منابع پایان نامه درمورد نرخ بهره، مبانی نظری، مقدار خطا

دانلود پایان نامه ارشد

همچنين نتايج اين تحقيق نشان داده است که 1) باز بودن همبستگي مثبت با نابرابري درآمد دارد.
2) سرمايه‌گذاري مستقيم خارجي همبستگي منفي و قابل ملاحظه با نابرابري درآمد دارد. 3)زيرساخت‌هاي سازماني با نابرابري درآمد همبستگي منفي دارد.
هنري فاربر36(2007) در مقاله‌اي با عنوان “تطبيق بازار نيروي کار با جهاني شدن: اشتغال بلندمدت در ايالات متحده و ژاپن” به نتايج جالبي دست يافته است. به عقيده‌ي هنري، عجيب نيست که پس از مدتي ساختارهاي اشتغال کشورهايي مثل ژاپن و آمريکا، در طي فرآيند جهاني‌شدن همگرايي پيدا کنند. ذکر اين نکته ضروري است که هر دو کشور تحت تأثير فشارهاي رقابت جهاني مشابهي هستند. رابطه ميان کاهش فقر و جهاني‌شدن نيز در مقاله مايرتنس37 و همکاران(2008)، توضيح داده شده است.
کريمي(2008) در مقاله خود بيان مي‌داردکه مي‌نمايد که جهاني‌شدن فزاينده در سايه‌ي تعديل مطالبات دستمزد در کشورهاي متحد، مي‌تواند تأثيرات مثبت قابل ملاحظه‌اي بر اشتغال داشته باشد.
پولين38 (2008) در مقاله اي با عنوان “آيا اشتغال کامل در سايه جهاني‌شدن امکان پذير است؟” به طور مختصر به بررسي تئوري‌هاي بيکاري مارکس، فريدمن، کينز و کلاچي و سپس به تشريح مفهوم اشتغال کامل در تئوري‌هاي فوق تحت شرايط متفاوت تاريخي و اجتماعي پرداخته است و روش‌هايي را براي توسعه اشتغال کامل در دوران معاصر با جهاني‌شدن پيشنهاد داده است.
وانگ39، داياناندن40 و تيان41(2008) با مطالعه‌اي، اثر جهاني‌شدن اقتصاد(مشخص‌شده به ‌وسيله‌ي افزايش تجارت بين‌الملل و جريان سرمايه‌گذاري مستقيم خارجي) بر توزيع درآمد در چين را بررسي مي‌کنند. در اين مطالعه ضريب جيني به عنوان مقياس متعارف نابرابري درآمد به کار رفته است و جستارهاي عملي در قالب ريشه‌ي واحد و هم‌جمعي هدايت شده‌اند. نتايج عملي نشان مي‌دهند که جهاني‌شدن اقتصاد به بهبودي نابرابري درآمد در چين کمک مي‌کند، لذا بدتر شدن نابرابري درآمد در اين کشور بايد معلول عوامل ديگري باشد.
لانديس42(2008) به بررسي جهاني‌شدن و مهاجرت مي‌پردازد و اثرات جهاني‌شدن بر جمعيت را متأثر از جابجايي سرمايه و کالا از کشور ثروتمند به کمتر ثروتمند و جابجايي گروه‌هاي جمعيتي از کشورهاي فقير به جوامع ثروتمند مي‌داند. ماهوتا43 و اسميت44(2010) در مقاله‌اي بيان مي‌دارند که چگونه ساختار اقتصاد جهاني منافعي را از جهت مشارکت در آن فراهم مي‌کند.اين مقاله توسعه‌ي اقتصادي بلند مدت کشورها در اين جريان را مشروط به موقعيت آن‌ها در تقسيم بين‌المللي نيروي کار(IDL) مي‌داند. جهاني‌شدن منجر به پويايي اقتصاد در همه جا و به‌ويژه در فقيرترين نواحي مي‌شود. به طور خلاصه، جهاني‌شدن منجر به توسعه‌ي سريع اقتصاد در اواخر قرن 20 و اوايل قرن 21 شده است.
پژوهش يينگ45(2009) در مقاله‌اي با بررسي پيوستگي بين جهاني‌شدن و تراکم صنعت در چين دلالت بر اين امر دارد که درجه‌ي تراکم صنعت به طرز قابل ملاحظه‌اي از سال 1985 تا 2005 افزايش يافته است.
نيلسون46 و برگ47(2010) به دنبال بررسي اثر جهاني‌شدن و آزادسازي بر نابرابري درآمدي با به‌کارگيري داده‌هاي استاندارد مربوط به نابرابري درآمد جهاني و شاخص‌هاي آزادي اقتصادي داده‌هاي 80 کشور در سال‌هاي 1970 تا 2005 به اين نتيجه مي‌رسد که تحولات به سمت آزادي اقتصادي، سبب افزايش نابرابري درآمدي در جوامع ثروتمند مي‌شود. يافته ها حاکي از آنست که جهاني‌شدن اجتماعي در کشورهاي کمتر توسعه يافته، از اهميت بيشتري در اين مورد برخوردار است. همچنين تحولات پولي و جهاني‌شدن سياست سبب افزايش نابرابري نمي‌شود. نيسانکه48 و توربکه49(2010) در مقاله‌اي با عنوان” جهاني‌شدن، فقر و نابرابري در آمريکاي لاتين: يافته‌هايي از مطالعات موردي” به بررسي اثر جهاني‌شدن بر فقر و نابرابري در امريکاي لاتين مي‌پردازد. اين مطالعه موردي بازه‌ي گسترده‌اي از تحليل‌هاي کشوري و ناحيه‌اي اقتصاد کلان و مطالعات کلان در آمريکاي جنوبي و مرکزي راشامل مي‌شود. نتايج اين مطالعه به ‌طور خلاصه حاکي از اينست که اثر جهاني‌شدن بر فقر و نابرابري در اين ناحيه بسيار چشمگير بوده است. مکانيزم‌هاي مؤثر بر فقردر اين مطالعه از دو مسير بوده است، مسير اول اثر جهاني‌شدن بر رشد و مسير دوم از طريق اثر آن بر توزيع درآمد.

