الگوی تعیین موفقیت طرح های سرمایه گذاری کشاورزی: کاربرد شبکه عصبی چندلایه پرسپترون

هدف تحقیق حاضر شناسایی و ارزیابی الگویی برای پیش بینی موفقیت یا شکست طرح های پیشنهادی سرمایه گذاری کشاورزی در مناطق روستایی است. متغیرهای پیش بینی کننده، عبارت اند از مؤلفه های محیط سرمایه گذاری و ویژگی های پروژه. براساس نوشتارهای تخصصی در این زمینه، شبکه عصبی چندلایه پرسپترون با الگوریتم یادگیری پس انتشار خطا، تکنیک و الگوی نسبتاً مناسبی برای تبیین مسئله به شمار می آید. برای ارزیابی کارایی الگو از شاخص میانگین مربعات خطا، منحنی roc و شاخص صحت پیش بینی استفاده شده است. ارزیابی الگو مشخص می سازد که شبکه عصبی با 24 نرون در لایه پنهان می تواند حدود 5/77 درصد از نمونه ها را به درستی پیش بینی و طبقه بندی کند. براساس نتایج به دست آمده از داده های آزمون شبکه، الگوی ارائه شده توان بیشتری برای پیش بینی و طبقه بندی نمونه های ناموفق در مقایسه با نمونه های موفق دارد (2/79 درصد در برابر 75 درصد). همچنین در این تحقیق، به منظور ارزیابی قابلیت کاربرد شبکه، 31 نمونه جدید به صورت آف لاین به شبکه ارائه شدند. نتیجه نشان می دهد که الگوی ارائه شده می تواند حدود 5/64 درصد از نمونه ها را به درستی طبقه بندی کند. با الگوی طراحی شده می توان احتمال شکست یا موفقیت هر یک از طرح ها و پروژه های جدید را براساس متغیرهای پیش بینی کننده تخمین زد؛ و می توان آن را به همراه دانش تصمیم گیرهای متولیان توسعه روستایی و کشاورزی و مدیران مؤسسات مالی و اعتباری، به عنوان ابزاری مناسب برای انتخاب پروژه ها و طرح های بهینه برای سرمایه گذاری و ارائه تسهیلات به آنها، به کار گرفت. مراحل مختلف آموزش، آزمون، اعتبارسنجی و کاربرد شبکه و یا اصطلاحاً شبیه سازی شبکه- با استفاده از نرم افزار matlab انجام شده است.