تخمين ارزش خالص فعلي پروژه‌هاي صنعتي- معدني با استفاده از شبكه عصبي رگرسيون عمومي

Estimation of Net Present Value (NPV) in industrial and mine projects using General Regression Neural Network

در بررسي اقتصادي پروژه هاي صنعتي و معدني و تخمين ارزش خااص فعلي سرمايه گذاري، بسياري از پارامترها مربوط به آينده و غير قطعي مي باشند بنابراين بررسي اين پروژه ها و تخمين رفتار پارامترهاي غير قطعي بر مبناي پيش بيني استوار هستند. در اين حالت به منظور حصول نتايج واقعبينانه تر، عموماً از تكنيك هاي بررسي تحت شرايط ريسك در پيش بيني دقيق تر پارامترهاي آينده استفاده مي شود. در اين خصوص روش هاي مختلفي وجود دارد كه يكي از آن ها استفاده از مدل هاي شبيه سازي مي باشد. در اين مدل ها رفتار فاكتورهاي متغير به طور قطعي شناخته شده نيست و اين عدم قطعيت نه به صورت يك عدد ثابت، بلكه به صورت يك متغير تصادفي در نظر گرفته شده و رفتار اين متغير يا متغيرهاي تصادفي از طريق برآورد يك تابع توزيع احتمالي و شبيه سازي آن تحليل مي شود. مقاله حاضر با هدف بررسي فني و اقتصادي واحد صنعتي معدني طلاي كوه زر تربت حيدريه در حالت ريسك براي يك دوره 7ساله، به تشريح كاربرد روش شبيه سازي در تحليل سيستم هاي اقتصادي معدني پرداخته و همچنين از روش هوش مصنوعي رگرسيون عمومي براي تخمين ارزش خاص فعلي سرمايه­گذاري واحد فوق استفاده نموده است. بنابراين پس از انجام محاسبات و تشكيل جدول جريان نقدينگي، از اطلاعات به دست آمده از سال­هاي گذشته و حال، به عنوان مبنايي براي تخمين رفتار آينده پارامترهاي تاثير گذار و داراي عدم قطعيت استفاده شده و ميزان تغييرات سال هاي آتي براي هر يك از اين متغيرها به صورت يك تابع توزيع احتمالي پيش بيني گرديده است. سپس با جاگذاري توابع توزيع متغيرهاي غيرقطعي در سلول هاي جدول جريان نقدينگي، نمونه برداري تصادفي صورت گرفت و در نهايت با استفاده از تكنيك شبيه سازي، رفتار آينده سيستم و دامنه تغييرات ارزش خالص فعلي تحت شرايط ريسك مورد پيش بيني و تحليل قرار گرفت. سپس با استفاده نتايج حاصل از شبيه سازي، يك شبكه عصبي رگرسيون عمومي براي پيش بيني و تخمين ارزش خالص فعلي در شرايط وجود متغيرهاي غير قطعي، مانند توليد ساليانه و هزينه توليد، طراحي و اجرا گرديد و نتايج نشان داد كه شبكه طراحي شده با قابلييت اطمينان خوبي مي تواند ارزش خالص فعلي را پيش بيني نمايد.

In economic studies of industrial and mine projects and estimation of their net present value (NPV) there are many factors as uncertain variables related to the future. Therefore, such studies should be carried out based on forecasting. To obtain reliable results in these situations, risk analyses methods under uncertainty are used. One of these uncertainty methods is to employ models to be simulated. In these models, some factors as random variables will be studied for the future. Future prediction of each random variable is assessed considering a probability distribution function. The aim of this research work is economic evaluation of Koohzar gold mine in TorbateHeydariyeh, Iran for a seven years period using simulation and its application in risk and decision management, and estimating its NPV by applying General Regression Neural Network artificial intelligence method. For this purpose, first, probability distributions of the variables were obtained using information from the variables in previous years. Next, distribution functions of uncertain variables are replaced in appropriate cells of discounted cash flow (DCF) table. Then, random sampling was taken from the probability distributions of uncertain variables as an input of cash flow analysis. In the next stage, based on the simulation technique, probability distribution for NPV variations was obtained as the output in the form of graphs and a function. Considering the output, all of the NPV variations can be forecasted. Then, a general regression neural network was designed using simulated results for NPV prediction using input variables. The results show high reliable capability of general regression neural network in prediction of NPV.