Professional Documents
Culture Documents
Received: 6/ 11/ 2019, Accepted: 23/ 5/ 2020. .م2020 /5 /23 : تاريخ القبول،م2019 /11 /6 :تاريخ االستالم
DOI: 10.33977/1760-005-013-010 E-ISSN: 2410-3349
https: //journals.qou.edu/index.php/eqtsadia P-ISSN: 2313-7592
143
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
،Regrission Analysisمت تطبيق الدرا�سة على عينتني الأوىل ،)et al., 1997, P.86 - 88هي:
ملر�ضى ال�سكري والثانية ملر�ضى ال�رسطان ،وتو�صلت الدرا�سة
�إىل عدد من النتائج �أهمها �أن االختالف بني الأ�سلوبني يكمن يف
اختالف �رشوط تطبيق كل منهما ،و�أن �أ�سلوب االنحدار اللوج�ستي
ي�صنف املفردة وفق احتمال معني �أما التمييزي فيقوم مبا�رشة
بت�صنيف امل�شاهدة ،اعتمد على معامل التحديد R2يف املقارنة �Ú Úإذ � ّإن P :عدد مفردات العينة W ،عدد الأوزان الكلية يف
بني الأ�سلوبني�.أو�صى الباحث با�رشاك خوارزميات الذكاء ال�صنعي ال�شبكة α ،ن�سبة الثقة املطلوبة يف العينة ،وال�رشط الكايف ل�ضمان
امل�ستخدمة يف الت�صنيف ومقارنتها مع الأ�سلوبني ال�سابقني. الأداء املطلوب يعطى بالعالقة:
درا�سة ( )Barzanti, et al.– 2016بعنوان “نظام دعم القرار
للمنظمات غري الربحية”:
تهدف الدرا�سة �إىل تطوير منوذج للجمعيات متو�سطة احلجم
غري الربحية ،والذي ي�أخذ بعني االعتبار خ�صو�صيات هذا النوع
من اجلمعيات غري احلكومية من �أجل حت�سني عملية جمع الأموال، �Ú Úإذ � ّإن nمت ّثل عدد العقد يف ال�شبكة ،وعليه ف�إن احلد الأدنى
اعتمدت الدرا�سة ب�شكل �أ�سا�سي على خوارزمية ت�صنيف من خالل حلجم العينة الالزم عند م�ستوى ثقة 95%هو:
�أداة مت ت�صميمها ،تقوم الأداة بتحليل البيانات ال�ضخمة ومن ثم يتم
ت�صنيف املتربع بهدف معرفة فيما �إذا مت التو�صل للهدف الالزم �أم
ال ،مت تطوير الأداة كنظام دعم قرار فعال ومت تطبيقها على قاعدة
بيانات �ضخمة افرتا�ضية حتاكي �آلية عمل هذه اجلمعيات ،وتو�صلت
�إىل نتائج قريبة ب�شكل كبري من الواقع من خالل حتليل النتائج
املحققة مع النتائج الفعلية.
145
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
ات�صاالت Connectionsبني عنا�رص املعاجلة الع�صبونية الريا�ضية درا�سة ( )Khemakhem & Boujelbène, 2015بعنوان “التنب�ؤ
،Mathematical PEsحيث يتم ترميز املعرفة داخل ال�شبكة من مبخاطر الإقرا�ض :درا�سة مقارنة بني التحليل التمييزي وطريقة
قوة االت�صال بني العنا�رص خالل الأوزان Weightsوالتي مت ّثل ّ ال�شبكات الع�صبونية”:
الع�صبونية ،و�إن�شاء طبقات Layersجتمع هذه العنا�رص لتعمل مع هدفت هذه الدرا�سة �إىل ا�ستك�شاف طرق عملية جديدة تعتمد