شکل ‏23-ارتباط جهاني‌شدن با فقر
مأخذ: . نيسانکه و توربکه،(2010)
مروري بر مطالعات خارجي شبکه‌ي عصبي در حوزه‌ي اقتصاد
تاپينن50(1998)، مدل‌هاي شبکه‌ي عصبي و مدل‌هاي رگرسيون خطي در پيش‌بيني نرخ بهره را با استفاده از داده‌هاي اقتصاد آمريکا مقايسه کرده است. بر مبناي تجربه، انتظار بر اين است که مدل‌هاي شبکه‌ي عصبي نسبت به مدل‌هاي رگرسيون خطي در امر پيش‌بيني، بهتر عمل کند، به هر حال در طول دوره‌ي 1995- 1994، شبکه‌ي عصبي در پيش‌بيني افزايش نرخ بهره شکست خورده است.
در مقاله‌اي که توسط انگاين51 و کريپس52(2001) گردآوري شده، روش‌ شبکه‌هاي عصبي(NN) و روش آناليز رگرسيون چند‌گانه(MRA) در جهت پيش‌بيني ارزش مسکن مقايسه شده است. نتايج نشان مي‌دهد که روش‌ شبکه‌هاي عصبي بهتر از روش آناليز رگرسيون چند‌گانه در امر پيش‌بيني، عمل کرده است.
گارتا53، رومئو54 و ژيل55(2005) با استفاده از روش شبکه‌ي عصبي(NN) قيمت برق را پيش‌بيني کرده‌اند. در اين مقاله اثبات شده که روش شبکه‌ي عصبي، يک ابزار خوب براي پيش‌بيني کوتاه‌مدت قيمت ساعتي اشتراک برق( براي يک، دو يا سه روز بعد) مي‌باشد. اين روش شناسي مي‌تواند به بهبود قدرت مديريت ظرفيت ماشين‌آلات توليدي و به طور مشخص، سود بخشي بيشتر در عملکرد اشتراک روزانه‌ي انرژي کمک کند. در مقاله‌اي مشابه که توسط دلگادو56(2005) نوشته شده، پيشنهاد مي‌شود که شبکه‌‌ي عصبي براي اندازه‌گيري کارايي به عنوان يک ابزار مکمل براي روش‌هاي رايج مبحث کارايي مي‌باشد. در اين مقاله نشان داده شده که در کاربرد NN براي بخش عمومي، شبکه‌‌ي عصبي ما را متقاعد مي‌کند که نتايج مهمتري را براي واحدهاي تصميم گيري استنتاج کنيم.
مالک57 و نصرالدين58(2006) در مقاله‌اي اشاره مي‌کنند که شواهد گذشته پيشنهاد مي‌کنند که قيمت‌هاي نفت، توليد يک اقتصاد را مبتني بر يک مدل غير خطي تحت تأثير قرار مي‌دهند. به هر حال، تا کنون توافقات روشني روي شکل تبعي اين تأثير صورت نگرفته است. اين مقاله، شبکه‌ي عصبي را براي پيش‌بيني کوتاه‌مدت GDP با توجه به قيمت‌هاي نفت، پيشنهاد مي‌کند.در مطالعه‌اي مشابه توسط يوو59، وانگ60 و لاي61(2007) شبکه‌ها‌ي عصبي براي پيش‌بيني قيمت نقدي نفت خام‌ پيشنهاد شده است. در واقع در اين مقاله از شبکه‌ي عصبي چند لايه پيش‌خور استفاده شده است.
چودهري62 و حيدر63(2008) در مقاله‌اي قدرت شبکه‌‌هاي عصبي را به عنوان ابزارهاي پيش‌بيني براي نرخ تورم ماهيانه براي 28 کشور OECD ارزيابي مي‌کند و شبکه‌‌ي عصبي را با مدل‌هاي اقتصاد سنجي مقايسه کرده است. نتايج نشان مي‌دهد که مدل‌هاي شبکه‌‌ي عصبي براي 45% از کشورها ‌يک پيش‌بيني کننده‌ي برتر بوده است. اين در حالي است که مدل‌هاي اقتصاد سنجي تنها براي 21% از کشورها درست عمل کرده‌ است. همچنين اشاره شده که مي‌توان از ترکيبات حسابي مدل‌هاي گوناگون شبکه‌ها‌‌ي عصبي، به عنوان ابزاري معتبر براي پيش‌بيني نرخ تورم استفاده کرد. همچنين گيم64 و راپر65(2009) در مقاله‌اي، يک مدل شبکه‌‌ي عصبي براي برآورد کاراي تقاضاي انرژي کره‌ي ‌‌‌‌جنوبي پيشنهاد مي‌کنند. مدل پيشنهاد شده، تقاضاي انرژي را بهتر از مدل‌هاي رگرسيوني خطي برآورد کرده است. همچنين کولکارني66 و حيدر67(2009)، شبکه‌ي عصبي چند لايه پيش‌خور را براي پيش‌بيني قيمت نقدي نفت خام در کوتاه‌مدت(تا 3 روز آينده) معرفي کرده‌اند.

