تخمین ارزش خالص فعلی پروژه‌های صنعتی- معدنی با استفاده از شبکه عصبی رگرسیون عمومی
محورهای موضوعی : دانش سرمایه‌گذاری
حسین بدیعی
1
(مربی عضو هیأت علمی دانشگاه آزاد اسلامی واحد گرمسار،گروه حسابداری، سمنان، ایران و دانشجوی دکتری حسابداری دانشگاه علامه طباطبایی، تهران، ایران.)
مهیار یوسفی
2
(استادیار گروه معدن، دانشکده فنی و مهندسی- دانشگاه ملایر، همدان، ایران)
طالب پرگر
3
(دانش آموخته مدیریت بازرگانی گرایش مالی در مقطع کارشناسی ارشد دانشگاه آزاد اسلامی واحد بین الملل قشم، هرمزگان، ایران. (نویسنده مسئول مکاتبات))
کلید واژه: ارزش خالص فعلی, واحدهای صنعتی و معدنی, شبکه عصبی رگرسیون عمومی,
چکیده مقاله :
در بررسی اقتصادی پروژه های صنعتی و معدنی و تخمین ارزش خااص فعلی سرمایه گذاری، بسیاری از پارامترها مربوط به آینده و غیر قطعی می باشند بنابراین بررسی این پروژه ها و تخمین رفتار پارامترهای غیر قطعی بر مبنای پیش بینی استوار هستند. در این حالت به منظور حصول نتایج واقعبینانه تر، عموماً از تکنیک های بررسی تحت شرایط ریسک در پیش بینی دقیق تر پارامترهای آینده استفاده می شود. در این خصوص روش های مختلفی وجود دارد که یکی از آن ها استفاده از مدل های شبیه سازی می باشد. در این مدل ها رفتار فاکتورهای متغیر به طور قطعی شناخته شده نیست و این عدم قطعیت نه به صورت یک عدد ثابت، بلکه به صورت یک متغیر تصادفی در نظر گرفته شده و رفتار این متغیر یا متغیرهای تصادفی از طریق برآورد یک تابع توزیع احتمالی و شبیه سازی آن تحلیل می شود. مقاله حاضر با هدف بررسی فنی و اقتصادی واحد صنعتی-معدنی طلای کوه زر تربت حیدریه در حالت ریسک برای یک دوره 7ساله، به تشریح کاربرد روش شبیه سازی در تحلیل سیستم های اقتصادی معدنی پرداخته و همچنین از روش هوش مصنوعی رگرسیون عمومی برای تخمین ارزش خاص فعلی سرمایه گذاری واحد فوق استفاده نموده است. بنابراین پس از انجام محاسبات و تشکیل جدول جریان نقدینگی، از اطلاعات به دست آمده از سال های گذشته و حال، به عنوان مبنایی برای تخمین رفتار آینده پارامترهای تاثیر گذار و دارای عدم قطعیت استفاده شده و میزان تغییرات سال های آتی برای هر یک از این متغیرها به صورت یک تابع توزیع احتمالی پیش بینی گردیده است. سپس با جاگذاری توابع توزیع متغیرهای غیرقطعی در سلول های جدول جریان نقدینگی، نمونه برداری تصادفی صورت گرفت و در نهایت با استفاده از تکنیک شبیه سازی، رفتار آینده سیستم و دامنه تغییرات ارزش خالص فعلی تحت شرایط ریسک مورد پیش بینی و تحلیل قرار گرفت. سپس با استفاده نتایج حاصل از شبیه سازی، یک شبکه عصبی رگرسیون عمومی برای پیش بینی و تخمین ارزش خالص فعلی در شرایط وجود متغیرهای غیر قطعی، مانند تولید سالیانه و هزینه تولید، طراحی و اجرا گردید و نتایج نشان داد که شبکه طراحی شده با قابلییت اطمینان خوبی می تواند ارزش خالص فعلی را پیش بینی نماید.
In economic studies of industrial and mine projects and estimation of their net present value (NPV) there are many factors as uncertain variables related to the future. Therefore, such studies should be carried out based on forecasting. To obtain reliable results in these situations, risk analyses methods under uncertainty are used. One of these uncertainty methods is to employ models to be simulated. In these models, some factors as random variables will be studied for the future. Future prediction of each random variable is assessed considering a probability distribution function. The aim of this research work is economic evaluation of Koohzar gold mine in Torbate-Heydariyeh, Iran for a seven years period using simulation and its application in risk and decision management, and estimating its NPV by applying General Regression Neural Network artificial intelligence method. For this purpose, first, probability distributions of the variables were obtained using information from the variables in previous years. Next, distribution functions of uncertain variables are replaced in appropriate cells of discounted cash flow (DCF) table. Then, random sampling was taken from the probability distributions of uncertain variables as an input of cash flow analysis. In the next stage, based on the simulation technique, probability distribution for NPV variations was obtained as the output in the form of graphs and a function. Considering the output, all of the NPV variations can be forecasted. Then, a general regression neural network was designed using simulated results for NPV prediction using input variables. The results show high reliable capability of general regression neural network in prediction of NPV.
یوسفی، م. و غلامی، ر. (1389). مدیریت ریسک و تصمیم گیری در سیستمهای اقتصادی، انتشارات جهاد دانشگاهی صنعتی امیرکبیر.
Adam PM, Nelis PM., 2005, Forecasting inflation with thick models and neural networks. Economic Modeling 22, 848–867.
Anderson, D. R., Sweeney, D. J. and Williams, T. A. (1998). An Introduction to Management Science: Quantitative Approaches to Decision Making. Thomson; South-Western Publication.
Aven, T. (2003). Foundations of RISK Analysis, John Wiley & Sons, 190 pp.
Liefly, F. (1997). Approaches to risk and uncertainty in the appraisal of new technology capital project, International Journal of Production Economics 53, 21-33.
Palisade corporation. (1994). Risk Analysis and Simulation Add-In for Microsoft Excel or Lotus 1- 2- 3'', Windows Version- Release 3, User’s Guide.
Ramasesh, R., Jayakumar, V. and Maliyakal, D. (1996). Inclusion of flexibility benefits in discounted cash flow analysis for investment evaluation: a simulation / optimization mode, European Journal of Operation Research 102, 124-14.
Samis, M., Graha, A. D., Laughton, D. and Poulin, R. (2006). Valuing uncertain asset cash flows when there are no options: A real options approach, Resources Policy 30, 285–298.
Sayadi A. R. , Tavassoli S. M. M., Monjezi M., M., Rezaei M., 2014, Application of neural networks to predict net present value in mining projects, Arabian Journal of Geosciences 7 (3), 1067-1072.
Slater, S F., Venkateshwar K. and Wirlein, J. Z. (1998). Evaluating Strategic Investments, Industrial Marketing Management 27, 447-458.
Specht, D. F. (1991).“A general regression neural network.” IEEE Transactions on Neural Networks., 2(6), 568–576.
Demuth, H., and Beale, M. (2002). Neural network toolbox for use with MATLAB, user’s guide version 4, MathWorks, Natick, MA