تاثیر عوامل مالی بر پیش بینی فروش با روشهای یادگیری ماشین نظارت شده: مطالعه موردی شرکتهای بخش غذایی و آشامیدنی پذیرفته شده در بورس اوراق بهادار تهران
الموضوعات : فصلنامه اقتصاد محاسباتیصبا علیرضایی 1 , خدیجه خدابخشی پاریجان 2 , مرضیه کلائی 3
1 - گروه حسابداری، واحد تهران غرب، دانشگاه آزاداسلامی، تهران، ایران
2 - گروه حسابداری، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه حسابداری، دانشکده علوم انسانی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: پیش بینی فروش, داده های مالی, رگرسیون, یادگیری ماشین,
ملخص المقالة :
اين مطالعه به شناسایی عوامل مالی موثر بر پيش بيني فروش آتي شرکتهای صنایع غذایی پذيرفته شده در بورس اوراق بهادار تهران با استفاده از روشهای یادگیری ماشین نظارت شده مي پردازد. دوره مورد مطالعه اين پژوهش،50 دوره فصلی بوده و سالهاي 1389 تا 1401 را در بـر مـی گيـرد. نمونـه انتخابي شامل 23 شركت پذيرفته شده در بورس اوراق بهادار تهران از صنعت غذایی مـی باشـد. روش آماري در اين تحقيق، تحليل همبستگي از طريق رگرسيون با استفاده از مدل های رگرسیون خطی، رگرسیون جنگل تصادفی، رگرسیون بردار پشتیبانی، رگرسیون بهبود گرادیان می باشد. آماده سازی و پیش پردازش داده ها و ساخت مدل با استفاده از زبان پایتون در پلتفرم ژوپیتر نوت بوک انجام شده اند. مقایسه نتایج مدل ها نشان داد که مدل جنگل تصادفی نسبت به سایر الگوریتم ها عملکرد بهتری در پیشبینی و توضیح واریانس فروش با استفاده از داده های مالی دارد. الگوریتم های تقویت گرادیان ، درخت تصمیم، بردار پشتیبانی و مدل رگرسیون خطی در جایگاه بعدی از نظر میزان آماره R- بودند. نتایج مدل جنگل تصادفی نشان داد که که اطلاعات مالی شرکتها تنها 38 درصد واریانس فروش 2 فصل آتی را توضیح میدهد و 60 درصد میزان فروش تحت تاثیر سایر فاکتورها از جمله اقدامات بازاریابی، ویژگیهای مربوط به شرکت و فروشگاه، عوامل خارجی و … می باشد. همچنین تحلیل نتایج نشان داد که اطلاعات فروش گذشته و نرخ تورم تاثیری بر پیش بینی فروش آتی ندارد.
-Emami, M. and Sohrabi Yourtchi, B. (2015). Designing a system for predicting and analyzing the sales volume of products in different geographical areas of the country using data mining methods: A case study of Soleyook Food Industries Group. (Master’s thesis). University of Tehran, Central Library - Information Hall. Registration Number: 81415. )in persian)
-Irfan, X., Tang, X., Narayan, V., Kumar Mall, P., Srivastava, S. and Saravanan, V. (2022). Prediction of quality food sale in mart using the AI-based TOR method. Journal of Food Quality, 3,1-9. Retrieved from https:// doi.org/ 10.1155/2022/6877520/
-KohyariHaghighat , A., Feyz, D., Azar, A., Zarei, A. and Deheshti Shahrokh, Z. (2018). Designing and explaining a model for brand decline in food industry with mixed method. Journal of Business Management Perspective, 17(34),53-70. )In persian)
-Lawrence, R., Perlich, C., Rosset, S., Khabibrakhmanov, I., Mahatma, S., Weiss, S., Callahan, M., Collins, M., Ershov, A. and Kumar, S. (2010). Operations research improves sales force productivity at IBM. Interfaces, 40(1), 33-46. Retrieved from https:// doi.org/ 10.1287/inte.1090.0468/
-Lamei, P. and Heidari, A. (2014). Predicting the sales volume of a new product in the food industry using a combination of quantitative and qualitative methods (Case study: Frozen pasta of Kaleh Company). Master’s thesis,University of Tehran, Central Library - Information Hall, Registration Number: 68070. )In persian)
-Moussakhani, M. and Shahravan Mehr, A. H. (2015). Analyzing the Factors Affecting Qazvin's SME's Export Development with MADM Approach.
Journal of Development Evolution Management,
7(23), 1-9. )In persian)
-Murray, F. T. and Ringwood, J. V. (1994). Improvement of electricity consumption forecasts using temperature inputs. Simulation Practice and Theory, 2(3), 121-139.
-Omidi Gohar, E. and Darabi, R. (2015). The Relationship between Earnings Variability and Earnings Forecast Using Neural Networks in Companies Listed on Tehran Stock Exchange. Journal of Economics and Business Research, 6(11),77-92.( In persian)
-Raizada, S. and Saini, J.R. (2021). Comparative analysis of supervised machine learning techniques for sales forecasting. International Journal of Advanced Computer Science and Applications (IJACSA), 12(11),102-110.
-Rohaan, D., Topan, E. and Groothuis-Oudshoorn, C. G. M. (2022). Using supervised machine learning for B2B sales forecasting: A case study of spare parts sales forecasting at an after-sales service provider. Expert System With Applications,188(3), 1-13.
Retrieved from https://doi.org/10.1016/j.eswa.2021.115925/
