده است ، ابتدا شاخص ارزیابی راندمان سرمایه گذاری را انتخاب می کنیم ، که ممکن است مستقیم یا غیرمستقیم بر راندمان سرمایه گذاری تأثیر بگذارد. ما این کار را با روش تجربی انجام می دهیم. در مرحله بعد ، ما از روش آنتروپی برای تعیین وزن هر شاخص استفاده می کنیم. کار فوق فقط می تواند رابطه بین هر شاخص و راندمان سرمایه گذاری را توضیح دهد. سرانجام ، ما یک مدل شبکه عصبی رگرسیون را آموزش می دهیم. ما از روشهای پیش بینی برای تأیید رابطه جامع بین این شاخص ها و کارآیی سرمایه گذاری استفاده می کنیم.