توسعه كابرد مدل‌هاي باكس جنكينز، شبكه عصبي مصنوعي و تعديل نمايي در پيش‌بيني و مديريت پديده‌هاي اجتماعي (مطالعه موردي: پيش بيني روند ازدواج و طلاق در استان ايلام)

Expanding the Application Models Box Jenkins, Artificial Neural Network and Adjusted Exponential forecasting Social Phenomena (Case study: forecasting of marriage and divorce in Ilam)

روش‌هاي پيش‌بيني و آينده پژوهي يكي از ابزارهاي مهم در اختيار مديران و كارشناسان براي اخذ تصميمات راهبردي و صحيح است. با وجود توسعه روش هاي پيش بيني ، ولي كمتر به كاربرد اين روش ها در پيش بيني پديده هاي اجتماعي مانند ازدواج ، طلاق و رشد جمعيت پرداخته شده است.در اين تحقيق با استفاده از سري زماني تعداد ازدواج و طلاق در استان ايلام بين سال هاي 1371 تا 1392 به پيش بيني اين مقادير با استفاده از مدل هاي باكس و جنكينز ،شبكه عصبي مصنوعي و تعديل نمايي براي سال هاي آتي پرداخته شده است.نتايج تحقيق نشان داد كه دقت پيش بيني مدل باكس جنكينز براي پيش بيني تعداد ازدواج و شبكه هاي عصبي براي پيش بيني تعداد طلاق بيشتر از ساير روش هاي پيش بيني است. مقادير پيش بيني شده نشان داد كه نسبت ازدواج به طلاق در استان ايلام بين سال هاي آتي 1393تا 1396 با شيب ملايم، به سمت كاهش حركت مي كند.

One of the most important tools in the hands of managers and experts to make strategic decisions is Methods of forecasting and futures. Despite the development of prediction methods, but less likely to use these methods in predicting social phenomena such as marriage, divorce and population growth are discussed. In this study, using data from marriage and divorce between the years 1992 to 2013 in Ilam province to forecasts, the number of these phenomena using models Box Jenkins, Artificial Neural Network and Adjusted Exponential has been studied for years to come. The results showed that the prediction accuracy Box Jenkins model to predict the number of marriages and Artificial Neural Network model to predict the number of divorces is more than any other prediction methods. The predicted values showed that the proportion of marriages end in divorce in Ilam province between the years 2014 to 2018 following the gentle slope, to reduce the move.