تصريح مدل و روش‌‌هاي تحقيق

مقدمه
در اين فصل ابتدا به تصريح مدل پرداخته شده است، سپس روش شبکه‌هاي عصبي مصنوعي توضيح داده مي‌شود. در سال هاي اخير استفاده از سيستم هاي هوشمند مانند منطق فازي، شبكه‌ها ي عصبي مصنوعي، عصبي _ فازي و الگوريتم هاي تكاملي مانند الگوريتم ژنتيک و برنامه‌ريزي ژنتيک، پيشرفت قابل توجهي در اقتصاد و ساير علوم داشته است.

مبانی نظری
تابع توليد کاب-داگلاس براي يک بنگاه فرضي به صورت زير است:
(‏31)
q_i 〖=(A_i L_i)〗^(α_i ) K_i^(1-α_i ) 0α_i<1
که در آن q توليد بنگاه، A تکنولوژي(که بر نيروي انساني اثر داده شده است)، L نيروي کار و K موجودي سرمايه است.تابع سود اين بنگاه برابر است با:
(‏32)
π= P[(A_i L_i )^(α_i ) K_i^(1-α_i ) ]-WL_i-rK_i
r هزينه‌ي اجاره‌ي سرمايه است و W دستمزد نيروي کار. با فرض برقراري شرايط رقابت کامل و به منظور بدست آوردن حداکثر سود بنگاه، تقاضاي نيروي کار بنگاه را بدست مي‌آوريم:
(‏33)
(∂π )/(∂L_i )=0 ⇒L_i=B_i ( 〖α_i P_i)〗^(1/(1-α_i )) W_i^(1/α_(i-1) ) K_i

که B_i تابعي از A_i مي‌باشد. با فرض وجود n بنگاه مشابه در اقتصاد، تقاضاي کل براي نيروي کار برابر است با:
(‏34)
L=nL_i=nB( 〖α_i P_i)〗^(1/(1-α_i )) W_i^(1/α_(i-1) ) K_i

اگر توليد کل اقتصاد برابر با Q باشد آنگاه داريم:
(‏35)
Q=nq

لذا:
(‏36)
n= Q/q

با قرار دادن در معادله (3-4) داريم:
(‏37)

L=B Q/q( 〖α_i P_i)〗^(1/(1-α_i )) W_i^(1/α_(i-1) ) K_i
و از آنجا که توليد کل در يک اقتصاد برابر با تقاضاي داخلي وخالص صادرات است :
(‏38)

Q=D+X-M

D تقاضاي داخلي است و X-M خالص صادرات است. با جايگزيني معادله‌ي (3-8) در (3-7) و ديفرانسيل‌گيري و بدست آوردن نرخ رشد متغيرها، رابطه‌ي زير بدست مي‌آيد:
(‏39)

L ̇=1/(1-α_i ) p ̇-1/(1-α_i ) W ̇-B ̇+K ̇+[D/Q D ̇+X/Q X ̇-M/Q M ̇]

معادله‌ي(3-9) رابطه‌ي بين نرخ رشد متغير اشتغال با رشد متغيرهاي قيمت محصول، دستمزد، تکنولوژي و بهره‌وري، موجودي سرمايه، تقاضاي داخلي، صادرات و واردات را نشان مي‌دهد. نرخ رشد اشتغال با نرخ رشد تقاضاي داخلي و صادرات رابطه‌ي مثبت و با نرخ رشد واردات رابطه‌ي منفي دارد. D/Q سهم تقاضا از توليد، X/Q سهم صادرات از توليد و M/Q سهم واردات از توليد مي‌باشد. با توجه به اين مباحث، مي‌توان اشتغال را تابعي از صادرات و واردات، دستمزد و سرمایه دانست(کمیجانی و قوی‌دل، 1385).
مدل اقتصادي مورد استفاده
تئوري‌هاي اقتصادي، تقاضا براي نيروي کار را تابعي از دستمزد(W) ، هزينه‌ي واقعي استفاده از سرمايه(r) و توليد ناخالص داخلي(GDP) مي‌دانند(آنیستو، 2002).
(‏310)
E_t=f(Q_(t ),W_t, r_t)

به منظور بررسي اينکه آيا تجارت سطح اشتغال را افزايش مي‌دهد يا خير، تابع تقاضاي نيروي کار با توجه به انتقال دهنده‌هاي جهاني‌شدن اقتصاد برآورد مي‌‌شود؛

(‏311)
E_t=f(Q_t,W_t,r_t؛ Z_t)

اشتغال=E_t
محصول حقيقي= 〖 Q〗_t
نرخ دستمزد حقيقي=〖 W〗_t
هزينه ي واقعي استفاده سرمايه=〖 r〗_t

: Z_t انتقال دهنده‌‌‌ي مربوط به جهاني‌شدن (نسبت صادرات بهGDP ، نسبت واردات به GDP و نسبت مجموع صادرات و واردات به GDP و…) که در اين مطالعه به دلايل ذکر شده در فصل دوم از نسبت مجموع صادرات و واردات به GDP استفاده مي‌شود. انتقال دهنده‌ها ابزار اندازه‌گيري باز بودن اقتصاد کشور مي‌باشند.

شبکه‌هاي عصبي مصنوعي
مزاياي روش شبکه‌ي عصبي
روش‌هاي هوشمند نسبت به بسياري از روش‌‌هاي معمول آماري و قطعي مزاياي بسياري دارند. مهمترين مزيت آن‌ها، آزاد بودن اين روش‌ها از تحميل شکل خاصي از توابع است. در مقايسه با مدل‌هاي رگرسيون خطي، روش‌‌هاي هوشمند مقادير پيش‌بيني شده را ملزم به قرارگيري در اطراف مقدار ميانگين نکرده و به همين دليل تغييرپذيري واقعي داده‌ها را حفظ مي کنند(بات68 و هل69،2002 ).
تفاوت شبکه‌هاي عصبي با روش‌هاي آماري
بايد به تفاوت عمده‌ي شبكه‌هاي عصبي و روش‌هاي متداول آماري در روش تحقيق آنها اشاره کرد. الگوهاي اقتصادسنجي، فرضيات و سؤالات مبتني برمباني نظري تحقيق را آزمون مي‌كنند. به عبارت ديگر نظريه‌ي مورد آزمون به عنوان مدل اصلي، فرض شده و تنها به برآورد ضرايب و آزمون روابط نظري بر اساس تكنيك‌هاي آماري اقدام مي‌شود. در روش شبكه‌ي عصبي، مدل‌سازي بر اساس نظريات و نظرات، طراحي و سپس بر اساس خروجي‌هاي شبكه، مدل نهايي استخراج مي‌شود. نظريات اقتصادي و نظرات و دانش خبره، در قالب ورودي‌هاي شبكه وارد جريان مدل‌سازي غيرخطي پويا شده و نتايج به صورت مرحله‌اي(معادلات لايه‌هاي پنهان ) و خروجي برازش شده‌ي نهايي، تحت يك معادله‌ي غيرخطي، كه با واقعيت رفتاري و ساختاري مقادير خروجي، انطباق بيش‌تري دارد، مدل مي‌شود(ابريشمي و همکاران،1388).

کليات شبكه‌ها ي عصبي مصنوعي
شبکه‌هاي عصبي مصنوعي که در نيمه دوم قرن بيستم مطرح شدند و در اواخر دهه هشتاد، کاربرد همه جانبه پيدا کردند، تکنيک هاي محاسباتي يادگير هستند که به کمک آنها مي توان يک نگاشت خاص را تقريب زد و يا داده‌هاي مختلفي را دسته بندي کرد.(قزل اياغ70 و لي71، 2005)
شبکه هاي عصبي مصنوعي با الهام از شبکه عصبي بيولوژيکي بوجود آمده اند. کارکرد اين شبکه شبيه عملکرد مغز انسان مي باشد و يکي از خصوصيات جالب آنها اين است که توانايي يادگيري دارند، البته بايد توجه داشت که يادگيري در شبکه هاي عصبي مصنوعي محدود مي باشد و آنچه در عمل مورد توجه قرار مي گيرد توانايي محاسباتي اين شبکه ها مي باشد. يک شبکه شامل واحدهايي بنام سلول عصبي يا نرون مي باشد و اين قابليت را دارد که با بکار بردن يک دسته داده ورودي بتواند يک دسته داده خروجي دلخواه را توليد نمايد.(راهنماي استفاده‌ي نرم افزار مطلب72)
هر کدام از اين دسته داده‌هاي ورودي و خروجي را مي توان به شکل يک بردار فرض نمود. براي آموزش دادن يک شبکه، بردارهاي ورودي به صورت متوالي بکار گرفته مي شوند و هر سلول موجود در شبکه ورودي‌ها را بصورت علائم متعددي دريافت مي نمايد. علائم دريافتي با اعمال وزن، معيين مي شوند و ورودي‌هايي که بر آنها وزن اعمال شده در واحد پردازشگر سلول جمع ميشوند. خروجي هر واحد پردازشگر مي تواند به واحدهاي پردازشگر ديگر انتقال يابد. در طول آموزش شبکه، وزن هاي شبکه به تدريج به مقادير ثابتي همگرا تبديل مي شوند که به ازاي آنها با اعمال بردار ورودي، بردار خروجي دلخواه توليد مي‌شود.(کيم73 و هان74، 2000)
سلول هاي عصبي موجود در يک شبکه بسته به نوع عملکردشان در لايه‌هاي خاصي قرار ميگيرند. هرشبکه عصبي داراي حداقل سه لايه است که شامل لايه ورودي، لايه مياني معروف به لايه پنهان و لايه خروجي مي باشد. لايه ورودي محل وارد شدن اطلاعات مورد نظر شبکه مي باشد. انتخاب نوع و تعداد ‌ورودي‌هاي شبکه در کيفيت عملکرد شبکه تأثير زيادي دارد. استفاده از تعداد زياد و غيرضروري و همچنين غير مستقل پارامترهاي ورودي باعث پيچيدگي بيش از اندازه شبکه و در نتيجه عملکرد نا مناسب آن خواهد شد. همچنين امکان دسترسي و استفاده از داده‌هاي با کيفيت بالا (دسته داده‌هاي کامل داراي داده‌هايي با ميزان خطاي پايين) داراي اهميت مي باشد.
لايه‌هاي پنهان نقش سازماندهي عملکرد يک شبکه‌ي مصنوعي را بر عهده دارد. تعداد لايه‌هاي پنهان و سلولهاي عصبي موجود در اين لايه‌ها تأثير به‌سزايي در عملکرد شبکه دارد. در حالت کلي تعداد سلول هاي عصبي موجود در لايه پنهان به ساختار شبکه، تعداد ورودي‌ها و خروجي هاي شبکه، تعداد دسته داده‌هاي آموزشي، ميزان اختلال وخطاي داده‌ها، پيچيدگي تابع آموزشي و الگوريتم آموزشي بستگي دارد. استفاده غير ضروري از لايه‌هاي زياد و سلول هاي عصبي باعث بالا رفتن ميزان خطا در لايه خروجي مي گردد. لايه نهايي هر شبکه عبارت از لايه خروجي مي باشد که نتيجه عملکرد شبکه عصبي و پارامترهاي مورد نظر را ارئه مي‌دهد. شکل 3-1 بصورت شماتيک ساختار يک شبکه عصبي سه لايه با تعداد نرون‌هاي متعدد در لايه‌هاي ورودي و مياني و سه نرون در لايه خروجي را نشان مي‌دهد.

شکل ‏31- ساختار عمومي شبکه عصبي
مأخذ:هايکين75، (1999).
توابع رياضي جهت ترکيب ورودي با برخي وزن‌هاي ارتباطي با استفاده از يک الگوريتم بروز کننده بکار رفته و بعد از تعدادي تکرار وزن‌هاي نهايي را توليد مي‌کنند. به اين عمل فرآيند يادگيري گفته مي‌شود. عمل يادگيري مي‌تواند توسط الگوريتم‌هاي با ناظرو يا بدون ناظر صورت گيرد. در يادگيري با ناظر هم به ورودي و هم به خروجي ولي در يادگيري بدون ناظر فقط ورودي مورد نياز مي باشد.
 امروزه شبكه‌هاي عصبي در كاربردهاي مختلفي نظير مسائل تشخيص الگو76 كه خود شامل مسائلي مانند تشخيص خط77، شناسايي گفتار78، پردازش تصوير79 و مسائلي ازاين دست مي‌شود و نيز مسائل طبقه‌بندي مانند دسته‌بندي متون80 و يا تصاوير، به كار مي‌روند. در كنترل يا مدل‌سازي سيستم‌هايي كه ساختار داخلي ناشناخته يا بسيار پيچيده‌اي دارند نيز به صورت روز افزون از شبكه‌هاي عصبي مصنوعي استفاده مي‌شود. به عنوان مثال مي‌توان در كنترل ورودي يك موتور از يك شبکه عصبي استفاده نمود كه در اين صورت شبكه عصبي خود تابع كنترل را ياد خواهد گرفت.(هايکين، 1999)
مزيت اصلي استفاده از شبكه‌ي عصبي در هريك از مسائل فوق قابليت فوق‌العاده شبكه‌ي عصبي در يادگيري و نيز پايداري شبكه عصبي در مقابل اغتشاشات ناچيز ورودي است. در حال حاضر تعداد بسيار زيادي از انواع مختلف شبكه‌هاي عصبي مصنوعي وجود دارند كه به صورت خلاصه عبارتند از: شبكه‌هاي پرسپترون چند لايه81، كوهونن، هاپفيلد… كه اين شبكه‌ها نيز خود با روش‌هاي مختلفي آموزش مي‌بينند مانند روش پس انتشار خطا82.
شبكه‌هاي عصبي را مي‌توان بر اساس شيوه پردازش اطلاعات در آنها، به دو گروه شبكه‌هاي جلورونده83 و نيز شبكه‌هاي بازگشتي84 (كه در آنها از فيدبك خروجي استفاده شده است) تقسيم كرد.
معمولترين الگوريتم يادگيري براي کاهش خطا، روش توزيع معکوس خطا است که در 95 درصد کاربردهاي امروزي شبکه عصبي، روش مورد استفاده به همراه توپولوژي جلورونده است. در اين روش، پس از محاسبه خطا، وزنهاي سيناپسي از آخرين لايه به سوي نخستين لايه، بتدريج طوري تغيير مي کنند که خطاي محاسباتي کاهش يابد. در واقع Back propagation، سرشکن کردن خطا بر روي سلولهاي يک لايه و نيز لايه‌هاي بعدي است. پس از اين، اطلاعات نمونه‌ي دوم به شبکه خورانده مي‌شود. مسلماً، با همان وزنهاي سيناپسي، نمونه جديد مجدداً خطا خواهد داشت. بنابراين روش توزيع معکوس مجدداً دست به کار شده و وزن‌ها را طوري تغيير مي‌دهد که کمترين خطا را (هم براي اين نمونه و هم براي نمونه پيشين) ايجاد کنند. به اين ترتيب پس از خوراندن تعداد نمونه کافي به ورودي شبکه، تمام فضاي n بعدي روابط پارامترها توسط شبکه تجزيه مي‌شود. در اين حالت گفته مي‌شود که شبکه همگرا85 شده است به اين معني که در منحني خطاي پيشگويي (منحني يادگيري) به مقعرترين نقطه86 رسيده است. اين به معناي موفقيت در مرحله يادگيري است و شبکه‌ي همگرا شده آماده است تا براي پيش‌بيني يا تقريب تابع بکار رود(جاگيلسکا87، ماتيوس88 و ويتفورت89، 1999).
تعيين و استفاده از شبکه عصبي
در ابتدا بايد يک شبکه عصبي مناسب در نظر گرفته و به تعيين ورودي‌ها و خروجي هاي ضروري و تشکيل لايه‌ها و تعداد نرون‌هاي مورد نياز در هر لايه پرداخته شود.
طراحي شبكه عصبي
توزيع الگوهاي يادگيري
از آنجايي که غالبا شبکه‌هاي عصبي نمي‌توانند با برون‌يابي به جواب مساله برسند، بنابراين لازم است که الگوهاي يادگيري طوري ارائه شوند که مرزهاي محدوده‌ي مساله را در تمام ابعاد شامل شوند. به عبارت ديگر شکل محدوده‌ي مساله با محدوده يادگيري هماهنگ باشد.
تمرکز دادن به يادگيري‌ها در محل‌هايي که شکل راه حل مساله پيچيدگي بيشتري دارد بسيار سودمند خواهد بود. همچنين با توجه به محدوده‌ي عمل توابع محرک90، انتقال متغيرهاي خروجي و ورودي به بازه‌ي مناسب با يک توزيع مناسب لازم به نظر مي‌رسد. مهم‌ترين هدف از اين انتقال، تصحيح پخش متغيرهاي ورودي و خروجي به نحوي است که خطاي مدل‌سازي شبکه کم شود. انتقال خطي بيشترين کاربرد را در شبکه هاي عصبي دارد.(امينيان91 و آمري92، 2005)

(‏312)

که در آن UB و LB حد بالايي و حد پاييني بازه‌ي مورد نظر، MinP وMaxP مقدار حداقل و حداکثر داده در بانک اطلاعات مدل و SP و NP مقدار داده خام و نرماليزه شده مي‌باشد. رابطه‌ي انتقال ديگري که استفاده مي‌شود داده‌هاي خام را با توجه به خصوصيات آماري آن‌ها به روشي نرماليزه مي‌کند که ميانگين داده‌ها صفر و انحراف از معيار آنها يک شود .(امينيان و آمري، 2005)

(‏313)

NP=(SP-MeanP)/StdP

در اين رابطه، MeanP و StdP به ترتيب ميانگين و انحراف از معيار داده‌ي مورد نظر مي‌باشند. لازم به ذکر است که در اين حالت خروجي ايجاد شده توسط شبکه‌ي عصبي آموزش ديده، توزيعي بين بازه‌ي ]1،1[- دارد، لذا با توجه به توزيع داده‌هاي واقعي مورد استفاده در خروجي شبکه عصبي، مي بايست خروجي شبکه‌ي مورد نظر را براي تمامي داده‌ها غيرنرمال نمود.
عبارت زير نحوه‌ي غيرنرمال کردن خروجي شبکه عصبي را نشان مي‌دهد(امينيان و آمري، 2005).

(‏314)
SP=Std(P) * NP+Mean(P)

همچنين روش‌هاي ديگري براي نرمال کردن داده‌ها وجود دارد. در فصل بعد ما به روشي مشابه داده‌هاي خود را استاندارد خواهيم کرد و روش آن را همان جا توضيح خواهيم داد.
توپولوژي و ساختار شبكه‌ي عصبي، نقش مؤثري در ميزان تغييرات نرخ يادگيري و سرعت آموزش شبكه دارد. از اينرو تعيين بهينه تعداد لايه‌ها و تعداد نرون‌هاي موجود در لايه‌ي مخفي، جزء مهم‌ترين پارامترهاي طراحي شبكه به شمار مي‌روند. افزايش نرون‌ها و تعداد لايه‌ها موجب پيچيدگي شبكه و در نتيجه افزايش زمان يادگيري و كاهش كارايي آن مي گردد. از طرفي با كاهش تعداد نرون‌ها در لايه مخفي (كمتر از مقدار بهينه)، خطاي ايجاد شده روندي صعودي داشته و شبكه مورد نظر واگرا مي‌گردد.
با توجه به مطالب ذكر شده در بالا، در اين مطالعه شبكه‌هاي متعددي با تعداد نرون‌هاي مختلف در لايه‌ي مخفي ساخته شده‌اند . هدف از ايجاد تغيير در تعداد نرون‌هاي موجود در لايه مخفي، تعيين تعداد بهينه عنصر پردازشگر(نرون) در اين لايه است كه قادر به يادگيري روابط موجود بين پارامترهاي ورودي و خروجي با كمترين مدت زمان محاسبه باشند.
در اين مطالعه، از يک شبکه عصبي پس انتشار جلورونده93 با ناظر براي دستيابي به اهداف مورد نظر استفاده مي‌شود. در طول آموزش لازمست تا چندين پارامتر به دقت بررسي شوند. زمان آموزش بايد به اندازه کافي طولاني باشد تا شبکه بتواند تمامي نمونه هاي ايجاد شده را ياد بگيرد. همچنين لازمست تا از آموزش اضافي94 شبکه جلوگيري به عمل آيد. اين پديده باعث به ياد سپردن95 داده‌هاي ورودي توسط شبکه مي‌شود. شبکه‌اي که تمام داده‌هاي آموزشي خود را حفظ کند، وقتي در معرض يک گروه جديد از داده‌ها براي تست شبکه قرار ميگيرد، بسيار ضعيف عمل مي‌نمايد. در طول آموزش، شبکه سعي مي‌کند تا خود را اصلاح کرده و از اين طريق کمترين ميزان خطاي ممکن را بدست آورد. در اغلب اوقات مکان هايي در سطح خطا96 که در اين نقاط شبکه به صورت موقتي همگرا مي‌گردد.
اين پديده حتي در مواقعي که فرآيند يادگيري کامل نشده است نيز اتفاق مي‌افتد. لذا لازمست شبکه‌اي طراحي شود که در آن بتوان از محدوديت‌هايي که نقاط مينيمم محلي97 ايجاد مي‌کنند رهايي يافته و كمترين مقدار خطا بصورت مطلق98 حاصل شود. شکل 3-2 به صورت شماتيک سطح خطايي را که در آن نقاط مينيمم محلي و مطلق واقع شده‌اند را نشان مي‌دهد. محور افقي اين نمودار بيانگر روند آموزش و همگرايي شبکه با توجه به افزايش حلقه‌هاي تکرار محاسبات99 مي‌باشد. محور عمودي نيز ميزان خطاي موجود بين مقادير واقعي و خروجي شبکه را نشان مي‌دهد(کروز100 و اسمات101، 1996).

