مشاوره پایان نامه و مقاله حسابداری، ارائه مقالات روز حسابداری از نشریات معتبر، ارائه ترجمه تخصصی حسابداری و مالی، ارائه اطلاعات صورتهای مالی شرکتهای بورسی، تحلیل آماری تخصصی پژوهش های حسابداری و مالی، ارائه پیش پروپزال تلفن: 09146622440 (برای مدت زمان محدود، مقالات انگلیسی به صورت رایگان قابل دانلود می باشد)

دانلود پایان نامه حسابداری پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی (PDF+Word)

دانلود پایان نامه حسابداری پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی (PDF+Word)

دانلود پایان نامه حسابداری پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی (PDF+Word)


چکیده:

دانلود پایان نامه حسابداری پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی

دانلود پایان نامه حسابداری کارشناسی ارشد "پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی":

در این پژوهش به دنبال پیش بینی ارزش افزوده اقتصادی شرکت های پذیرفته شده در بازار بورس اوراق بهادار تهران هستیم. مبنای پیش بینی های انجام شده در این پژوهش اطلاعات صورت های مالی حسابرسی شده است. داده های مورد استفاده نیز داده های بین سال های 1382 الی 1387 است. پس از انجام محاسبه های لازم با استفاده از رگرسیون به پیش بینی ارزش افزوده اقتصادی می پردازیم. همین پیش بینی را با استفاده از شبکه های عصبی مصنوعی انجام می دهیم و پیش بینی های صورت گرفته را با واقعیت مقایسه می کنیم که در پایان این پژوهش دیده می شود پیش بینی های صورت گرفته با استفاده از شبکه های عصبی مصنوعی عملکرد بهتری نسبت به رگرسون خطی دارند.

واژگان  کلیدی پایان نامه حسابداری : شبکه عصبی، ارزش افزوده اقتصادی، نسبت های مالی

پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی مفاهیم ارزش افزوده اقتصادی:

ارزش افزوده ثروت ایجاد شده توسط بنگاه های تجاری را اندازه گیری می کند، ارزش افزوده شامل ثروت ایجاد شده توسط عرضه کنندگان به بنگاه ها نمی شود وبه همین دلیل آن را متفاوت از درآمد فروش می دانند. کلی ترین روشی که برای تعریف و محاسبه ارزش افزوده می توان بیان کرد این است که ارزش افزوده برابر مابه التفاوت درآمد حاصل از فروش کالا یا خدمات و هزینه ای است که بابت خرید مواد اولیه و خدمات دریافتی پرداخت شده است.

به طور خلاصه ارزش افروده ، ستاده بنگاه ها را به جای بازده ناخالص آنها اندازه گیری می کند. از آنجا که ارزش افزوده ثروتی را می سنجد که حاصل کار وتلاش گروهی از کسانی است که در بنگاه شاغل  هستند لذا  باید در پرداخت حقوق کسانی که در ایجادش سهیم بوده اند از آن استفاده شود. قسمتی  از ثروت یا ارزش ایجاد شده درقالب حقوق و دستمزد ، بیمه یا بازنشستگی ، بهره وام ها و سود سهام توزیع می شود وقسمت باقی مانده به عنوان ذخایر یا برای سرمایه گذاری مجدد در همان بنگاه و استهلاک انباشته منظور می گردد.

ذکر این نکته لازم است که ارزش افزوده ایجاد شدهتوسط یک واحد تجاری برابر مابه التفاوت آنچه را که مشتری می پردازد با آنچه را که سازنده یا فروشنده باید بابت مواد خام و سایر عوامل واسطه ای فرایند تولید به پردازد می باشد به عبارت دیگر ارزش افزوده فقط تلاشی را که در یک فعالیت صورت می گیرد اندازه گیری  نمی کند بلکه میزان رضایت مشتری را نیز در قالب مقدار پولی که حاظر است به پردازد مورد سنجش قرار می دهد .

در ادبیات مربوط به ارزیابی عملکرد نزدیکترین مفهومی که می توان برای EVA یافت مفهوم سود باقیمانده می باشد . علت مطرح شدن این مفهوم به تاکید مدیران برآگاهی بخش های تحت پوشش از اهمیت هزینه سرمایه بر می دارد .

در حال حاظر EVA به عنوان یک سیتم های مدیریت مالی به حساب می آید .سیستمی که هدف اصلی آن افزایش ثروت سهامداران می باشد و به عنوان مبنایی برای تعیین اهداف ، بودجه بندی سرمایه ای و دستمزد های انگیزشی محسوب می شود .

در محاسبه سود حسابداری ، تنها هزینه تامین مالی از طریق بدهی منظور می شود و مدیران وجوه فراهم شده توسط سهامداران را بدون هزینه فرض می کنند. اما مفهوم ارزش افزوده اقتصاده ، هزینه تامین مالی از طریق صاحبان سهام نیز منظور می شود زیرا پول به خودی  خود وارد شرکت نمی شود و هر وجهی هزینه ای دارد.

