Journal of Al-Quds Open University for Administrative & Economic Research ‫مجلة جامعة القدس املفتوحة للبحوث اإلدارية

ة للبحوث اإلدارية واالقتصادية‬

Vol. (5) - No. (13) - June 2020 ‫م‬2020 ‫ حزيران‬- )13( ‫ العدد‬- )5( ‫اجمللد‬

‫استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية‬

)‫(بالتطبيق على اجلمعيات اخلريية يف مدينة حلب‬
Using Artificial Neural Networks to Support Financial
Sponsorship Classification Decision (Applied on
Charities in Aleppo)

Mohamed Loay Abdulrazak Dahhan

PhD.Student/ Aleppo University/ Syria ‫حممد لؤي عبد الرزاق دهان‬
mloaydahhan@alepuniv.edu.sy ‫ سورية‬/‫ جامعة حلب‬/ )‫طالب (دكتوراه‬

Yasser Al-Mousa ‫ياسر عبد اهلل املوسى‬

Professor/ Aleppo University/ Syria
ymoussa@alepuniv.edu.sy ‫ سورية‬/‫ جامعة حلب‬/‫أستاذ دكتور‬

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

‫�أهم الأن�شطة الواجب االعتناء بها‪.‬وعليه ف�إن عملية تطوير �أنظمة‬

‫دعم القرارات ‪� DSSs‬أ�صبح �رضورة ملحة على �أ�صحاب القرار‪،‬‬
‫وال�سيما يف ظل الظروف التي مرت على جمتمع البحث جعلت من‬ ‫ملخص‪:‬‬
‫عملية اتخاذ القرار �أمرا غاية يف التعقيد‪.‬‬
‫يهدف هذا البحث �إىل بناء منوذج با�ستخدام ال�شبكة الع�صبونية‬
‫�إن خ�صو�صية مثل هذا النوع من القرارات ي�ستوجب الإملام‬ ‫ال�صناعية مل�ساعدة متخذي القرار على اتخاذ قرار ت�صنيف الكفاالت‬
‫بكافة البيانات املمكن �أن ت�ساهم باتخاذ القرار بعيداً عن التحيز‬ ‫املالية يف اجلمعيات اخلريية بحلب من خالل ا�ستخدام املنهج‬
‫والر�أي ال�شخ�صي‪ ،‬وملا كانت الطرق الإح�صائية التقليدية ت�ستوجب‬ ‫الو�صفي التحليلي ومن ثم بناء �شبكة ع�صبونية متعددة الطبقات‬
‫�رشوط ًا معينة لبناء مناذج ت�ساعد يف اتخاذ قرارات من هذا النوع‪،‬‬ ‫‪ ANN‬تعتمد على قاعدة بيانات متعددة الأبعاد ‪ Multivariat‬خمتلفة‬
‫كان البد من البحث يف الطرق احلديثة عن �أداوت ميكن �أن تناف�س‬ ‫النوع والطبيعة‪ ،‬ومقارنة النتيجة مع حتليل التمايز ‪Discriminant‬‬
‫الطرائق ال�سابقة‪.‬كما �أن الأبعاد التكنولوجية اجلديدة وتطور تقنيات‬ ‫‪ Analysis‬ك�أحد �أبرز �أ�ساليب الت�صنيف ‪ Classification‬التقليدية‪،‬‬
‫احلو�سبة والذكاء ال�صنعي جعلت من عملية اتخاذ القرار �أمراً �أكرث‬ ‫طبقت الدرا�سة على عدد من اجلمعيات اخلريية يف مدينة حلب‬
‫�سهولة وي�رساً‪ ،‬و�أ�صبح تطبيق هذه الأبعاد وا�سع ًا �أكرث ومبا يخدم‬ ‫واملنت�سبة �إىل احتاد اجلمعيات اخلريية للأعوام (‪)2019 - 2016‬‬
‫�أ�صحاب القرار‪.‬ومن هنا تطورت ال�شبكات الع�صبونية ال�صناعية‬ ‫والتي حتوي على ق�سم الكفاالت املالية‪ ،‬وتو�صلت الدرا�سة �إىل �أهمية‬
‫لت�ساعد يف عملية اتخاذ القرار مبا يف ذلك القرارات التي ت�ستوجب‬ ‫ا�ستخدام ال�شبكة الع�صبونية يف اتخاذ قرار ت�صنيف الكفاالت املالية‬
‫التنب�ؤ �أو الت�صنيف‪.‬‬ ‫يف اجلمعيات اخلريية حيث كانت ن�سبة الت�صنيف ال�صحيحة فيها‬
‫�أعلى وب�شكل وا�ضح من حتليل التمايز‪ ،‬وبينت �أهمية متغريي العمر‬
‫مشكلة البحث‪:‬‬ ‫وعدد املكفولني التخاذ قرار الكفالة‪ ،‬مما ي�ؤدي �إىل اتخاذ قرار �سليم‬
‫ي�صادف متخذ القرار �أثناء اتخاذ قرار لت�صنيف كفالة �شخ�ص‬ ‫بن�سبة �أعلى وبالوقت املنا�سب‪.‬‬
‫جديد عدة نقاط �أبرزها معاجلة البيانات ذات الأبعاد املتعددة‬ ‫الكلمات املفتاحية‪� :‬شبكات ع�صبونية‪ ،‬حتليل التمايز‪،‬‬
‫‪ Multivariat Dataset‬اخلا�صة بطالب الكفالة اجلديد والأ�شخا�ص‬ ‫ت�صنيف‪ ،‬جمعيات خريية‪.‬‬
‫املكفولني م�سبق ًا قبل اتخاذ القرار‪ ،‬وعندما يقوم ب�إدخال كامل‬ ‫‪Abstract:‬‬
‫�أبعاد البيانات للمعاجلة ف�إن ذلك ي�ؤدي �إىل زيادة درجة تعقيد‬
‫عملية اتخاذ القرار املطبق وبالتايل �ضياع يف الوقت واجلهد‪ ،‬وقد‬ ‫‪This paper aims to build a model using the‬‬
‫‪artificial neural network (ANN) to help decision makers‬‬
‫ي�ؤدي يف بع�ض الأحيان �إىل اتخاذ قرارات غري �سليمة‪ ،‬وب�سبب تنوع‬
‫‪to decide the classification of financial guarantees in‬‬
‫البيانات ذات الأبعاد املتعددة واختالف طبيعتها ي�صعب تطبيق‬ ‫‪charities in Aleppo. By using the descriptive analytical‬‬
‫التحليالت الإح�صائية التقليدية للت�صنيف‪.‬ومن هنا تربز امل�شكلة‬ ‫‪method and building a multi - layered neural network‬‬
‫يف معاجلة قاعدة البيانات ذات الأبعاد املتعددة والتي تعطي‬ ‫‪based on multivariate database of different kind and‬‬
‫بالنتيجة قرارا للت�صنيف غري مقبول وبتقييم �ضعيف‪ ،‬والبحث عن‬ ‫‪nature, and comparing the result with Discriminant‬‬
‫�أ�سلوب �آخر يقبل البيانات باختالف طبيعتها ونوعها ويعطي نتيجة‬ ‫‪Analysis as one of the most Classification methods.‬‬
