بخش بهداشت و درمان و زیرساختهای مورد نیاز آن هم در بخش نرمافزاری و هم در بخش سختافزاری همواره مورد توجه بوده است. در این میان اهمیت تجهیزات و اقلام پزشکی در سیستم سلامت کشور بر هیچکس پوشیده نیست. سازمانها و شرکتهای فعال در این بخش باید بتوانند تصمیمات صحیح را با توجه به اطلاعات موجود در محیط پرنوسان کسب و کار امروز اخذ نمایند. بنابراین، تخمین مقدار تقاضا در دورههای آتی موضوعی حیاتی به نظر میرسد. روش و ابزارهای مختلفی برای انجام پیشبینی تقاضا وجود دارد که هر یک مزیتها و نقاط ضعف مخصوص به خود را دارند. در این مقاله با استفاده از یک شبکه عصبی مصنوعی چند لایه پیشخور با دو لایه پنهان که با الگوریتم ژنتیک به عنوان الگوریتم یادگیری آموزش داده شده است، سیستمی مقایسهای با روش رایج مورد استفاده در پیشبینی (روش باکس – جنکینز) با مدل ARIMA(2,1,1) برای پیشبینی تقاضای دستگاه سیتیاسکن ارائه شده است که با توجه به معیار سنجش دقت مدلها یعنی میانگین مجذور خطا (MSE)، مدل شبکه عصبی اثربخشی و کارایی بیشتری را در مقابل با روش آریما در پیشبینی تقاضای دستگاه سیتیاسکن با توجه به دادهها و اطلاعات موجود از خود نشان داده است.
Jafarnejad A, Soleymani M. Demand Forecasting Medical Equipment Based on Artificial Neural Networks and ARIMA Methods. qjerp 2011; 19 (57) :171-198 URL: http://qjerp.ir/article-1-219-fa.html
جعفرنژاد احمد، سلیمانی محسن. پیشبینی تقاضای تجهیزات پزشکی (سی تی اسکن) بر اساس شبکههای عصبی مصنوعی و روش ARIMA . فصلنامه پژوهش ها وسیاست های اقتصادی. 1390; 19 (57) :171-198