رشد سهام بخش فناوری در بورس تهران: تحلیل جامع و کاربردی

رشد سهام بخش فناوری در بورس تهران، با وجود چالش‌های ساختاری و ماهیت خاص بازار سرمایه ایران، فرصت‌های جذابی را برای سرمایه‌گذاران بلندمدت فراهم می‌کند. این بخش که در بازارهای جهانی پیشتاز نوآوری و رشد اقتصادی است، در ایران نیز با حمایت از شرکت‌های دانش‌بنیان و توجه به اقتصاد دیجیتال، پتانسیل‌های بالقوه‌ای دارد که نیازمند تحلیل دقیق عوامل کلان اقتصادی، بنیادی شرکت‌ها و ابزارهای نوین تحلیلی است.

مقدمه‌ای بر رشد سهام بخش فناوری در بورس تهران

بخش فناوری در سطح جهان به عنوان یکی از پیشران‌های اصلی رشد اقتصادی و نوآوری شناخته می‌شود. شرکت‌های فعال در این حوزه، به ویژه با ظهور فناوری‌هایی مانند هوش مصنوعی، شاهد رشد چشمگیر ارزش سهام خود در بازارهای بین‌المللی بوده‌اند. این مقاله با هدف بررسی وضعیت رشد سهام بخش فناوری در بورس تهران، شامل سهام شرکت‌های فناوری، شاخص کل بورس و رونق بازار سرمایه در ایران تهیه شده است. در حالی که بازارهای جهانی نظیر نزدک، رشد خود را عمدتاً مدیون شرکت‌های بزرگ تکنولوژی و هوش مصنوعی هستند، وضعیت در بورس تهران دارای ویژگی‌های خاص خود است که نیازمند تحلیل بومی است.

ساختار بورس تهران و پویایی شاخص کل

بورس اوراق بهادار تهران (TSE) به عنوان اصلی‌ترین بازار سرمایه ایران، نقش کلیدی در تامین مالی و هدایت نقدینگی دارد. شرکت مدیریت فناوری بورس تهران (TSETMC.com) منبع اصلی و جامع اطلاعات بازار سرمایه ایران است که داده‌های مربوط به بورس، فرابورس، بورس کالا، بورس انرژی و صندوق‌های سرمایه‌گذاری را ارائه می‌دهد. این سایت به دلیل جامعیت و مفید بودن اطلاعات، رتبه بالایی در ایران دارد و ابزارهای تابلوخوانی و فیلترنویسی را برای تحلیل سهام در اختیار سرمایه‌گذاران قرار می‌دهد.

شاخص کل بورس تهران به عنوان معیار اصلی سنجش عملکرد کلی بازار، در دوره‌های اخیر نوسانات قابل توجهی را تجربه کرده است. در اواخر شهریور و اوایل مهرماه ۱۴۰۵، شاخص کل بورس تهران شاهد رشد‌های قابل ملاحظه‌ای بوده و حتی به سقف‌های جدیدی دست یافته است. برای مثال، در ۸ مهر ۱۴۰۵، شاخص کل با رشد ۱۷۱ هزار واحدی (معادل ۲.۲۶ درصد) به ارتفاع ۷ میلیون و ۷۶۶ هزار واحد رسید. این رشدها گاهی با اصلاحاتی نیز همراه بوده‌اند، اما روند کلی نشان‌دهنده پویایی بازار است. در مقایسه با سایر بازارهای موازی مانند سکه و طلا، سرمایه‌گذاری در شاخص کل بورس در یک ماه اخیر (تا اواخر شهریور ۱۴۰۵) بازدهی بالاتری داشته است (۱۹.۳۵ درصد رشد شاخص کل در مقابل ۱۱.۲۷ درصد رشد سکه و ۹.۲۴ درصد رشد طلا).