‫‪This study was applied to a number of charities in‬‬
‫مقبولة للتنب�ؤ يف الت�صنيف مما ينعك�س ب�شكل �إيجابي يف عملية‬ ‫‪Aleppo affiliated to the Union of charities for the years‬‬
‫اتخاذ القرار‪.‬وهذا ما يقودنا �إىل �صياغة م�شكلة البحث وفق ال�س�ؤال‬ ‫‪2016 - 2019, which contain the section of financial‬‬
‫التايل‪:‬‬ ‫‪guarantees. The study found that the importance of‬‬
‫‪using the neural network in making decision to classify‬‬
‫هل تعطي ا�ستخدام ال�شبكة الع�صبونية ال�صناعية‬ ‫‪financial guarantees in charities, where the correct‬‬
‫متعددة الطبقات نتائج دقيقة يف التنب�ؤ بقرار الت�صنيف؟‬ ‫‪rating in classification which was clearly higher‬‬
‫والذي يتفرع عنه ال�س�ؤاالن التاليان‪:‬‬ ‫‪than the discriminant analysis. In addition, the study‬‬
‫‪showed the importance of the variables of age and‬‬
‫‪Ú Ú‬ما هي املتغريات الأكرث ت�أثرياً يف اتخاذ قرار ت�صنيف‬ ‫‪the number of sponsored to make a decision, which‬‬
‫الكفاالت املالية؟‬ ‫‪leads to making decisions with the highest rate and in‬‬
‫‪a timely manner.‬‬
‫‪Ú Ú‬ما مدى تطبيق ال�شبكة الع�صبونية ال�صناعية متعددة‬
‫‪Keywords: Neural Network, Discriminant‬‬
‫الطبقات باملقارنة مع حتليل التمايز يف التنب�ؤ بت�صنيف الكفاالت‬ ‫‪Analysis, Classification, Charities.‬‬
‫املالية؟‬
‫مقدمة البحث‪:‬‬
‫بيانات متعددة الأبعاد مقارنة بتحليل التمايز ك�أحد الطرق‬
‫الإح�صائية امل�ستخدمة يف الت�صنيف‪ ،‬وحتديد املتغريات ذات الأثر‬ ‫�إن عمل معظم اجلمعيات اخلريية يتمركز ب�شكل �أ�سا�سي يف‬
‫الأكرب يف الت�صنيف والتي ت�ساهم يف �صنع القرار اخلا�ص بالكفاالت‬ ‫جمع التمويل الالزم من قبل املتربعني‪ ،‬وتوزيع ما مت جتميعه‬
‫املالية يف اجلمعيات اخلريية‪.‬‬ ‫ليحقق �أف�ضل عائد ممكن على كل من الفرد واملجتمع‪ ،‬وبالتايل ف�إن‬
‫الإدارة احلكيمة التخاذ القرارات املتعلقة ب�إعادة توزيع الأموال من‬
‫‪144‬‬
‫أ‪ .‬محمد لؤي عبد الرزاق دهان‬
‫أ‪ .‬د‪ .‬ياسر عبد اهلل املوسى‬
‫الدراسات السابقة‪:‬‬
‫درا�سة (�سليمان‪ )2015 ،‬بعنوان‪« :‬املقارنة بني التحليل‬
‫التمييزي والنموذج اللوج�ستي الثنائي ومناذج ال�شبكات الع�صبية‬
‫يف ت�صنيف امل�شاهدات‪ :‬بالتطبيق على درا�سة العوامل امل�ؤثرة على‬
‫كفاية دخل الأ�رسة»‪:‬‬
‫تهدف هذه الدرا�سة �إىل التعرف على الأ�ساليب التي تعالج‬
‫النماذج ذات املتغريات التابعة النوعية واملفا�ضلة بينها‪ ،‬وت�سليط‬
‫ال�ضوء على ا�ستخدام ال�شبكات الع�صبية اال�صطناعية يف التطبيقات‬
‫الإح�صائية خا�صة يف الت�صنيف والتنب�ؤ‪ ،‬والتعرف على �أهم العوامل‬
‫التي ت�ؤثر على كفاية دخل الأ�رسة‪.‬اعتمدت الدرا�سة على املنهج‬
‫الو�صفي والتحليلي اال�ستقرائي لتو�صيف املتغريات وبناء النماذج‪.‬‬
‫ومت تطبيقها يف والية اخلرطوم بني عامي ‪ 2012‬و ‪.2015‬من‬
‫�أهم نتائج الدرا�سة �أن النماذج املقرتحة �أعطت نتائج متطابقة من‬
‫حيث معنوية ت�أثري و�أهمية املتغريات امل�ستقلة الداخلة يف التحليل‪.‬‬
‫كما جند �أن طريقة ال�شبكات الع�صبية اال�صطناعية قد �أعطت ن�سبة‬
‫ت�صنيف �أف�ضل من النموذج اللوج�ستي وطريقة الدالة التمييزية‪ ،‬مت‬
‫ا�ستخدام معيار ن�سبة امل�شاهدات امل�صنفة خط�أ (ن�سبة الت�صنيف‬
‫اخلاطئ) كمعيار للمقارنة‪.‬من �أهم تو�صيات الدرا�سة اال�ستفادة من‬
‫الأ�ساليب الإح�صائية املتقدمة (�أ�ساليب التحليل متعدد املتغريات)‬
‫مثل الدالة التمييزية‪ ،‬ومناذج الت�صنيف احلديثة مثل مناذج‬
‫ال�شبكات الع�صبية‪ ،‬للف�صل �أو التمييز بني جمموعتني �أو �أكرث‪ ،‬يف‬
‫جميع جماالت املعرفة‪.‬‬
‫درا�سة (العدوي‪ )2017 ،‬بعنوان «درا�سة مناذج االنحدار‬
‫للمتغريات النوعية»‪ ،‬هدفت هذه الدرا�سة �إىل درا�سة ومقارنة مناذج‬
‫االنحدار امل�ستخدمة يف ت�صنيف املتغريات النوعية وهي التحليل‬
‫التمييزي ‪ Discriminant Analysis‬وحتليل االنحدار اللوج�ستي‬
‫‪ ،Regrission Analysis‬مت تطبيق الدرا�سة على عينتني الأوىل‬
‫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
‫بني الأ�سلوبني‪�.‬أو�صى الباحث با�رشاك خوارزميات الذكاء ال�صنعي‬
‫امل�ستخدمة يف الت�صنيف ومقارنتها مع الأ�سلوبني ال�سابقني‪.‬‬
‫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،‬‬
‫اعتمدت الدرا�سة ب�شكل �أ�سا�سي على خوارزمية ت�صنيف من خالل‬
‫�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
‫استخدام الشبكات العصبونية لدعم قرار تصنيف الكفاالت املالية‬
‫(بالتطبيق على اجلمعيات اخليرية في مدينة حلب)‬
‫منهجية البحث‪:‬‬
‫اعتمد الباحث على املنهج الو�صفي التحليلي‪ ،‬ومن ثم بناء‬
‫�شبكة ع�صبونية متعددة الطبقات وتدريبها للتنب�ؤ بقرار ت�صنيف‬
‫يف قاعدة بيانات ذات �أبعاد متعددة‪ ،‬حيث �سيتم تنفيذ ال�شبكة‬