بع�ضها على التوازي. على ال�شبكات الع�صبونية مل�ساعدة متخذ القرار يف امل�رصف للتنب�ؤ
ميكن تعريف ال�شبكة الع�صبونية ال�صناعية على �أنها منوذج مبخاطر عدم الدفع لل�رشكات التي تطلب القر�ض ،ومتت مقارنة
ُيحاكي عمل ال�شبكة الع�صبونية الطبيعية با�ستخدام تقنيات ح�سابية النتائج مع التحليل التمييزي ،طبقت هذه الدرا�سة على � 86رشكة
مهمة معينة ،معتمدة على املعاجلة املتوازية املوزع ة �Parلإجناز ّ زبائن تون�سية من قطاعات خمتلفة على مدى ثالث �سنوات 2005
allel Processingبا�ستخدام عن�رص املعاجلة الع�صبونية Process �إىل .2007اعتمدت الدرا�سة على بناء النماذج من خالل املنهج
) Element (PEمن خالل تخزين املعرفة والقدرة على التدريب الو�صفي التحليلي ،حيث مت اختيار املتغريات الالزمة ومن ثم
بهدف ا�ستخدامها الحق ًا لإجناز هذه املهمة. تق�سيم العينة �إىل جمموعتني الأوىل للتدريب والثانية لالختبار،
ومن ثم تتعلم ال�شبكة الع�صبونية من خالل تقدير عدد العقد ومت االعتماد على ن�سبة الت�صنيف ال�صحيحة للمقارنة بني كال
و�ضبط �أوزان االت�صاالت باالعتماد على جمموعة التدري ب �Train الأ�سلوبني ،وتو�صلت الدرا�سة �إىل �أن ال�شبكة الع�صبونية م�ضبوطة
،ing Dataaوتتعلم ال�شبكة �إما بطريقة التعليم املراقب �Super ب�شكل �أف�ضل من التحليل التمييزي يف التنب�ؤ والت�صنيف.
vised Learningوفيها حتوي جمموعة التدريب على �أزواج من درا�سة ( )Leela & Loshma, 2012بعنوان “الت�صنيف والتنب�ؤ
الأمناط املدخلة وامل�ستهدفة ،Input - Output Pairsحتاول ال�شبكة يف �إدارة عالقات العمالء با�ستخدام منوذج ال�شبكة الع�صبونية
الع�صبونية �أن جتد دالة ريا�ضية بحيث ت�صل �إىل النمط امل�ستهدف متعددة الطبقات ذات التغذية العك�سية”:
بناء على النمط املدخل�.أو بطريقة التعليم غري املراق ب �Unsuper ناق�شت هذه الدرا�سة �أهمية CRMيف املنظمات ،وبينت
vised Learningوفيها يعر�ض جمموعة من الأمناط على ال�شبكة �أهمية الت�صنيف والتنب�ؤ مل�ساعدة املنظمة على درا�سة وحتليل
التي تقوم ب�ضبط ذاتها حلل امل�شكلة املطروحة عليها بناء على والتنب�ؤ ب�أمناط العمالء ،اعتمدت على تقنيات التنقيب يف البيانات
جمموعة التدريب (.)Tylor B., 2006, P.2 للت�صنيف ومن ثم قامت بتطوير منوذج �شبكة ع�صبونية ملعاجلة
◄◄مك ّونات ال�شبكة الع�صبونية ال�صناعية Elements of البيانات ب�شكل �أكرث كفاءة وفعالية ،وبوقت تنفيذ �أقل.تو�صلت
:ANN الدرا�سة �إىل �أن ال�شبكات الع�صبونية متعددة الطبقات ذات التغذية
تعترب اخللية الع�صبونية احلجر الأ�سا�س لل�شبكة الع�صبونية العك�سية حت�سن عملية املعاجلة لتنفيذ CRMوبوقت �أكرث فعالية
ال�صناعية ،فهي تتكون من جمموعة من عنا�رص املعاجلة PEs وكفاءة.
