بررسی میزان 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
صبا علیرضایی
1
(
گروه حسابداری، واحد تهران غرب، دانشگاه آزاداسلامی، تهران، ایران
)
خدیجه خدابخشی پاریجان
2
(
گروه حسابداری، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
)
مرضیه کلائی
3
(
گروه حسابداری، دانشکده علوم انسانی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران
)
کلید واژه: پیش بینی فروش, داده های مالی, رگرسیون, یادگیری ماشین,
چکیده مقاله :
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.
چکیده انگلیسی :
This study aims to identify the financial factors influencing the prediction of future sales for food industry companies listed on the Tehran Stock Exchange using supervised machine learning methods. The study period encompasses 50 quarterly periods from 2010 to 2022. The selected sample includes 23 companies from the food industry that are listed on the Tehran Stock Exchange. The statistical method employed in this research is correlation analysis through regression, utilizing linear regression, random forest regression, support vector regression, and gradient boosting regression models. Data preparation, preprocessing, and model construction were conducted using Python on the Jupyter Notebook platform. Comparative results of the models indicate that the random forest model outperformed other algorithms in predicting and explaining the variance in sales using financial data. Gradient boosting, decision tree, support vector, and linear regression models ranked next in terms of R² statistics. The results from the random forest model showed that the financial information of companies explains only 38% of the variance in sales for the next two quarters, while 60% of sales are influenced by other factors, including marketing efforts, company and store characteristics, external factors, and so on. Additionally, the analysis revealed that past sales data and inflation rates do not have an impact on predicting future sales.
1. امیدی گهر،الهام و دارابی،رویا (1395)، رابطه بین تغییرپذیری سود و پیشبینی سود با استفاده از شبکه عصبی در شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران، ژوهشنامه اقتصاد و کسب و کار 2008 - 8396 :شاپا سال ششم، شماره یازدهم، )تابستان 1394 ،)صفحه 77 تا 9
2. امامی،مهتاب و سهرابی یورتچی، بابک، (1394)،طراحی سیستمی برای پیش بینی و تحلیل میزان فروش محصولات در مناطق جغرافیایی مختلف کشور با استفاده از روش های داده کاوی: مطالعه موردی گروه صنایع غذایی سولیوک. پایان نامه کارشناسی ارشد، دانشگاه تهران، کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 81415
3. لامعی،پژمان و حیدری، علی،(1393)،پیش بینی میزان فروش محصول جدید در صنایع غذایی با استفاده از ترکیب روشهای کمی و کیفی (مورد مطالعه: پاستای منجمد شرکت کاله )، پایان نامه کارشناسی ارشد، دانشگاه تهران،کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 68070
4. کهیاری،امین و فیض،داود و آذر، عادل و زارعی،عظیم، دهشتی،زهره (1397)، ارائه الگوی افول برند در صنعت مواد غذایی، چشم انداز مدیریت بازرگانی سال هفدهم، شماره 34 ،پیاپی 67 ،تابستان 1397
5. موسی خانی،مرتضی و شهروان مهر،امیرحسین، (1394)،بررسی عوامل مؤثر بر توسعه صادرات در بنگاههاي کوچک و متوسط صنایع غذایی استان قزوین- با رویکرد MADM،مجله مدیریت توسعه و تحول 23( 1394 )9 -1
1. D. Rohaan , E. Topan a , C.G.M. Groothuis-Oudshoorn b, (2022).Using supervised machine learning for B2B sales forecasting: A case study of spare parts sales forecasting at an after-sales service provider ,ELSEVIER , 188.
2. .Irfan , X.Tang , V.Narayan ,P.Kumar Mall ,S.Srivastava ,V. Saravanan , (2022) ,Prediction of Quality Food Sale in Mart Using the AI-Based TOR Method, Hindawi Journal of Food Quality Volume 2022, pages ,Interfaces, 40 pp. 46-33.
3. Murray, F.T., Ringwood, J.V., (1994). Improvement of electricity consumption forecasts using temperature inputs. Simul. Pract. Theory 2-121-139.
4. Rick Lawrence, Claudia Perlich, Saharon Rosset, Ildar Khabibrakhmanov, Shilpa Mahatma, Sholom Weiss, Matt Callahan, Matt Collins, Alexey Ershov and Shiva Kumar(2010),Operations Research Improves Sales Force Productivity at IBM
5. Raizada.s , Saini.j.(2021).Comparative Analysis of Supervised Machine Learning Techniques for Sales Forecasting. (IJACSA) International Journal of
Advanced Computer Science and Applications,Vol. 12, No. 11 6. Shaikh.a, Soomro.t, Hussain.s ,(2021) ,Predicting Company Sales using Data Mining Methods: A Comparative Study , International Journal of Advanced Computer Science and Applications (IJACSA)