‫الع�صبونية ومن ثم تطبيق حتليل التمايز على ذات البيانات‬
‫ومقارنتهما من خالل اعتماد ن�سبة الت�صنيف ال�صحيح ك�أ�سلوب‬
‫لتقييم النتيجة‪.‬‬
‫حدود البحث‪:‬‬
‫‪Ú Ú‬احلدود الزمانية‪ :‬تغطي الفرتة الواقعة ما بني ‪- 8 - 10‬‬
‫‪ 2016‬و ‪.2019 - 10 - 23‬‬
‫‪Ú Ú‬احلدود املكانية‪� :‬أق�سام الكفاالت املالية يف عدد من‬
‫اجلمعيات اخلريية يف مدينة حلب – �سورية‪.‬‬
‫جمتمع وعينة البحث‪:‬‬
‫ي�شمل جمتمع البحث جميع العائالت املقدمة لطلب الكفالة‬
‫املالية للجمعيات اخلريية يف مدينة حلب واملنت�سبة �إىل احتاد‬
‫اجلمعيات اخلريية للأعوام (‪ ،)2019 - 2016‬مت اختيار العائالت‬
‫املقدمة لطلب الكفالة املالية ب�شكل ع�شوائي من قبل ‪ 4‬جمعيات‬
‫(وهي اجلمعيات التي حتوي على �أنظمة معلومات خا�صة بق�سم‬
‫الكفاالت املالية)‪� ،‬أما بالن�سبة للعائالت يف اجلمعيات الأخرى‬
‫فيتعذر جمع املعلومات عنها ب�سبب �صعوبة توفر املعلومات الالزمة‬
‫لديهم‪ ،‬وبالن�سبة حلجم العينة يجب �أن حتوي على عدد من املفردات‬
‫يزيد عن عدد الأوزان الكلي يف ال�شبكة من خم�سة �إىل ع�رشة مرات‪،‬‬
‫واقرتح كل من ‪ Baum‬و ‪ Haussler‬عالقة لتحديد احل ّد الأدنى لعدد‬
‫املفردات مرتبط ًا بن�سبة الثقة املطلوبة يف العينة ح�سب (‪Mehrotra,‬‬
‫‪ ،)et al., 1997, P.86 - 88‬هي‪:‬‬
‫‪�Ú Ú‬إذ � ّإن‪ P :‬عدد مفردات العينة‪ W ،‬عدد الأوزان الكلية يف‬
‫ال�شبكة‪ α ،‬ن�سبة الثقة املطلوبة يف العينة‪ ،‬وال�رشط الكايف ل�ضمان‬
‫الأداء املطلوب يعطى بالعالقة‪:‬‬
‫‪�Ú Ú‬إذ � ّإن ‪ n‬مت ّثل عدد العقد يف ال�شبكة‪ ،‬وعليه ف�إن احلد الأدنى‬
‫حلجم العينة الالزم عند م�ستوى ثقة ‪ 95%‬هو‪:‬‬
‫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
‫�إن امل�شاكل املعقدة ال ميكن حلها ب�شبكات وحيدة الطبقة‬
‫‪ ،Perceptron‬وظهرت بد ًال عنها �شبكات التغذية الأمامية‬
‫متعددة الطبقات ‪ Feedforward Multilayer‬بدوال غري خطية‬
‫لعقدها‪ ،‬وبخوارزميات تعليم تختلف عنها‪.‬ظهرت هذه ال�شبكات يف‬
‫بداية الثمانينيات واعتمدت �آلية تعليمها على الأخطاء لالنت�شار‬
‫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
‫‪ L‬بحيث �أن الطبقة رقم ‪ 0‬هي طبقة املدخالت والطبقة رقم ‪ L‬هي‬
‫طبقة املخرجات‪ ،‬والرقم يدل على بعد عقد الطبقة عن عقد طبقة‬
‫املدخالت‪ ،‬تطبق ‪ Backpropagation‬يف حال كانت ال�شبكة حتوي‬
‫على ثالث طبقات على الأقل �أي �إذا كانت ‪ ،L ≥ 2‬وكل عقدة من العقد‬
‫متثل جزءاً من امل�شكلة املطروحة‪ ،‬فتمثل عقد طبقة املدخالت عدد‬
‫�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
‫ال�شبكة‪.‬يكون االت�صال بني العقد املتجاورة فقط �أي ال ميكن لأي عقدة‬
‫ب�أحد الطبقات �أن تت�صل بعقدة �أخرى يف طبقة غري جماورة لها‪.‬‬
‫تطبق كل عقدة موجودة يف الطبقات املخفية وطبقة‬
‫ّ‬
‫املخرجات الدالة املنطقية ‪ Sigmoid‬على مدخالتها‪ ،‬و�سبب اختيار‬
‫هذه الدالة كونها دالة م�ستمرة ‪ Continuous‬ومطردة بالزيادة‬
‫‪ ،Monotonically Increasing‬بالإ�ضافة �إىل مقارباتها عند �أطراف‬
‫الالنهايات‪ ،‬وح�رص نتيجة تطبيقها �ضمن املجال [‪.]0,1‬‬
‫الأهداف ‪ :Objectives‬تهدف ال�شبكة �إىل جعل �شعاع املخرجات‬
‫بعد التدريب ‪ op‬قريب ًا جداً من �شعاع املخرجات الفعلي ‪� ،dp‬أي تكون‬
‫قيمة دالة التقييم �أقل ما ميكن‪:‬‬
‫بعد االنتهاء من �إعداد ال�شبكة الع�صبونية تتم عملية معاجلة‬
‫املعلومات والتي ت�شمل (طلبة‪ ،‬و�آخرون‪� ،1998 ،‬ص‪:)393 - 390‬‬
‫ مدخالت وخمرجات ال�شبكة ‪ :Inputs and Outputs‬ومتثل‬
‫مدخالت ال�شبكة كامل متغريات الدرا�سة‪ ،‬يف حني �أن خمرجاتها‬
‫متثل حل امل�شكلة التي ُ�صممت ال�شبكة لأجلها‪.‬‬
‫الع�صبونية‪ ،‬ويعرب عن القوة الن�سبية للمتغريات الداخلة يف ال�شبكة‬
‫�أو عن قوة الربط بني طبقات ال�شبكة‪.‬‬
‫ دالة اجلمع ‪ :Summation Function‬تقوم هذه الدالة‬
‫بح�ساب وزن كامل املدخالت �إىل عن�رص املعاجلة الواحد من خالل‬
‫العالقة التالية‪:‬‬
‫ دالة التفعيل ‪ :Activation Function‬لكل خلية ع�صبونية‬
‫م�ستوى ا�ستثارة خا�ص بها‪ ،‬بعد �أن تقوم دالة اجلمع بعملها ت�ستثار‬
‫اخللية الع�صبونية وقد تعطي خرج ًا معيناً‪ ،‬هذه العالقة (بني دالة‬
‫اجلمع وخرج اخللية) قد تكون خطّ ية ‪� Linear‬أو ال خطّ ية ‪Non Linear‬‬
‫ومتثل عن طريق دالة التفعيل‪ ،‬هناك عدة �أ�شكال لهذه الدالة يعتمد‬
‫اختيار �أحدها على طبيعة امل�شكلة التي حتلها ال�شبكة وعلى الباحث‬
‫ذاته‪� ،‬إذ �أثبتت معظم الدرا�سات �أن دالة �سيغمويد ‪Sigmoid Function‬‬
‫هي الأكرث كفاءة‪.‬‬
‫ دالة �سيغمويد املنطقية ‪ :Sigmoid Function‬وهي‬
‫الدالة الأكرث �شهرة يف ال�شبكات الع�صبونية تهدف �إىل جعل قيمة‬
‫املخرجات حم�صورة بني ‪ 0‬و‪ 1‬ب�سبب �أن قيم املخرجات من ممكن‬
‫�أن تكون كبرية جداً‪ ،‬وفيها يكون‪:‬‬