تتو ّزع فيما بينها �ضمن جمموعة من الطبقات بح�سب نوع ال�شبكة، وتتميز الدرا�سة احلالية باتفاقها مع كل من درا�سة (�سليمان،
تت�صل مع بع�ضها البع�ض من خالل الأوزان (Kriesel D., 2005, )2015و (العدوي )2017 ،و (Khemakhem & Boujelbène,
p.33)،وكل عن�رص معاجلة يت�ألف من املدخالت Inputsومتثل �إما ) 2015يف ا�ستخدام التحليل التمييزي ك�أبرز الطرق الإح�صائية
متغريات الدرا�سة �أي البيانات اخلام �أو خمرجات عنا�رص معاجلة امل�ستخدمة يف الت�صنيف للمقارنة مع منوذج ال�شبكة الع�صبونية
�أخرى ومتثل على �شكل �شعاع ،Xواملخرجات Outputsقد تكون هي املقدم يف هذه الدرا�سة.وتتفق مع درا�سة ()Barzanti, et al.– 2016
�صممت ال�شبكة لأجلها �أو مدخالت النتيجة النهائية للمهمة التي ّ من حيث �أهمية تطبيق نظم دعم قرارات ونظم معلومات تعتمد على
لعنا�رص معاجلة �أخرى ومتثل على �شكل �شعاع ،Oبالإ�ضافة �إىل تقنيات احلو�سبة املتطورة لت�ساهم يف اتخاذ القرار لدى اجلمعيات
دوال ريا�ضة م�س�ؤولة عن التجميع واال�ستثارة. اخلريية ،وتتفق مع درا�سة ( )Leela & Loshma, 2012ب�رضورة
الشكل رقم ()1 تطبيق تقنيات الت�صنيف يف اجلمعيات اخلريية لل�سعي للو�صول �إىل
بنية الخلية العصبونية رياضياً نظام �إدارة عالقة مع العميل واملتمثل يف امل�ستفيدين من الكفالة
املالية.
وبالتايل ف�إن ما مييز الدرا�سة احلالية هو ا�ستخدام ال�شبكات
الع�صبونية ال�صناعية للتنب�ؤ بقرار ت�صنيف الكفاالت املالية يف
قاعدة بيانات ذات �أبعاد متعددة ،وحتديد املتغريات الأكرث �أهمية
يف عملية اتخاذ قرار الت�صنيف ومقارنتها مع حتليل التمايز ك�أحد
الأ�ساليب الإح�صائية لتبيان جدواها يف �أق�سام الكفاالت املالية يف
اجلمعيات اخلريية ،للو�صول �أخريا �إىل نظام �إدارة عالقة مع العمالء
يكون فعال وداعم للقرارات التي تتخذها �إدارة هذه الأق�سام.
اإلطار النظري للبحث:
◄◄ مفهوم ال�شبكات الع�صبونية
ال�صناعي ة♦ �Artificial Neu
المصدرMehrotra K,et al., Element of Artificial Neural : ):ral Networks (ANNs
Networks, P.58
تعمل ال�شبكات الع�صبونية ال�صناعية من خالل �إن�شاء
146
أ .محمد لؤي عبد الرزاق دهان استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية
أ .د .ياسر عبد اهلل املوسى (بالتطبيق على اجلمعيات اخليرية في مدينة حلب)
◄◄ال�شبكات متع ّددة الطبقات :Multilayer Networks بعد االنتهاء من �إعداد ال�شبكة الع�صبونية تتم عملية معاجلة
�إن امل�شاكل املعقدة ال ميكن حلها ب�شبكات وحيدة الطبقة املعلومات والتي ت�شمل (طلبة ،و�آخرون� ،1998 ،ص:)393 - 390
،Perceptronوظهرت بد ًال عنها �شبكات التغذية الأمامية
متعددة الطبقات Feedforward Multilayerبدوال غري خطية مدخالت وخمرجات ال�شبكة :Inputs and Outputsومتثل
لعقدها ،وبخوارزميات تعليم تختلف عنها.ظهرت هذه ال�شبكات يف مدخالت ال�شبكة كامل متغريات الدرا�سة ،يف حني �أن خمرجاتها
بداية الثمانينيات واعتمدت �آلية تعليمها على الأخطاء لالنت�شار متثل حل امل�شكلة التي ُ�صممت ال�شبكة لأجلها.
اخللفي � Backpropagationأي من العقد اخللفية �إىل العقد الأمامية.
الأوزان :Weightsوهو العن�رص الأ�سا�سي يف ال�شبكات
◄◄معمارية ال�شبكات متع ّددة الطبقات :Architectureتتوزع
العقد يف هذه ال�شبكات على عدد من الطبقات ترقم من 0وحتى الع�صبونية ،ويعرب عن القوة الن�سبية للمتغريات الداخلة يف ال�شبكة
Lبحيث �أن الطبقة رقم 0هي طبقة املدخالت والطبقة رقم Lهي �أو عن قوة الربط بني طبقات ال�شبكة.