درک این نوسانات و مقایسه با سایر بازارها، برای تصمیم‌گیری آگاهانه در مورد سرمایه‌گذاری در بورس تهران، از جمله بخش فناوری، حیاتی است. برای اطلاعات بیشتر در مورد نوسانات بازار، می‌توانید مقالات زیر را مطالعه کنید:

• تحلیل جامع افت شاخص بورس تهران در سپتامبر ۲۰۲۶
• افت متوالی شاخص کل بورس تهران: دلایل، راهکارها و تحلیل جامع

سهام شرکت‌های فناوری: فرصت‌ها و چالش‌ها در بازار ایران

برخلاف بازارهای جهانی مانند نزدک که بخش فناوری سهم عمده‌ای دارد و رشد آن عمدتاً توسط شرکت‌های بزرگ تکنولوژی و هوش مصنوعی هدایت می‌شود، وضعیت سهام شرکت‌های فناوری در بورس تهران دارای ویژگی‌های خاص خود است. حدود ۲۰ سال از اولین حضور یک شرکت ICT در بازار بورس ایران می‌گذرد، اما فعالان بازار سرمایه همچنان با این صنعت و شرکت‌های فعال در آن بیگانه هستند. بازار سرمایه ایران بیش از هر چیز به تولید و دارایی‌های فیزیکی توجه دارد، در حالی که صنعت فناوری اطلاعات و ارتباطات بیشتر به تعداد کاربران و دارایی‌های نامشهود وابسته است.

ماهیت شرکت‌های فناوری در بورس تهران

شرکت‌های فناوری‌محور در بورس ایران عمدتاً در زیرمجموعه صنایع رایانه، رادیویی و اطلاعات و ارتباطات دسته‌بندی می‌شوند. این شرکت‌ها طیف وسیعی از خدمات را ارائه می‌دهند؛ از نرم‌افزارهای مالی و بانکی گرفته تا پلتفرم‌های آنلاین و خدمات زیرساخت ارتباطی. برخی از شرکت‌های فعال در حوزه فناوری اطلاعات و ارتباطات در ایران، خدمات متنوعی از جمله خدمات معاملات سهام، راهکارهای جامع برای کارگزاری‌ها و بسترهای مدیریت صندوق‌های سرمایه‌گذاری را به بازار سرمایه ارائه می‌دهند که با رشد بازار سرمایه و تنوع ابزارهای مالی، گسترده‌تر شده است.

پتانسیل شرکت‌های دانش‌بنیان

در حال حاضر، حدود ۴۰ شرکت دانش‌بنیان در بازار سرمایه ایران پذیرفته شده‌اند که ارزش آن‌ها بالغ بر ۳۰۰ هزار میلیارد تومان است و حدود ۴ درصد از ارزش کل بازار سرمایه را تشکیل می‌دهند. این شرکت‌ها فرصت‌های جذابی برای سرمایه‌گذاری و رشد فراهم کرده‌اند. با این حال، عملکرد بخش فناوری در ایران از نظر صادرات جهانی ضعیف ارزیابی می‌شود و سهم ایران از صادرات محصولات های‌تک در سال‌های ۲۰۰۷ تا ۲۰۱۸ تنها ۰.۰۱۵ درصد بوده است. این در حالی است که در سطح جهانی پیش‌بینی می‌شود تا سال ۲۰۳۰ حدود ۹۰ درصد رشد اقتصادی مبتنی بر فناوری و ۸۵ درصد مربوط به صنایع های‌تک باشد. این شکاف نشان‌دهنده پتانسیل بالای رشد داخلی و نیاز به توسعه زیرساخت‌ها و حمایت‌های بیشتر است. برای درک بهتر اکوسیستم فناوری، می‌توانید به مقاله ارتقاء چشمگیر رتبه تهران در شاخص جهانی استارتاپی ۲۰۲۶ مراجعه کنید.

عوامل موثر بر رونق بازار سرمایه و تاثیر آن بر بخش فناوری

رونق بازار سرمایه در ایران اغلب تحت تاثیر عواملی چون انتظارات تورمی و نوسانات نرخ ارز قرار دارد. زمانی که فعالان اقتصادی انتظار افزایش سطح عمومی قیمت‌ها را دارند، نگهداری پول نقد جذابیت خود را از دست می‌دهد و نقدینگی به سمت بازارهایی سرازیر می‌شود که پتانسیل پوشش تورمی دارند، از جمله سهام، دلار و طلا. این همزمانی رشد در بازارهای مختلف نشان‌دهنده افزایش عمومی تقاضا برای دارایی‌ها است.

با این حال، باید توجه داشت که رشد اسمی شاخص سهام لزوماً به معنای افزایش واقعی ارزش شرکت‌ها نیست؛ اگر رشد شاخص کمتر از نرخ تورم و کاهش ارزش پول باشد، بخش مهمی از آن صرفاً جبران کاهش ارزش پول است. دولت نیز از ورود شرکت‌های فعال در حوزه اقتصاد دیجیتال به بورس استقبال کرده و حتی پیگیر ایجاد یک بازار اختصاصی برای شرکت‌های دانش‌بنیان و فعال در این حوزه است. این حمایت‌ها می‌تواند به رونق بازار سرمایه در بخش فناوری کمک کند.

رویکرد تحلیلی برای سرمایه‌گذاری در سهام فناوری

برای سرمایه‌گذاری موفق در رشد سهام بخش فناوری در بورس تهران، اتخاذ یک رویکرد تحلیلی جامع و اجتناب از خطاهای رایج ضروری است:

تحلیل بنیادی در سهام فناوری

در حالی که تحلیل تکنیکال برای زمان‌بندی ورود و خروج مهم است، برای سرمایه‌گذاری بلندمدت در سهام فناوری، تحلیل بنیادی اهمیت حیاتی دارد. این نوع تحلیل شامل بررسی دقیق مدل کسب‌وکار، تیم مدیریتی، مزیت رقابتی، پتانسیل رشد بازار، صورت‌های مالی (سودآوری، درآمد، حاشیه سود) و نسبت‌های مالی مانند P/E (نسبت قیمت به سود) و EPS (سود هر سهم) است. در شرکت‌های فناوری، دارایی‌های نامشهود مانند مالکیت فکری، پایگاه کاربران و توان نوآوری، اهمیت بیشتری نسبت به دارایی‌های فیزیکی پیدا می‌کنند.

تحلیل تکنیکال و ابزارهای آن

تحلیل تکنیکال به بررسی الگوهای قیمتی و حجم معاملات گذشته برای پیش‌بینی حرکت‌های آتی قیمت می‌پردازد. اندیکاتورهایی مانند میانگین متحرک (Moving Averages)، شاخص قدرت نسبی (RSI) و همگرایی/واگرایی میانگین متحرک (MACD) می‌توانند به شناسایی نقاط ورود و خروج مناسب کمک کنند. ترکیب تحلیل بنیادی و تکنیکال، رویکردی متعادل‌تر و کارآمدتر برای سرمایه‌گذاری ارائه می‌دهد.

خطاهای رایج در سرمایه‌گذاری سهام فناوری

• تعمیم روندهای جهانی به بازار ایران: ساختار اقتصادی، چالش‌های رگولاتوری، و ماهیت شرکت‌های فناوری در ایران متفاوت است.
• نادیده گرفتن عوامل اقتصاد کلان: غفلت از تاثیر عوامل اقتصاد کلان ایران مانند تورم، نرخ ارز، و سیاست‌های دولتی می‌تواند منجر به تحلیل‌های نادرست شود.
• تمرکز صرف بر تحلیل تکنیکال: تحلیل بنیادی برای سرمایه‌گذاری بلندمدت در سهام فناوری حیاتی است.
• عدم توجه به نقدشوندگی: برخی سهام شرکت‌های کوچک فناوری ممکن است نقدشوندگی پایینی داشته باشند که می‌تواند در زمان فروش ایجاد مشکل کند.
• اعتماد به منابع غیرمعتبر: بررسی مجوز رسمی سایت‌های تحلیلی از سازمان بورس و اوراق بهادار (SEO.ir) ضروری است.

منابع معتبر برای تحلیل سهام فناوری

برای تحلیل دقیق رشد سهام بخش فناوری در بورس تهران، استفاده از منابع معتبر و رسمی الزامی است:

• شرکت مدیریت فناوری بورس تهران (TSETMC.com): برای دسترسی به اطلاعات لحظه‌ای بازار، تابلوخوانی و فیلترنویسی.
• سازمان بورس و اوراق بهادار (SEO.ir): برای اطلاعات رسمی، اطلاعیه‌ها و بررسی مجوز سایت‌های تحلیلی.
• سامانه‌های تحلیلی معتبر: وب‌سایت‌هایی مانند ره‌آورد ۳۶۵ (Rahavard365.com)، سهامیاب (Sahamyab.com)، بونیبو (Bonibo.com) و فردای اقتصاد که اطلاعات بنیادی و تکنیکال را با ابزارهای تحلیلی ارائه می‌دهند.
• خبرگزاری‌های اقتصادی معتبر: ایرنا، ایسنا، مهر، اقتصادنیوز و شهرآرانیوز برای اخبار روز و تحلیل‌های کارشناسی.
• پلتفرم‌های تامین مالی جمعی (Crowdfunding): پلتفرم‌هایی مانند دونگی می‌توانند به شناسایی استارتاپ‌های فناوری و فرصت‌های سرمایه‌گذاری در حوزه نوآوری کمک کنند.
• کتاب‌های تخصصی تحلیل بنیادی و تکنیکال: برای افزایش دانش در زمینه تحلیل بازار سرمایه.

ابزارهای برنامه‌نویسی برای تحلیل سهام فناوری (پایتون)

اگرچه موضوع اصلی مالی و اقتصادی است، اما برای تحلیل حرفه‌ای می‌توان از ابزارهای برنامه‌نویسی برای جمع‌آوری، تحلیل و بصری‌سازی داده‌ها استفاده کرد. پایتون با کتابخانه‌های قدرتمند خود، گزینه‌ای عالی برای این منظور است.

جمع‌آوری داده‌ها

• وب‌اسکرپینگ (Web Scraping): با استفاده از کتابخانه‌های پایتون مانند BeautifulSoup و requests می‌توان داده‌های عمومی موجود در TSETMC.com یا سایر وب‌سایت‌های تحلیلی (با رعایت قوانین استفاده و ربات‌ها) را جمع‌آوری کرد.
• API (در صورت وجود): برخی پلتفرم‌های تحلیلی ممکن است API برای دسترسی به داده‌ها ارائه دهند که روشی کارآمدتر و قانونی‌تر است.

تحلیل و بصری‌سازی داده‌ها

• کتابخانه‌های پایتون: pandas برای دستکاری و تحلیل داده‌های جدولی، numpy برای محاسبات عددی، matplotlib و seaborn برای رسم نمودارهای خطی، شمعی، میله‌ای و سایر نمودارهای مورد نیاز.
• تحلیل بنیادی: محاسبه نسبت‌های مالی (P/E, EPS, DPS)، مقایسه صورت‌های مالی، تحلیل روند سودآوری.
• تحلیل تکنیکال: محاسبه اندیکاتورهای تکنیکال (میانگین متحرک، RSI، MACD) و شناسایی الگوهای قیمتی.

مثال کد پایتون: جمع‌آوری و نمایش شاخص کل

این نمونه کد پایتون، نحوه شبیه‌سازی جمع‌آوری داده‌های شاخص کل بورس و بصری‌سازی آن‌ها را با استفاده از کتابخانه‌های pandas و matplotlib نشان می‌دهد. این کد یک مثال فرضی برای نمایش روند شاخص کل است و در یک سناریوی واقعی، نیاز به پیاده‌سازی کامل وب‌اسکرپینگ یا استفاده از APIهای موجود خواهد بود.

import requests
from bs4 import BeautifulSoup
import pandas as pd
import matplotlib.pyplot as plt

def get_tse_index_data(url="https://www.tsetmc.com/"):
    """
    Fetches the main index data from TSETMC (placeholder for actual scraping logic).
    This is a simplified example and might require more complex parsing.
    """
    try:
        response = requests.get(url)
        response.raise_for_status() # Raise an exception for HTTP errors
        soup = BeautifulSoup(response.text, 'html.parser')
        
        # --- Placeholder for actual data extraction ---
        # In a real scenario, you would parse the HTML to find the specific element
        # containing the index value and its daily change.
        # For demonstration, we'll assume we find a div with class 'main-index-value'
        # and another with 'daily-change'.
        
        index_value_element = soup.find('div', class_='main-index-value')
        daily_change_element = soup.find('div', class_='daily-change')
        
        index_value = float(index_value_element.text.replace(',', '')) if index_value_element else None
        daily_change = float(daily_change_element.text.replace('%', '').strip()) if daily_change_element else None
        
        # For historical data, you'd need to navigate to historical data sections or use an API.
        # This example focuses on current data.
        
        return {"date": pd.to_datetime('today').date(), "index": index_value, "daily_change_percent": daily_change}
        
    except requests.exceptions.RequestException as e:
        print(f"Error fetching data: {e}")
        return None
    except Exception as e:
        print(f"Error parsing data: {e}")
        return None

# --- Main execution ---
if __name__ == "__main__":
    # In a real application, you'd fetch historical data for plotting
    # For this example, let's simulate some data
    data = [
        {"date": "2026-09-25", "index": 7000000, "daily_change_percent": 1.5},
        {"date": "2026-09-26", "index": 7100000, "daily_change_percent": 1.4},
        {"date": "2026-09-27", "index": 7050000, "daily_change_percent": -0.7},
        {"date": "2026-09-28", "index": 7150000, "daily_change_percent": 1.4},
        {"date": "2026-09-29", "index": 7250000, "daily_change_percent": 1.3},
        {"date": "2026-09-30", "index": 7400000, "daily_change_percent": 2.0},
        {"date": "2026-10-01", "index": 7500000, "daily_change_percent": 1.35},
        {"date": "2026-10-02", "index": 7766000, "daily_change_percent": 2.26} # Example from search result
    ]
    
    df = pd.DataFrame(data)
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)
    
    # Plotting the index trend
    plt.figure(figsize=(12, 6))
    plt.plot(df.index, df['index'], marker='o', linestyle='-')
    plt.title('روند شاخص کل بورس تهران (نمونه فرضی)')
    plt.xlabel('تاریخ')
    plt.ylabel('شاخص کل')
    plt.grid(True)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

    # Displaying current (simulated) data
    current_data = get_tse_index_data() # This would fetch live data if implemented fully
    if current_data:
        print(f"\nآخرین وضعیت شاخص کل بورس تهران ({current_data['date']}):")
        print(f"شاخص: {current_data['index']:,}")
        print(f"تغییر روزانه: {current_data['daily_change_percent']}% ")
    else:
        print("\nCould not retrieve current index data.")

توضیح کد:

1. وارد کردن کتابخانه‌ها: requests برای درخواست‌های HTTP، BeautifulSoup برای تجزیه HTML، pandas برای ساختاردهی و دستکاری داده‌ها، و matplotlib.pyplot برای رسم نمودارها.
2. تابع get_tse_index_data: این تابع به صورت فرضی برای جمع‌آوری داده‌های شاخص از TSETMC طراحی شده است. در یک پیاده‌سازی واقعی، منطق تجزیه HTML برای یافتن مقادیر دقیق شاخص و تغییرات روزانه پیچیده‌تر خواهد بود. این تابع یک دیکشنری حاوی تاریخ، مقدار شاخص و درصد تغییر روزانه را برمی‌گرداند.
3. بخش اصلی (if __name__ == "__main__":): در این بخش، به جای فراخوانی مستقیم وب‌اسکرپینگ برای داده‌های تاریخی، یک مجموعه داده شبیه‌سازی شده ایجاد شده است تا روند شاخص کل در یک بازه زمانی فرضی را نشان دهد.
4. ساخت DataFrame: داده‌های شبیه‌سازی شده به یک DataFrame پانداس تبدیل می‌شوند و ستون تاریخ به عنوان ایندکس تنظیم می‌گردد.
5. رسم نمودار: با استفاده از matplotlib، یک نمودار خطی از روند شاخص کل در طول زمان رسم می‌شود. عنوان، برچسب‌های محورها و شبکه به نمودار اضافه شده‌اند تا خوانایی آن افزایش یابد.
6. نمایش داده‌های جاری (شبیه‌سازی شده): در پایان، تابع get_tse_index_data فراخوانی می‌شود تا آخرین وضعیت شاخص را (در صورت موفقیت‌آمیز بودن) نمایش دهد.

جمع‌بندی و چشم‌انداز آینده

بخش فناوری در بورس تهران، با وجود چالش‌های ساختاری و عدم آشنایی کافی بازار با ماهیت این صنعت، دارای پتانسیل‌های قابل توجهی برای رشد است. حمایت‌های دولتی از شرکت‌های دانش‌بنیان و افزایش علاقه به سرمایه‌گذاری در حوزه‌های نوآورانه، نویدبخش آینده‌ای روشن‌تر برای این بخش است. با این حال، سرمایه‌گذاران باید با دیدگاهی بلندمدت و با استفاده از تحلیل‌های بنیادی و تکنیکال معتبر، در این حوزه ورود کنند و از خطاهای رایج، به ویژه تعمیم روندهای بازارهای جهانی و نادیده گرفتن شرایط خاص اقتصاد ایران، پرهیز کنند. در نهایت، شفافیت بیشتر، رگولاتوری هدفمند و معرفی هرچه بیشتر شرکت‌های فناوری‌محور به بازار سرمایه، می‌تواند به رونق بازار سرمایه در این بخش و جذب نقدینگی به سمت نوآوری کمک شایانی نماید.