‫وميكن اعتماد جمموع مربعات الأخطاء يف تقييم نتيجة‬

‫ال�شبكة‪:‬‬

‫حيث �أن‪:‬‬ ‫الشكل رقم (‪)2‬‬

‫التمثيل الرياضي للدالة المنطقية‬

‫‪Backpropagation Algorithm‬‬ ‫خوارزمية االنت�شار اخللفي‬

‫)‪ :(Mehrotra, et al., 1997, P.70 - 79‬ت�سعى هذه اخلوارزمية‬
‫لتخفي�ض قيمة اخلط�أ بني خمرجات ال�شبكة واملخرجات املطلوبة‬
‫من خالل تعديل الأوزان‪ ،‬وتعترب من خوارزميات التعليم املراقب‬
‫‪ ،Supervised‬تقوم �شبكة ‪ Feedforward‬بتقدمي الأمناط املدخلة‬
‫�إىل عقد طبقة املدخالت التي بدورها تقوم بتمريرها لعقد الطبقة‬
‫املخفية الأوىل‪� ،‬إن العقد يف كل طبقة خمفية حت�سب جمموع الأوزان‬
‫ومتررها للطبقة التي‬
‫ملدخالتها ومن ثم تطبق عليها دالة التفعيل ّ‬
‫تليها حتى الو�صول �إىل طبقة املخرجات‪.‬‬
‫يتم ترميز كامل الأوزان يف ال�شبكة مب�صفوفة ‪ W‬ويكون هدف‬
‫اخلوارزمية هو �إيجاد قيمة الأوزان املنا�سبة بحيث تكون قيمة دالة‬
‫اخلط�أ �أقل ما ميكن‪.‬يق�صد بالرمز الوزن امل�سند للعالقة بني العقدة‬
‫‪ j‬يف الطبقة ‪ i‬مع العقدة ‪ k‬يف الطبقة ‪ ،i+1‬ويق�صد بالرمز خمرجات‬ ‫المصدر‪Mehrotra K.and others, Element of Artificial : :‬‬
‫العقدة ‪ j‬يف الطبقة ‪ i‬للنمط ‪ ،p‬ويح�سب اخلط�أ لكل منط ‪ p‬مدخل‬ ‫‪Neural Networks, P.14‬‬