طبقة املخرجات ،والرقم يدل على بعد عقد الطبقة عن عقد طبقة
املدخالت ،تطبق Backpropagationيف حال كانت ال�شبكة حتوي دالة اجلمع :Summation Functionتقوم هذه الدالة
على ثالث طبقات على الأقل �أي �إذا كانت ،L ≥ 2وكل عقدة من العقد بح�ساب وزن كامل املدخالت �إىل عن�رص املعاجلة الواحد من خالل
متثل جزءاً من امل�شكلة املطروحة ،فتمثل عقد طبقة املدخالت عدد العالقة التالية:
�أبعاد الأمناط املدخلة لل�شبكة �أي متغريات الدرا�سة ،ومتثل عقد طبقة
املخرجات عدد الأ�صناف بح�سب امل�شكلة املطروحة ،يف حني �أن
عقد الطبقات املخفية تتح ّدد بح�سب طبيعة امل�شكلة ودرجة تعقيد دالة التفعيل :Activation Functionلكل خلية ع�صبونية
ال�شبكة.يكون االت�صال بني العقد املتجاورة فقط �أي ال ميكن لأي عقدة م�ستوى ا�ستثارة خا�ص بها ،بعد �أن تقوم دالة اجلمع بعملها ت�ستثار
ب�أحد الطبقات �أن تت�صل بعقدة �أخرى يف طبقة غري جماورة لها. اخللية الع�صبونية وقد تعطي خرج ًا معيناً ،هذه العالقة (بني دالة
تطبق كل عقدة موجودة يف الطبقات املخفية وطبقة اجلمع وخرج اخللية) قد تكون خطّ ية � Linearأو ال خطّ ية Non Linear
ّ
املخرجات الدالة املنطقية Sigmoidعلى مدخالتها ،و�سبب اختيار ومتثل عن طريق دالة التفعيل ،هناك عدة �أ�شكال لهذه الدالة يعتمد
هذه الدالة كونها دالة م�ستمرة Continuousومطردة بالزيادة اختيار �أحدها على طبيعة امل�شكلة التي حتلها ال�شبكة وعلى الباحث
،Monotonically Increasingبالإ�ضافة �إىل مقارباتها عند �أطراف ذاته� ،إذ �أثبتت معظم الدرا�سات �أن دالة �سيغمويد Sigmoid Function
الالنهايات ،وح�رص نتيجة تطبيقها �ضمن املجال [.]0,1 هي الأكرث كفاءة.
الأهداف :Objectivesتهدف ال�شبكة �إىل جعل �شعاع املخرجات دالة �سيغمويد املنطقية :Sigmoid Functionوهي
بعد التدريب opقريب ًا جداً من �شعاع املخرجات الفعلي � ،dpأي تكون الدالة الأكرث �شهرة يف ال�شبكات الع�صبونية تهدف �إىل جعل قيمة
قيمة دالة التقييم �أقل ما ميكن: املخرجات حم�صورة بني 0و 1ب�سبب �أن قيم املخرجات من ممكن
�أن تكون كبرية جداً ،وفيها يكون:
147
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
حيث:
ويكون الهدف هو تخفي�ض قيمة اخلط�أ ،ووفق ًا لطريقة
:Dtنتيجة التمايز بني جمموعتني حمددتني.
االنحدار Gradient Descent Methodف�إن الأوزان تتغري باجتاه
:tعدد دوال التمايز. .وبتطبيق يتوافق مع اجتاه م�شتق اخلط�أ بالن�سبة للوزن
:Kعدد املتغريات امل�ستقلة. املعممة Generalized Delta Ruleممكن ت�سهيل ح�سابّ قاعدة دلتا
معامالت املتغريات امل�ستقلة على الرتتيب. امل�شتق ال�سابق ،باالعتماد على قاعدة الت�سل�سل يف اال�شتقاق The
Chain Rule of Derivativesوافرتا�ض �أن ال�شبكة حتوي على طبقة
�رشوط تطبيق حتليل التمايز الب�سيط :يرى (العدوي)2017 ،
خمفية واحدة فقط ،ميكن جتزئة تغريات الوزن بدرا�سة امل�شتق من
�أن �أهم �رشوط يجب �أن تتوافر لتطبيق حتليل التمايز الب�سيط هي:
ودرا�سة امل�شتق من الطبقة املخفية �إىل طبقة املخرجات
وجود قيمتني فقط للمتغري التابع. طبقة املدخالت �إىل الطبقة املخفية
يجب �أن يكون حجم العينة كبرياً ،لكل متغري 20م�شاهدة وبعد �إجراء العمليات الريا�ضية نح�صل على الدالة التالية
على الأقل. لتعديل الأوزان بني عقد الطبقة املخفية وعقد طبقة املخرجات:
عدم وجود م�صاحبة خطية بني املتغريات امل�ستقلة� ،أي
يجب �أن تكون م�ستقلة فيما بينها.
والدالة التالية لتعديل الأوزان بني عقد طبقة املدخالت وعقد
عدم وجود قيم متطرفة للمتغريات. الطبقة املخفية:
املجتمعات الإح�صائية متثل جمتمعات �إح�صائية ذات
توزيع طبيعي.
الدراسة التطبيقية: ◄◄مفهوم حتليل التمايز :Discriminant Analysis
يقوم النموذج املقرتح على درا�سة العوامل امل�ؤثرة ب�شكل يعترب من �أ�ساليب حتليل املتغريات املتعددة التي تهتم بف�صل
�أ�سا�سي يف اتخاذ قرار الكفالة املالية ،ومن ثم تقييم كل حالة عدد من امل�شاهدات �إىل جمموعتني �أو �أكرث وتوزيع امل�شاهدات
لدعم قرار ت�صنيفها �إىل فئة املقبولني للكفالة �أم ال ،مما ي�ساهم يف اجلديدة عليها ،فهو ي�ستخدم ال�ستك�شاف �أ�سباب االختالفات
م�ساعدة متخذ القرار لت�صنيف طالبي الكفالة بال�شكل الأمثل. امل�شاهدة عندما ال ن�ستطيع فهم العالقات ال�سببية بدرجة كافية
طبقت الدرا�سة على قاعدة بيانات عدد من اجلمعيات اخلريية (ريت�شارد ،و�رشن� ،1998 ،ص ،)735 - 740وميكن تعريفه على
العاملة يف مدينة حلب – �سورية والتي حتوي على ق�سم خمت�ص �أنه «�أ�سلوب اح�صائي لبناء منوذج ريا�ضي يكون املتغري التابع فيه
بالكفاالت املالية خالل الفرتة (من عام 2016وحتى عام ممث ًال برموز (رمزين على الأقل) كل رمز ميثل رقم ًا ملجموعة من
،)2019حتوي قاعدة البيانات على 12متغريا منها 4متغريات املجموعات الداخلة يف التحليل ،ويكون بالنموذج بع�ض املتغريات
م�ستمرة و 4متغريات ثنائية و 5متغريات فئوية ،ووجود 7463 امل�ستقلة» (عا�شور ،و�آخرون� ،2004 ،ص ،)140وي�ستخدم النموذج
حالة بدون وجود قيم مفقودة وهي �أعلى من حجم العينة 6344 للتنب�ؤ برقم املجموعة التي تنتمي �إليها امل�شاهدة اجلديدة من خالل
الالزم لإجراء الدرا�سة.وفيما يلي تو�ضيح باملتغريات مع الرتميز املتغريات امل�ستقلة املوجودة يف النموذج.