شکل ‏32- نقاط مينيمم محلي و مطلق در سطح خطاي داده‌هاي آموزش شبکه
مأخذ: کروز و اسمات،(1996)
معمولا در مسائل مرتبط با سيستم شبكه‌هاي عصبي دو نوع هدف متفاوت از يكديگر دنبال مي‌شود. يكي طبقه‌بندي داده‌هاي ورودي و قرار دادن آن‌ها در زير مجموعه‌هاي مناسب و ديگري ايجاد يك مدل تخمين‌گر جهت ايجاد يك رگرسيون غيرخطي از داده‌هاي ورودي شبكه و نزديك كردن اين متغيرها به داده‌هاي واقعي كه مي‌توان آن‌ را به عنوان داده‌هاي مطلوب در خروجي شبكه‌ي عصبي قرار داد.
از آنجايي‌كه مساله‌ي بكار رفته در اين مطالعه از نوع دوم است، لذا بهترين شبكه‌اي كه قادر به تحليل و پردازش يك مساله غيرخطي است، شبكه‌ي پس انتشار خطا مي‌باشد. انجام محاسبات رياضي مرتبط با بردارهاي ورودي به هر لايه و وزن‌ها و باياس‌هاي متناظر با هر يك از آن‌ها به عهده‌ي توابع محرك است. بنابراين انتخاب اين توابع در مدل طراحي شده مي‌بايست به گونه‌اي باشد تا بتوان بهترين پيش‌بيني را از مقادير ورودي‌هاي شبكه انجام داد. با توجه به مسائل ذكر شده در بالا، در اين پايان نامه تابع محرك در لايه‌ها يک بار تانژانت سيگموئيدي، و بار ديگر خطي در نظر گرفته مي‌شود.

شکل ‏33-توابع انتقال خطي و تانژانت سيگموئيد

آموزش شبكه
معمولا براي تعيين ميزان صحت و قدرت تعميم يافتگي يك شبكه‌ي عصبي، داده‌هاي مورد استفاده در طراحي شبكه به سه دسته داده‌هاي آموزشي، داده‌هاي تست و داده‌هاي اعتبار سنجي تقسيم مي شوند.
در طي آموزش با ناظر شبکه، لازم است تا شبکه‌اي با مقادير تراوايي صحيح براي هر نمونه ايجاد گردد. شبکه به مقادير تراوايي صحيح با پس انتشار دادن خطاهاي موجود بين مقدار تراوايي پيش‌بيني شده و مقدار تراوايي واقعي همگرا خواهد شد. اصول سيستم پس انتشار خطا بر مبناي قانون دلتا102 پايه گذاري شده است. طبق اين قانون زماني يک شبکه به حالت پايدار خود مي‌رسد و يا در اصطلاح همگرا مي‌شود که توانسته باشد تمام نمونه هاي وارد شده به شبکه را ياد بگيرد.
هر دوره از يك مسير رفت و يك مسير برگشت ايجاد شده است. در مسير رفت103 كميت هاي ورودي شبكه وزن‌دار شده و مجموع اين مقادير وزن‌دار شده در توابع محرك نرون‌هاي مربوط به هر لايه قرار مي‌گيرند. خروجي هر نرون مجددا به عنوان بردارهاي ورودي جديد به لايه بعدي تزريق شده و عمليات مشابهي روي هر يك از آنها صورت مي‌گيرد. خروجي آخرين لايه با خروجي مورد نظر شبكه مقايسه شده و اختلاف آنها به عنوان خطا در نظر گرفته ميشود. در مسير برگشت با توجه به خطاي بدست آمده، بردارهاي وزن و باياس به گونه‌اي طراحي مي‌شوند كه در مسير رفت بعدي مقدار خطاي كمتري بدست آيد. اين سيکل تکراري تا جايي ادامه دارند كه كمترين مقدار خطا بدست آيد و شبكه عصبي مورد نظر پايدار شود. به عبارت ديگر آموزش شبكه مورد نظر زماني به پايان مي رسد كه در اصطلاح شبكه همگرا شده و ميانگين مربعات خطا104 (MSE) به حداقل ممكن برسد. در مرحله بعد شبكه‌ي آموزش ديده با داده‌هايي متفاوت از داده‌هاي آموزش، اعتبارسنجي و تست مي‌شود تا از صحت و دقت شبكه در تخمين داده‌هاي واقعي اطمينان حاصل شود.
اعتبارسنجي شبکه‌ي عصبي105
زماني که شبکه در حال آموزش است در واقع در طول يادگيري نگاشت بين ورودي- خروجي گسترده و پيچيده‌تر مي‌شود. به عبارت ديگر مي توان يادگيري شبکه را به دو بخش مجزا تقسيم کرد. در مرحله اول شبکه الگوي ارائه شده را ياد مي‌گيرد. در اين مرحله قدرت تعميم افزايش مي‌يابد و در مرحله بعد شبکه شروع به حفظ کردن106 داده‌هاي آموزش مي‌کند و متعاقبا قدرت تعميم شبکه کاهش مي يابد. بنابراين اگر بتوان يادگيري را در پايان مرحله اول متوقف نمود شبکه بيشترين قدرت تعميم را خواهد داشت. به همين منظور از روش داده‌هاي Cross Validation استفاده مي‌شود.
در اين روش بانک اطلاعاتي موجود به سه زيرمجموعه آموزشي، آزمايشي و ارزيابي تقسيم مي‌شود. شبکه توسط مجموعه داده‌هاي آموزشي، آموزش داده شده و خطاي شبکه براي داده‌هاي آموزشي و ارزيابي به طور هم زمان مورد بررسي قرار مي گيرد و با توجه به خطاي داده‌هاي ارزيابي آموزش شبکه متوقف مي گردد (شکل 3-4). به عبارت ديگر زماني که خطا براي داده‌هاي ارزيابي افزايش مي‌يابد (با وجود کاهش خطا براي داده‌هاي آموزشي)، در واقع شبکه شروع به حفظ نمودن داده‌هاي آموزشي کرده است. در اين مرحله آموزش شبکه متوقف شده و شبکه در مقابل مجموعه‌ي آزمايشي مورد قضاوت نهايي قرار مي‌گيرد(حجازي، مصلحي و فازيو107، 1994).