‫‪147‬‬
‫مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية ‪ -‬اجمللد (‪ - )5‬العدد (‪ - )13‬حزيران ‪2020‬م‬
‫‪ MANOVA‬وحتليل االنحدار املتعدد (‪.)Geoffry, Lachlan, 1992‬‬
‫يف حالة حتليل التمايز اخلطي يكون لدينا دالة ت�صنيفية‬
‫واحدة فقط‪ ،‬ويف حالة حتليل التمايز املتعدد يكون لدينا �أكرث من‬
‫دالة ت�صنيفية ي�صل عدد كحد �أق�صى ل (عدد املتغريات امل�ستقلة ‪-‬‬
‫‪ ،)1‬ويكون لدالة التمايز ال�شكل التايل‪:‬‬
‫حيث‪:‬‬
‫ ‪ :Dt‬نتيجة التمايز بني جمموعتني حمددتني‪.‬‬
‫ ‪ :t‬عدد دوال التمايز‪.‬‬
‫ ‪ :K‬عدد املتغريات امل�ستقلة‪.‬‬
‫معامالت املتغريات امل�ستقلة على الرتتيب‪.‬‬
‫�رشوط تطبيق حتليل التمايز الب�سيط‪ :‬يرى (العدوي‪)2017 ،‬‬
‫�أن �أهم �رشوط يجب �أن تتوافر لتطبيق حتليل التمايز الب�سيط هي‪:‬‬
‫ وجود قيمتني فقط للمتغري التابع‪.‬‬
‫ يجب �أن يكون حجم العينة كبرياً‪ ،‬لكل متغري ‪ 20‬م�شاهدة‬
‫على الأقل‪.‬‬
‫ عدم وجود م�صاحبة خطية بني املتغريات امل�ستقلة‪� ،‬أي‬
‫يجب �أن تكون م�ستقلة فيما بينها‪.‬‬
‫ عدم وجود قيم متطرفة للمتغريات‪.‬‬
‫ املجتمعات الإح�صائية متثل جمتمعات �إح�صائية ذات‬
‫توزيع طبيعي‪.‬‬
‫الدراسة التطبيقية‪:‬‬
‫يقوم النموذج املقرتح على درا�سة العوامل امل�ؤثرة ب�شكل‬
‫�أ�سا�سي يف اتخاذ قرار الكفالة املالية‪ ،‬ومن ثم تقييم كل حالة‬
‫لدعم قرار ت�صنيفها �إىل فئة املقبولني للكفالة �أم ال‪ ،‬مما ي�ساهم يف‬
‫م�ساعدة متخذ القرار لت�صنيف طالبي الكفالة بال�شكل الأمثل‪.‬‬
‫طبقت الدرا�سة على قاعدة بيانات عدد من اجلمعيات اخلريية‬
‫العاملة يف مدينة حلب – �سورية والتي حتوي على ق�سم خمت�ص‬
‫بالكفاالت املالية خالل الفرتة (من عام ‪ 2016‬وحتى عام‬
‫‪ ،)2019‬حتوي قاعدة البيانات على ‪ 12‬متغريا منها ‪ 4‬متغريات‬
‫م�ستمرة و‪ 4‬متغريات ثنائية و‪ 5‬متغريات فئوية‪ ،‬ووجود ‪7463‬‬
‫حالة بدون وجود قيم مفقودة وهي �أعلى من حجم العينة ‪6344‬‬
‫الالزم لإجراء الدرا�سة‪.‬وفيما يلي تو�ضيح باملتغريات مع الرتميز‬
‫اخلا�ص بكل متغري‪:‬‬
‫الجدول رقم (‪)1‬‬
‫متغيرات الدراسة‬
‫املتغريات امل�ستمرة‬
‫‪X1‬‬ ‫العمر‬
‫بالعالقة‪:‬‬
‫وب�إزالة �أثر النمط ‪ p‬من الدالة ال�سابقة ي�صبح لها ال�شكل التايل‪:‬‬
‫ويكون الهدف هو تخفي�ض قيمة اخلط�أ‪ ،‬ووفق ًا لطريقة‬
‫االنحدار ‪ Gradient Descent Method‬ف�إن الأوزان تتغري باجتاه‬
‫‪ .‬وبتطبيق‬ ‫يتوافق مع اجتاه م�شتق اخلط�أ بالن�سبة للوزن‬
‫املعممة ‪ Generalized Delta Rule‬ممكن ت�سهيل ح�ساب‬‫ّ‬ ‫قاعدة دلتا‬
‫ ‬ ‫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
‫خمفية واحدة فقط‪ ،‬ميكن جتزئة تغريات الوزن بدرا�سة امل�شتق من‬
‫ودرا�سة امل�شتق من‬ ‫الطبقة املخفية �إىل طبقة املخرجات‬
‫طبقة املدخالت �إىل الطبقة املخفية‬
‫وبعد �إجراء العمليات الريا�ضية نح�صل على الدالة التالية‬
‫لتعديل الأوزان بني عقد الطبقة املخفية وعقد طبقة املخرجات‪:‬‬
‫والدالة التالية لتعديل الأوزان بني عقد طبقة املدخالت وعقد‬
‫الطبقة املخفية‪:‬‬
‫◄◄مفهوم حتليل التمايز ‪:Discriminant Analysis‬‬
‫يعترب من �أ�ساليب حتليل املتغريات املتعددة التي تهتم بف�صل‬
‫عدد من امل�شاهدات �إىل جمموعتني �أو �أكرث وتوزيع امل�شاهدات‬
‫اجلديدة عليها‪ ،‬فهو ي�ستخدم ال�ستك�شاف �أ�سباب االختالفات‬
‫امل�شاهدة عندما ال ن�ستطيع فهم العالقات ال�سببية بدرجة كافية‬
‫(ريت�شارد‪ ،‬و�رشن‪� ،1998 ،‬ص ‪ ،)735 - 740‬وميكن تعريفه على‬
‫�أنه «�أ�سلوب اح�صائي لبناء منوذج ريا�ضي يكون املتغري التابع فيه‬
‫ممث ًال برموز (رمزين على الأقل) كل رمز ميثل رقم ًا ملجموعة من‬
‫املجموعات الداخلة يف التحليل‪ ،‬ويكون بالنموذج بع�ض املتغريات‬
‫امل�ستقلة» (عا�شور‪ ،‬و�آخرون‪� ،2004 ،‬ص‪ ،)140‬وي�ستخدم النموذج‬
‫للتنب�ؤ برقم املجموعة التي تنتمي �إليها امل�شاهدة اجلديدة من خالل‬
‫املتغريات امل�ستقلة املوجودة يف النموذج‪.‬‬
‫يوجد نوعان �أ�سا�سيان لتحليل التمايز هما‪ :‬حتليل التمايز‬
‫اخلطي )‪LDA (Linear Discriminant Analysis‬وهو حتليل التمايز‬
‫الب�سيط الذي ي�صنف امل�شاهدات �إىل جمموعتني فقط؛ �أي �أن املتغري‬
‫التابع هو متغري ثنائي الت�صنيف‪ ،‬ويرتبط هذا النوع ب�شكل وثيق‬
‫مع حتليل التباين ‪ ANOVA‬وحتليل االنحدار الب�سيط‪.‬وحتليل التمايز‬
‫املتعدد )‪MDA (Multiple Discriminant Analysis‬وفيه يكون‬
‫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)‬