اخلا�ص بكل متغري: يوجد نوعان �أ�سا�سيان لتحليل التمايز هما :حتليل التمايز
الجدول رقم ()1
اخلطي )LDA (Linear Discriminant Analysisوهو حتليل التمايز
الب�سيط الذي ي�صنف امل�شاهدات �إىل جمموعتني فقط؛ �أي �أن املتغري
متغيرات الدراسة
التابع هو متغري ثنائي الت�صنيف ،ويرتبط هذا النوع ب�شكل وثيق
مع حتليل التباين ANOVAوحتليل االنحدار الب�سيط.وحتليل التمايز
املتغريات امل�ستمرة
املتعدد )MDA (Multiple Discriminant Analysisوفيه يكون
X1 العمر املتغري التابع له �أكرث من قيمتني ويرتبط بتحليل التباين املتعدد
148
أ .محمد لؤي عبد الرزاق دهان استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية
أ .د .ياسر عبد اهلل املوسى (بالتطبيق على اجلمعيات اخليرية في مدينة حلب)
خوارزمية حتقيق املثلوية :Optimization Algorithmحدد املتغريات الثنائية ( 0تعني ال 1 ،تعني نعم)
الباحث طريقة االنحدار Gradiant Descentاملرتافقة مع خوارزمية X2 اجلن�س (ذكر – �أنثى)
االنت�شار اخللفي ،Backpropagationوقد حدد الباحث و�سطاء
X7 هل الأم على قيد احلياة
اخلوارزمية وفق التايل:
X8 هل يوجد حالة �إعاقة
قيمة معدل التعليم .Learning Rate: η = 0.4
Y هل تتم الكفالة
قيمة و�سيط عزم التحريك .Momentum: α = 0.9
املتغريات الفئوية
القيم الأولية للأوزان :Initialization of Weightsحم�صورة
X6 جيد – متو�سط – �سيء – غري حمدد تقييم العائلة
�ضمن املجال [ .]+0.5,0.5 -
X9 مقيم – نازح – مت�رضر حالة العائلة
�ضبط �رشوط توقف اخلوارزمية :تقف اخلوارزمية عند الو�صول
�إىل تكرار مل تتغري فيه قيمة جمموع مربعات الأخطاء ،SSEويف X10 ملك – �آجار – م�ست�ضاف – غري ذلك نوع ال�سكن
حال مل ن�صل لهذا ال�رشط تتوقف اخلوارزمية بعد 15دقيقة. X11
مفرو�ش – مك�سي – هيكلي – غري
حالة ال�سكن
حمدد
نتائج تنفيذ الشبكة العصبونية يف :SPSS X12 يتيم – طالب جامعي -حمتاج نوع طالب الكفالة
التي حددها الباحث كما هي يف اجلدول الآتي: تطبيق الشبكة العصبونية على البيانات:
الجدول رقم ()2 �إن بنية ال�شبكة الع�صبونية التي �سيعتمدها الباحث لتنا�سب
موجز البيانات Case Processing Summary م�س�ألة الت�صنيف هي �شبكة متعددة الطبقا ت �Multilayer Layer Per
� ceptron (MLP)،سيتم حتديد عنا�رص هذه ال�شبكة وفق ما يلي:
الن�سبة % العدد N
Ú Úطبقة املدخالت :Input Layerتتمثل �إجمال املتغريات
80.3% 5995 مفردات عينة التدريب
الداخلة يف الدرا�سة وعددها 13متغريا� ،أي يوجد 13عقدة يف طبقة
19.7% 1468 مفردات عينة االختبار املدخالت.
Ú Úطبقة املخرجات :Output Layerمتثل متغري القرار ،وهو
المصدر :من إعداد الباحثان باالعتماد على مخرجات SPSS
املتغري الذي ق�سم الأفراد �إىل جمموعتني �أ�سا�سيتني مقبول وغري
معلومات ال�شبكة :Network Informationحتوي ال�شبكة على مقبول ،وبالتايل ف�إن عدد عقد طبقة املخرجات هو عقدتان.
ثالث طبقات ،حتوي الطبقة الأوىل على 12عقدة هي املتغريات Ú Úالطبقات املخفية :Hidden Layerحدد الباحث طبقة
الالزمة التخاذ القرار بالإ�ضافة �إىل متغري بييز Baisوقد اعتمد يف خمفية واحدة فقط لل�شبكة الع�صبونية بعد االعتماد على برنامج
ح�سابها على الطريقة املعيارية ،Standardizedبالإ�ضافة �إىل 9 SPSSيف حتديد عدد الطبقات ب�شكل �أوتوماتيكي ،وترك عدد العقد
عقد يف الطبقة املخفية مبا فيها متغ ري Baisودالة تفعيلها هي �Sig للربنامج �ضمن الطبقة� ،إذ يعتمد النظام على مبد�أ التجريب حلني
،moidوعقدتني يف طبقة املخرجات بدالة تفعيل .Sigmoidودالة الو�صول �إىل عدد عقد يعطي حال جيدا.
اخلط�أ هي جمموع مربعات الأخطاء ،Sum of Squaresوال�شكل رقم
طريقة قيا�س املتغريات :حدد الباحث الطريقة املعيارية
( )3يو�ضح بنية ال�شبكة الع�صبونية الناجتة من التحليل.
Standaredالتي تعتمد على الو�سط احل�سابي Meanواالنحراف
أداء الشبكة :Network Performance املعياري Standard Deviationيف ح�ساب القيم.
