پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 127 |
| تعداد شمارهها | 7,237 |
| تعداد مقالات | 77,625 |
| تعداد مشاهده مقاله | 161,090,968 |
| تعداد دریافت فایل اصل مقاله | 120,788,871 |
مقایسه مدلهای یادگیری ماشین در شناسایی مؤلفههای کلیدی ارزآوری صادرات در منطقه ویژه اقتصادی انرژی پارس | ||
| مدیریت بازرگانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 20 مهر 1404 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jibm.2025.401083.5043 | ||
| نویسندگان | ||
| رباب کلانتری* ؛ شعله باقری پرمهر | ||
| دانشگاه خاتم | ||
| چکیده | ||
| هدف: در اقتصاد ملی ایران، مناطق ویژه اقتصادی به عنوان موتورهای محرک تجارت خارجی و تأمین ارز نقش حیاتی ایفا میکنند. در این میان، منطقه ویژه اقتصادی انرژی پارس با تمرکز بر صادرات محصولات با ارزشی نظیر محصولات پتروشیمی، میعانات گازی و فرآوردههای نفتی، از جایگاهی بیبدیل برخوردار است. با این حال، تمامی صادرات این منطقه به یک میزان در ارزآوری مؤثر نیستند و شناسایی عواملی که منجر به خلق ارزش ارزی بالا میشوند، میتواند به تخصیص بهینه منابع، تنظیم سیاستهای تشویقی و در نهایت، بیشینهسازی درآمدهای ارزی کشور بینجامد. این پژوهش با درک این ضرورت، با هدف شناسایی علمی و دادهمحور عوامل کلیدی مؤثر بر صادرات با ارزآوری بالا در این منطقه استراتژیک طراحی و اجرا شده است. روش: جامعه آماری پژوهش، کلیه دادههای تراکنشهای صادراتی منطقه ویژه اقتصادی انرژی پارس در بازه زمانی شش ساله از ۱۳۹۷ تا ۱۴۰۳ را در بر میگیرد که بالغ بر ۳۵,۰۰۰ رکورد واقعی است. از این دادههای گسترده برای آموزش و آزمایش مدلهای پیشبینی کننده استفاده شده است. پس از مرحله پیشپردازش دادهها، سه الگوریتم قدرتمند و پرکاربرد یادگیری ماشین شامل درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان (SVM) برای تحلیل دادهها به کار گرفته شد مدلهای ایجادشده با معیار دقت (Accuracy) ارزیابی و مقایسه شدند تا کارآمدترین روش در پیشبینی ارزآوری بالا مورد مطالعه مشخص گردد. یافته ها: نتایج حاصل از اجرای مدلها بر روی دادههای واقعی صادراتی، گویای برتری واضح مدلهای مبتنی بر درخت بود. مدل درخت تصمی با دقت ۸۵.۳۶ درصد و مدل جنگل تصادفی با دقت ۸۵.۰۸ درصد بهترین عملکرد را در شناسایی صادرات با ارزآوری بالا از خود نشان دادند. این در حالی بود که مدل ماشین بردار پشتیبان (SVM) با دقت ۷۳.۷۷ درصد عملکرد ضعیفتری داشت. دلیل این امر میتواند به ماهیت دادهها و توزیع پیچیده مرزهای طبقهبندی بازگردد که مدلهای خطی مانند SVM در جداسازی آن با چالش مواجه میشوند. علاوه بر این، تحلیل اهمیت ویژگیها (Feature Importance) در مدلهای درخت تصمیم و جنگل تصادفی، که از دقیقترین مدلها بودند، سه عامل کلیدی را به عنوان تأثیرگذارترین متغیرها در پیشبینی ارزآوری بالا معرفی کرد: نام کالا (نوع محصول) این متغیر به عنوان مهمترین عامل شناسایی شد و کشور مقصد بازار صادراتی دومین عامل بسیار مهم است. عواملی مانند فاصله جغرافیایی، شرایط تجاری و توافقهای دوجانبه، ثبات اقتصادی کشور مقصد و توانایی پرداخت، به طور مستقیم بر ارزش معامله تأثیر میگذارند. صادرات به بازارهای خاص میتواند سودآوری بسیار بیشتری را به همراه داشته باشد. کارآمدی بستهبندی این یافته بر خلاف تصور رایج که بستهبندی را تنها یک عامل حاشیهای میداند، نشان میدهد که استاندارد و بهینه بودن بستهبندی (از نظر حفظ کیفیت، کاهش ضایعات، مطابقت با استانداردهای بینالمللی و کاهش هزینههای لجستیک) تأثیر مستقیم و معناداری بر ارزش نهایی صادرات دارد. نتیجه گیری: این پژوهش به طور تجربی اثبات کرد که الگوریتمهای یادگیری ماشین، به ویژه مدلهای درختی، توانایی بالایی در شناسایی الگوهای پنهان در دادههای عظیم صادراتی و پیشبینی عوامل مؤثر بر ارزآوری بالا دارند. نتایج این مطالعه میتواند مبنایی برای طراحی سیاستهای صادراتی دادهمحور و تمرکز بر محصولات و بازارهای هدف با بیشترین بازدهی ارزی قرار گیرد | ||
| کلیدواژهها | ||
| یادگیری ماشین؛ درآمد صادراتی؛ درخت تصمیم؛ جنگل تصادفی؛ ماشین بردار پشتیبان | ||
|
آمار تعداد مشاهده مقاله: 348 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب