درخت حوزه‌های تخصصی

صنعت فولاد به عنوان یک صنعت مادر از جایگاه ویژه ای در اکثر کشورها برخوردار است. میزان مصرف این محصول در صنایع زیربنایی، یکی از شاخص های توسعه در کشورهاست. این مقاله می کوشد روش شبکه های عصبی (ANN) را معرفی و کاربرد این روش را برای پیش بینی قیمت فولاد بررسی نماید. برای سنجش بهتر این روش، آن را با یکی از روش های معمول اقتصادسنجی یعنی روش خود رگرسیون میانگین متحرک انباشته (ARIMA) مقایسه می کنیم. برای شبکه های عصبی مصنوعی از شبکه ی پیشرو با آموزش پس انتشار خطا استفاده شده است و در ادامه بروز انواع مشکل برازش بیش از حد بررسی و راه های مقابله با آن عنوان می گردد. در روش شبکه ی عصبی، شبکه ای با معماری پنج گره در لایه ی ورودی، دو نرون در لایه ی میانی و یک نرون در لایه ی خروجی که دارای کمترین میانگین مربعات خطا بود، انتخاب گردید. در روش (ARIMA) نیز با توجه به متدولوژی باکس- جنکینز، مدل به صورت ARIMA(1،1،0) درآمد. در نهایت نتایج به دست آمده نشان می دهد که مدل شبکه ی عصبی بهتر از روش دیگر عمل می نماید و خطای پیش بینی آن از روش ARIMA بسیار کمتراست

این مقاله الگویی نظری برای بیان رفتار صنایع تبدیلی در ارتباط با بازار نهاده اصلی تولیدی ارایه می دهد که در آن ضریب تمرکز در این بازار به عوامل متعددی تجزیه شده و تاثیر هر کدام در عملکرد اقتصادی صنایع به طور غیرمستقیم ارزیابی شده است. از این عوامل، کشش قیمتی عرضه نهاده اصلی و درجه توافق به طور غیرمستقیم دارای اثر مثبت بوده، ولی به طور مستقیم به ترتیب آثار منفی و مثبت در عملکرد اقتصادی دارند. از لحاظ کاربردی، یازده کارخانه قند انتخاب شده اند و اطلاعات آماری به عنوان داده های مقطعی با داده های سری های زمانی در طول دوره 1375 تا1382 با همدیگر ترکیب شده و در نتیجه درجه توافق بین صنایع در حد 0.7 محاسبه شده است. این رقم انحصار خرید نهاده چغندر از زارعان را توسط هر کارخانه در حوزه جغرافیایی خود تایید کرده که آن را به کل رفتار کارخانه های قند مورد مطالعه تعمیم می دهد.