<?xml version="1.0" encoding="UTF-8"?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName></PublisherName>
      <JournalTitle>حسابداری، امور مالی و هوش محاسباتی</JournalTitle>
      <Issn>3092-7366</Issn>
      <Volume>2</Volume>
      <Issue>پیاپی ۵</Issue>
      <PubDate PubStatus="epublish">
        <Year>1403</Year>
        <Month>09</Month>
        <Day>25</Day>
      </PubDate>
    </Journal>
    <ArticleTitle>Presenting a Mathematical Model of Futures Contracts to Cover Supply Chain Financial Risk</ArticleTitle>
    <VernacularTitle>ارائه مدل ریاضی قراردادهای آتی برای پوشش ریسک مالی زنجیره تأمین</VernacularTitle>
    <FirstPage>156</FirstPage>
    <LastPage>174</LastPage>
    <Language>FA</Language>
    <AuthorList>
      <Author>
        <FirstName>زینب </FirstName>
        <LastName>دوست قرین</LastName>
        <Affiliation>گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
      </Author>
      <Author>
        <FirstName>عباس</FirstName>
        <LastName>راد</LastName>
        <Affiliation>استادیار، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>امیررضا </FirstName>
        <LastName>علیزاده مجد</LastName>
        <Affiliation>گروه مدیریت کسب و کار و کارآفرینی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.</Affiliation>
      </Author>
    </AuthorList>
    <PublicationType>Journal Article</PublicationType>
    <History>
      <PubDate PubStatus="received">
        <Year>1403/05/02</Year>
        <Month></Month>
        <Day></Day>
      </PubDate>
    </History>
    <Abstract>&lt;p&gt;The study aims to design a mathematical model of futures contracts to reduce and cover financial risks in supply chain management. This applied research employed a mathematical modeling approach. Genetic algorithms, particle swarm optimization, and a hybrid approach combining the two were used to solve the model. The proposed model was developed based on minimizing the total opportunity cost (TOC) and implemented as a case study in Iran Khodro Company. Data were collected through a field-based approach using the company’s operational information. The findings revealed that futures contracts effectively reduced price fluctuations and contributed to managing financial risks in the supply chain. The hybrid genetic–particle swarm algorithm demonstrated higher accuracy in predicting risks and optimizing supply chain performance compared to the individual algorithms. It minimized errors under different market conditions and provided estimates closer to real-world data. Futures contracts serve as an effective tool for mitigating financial risk in supply chains and improving companies’ financial performance. The use of hybrid algorithms in modeling enhances prediction accuracy and efficiency by overcoming the weaknesses of single methods, offering a practical solution for risk management in complex supply chain environments.&lt;/p&gt;</Abstract>
    <OtherAbstract Language="FA">&lt;p&gt;هدف پژوهش طراحی مدلی ریاضی مبتنی بر قراردادهای آتی به‌منظور کاهش و پوشش ریسک‌های مالی در مدیریت زنجیره تأمین است. این تحقیق از نوع کاربردی و مبتنی بر مدلسازی ریاضی است. برای حل مدل از الگوریتم‌های ژنتیک، الگوریتم بهینه‌سازی ازدحام ذرات و رویکرد ترکیبی هیبریدی استفاده شد. مدل پیشنهادی بر اساس حداقل‌سازی مجموع هزینه فرصت (TOC) توسعه یافته و در شرکت ایران خودرو به‌عنوان مطالعه موردی پیاده‌سازی شد. داده‌ها از طریق رویکرد میدانی و استفاده از اطلاعات عملیاتی شرکت جمع‌آوری و پردازش گردید. نتایج نشان دادند که قراردادهای آتی توانستند نوسانات قیمتی را کاهش داده و به مدیریت ریسک مالی زنجیره کمک کنند. الگوریتم هیبریدی ژنتیک–ازدحام ذرات در مقایسه با استفاده منفرد از هر الگوریتم، دقت بالاتری در پیش‌بینی ریسک و بهینه‌سازی عملکرد زنجیره تأمین ارائه داد. این الگوریتم توانست خطاهای ناشی از شرایط مختلف بازار را به حداقل رسانده و پیش‌بینی‌هایی نزدیک‌تر به داده‌های واقعی ارائه نماید. قراردادهای آتی ابزاری کارآمد برای پوشش ریسک مالی در زنجیره تأمین محسوب می‌شوند و به بهبود عملکرد مالی شرکت‌ها کمک می‌کنند. استفاده از الگوریتم‌های ترکیبی در مدل‌سازی به دلیل پوشش نقاط ضعف روش‌های منفرد، موجب افزایش دقت و کارایی پیش‌بینی‌ها شده و می‌تواند راهکاری اثربخش برای مدیریت ریسک در شرایط پیچیده زنجیره تأمین باشد.&lt;/p&gt;</OtherAbstract>
    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Supply chain</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">futures contracts</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value"> risk management</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">mathematical model</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">genetic algorithm</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">زنجیره تأمین</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">قراردادهای آتی</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">مدیریت ریسک</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">مدل ریاضی،</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">لگوریتم ژنتیک</Param>
      </Object>
    </ObjectList>
    <ArchiveCopySource DocType="pdf">https://jafci.com/index.php/jafci/article/download/185/123</ArchiveCopySource>
  </Article>
</ArticleSet>