به عبارت دیگر ارزش افزوده اقتصادی برآوردی از سود اقتصادی شرکت است و با سود حسابداری تفاوت دارد ( کالابرس ، 1999، 102).

 ارزش افزوده اقتصادی سبب می شود سود حسابداری به سود اقتصادی نزدیک تر شود و اندازه گیری ارزش ایجاد شده توسط شرکت برای سهام داران راحت شود. به نظر ویور (2001) ارزش افزوده اقتصادی حلقه مفقوده بازده سهامداران ، بازده اقتصادی و بازده حسابداری است

پیش بینی ارزش افزوده اقتصادی با شبکه های عصبی مصنوعی تاریخچه شبکه های عصبی:

شبکه های عصبی که برای اولین بار توسط روزنبلات (1959) و ویدرو و هاف (1960) مورد بررسی قرار گرفت، ساختار های محاسباتی هستند که دارای  قابلیت های تعمیم پذیری و یادگیری می باشند. از نظر مفهوم، این تکنولوژی ها یک تکنیک توزیعی را به کار می گیرند تا دانش اکتسابی توسط یادگیری با نمونه های شناخته شده را ذخیره و برای طبقه بندی الگو، پیش بینی و تجزیه و تحلیل، کنترل و بهینه سازی مورد استفاده قرار دهد. از لحاظ عملیاتی، این تکنولوژی ها برنامه های نرم افزاری هستند که ساختار زیست شناختی مغز انسان و ساختار پیچیده عصبی آنرا الگو قرار می دهند(شاپیرو، 2003، 310).

از زمان کارهای ابتدای که توسط رامل هارت، مک کللند و گروه تحقیقی (PDP) (1986)، بر روی شبکه های عصبی مصنوعی را آغاز کردند، کاربردهای موفقیت آمیز این متد در تشخیص الگوها (نیشیکاوا وهمکاران، 1997) ، پردازش تصویر (دورانتون، 1996) ، تجزیه و تحلیل اسناد ( سودا و همکاران، 2005)، وظایف مهندسی (ابو مصطفی، 2001)، تولید  (کانگ و نهاوندی، 2002)، بهداشت زیستی (ناظران و بهبهانی، 2000)، بهینه سازی ( چو و همکاران، 2005)، و غیره توجه دانشمندان زیادی را به این متد جلب کرد. در سال های اخیر، شبکه های عصبی مصنوعی مقبولیت فراوانی برای حل مسائل مالی و تولید یافته اند. در حوزه مالی، قلمرو کاربردهای قابل ذکر این موارد هستند: 1- تجارت و پیش بینی شامل قیمت گذاری و پوشش ریسک اوراق بهادار و مشتقات ( استینر، 1997)، 2- تخمین قیمت آتی ( تورسان، 1966)، 3- انتخاب و عملکرد سهام (کیم و چون، 1998)، 4- پیش بینی نرخ ارز ( سارکر، 2003)، 5- پیش بینی ورشکستگی شرکت ها ( آتیاف 2001)، 6- تشخیص تقلب (اسمیت و گوپتا، 2000)، و غیره.

همچنین بسیاری از نرم افزار های تجاری برای حل حوزه وسیعی از مسائل مالی امروزی با استفاده از شبکه های عصبی مصنوعی تدوین شده اند ( سارکر وهمکاران،2006، 140).

اگرچه شبکه عصبی مدلی برای تقلید هوش انسانی یک ماشین است، این شبکه ها دارای توانایی عالی از یادگیری رابطه معماری ورودی و خروجی از یک مجموعه داده را دارند بدون اینکه دانش یا پیش زمینه ای در رابطه با توزیع آماری داده داشته باشند. این قابلیت یادگیری از داده ها بدون هیچ دانش قبلی، شبکه های عصبی را برای استفاده در رگرسیون و طبقه بندی در وضعیت های واقعی مناسب می سازد. در بسیاری از کاربرد های مالی و تولید، رگرسیون و طبقه بندی بخش جدای ناپذیر از یکدیگر هستند. همچنین شبکه های عصبی به طور ذاتی غیر خطی می باشند که این شبکه ها را در مدلسازی های الگو های پیچیده داده ها نسبت به بسیاری از از شیو های سنتی که خطی هستند، دقیقتر و کاربردیتر می سازد.در بسیاری از مسائل واقعی که در حوزه مالی و تولید مطرح می شوند، کاربرد های شبکه های عصبی مصنوعی نسبت به تکنیک های رگرسیون چند گانه در طبقه بندی و تجزیه و تحلیل داده ها، دارای عملکرد بهتری بوده است. به خاطر توانایی این شبکه ها در عمومیت دادن داده های نادیده گرفته شده، این شبکه ها مناسب با داده های تورش دار، گم شده و از این قبیل می باشند.

شبکه های عصبی مصنوعی از جدیدترین روشهای هوش مصنوعی هستند که می توان برای پیش بینی سری های زمانی غیر خطی مورد استفاده قرار بگیرند( خازم، 2007، 54).

یک شبکه عصبی تلاشیست برای مهندسی معکوس مغز، ایده اصلی شبکه عصبی از تلاش دانشمندان برای ساخت آن در ابعاد کوچکتر با نرونها و اتصالات سیناپسی ارگان مغز ناشی می شود.

هدف یک شبکه عصبی ایجاد مکانیزم یادگیری و الگوی شناختی است که برای کامپیوتر قایل فهم باشد است. بنابراین مدل های شبکه عصبی توانایی تقلید وظیفه مغز را با تقلید بر اساس نرونها به عنوان ساده ترین و پایه ای ترین جزء مغز دارند. مانند مغز انسان، مدل های شبکه عصبی شامل یک یا چند عنصر پردازشگر می باشند که از طزیق اتصالات وزن دار با یکدیگر در تعاملند، وظیفه مغز انسان را الگوبرداری می کنند. مدل شبکه عصبی می بایست با مجموعه­ای از داده­ها تغذیه شوند تا یادگیری لازم برای پیش بینی به عنوان نتیجه مدل حاصل شود (همان منبع، 54).

مفهوم شبکه عصبی را می توان در اواخر صده 1800 جستجو کرد، جایی که مدلهای محاسباتی برای مطالعه عملکرد مغز به کار گرفته شدند. رویکرد یادگیری هب را برای یادگیری مدلهای شبکه عصبی ارائه کرد که می توان آن را ابتدایی ترین و پایه ای ترین مدل یادگیری بدون ناظر است.

تانک و هاپفیلد (1987) اثبات کردند که مدلهای نرونی که بر اساس مدلهای مدارهای الکترونیک کار می کنند توانایی حل مسایل پیچیده را باسرعت و دقت قابل قبولی را دارد. اجزا محاسباتی کاگنیترون از تعامل جمعی اجزا مرتبط با هم در یک شبکه حاصل می شود ( تانک و هاپفیل، 1987، 152).

شبکه‌های عصبی یا به طور دقیق‌تر شبکه‌های عصبی مصنوعی، نوعی فناوری است که ریشه در علوم بسیاری از قبیل عصب‌شناسی، ریاضیات، آمار، فیزیک، علوم کامپیوتر، و مهندسی دارد. شبکه‌های عصبی در حوزه‌های متعددی چون ایجاد مدل، تحلیل سری‌های زمانی، شناخت الگو، پردازش علائم و کنترل کاربرد دارد  ( هایکن، 1999، 64).

  شبکه‌های عصبی فناوری پردازش اطلاعات است که از مطالعات سیستم عصبی و مغز الهام گرفته است. به عبارت دیگر شبکه‌های عصبی نوعی فناوری است که تلاش می‌کند مهارت‌های سازماندهی و کسب دانش مغز انسان را تقلید کند. شبکه‌های عصبی اساساً از آرایشی از پردازشگرها، یا سلول‌ها، همراه با ارتباطات بین آنها تشکیل شده‌ است. داده‌های ورودی از طریق این آرایش مورد پردازش قرار می‌گیرند تا به خروجی‌ها یا نتایج برسند. تعاریف متعدد دیگری در مورد شبکه‌های عصبی وجود دارد، از جمله اینکه شبکه‌های عصبی مدل ریاضی هستند که از تعداد زیادی عناصر پردازشگر تشکیل شده‌اند، این عناصر پردازشگر که در لایه‌ها یا شکل جدیدی از محاسبه منظم شده‌اند، از مدل بیولوژیکی الهام گرفته‌اند ( لوبیک، 2001، 38).

 

 

راهنما:

برای دانلود پایان نامه حسابداری فوق در انتهای چکیده، می بایست قبل از اقدام به خرید، در سایت ثبت نام کرده، سپس اقدام به خرید پایان نامه حسابداری نمایید، بعد از خرید و پرداخت موفقیت آمیز، فایل پایان نامه حسابداری خریداری شده، در قسمت پنل کاربری (که بعد از ثبت نام و ورود به سایت در منوی بالایی سایت نمایان می شود) ، پس از باز کردن آیتم مدیریت مقالات در لیست سمت چپ، و کلیک بر روی دانلود مقالات، پایان نامه حسابداری خریداری شده، با لینک دانلود، نمایش داده می شود، که با کلیک بر روی لینک دانلود، پایان نامه حسابداری دانلود شده و شما می توانید از آن استفاده کنید.


دانلود پایان نامه حسابداری کل فصول (قیمت : 29,990 تومان)
حمایت از ما