‫دوال التفعيل ‪ :Activation Function‬اعتمد الباحث على‬

‫املتغريات امل�ستمرة‬
‫الدالة ‪ Sigmoid‬يف عقد كل من طبقتي املخرجات واخلفية‪.‬‬
‫‪X3‬‬ ‫عدد �أفراد الأ�رسة الكلي‬
‫منط التدريب ‪ :Type of Training‬حدد الباحث طريقة حتديث‬
‫الأوزان بعد �إدخال كامل الأمناط‪� ،‬أي ا�ستخدم طريقة ‪ P - E‬ب�سبب‬ ‫‪X4‬‬ ‫عدد الأفراد املمكن كفالتهم‬

‫احلاجة �إىل ال�رسعة يف املعاجلة‪.‬‬ ‫‪X5‬‬ ‫عدد الأفراد املكفولني فع ًال‬

‫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

‫بعد �ضبط عنا�رص ال�شبكة ح�صل الباحث على النتائج الآتية‪:‬‬

‫تق�سيم البيانات على العينات‪ :‬ق�سمت البيانات وفق ًا للن�سبة‬ ‫المصدر‪ :‬من إعداد الباحثين باالعتماد على عينة الدراسة‬

‫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

‫الجدول رقم (‪)4‬‬

‫تصنيف مفردات العينة ‪Classification‬‬

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫خمطط العائد التجميعي ‪ :Cumulative Gains Chart‬يعر�ض‬

‫هذا املخطط ن�سبة العدد الإجمايل للحاالت التي ك�سبتها الفئة‬
‫الواحدة‪ ،‬من خالل ا�ستهداف ن�سبة العدد الإجمايل للحاالت‪ ،‬ونالحظ‬
‫من املخطط �أن النقطة الأوىل ملنحنى لفئة ‪( 1‬ذو اللون الأزرق) تقع‬
‫يف الإحداثيات (‪ ،)50% ،10%‬وهذا يعني التوقع ب�أن �أعلى ‪10%‬‬
‫من احلاالت حتوي ما يقارب على ‪ 50%‬من احلاالت التي ت�أخذ‬
‫فعلي ًا القيمة ‪ ،0‬وباملثل ف�إن ‪ 20%‬من احلاالت حتوي ما يقارب‬ ‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫‪ 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

‫‪7.2%‬‬ ‫ن�سبة الت�صنيف اخلاطئ‬ ‫‪7.9%‬‬ ‫ن�سبة الت�صنيف اخلاطئ‬

‫زمن التدريب‪0: 00: 00: 72 :‬‬

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫ت�صنيف مفردات العينة ‪� :Classification‬إن مفردات التدريب‬

‫قد �صنفت ب�شكل �صحيح بن�سبة ‪� ،92.1%‬أما بالن�سبة ملفردات‬

‫‪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)‬

‫الشكل رقم (‪)5‬‬ ‫الشكل رقم (‪)4‬‬

‫أهمية المتغيرات المستقلة ‪Independent variable importance‬‬ ‫مخطط العائد التجميعي ‪Cumulative Gains Chart‬‬

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫خمطط ‪ :LIFT‬هذا املخطط ناجت عن املخطط ال�سابق‪ ،‬وفيه‬

‫تكون القيم على املحور العمودي ناجتة من خالل ق�سمة قيمة‬
‫الك�سب التجميعي على اخلط الأ�سا�س ‪ ،Base Line‬لذا جند �أن القيمة‬
‫عند ‪ 10%‬هي ناجت ق�سمة ‪ 50%‬على ‪ 10%‬وهي ‪ ،5‬فهو �شكل �آخر‬
‫للمنحنى ال�سابق‪.‬‬ ‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬
‫الشكل رقم (‪)6‬‬
‫مخطط ‪LIFT‬‬
‫الجدول رقم (‪)5‬‬
‫أهمية المتغيرات المستقلة ‪Independent variable importance‬‬

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫قوة العالقة بني عقد الطبقات ‪ :Parameter Estimates‬من‬
‫خالل هذا اجلدول يتبني قوة العالقة بني كل عقدة من عقد طبقة‬
‫املدخالت مع كل عقدة من عقد الطبقة املخفية‪ ،‬وقوة العالقة‬
‫بني كل عقدة من عقد الطبقة املخفية مع كل عقدة من عقد طبقة‬
‫املخرجات‪ ،‬ووا�ضح �أن االت�صال بني عقدة عدد املكفولني ‪ x11‬من‬ ‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬
‫طبقة املدخالت وباقي العقد يف الطبقة املخفية �أقوى من غريها من‬
‫وكما هو وا�ضح ف�إن العمر ذو �أهمية كبرية يف النموذج يليه‬
‫االت�صاالت بني العقد وهذا ي�ؤكد ما �أظهرته نتيجة �أهمية العوامل‬
‫عدد املكفولني وهكذا‪ ،...‬حلني الو�صول �إىل �أقل املتغريات �أهمية وهو‬
‫امل�ستقلة‪ ،‬واجلدول التايل يو�ضح كامل هذه القيم‪:‬‬
‫متغري اجلن�س‪.‬وال�شكل التايل يو�ضح �أهمية هذه املتغريات‪:‬‬