سؤالات متداول

چرا سهام شرکت‌های فناوری در بورس تهران کمتر از بازارهای جهانی مورد توجه است؟

بازار سرمایه ایران سنتاً به شرکت‌های مبتنی بر دارایی‌های فیزیکی و تولیدی تمایل بیشتری دارد، در حالی که صنعت فناوری اطلاعات و ارتباطات بیشتر به تعداد کاربران و دارایی‌های نامشهود وابسته است که این امر می‌تواند چالش‌هایی برای شرکت‌های فناوری‌محور ایجاد کند.

عوامل کلیدی موثر بر رونق بازار سرمایه ایران چیست؟

رونق بازار سرمایه در ایران اغلب تحت تاثیر عواملی چون انتظارات تورمی، نوسانات نرخ ارز و سیاست‌های دولتی قرار دارد که نقدینگی را به سمت بازارهای با پتانسیل پوشش تورمی هدایت می‌کند.

آیا سرمایه‌گذاری در شرکت‌های دانش‌بنیان بورس تهران ریسک بالایی دارد؟

سرمایه‌گذاری در شرکت‌های دانش‌بنیان، مانند هر سرمایه‌گذاری دیگری، با ریسک همراه است. اما این شرکت‌ها پتانسیل رشد بالایی دارند و با تحلیل بنیادی دقیق، بررسی نقدشوندگی و درک ماهیت کسب‌وکارشان، می‌توان ریسک‌ها را مدیریت کرد.

چگونه می‌توان منابع معتبر برای تحلیل سهام فناوری در بورس تهران را شناسایی کرد؟

برای شناسایی منابع معتبر، باید به وب‌سایت‌های رسمی مانند TSETMC.com و SEO.ir مراجعه کرد. همچنین، سامانه‌های تحلیلی معتبر مانند ره‌آورد ۳۶۵، سهامیاب و خبرگزاری‌های اقتصادی معتبر می‌توانند اطلاعات مفیدی ارائه دهند. همواره از وجود مجوز رسمی سایت‌های تحلیلی از سازمان بورس اطمینان حاصل کنید.

نقش هوش مصنوعی در آینده رشد سهام فناوری در بورس تهران چیست؟

همانند بازارهای جهانی، در بورس تهران نیز شرکت‌های مرتبط با فناوری‌های نوین و هوش مصنوعی می‌توانند در آینده مورد توجه قرار گیرند. توسعه و به‌کارگیری هوش مصنوعی در بخش‌های مختلف اقتصادی ایران، پتانسیل رشد و سودآوری قابل توجهی برای شرکت‌های فعال در این حوزه ایجاد خواهد کرد.

حسین موذن خوش الحان

من حسین مؤذن خوش‌الحان، طراح و توسعه‌دهنده وب هستم و تمرکزم روی ساخت وب‌سایت‌های سریع، حرفه‌ای، سئو‌شده و کاربرپسند است. در پروژه‌هایم از ابزارهای هوش مصنوعی مانند ChatGPT، Claude، Codex و Bolt.new برای تحلیل بهتر، توسعه سریع‌تر، تولید محتوا، خودکارسازی فرایندها و حل مسائل پیچیده استفاده می‌کنم. ترکیب تجربه فنی، طراحی دقیق و ابزارهای هوش مصنوعی به من کمک می‌کند ایده‌ها را به محصولات دیجیتال کاربردی و قابل توسعه تبدیل کنم. از طراحی سایت‌های اختصاصی و وردپرسی تا توسعه افزونه، بهینه‌سازی سرعت و پیاده‌سازی سیستم‌های هوشمند، هدفم ارائه راهکاری تمیز، قابل اعتماد و نتیجه‌محور برای هر پروژه است.