تقا�س من خالل جمموعتي التدريب واالختبار معاً ،ومن عينتا التدريب واالختبار :Training and Testing Setحدد
خاللها نحكم على جودة ال�شبكة ،وتعطي النتائج التالية: الباحث ن�سبة 80%من املفردات لتدخل يف عينة التدريب دون �أية
�رشوط ،وتبقى ن�سبة 20%لت�شكل مفردات عينة االختبار.
149
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
االختبار فتم ت�صنيفها ب�شكل �صحيح وبن�سبة ،92.8%كما هو الشكل رقم ()3
وا�ضح يف اجلدول التايل: بنية الشبكة العصبونية الناتجة عن التحليل
80%وهكذا...حتى الو�صول �إىل 100%من احلاالت والعائد. ملخ�ص النموذج � :Model Summaryإن جمموع مربعات
ميثل اخلط املائل منحنى خط الأ�سا�س Baseline Curveالذي الأخطاء بالن�سبة لعينة التدريب هو 371.571بن�سبة خط�أ للتقدير
يعني ب�أن 10%من احلاالت تقابل 10%من العائد املتوقع التي
،7.9%واملدة التي ا�ستغرقته ال�شبكة للتدريب هي 72جزء من
ت�أخذ القيمة نعم ،ومبا �أن كامل النقط �أعلى من منحنى خط الأ�سا�س
الثانية ،وبالن�سبة ملجموع مربعات الأخطاء بالن�سبة لعينة االختبار
فال�شبكة جيدة يف التنب�ؤ للحاالت التي تكون نتيجتها ،0وللحاالت
التي تكون نتيجتها ،1ويظهر هذا املخطط وفق ال�شكل رقم (.)4 فقد بلغت 83.732بن�سبة خط�أ للتقدير 7.2%كما هو مو�ضح يف
اجلدول التايل:
�Independent variable im �أهمية املتغريات امل�ستقةلة
الجدول رقم ()3
:portanceوهو مقيا�س ملقدار توقع منوذج ال�شبكة لتغريات القيم
ملخص النموذج Model Summary
املطبعة Normalized
ّ وفق ًا للمتغريات امل�ستقلة ،وتكمن �أهمية القيم
بح�ساب الن�سبة املئوية لكل متغري من خالل ق�سمة قيمته على �أعلى عينة االختبار عينة التدريب
قيمة موجودة كما هو مو�ضح يف اجلدول رقم (: )5 83.732 SSE 371.571 SSE
150
أ .محمد لؤي عبد الرزاق دهان استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية
أ .د .ياسر عبد اهلل املوسى (بالتطبيق على اجلمعيات اخليرية في مدينة حلب)
151
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
جيدة ،كما هو مبني يف اجلدول التايل: .525 1.000 .995 1.005 اجلن�س
.000 .933 .664 1.507 العمر
.174 1.000 .603 1.659 نوع املكفول
152
أ .محمد لؤي عبد الرزاق دهان استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية
أ .د .ياسر عبد اهلل املوسى (بالتطبيق على اجلمعيات اخليرية في مدينة حلب)
مقارنة نتائج الشبكة العصبونية وحتليل التمايز: عدد املكفولني X7, نوع املنزل X3
�إن ن�سبة الت�صنيف ال�صحيحة يف حتليل التمايز �أقل مما نتج عدد الأيتام X8, حالة املنزل X4
عن ال�شبكة الع�صبونية ،حيث يبني اجلدول التايل ن�سبة الت�صنيف
بح�سب كل طريقة: واجلدول التايل يبني �أهمية املتغريات امل�ستقلة:
الجدول رقم ()11 الجدول رقم ()9
مقارنة نتيجة التصنيف أهمية المتغيرات المستقلة
ن�سبة الت�صنيف ن�سبة الت�صنيف
الأ�سلوب
اخلاطئة ال�صحيحة
19% 81% حتليل التمايز
7.9% 92.1% ال�شبكة الع�صبونية /التدريب
7.2% 92.8% ال�شبكة الع�صبونية /االختبار
153
مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية -اجمللد ( - )5العدد ( - )13حزيران 2020م
Adawi, O. (2017). Study of Regression Models of Qualitative املتغريات للتنب�ؤ بقرار الت�صنيف ،يف حني �أن حتليل التمايز ا�ستثنى
Variables, Unpublished Master Thesis, Faculty of Science,
University of Aleppo, Syria, p. 24. �أربعة متغريات لعدم معنويتهم يف النموذج.