‫‪151‬‬
‫مجلة جامعة القدس املفتوحة للبحوث اإلدارية واالقتصادية ‪ -‬اجمللد (‪ - )5‬العدد (‪ - )13‬حزيران ‪2020‬م‬

‫الجدول رقم (‪)6‬‬

‫قوة العالقة بين عقد الطبقات ‪Parameter Estimates‬‬

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫’‪Wilks‬‬
‫‪Sig.‬‬ ‫‪Tolerance‬‬ ‫‪VIF‬‬ ‫املتغري‬ ‫تطبيق حتليل التمايز‪:‬‬
‫‪Lambda‬‬
‫‪.329‬‬ ‫‪1.000‬‬ ‫‪.471‬‬ ‫‪2.122‬‬ ‫عدد الأفراد‬ ‫مت تطبيق حتليل التمايز على كامل �أفراد العينة ولكل‬
‫‪.000‬‬ ‫‪.961‬‬ ‫‪.770‬‬ ‫‪1.299‬‬ ‫التقييم‬ ‫املتغريات‪ ،‬ومبا �أن حجم العينة كبري ‪ 7463‬ميكن �إهمال �رشط‬
‫جتان�س التباين‪ ،‬ومت تطبيق اختبار ‪ Wilks Lambda‬للتحقق من‬
‫‪.272‬‬ ‫‪1.000‬‬ ‫‪.938‬‬ ‫‪1.066‬‬ ‫وجود الأم‬
‫فر�ضية عدم ت�ساوي متو�سطات املتغريات امل�ستقلة عند م�ستويات‬
‫‪.000‬‬ ‫‪.998‬‬ ‫‪.903‬‬ ‫‪1.108‬‬ ‫نوع املنزل‬ ‫املتغري التابع حيث يجب �أن يكون قيمة ‪ Sig‬لكل متغري م�ستقل �أقل‬
‫‪.003‬‬ ‫‪.999‬‬ ‫‪.900‬‬ ‫‪1.111‬‬ ‫حالة املنزل‬ ‫من ‪ ،.05‬نالحظ �أن كال من اجلن�س ونوع املكفول وعدد الأفراد‬
‫‪.016‬‬ ‫‪.999‬‬ ‫‪.969‬‬ ‫‪1.032‬‬ ‫عدد الإعاقات‬
‫ووجود الأم غري معنويات من الناحية الإح�صائية‪ ،‬حيث كانت قيمة‬
‫‪ Sig‬لكل منها �أكرب من ‪� ،.05‬أما بقية املتغريات فهي معنوية وذات‬
‫‪.000‬‬ ‫‪.991‬‬ ‫‪.762‬‬ ‫‪1.312‬‬ ‫نوع العائلة‬ ‫داللة �إح�صائية �إذ كانت قيمة ‪ Sig‬لكل منها �أقل من ‪..05‬‬
‫‪.000‬‬ ‫‪.868‬‬ ‫‪.678‬‬ ‫‪1.476‬‬ ‫عدد املكفولني‬ ‫وعند القيام ب�إجراء ت�شخي�ص امل�صاحبة اخلطية على �أبعاد‬
‫‪.014‬‬ ‫‪.999‬‬ ‫‪.432‬‬ ‫‪2.316‬‬ ‫عدد الأيتام‬ ‫املتغري امل�ستقل جند � ّأن قيمة ال�سماحية ‪( Tolerance‬تعرب عن مقدار‬
‫تباين املتغري امل�ستقل املحدد الذي ال تف�رسه املتغريات امل�ستقلة‬
‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬ ‫الأخرى يف النموذج ويح�سب من خالل ‪ )R2 - 1‬مرتفعة لكل‬
‫املتغريات امل�ستقلة (ال تقل عن ‪ ).10‬وبالتايل مل يحدث �إخالل‬
‫مت تطبيق اختبار ‪ Wilks Lambda‬للتحقق من معنوية النموذج‬
‫بفر�ضية امل�صاحبة اخلطية‪ ،‬ويدعم هذه النتيجة �أي�ض ًا قيمة معامل‬
‫بعد ا�ستبعاد املتغريات امل�ستقلة غري املعنوية‪� ،‬إذ تن�ص فر�ضية‬ ‫ت�ضخم التباين ‪ VIF‬والذي يبني �أن جميع القيم �أقل من ‪.10‬واجلدول‬
‫العدم على �أن النموذج غري معنوي‪ ،‬ونالحظ ب�أن قيمة ‪ Sig‬م�ساوية‬ ‫التايل يبني قيم ال�سماحية ومعامل ت�ضخم التباين و�إح�صائية‬
‫لل�صفر وهي �أقل من ‪ .05‬لذلك نرف�ض فر�ضية العدم ونقبل الفر�ضية‬ ‫االختبار وقيمة ‪ Sig‬لكل متغري م�ستقل‪:‬‬
‫البديلة والنموذج معنوي من الناحية الإح�صائية‪ ،‬ونالحظ �أن قيمة‬ ‫الجدول رقم (‪)7‬‬
‫معامل التحديد للنموذج ‪ 55%‬وهي متثل الن�سبة التي ا�ستطاعت‬ ‫المصاحبة الخطية و إحصاءات المتغيرات المستقلة‬
‫املتغريات امل�ستقلة جمتمعة �أن تف�رسه من تغريات املتغري التابع‪،‬‬ ‫’‪Wilks‬‬
‫‪Sig.‬‬ ‫‪Tolerance‬‬ ‫‪VIF‬‬ ‫املتغري‬
‫وقيمة معامل االرتباط املتعدد للنموذج هي ‪ 74.1%‬وهي قيمة‬ ‫‪Lambda‬‬

‫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)‬

‫الجدول رقم (‪)8‬‬

‫ملخص نموذج تحليل التمايز‬

‫اجلذر الكامن‬ ‫اختبار ‪Wilks’ Lambda‬‬

‫‪R‬‬ ‫‪R2‬‬ ‫‪Eigenvalue‬‬ ‫‪Sig‬‬ ‫‪df‬‬ ‫القيمة‬

‫�أي ا�ستطاعت الدالة متييز ‪ 81%‬ب�شكل �صحيح من �إجمايل‬
‫احلاالت املدرو�سة‪ ،‬كما هي مبينة يف اجلدول التايل‪:‬‬ ‫‪.741‬‬ ‫‪.550‬‬ ‫‪.434‬‬ ‫‪.000‬‬ ‫‪8‬‬ ‫‪.697‬‬

‫الجدول رقم (‪)10‬‬

‫التصنيف باستخدام تحليل التمايز ‪Classification‬‬ ‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫نتيجة الدالة‬ ‫وتكون دالة التمايز لها ال�شكل التايل‪:‬‬

‫هل هو مكفول �أم ال‬
‫‪D=-2.199+0.070 X1+0.3 X2+0.089 X3+0.181 X4-‬‬
‫‪1‬‬ ‫‪0‬‬
‫‪0.092 X5+0.407 X6-0.761 X7+0.47 X8‬‬
‫‪272‬‬ ‫‪1155‬‬ ‫‪0‬‬
‫القيم الأ�صلية‬ ‫حيث �أن‪:‬‬
‫‪4892‬‬ ‫‪1144‬‬ ‫‪1‬‬
‫عدد االعاقات‬ ‫‪X5,‬‬ ‫العمر‬ ‫‪X1‬‬
‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬
‫نوع العائلة‬ ‫‪X6,‬‬ ‫التقييم‬ ‫‪X2‬‬

‫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

‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬

‫ونالحظ من النتائج ال�سابقة تفوق ال�شبكة الع�صبونية يف كال‬

‫املرحلتني (التدريب واالختبار) على حتليل التمايز‪ ،‬كما نالحظ ب�أن‬
‫الن�سبة ال�صحيحة للت�صنيف مقبولة مما ي�ؤدي �إىل �إمكانية اعتماد‬
‫هذه ال�شبكة للم�ساعدة يف اتخاذ القرار الالزم بالكفالة املالية يف‬
‫اجلمعيات اخلريية‪.‬‬
‫النتائج‪:‬‬
‫‪1 .1‬لقد �أعطى ا�ستخدام ال�شبكات الع�صبونية يف الت�صنيف‬
‫نتيجة �أف�ضل من تنفيذ حتليل التمايز على ذات البيانات لغر�ض‬ ‫المصدر‪ :‬من إعداد الباحثان باالعتماد على مخرجات ‪SPSS‬‬
‫اتخاذ قرار ت�صنيف الكفالة املالية‪� ،‬إذ جند �أن دقة الت�صنيف يف‬ ‫نالحظ من اجلدول ال�سابق �أن عدد املكفولني له الت�أثري الأكرب‬
‫ال�شبكة الع�صبونية ‪ 92.8%‬يف حني �أن ن�سبة الت�صنيف ال�صحيح‬ ‫يف النموذج‪ ،‬يليه العمر ومن ثم التقييم‪...‬وهكذا‪ ،‬ونالحظ �أن اجلن�س‬
‫يف �أ�سلوب حتليل التمايز ‪.81%‬‬ ‫وعدد الأفراد ووجود �أم ونوع املكفول لي�س لها �أي ت�أثري على‬
‫‪� 2 .2‬إمكانية تدريب ال�شبكة الع�صبونية على الأمناط اجلديدة‬ ‫النموذج‪.‬‬
‫ب�شكل ديناميكي متفوقة بذلك على حتليل التمايز‪.‬‬ ‫وكانت دقة الت�صنيف للدالة التمييزية هي‪:‬‬
‫‪3 .3‬اعتمدت ال�شبكة الع�صبونية ال�صناعية على كامل‬

‫‪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.‬‬

‫املصادر واملراجع باللغة العربية‪:‬‬

‫ العدوي‪ ،‬عدي‪ ،)2017( .‬درا�سة مناذج االنحدار للمتغريات النوعية‪ ،‬ر�سالة‬
‫ماج�ستري غري من�شورة‪ ،‬كلية العلوم‪ ،‬جامعة حلب‪� ،‬سوريا‪� ،‬ص‪.24‬‬
‫ جون�سون‪ ،‬ريت�شارد‪ .‬و�رشن‪ ،‬دين‪ ،)1998( .‬ال ّتحليل االح�صائي متعدد‬
‫املتغيرّ ات من الوجهة التطبيقية‪ .‬تعريب عبد املر�ضي عزام‪ ،‬دار املريخ‪،‬‬
‫الريا�ض‪� ،‬ص‪.740 - 735‬‬
‫ �سليمان‪ ،‬علي �أب�رش ف�ضل املوىل‪ ،)2015( .‬املقارنة بني التحليل التمييزي‬
‫والنموذج اللوج�ستي الثنائي ومناذج ال�شبكات الع�صبية يف ت�صنيف‬
‫امل�شاهدات‪ :‬بالتطبيق على درا�سة العوامل امل�ؤثرة على كفاية دخل الأ�رسة‪،‬‬
‫�أطروحة دكتوراه غري من�شورة‪ ،‬كلية العلوم‪ ،‬جامعة ال�سودان للعلوم‬
‫والتكنولوجيا‪ ،‬ال�سودان‪.‬‬
‫ طلبة‪ ،‬حممد‪ ،‬و�آخرون‪ ،)1998( .‬احلا�سب والذكاء اال�صطناعي‪ .‬مو�سوعة‬
‫التميز لعلوم الإدارة واحلا�سب‪ ،‬القاهرة‪ ،‬م�رص‪� ،‬ص‪.393 - 390‬‬
‫ عا�شور‪� ،‬سمري كامل‪ ،‬و�آخرون‪ )2004( .‬العر�ض والتحليل االح�صائي‬
‫با�ستخدام ‪ .Spss Win‬القاهرة‪ ،‬م�رص‪� ،‬ص‪( ،140‬د‪ .‬د)‪.‬‬

‫ترمجة املصادر املراجع العربية‪:‬‬

‫‪154‬‬