Johnson, R. and Schorn, D. (1998). Applied Multivariate
Statistical Analysis. The translation of Abd al - Mardi Azzam,
�4 .4إن املتغريات الأكرث ت�أثرياً يف اتخاذ قرار ت�صنيف الكفالة
Dar al - Merikh, Riyadh, pp. 735 - 740. املالية هي العمر وعدد املكفولني يف كال الأ�سلوبني.
Solaiman, M. (2015). Comparison between discriminatory
analysis, binary logistic model, and neural network models in �5 .5إن املتغريات الأ�ضعف التخاذ قرار ت�صنيف الكفالة
rating views: by applying to a study of factors affecting family املالية با�ستخدام ال�شبكات الع�صبونية هي اجلن�س ووجود الأم
income adequacy, unpublished Phd thesis, Faculty of Science,
Sudan University of Science and Technology, Sudan. ونوع املنزل.
Talaba, M. et al. (1998). Computer and Artificial Intelligence.
Encyclopedia of Excellence in Management and Computer رؤية تطبيقية للنتائج:
Sciences, Cairo, Egypt, pp. 390 - 393.
Ashour, Samir Kamel, et al. (2004). Demonstration and ين�صح اجلمعيات اخلريية با�ستخدام ال�شبكات الع�صبونية
statistical analysis using Spss Win. Cairo, Egypt, p. 140.
ال�صنعية لغر�ض اتخاذ قرار ت�صنيف الكفالة املالية ،لدقتها
املراجع باللغة اإلنكليزية: وتكيفها مع احلاالت اجلديدة واعتمادها على كامل البيانات.
)Barzanti Luca, Giove Silvio and Pezzi Alessandro. (2017 واالهتمام باملتغريات الأكرث ت�أثرياً يف اتخاذ قرار ت�صنيف الكفالة
, A Decision Support System for Non Profit Organizations, املالية وهي العمر وعدد املكفولني.
Springer International Publishing.
Geoffry. J, MC. Lachlan (1992) , Discriminant Analysis and
Statistical Pattern Recognition; John Wiley & Sons, Inc.
التوصيات ألحباث مستقبلية:
Khemakhem Sihem, Boujelbène Younés, “Credit risk 1 .1درا�سة تغيري بنى ال�شبكات الع�صبونية من حيث ثوابت ال�شبكة
prediction: A comparative study between discriminant
analysis and the neural network approach”, Accounting and واخلوارزميات اخلا�صة بالتدريب وتوابع التفعيل يف خمتلف الطبقات على
Management Information Systems, Vol. 14, No. 1, University نتيجة الت�صنيف.
of Sfax, Tunisia, 2015.
Kriesel D. (2005) , “A Brief Introduction to Neural Networks”, 2 .2درا�سة النماذج الإح�صائية الأخرى مثل منوذج االنحدار اللوج�ستي مع
_available at [http: // www. dkriesel. com/ en/ science/ neural
networks], Bonn, Germany, P33. ال�شبكات الع�صبونية التخاذ قرار الت�صنيف يف حالة البيانات املتعددة.
Mehrotra K. , Mohan C. , Ranka S. (1997) , Element of 3 .3تطوير ال�شبكة الع�صبونية ب�إدخال التحليل العاملي على طبقة املدخالت
Artificial Neural Networks, MIT Press, USA, P70 - 79.
Leela Rani K, G Loshma, “Classification and Prediction وبالتايل تخفي�ض �أبعاد الدرا�سة �إىل عدد �أقل من العوامل ،ودرا�سة �أثر ذلك
in CRM Using Back Propagation Multilayer Feedforward على اتخاذ القرار.
Neural Network Approach”, International Journal of
Commerce, Business and Management, Vol. 1, No. 1, 2012, 4 .4مقارنة ال�شبكة الع�صبونية متعددة الطبقات مع اخلرائط ذاتية التنظيم
India.
Tylor B. (2006) , Methods and Procedures for the Verification
SOMيف الت�صنيف.
and Validation of Artificial Neural Networks, Springer, USA, 5 .5االنتقال من الأ�سلوب التقليدي يف عملية اتخاذ القرار �إىل اعتماد مناذج
P2.
حديثة كالذكاء ال�صنعي يف عملية اتخاذ القرار.