شکل ‏34 نمودار خطا براي مجموعه آموزشي و ارزيابي يک شبکه
مأخذ:حجازي، مصلحي و فازيو،(1994)
ارزيابي توانايي تعميم شبکه
يک شبکه‌ي عصبي طراحي شده از قدرت تعميم خوبي برخوردار است، اگر نگاشت ورودي-خروجي آزمايشي(الگويي که در روند يادگيري به شبکه ارائه نشده است) از صحت خوبي برخوردار باشد. بايد توجه داشت که داده‌هاي آزمايشي از همان جمعيتي انتخاب مي شوند که داده‌هاي يادگيري انتخاب شده‌اند. روند يادگيري يا به عبارتي تعميم يک شبکه عصبي را مي توان به عنوان يک سيستم که عمل درون‌يابي غيرخطي را به خوبي انجام مي‌دهد نگريست(حجازي، مصلحي و فازيو، 1994).

به عبارت ديگر با تغيير جزيي در يکي از ورودي‌هاي شبکه که متعلق به حوزه‌ي داده‌هاي يادگيري مي‌باشد، شبکه دچار ناپايداري نشود، به اين مفهوم که خروجي حاصل از شبکه، از خروجي مطلوب براي ورودي مطلوب زياد فاصله نگيرد. به زبان رياضي اين که اگر زوج (x,y) متعلق به داده‌هاي يادگيري باشد و شبکه ياد بگيرد که به ازاي ورودي x خروجي y را توليد کند، آنگاه براي حالتي که به شبکه ورودي x+∆x با شرط 1>|∆x| اعمال شود خروجي حاصل حول و حوش y قرار بگيرد.
بايد توجه داشت که براي كاربر عمل درون‌يابي مهم است نه از بر نمودن. يعني اينکه شبکه، داده‌هاي يادگيري را آنقدر ياد بگيرد که بتواند از عهده عمل درون‌يابي برآيد، نه اينکه آنقدر زياد داده‌هاي يادگيري را بلد باشد (از بر نمايد) که نتواند از عهده عمل درون‌يابي برآيد (بيش از حد آموزش يافته باشد)، طوري که در مورد خطاهاي کوچک آنقدر حساس باشد که نتواند عمل تعميم را به خوبي انجام دهد. اين حالت زماني اتفاق مي‌افتد که تعداد نرون‌هاي مخفي بيش از حد لازم انتخاب شده باشند.
به طور خلاصه جهت داشتن قدرت تعميم خوب بايد سه عامل را در نظر داشت:
اندازه و غني بودن مجموعه داده‌هاي يادگيري
ساختار شبکه
پيچيدگي ذاتي مساله تحت بررسي
نظر به اين که هدف ما طراحي شبکه عصبي براي مساله‌اي خاص مي‌باشد، به همين علت روي حالت 3 کنترلي از جانب طراح نمي تواند صورت پذيرد. از اينرو مفروض بر حالت 3 دو راه بيشتر موجود نخواهد بود:
يکي اين که فرض شود تعداد داده‌هاي يادگيري ثابت و غيرقابل تغيير است و جهت داشتن قدرت تعميم بيشتر بايستي دنبال مناسب ترين ساختار شبکه بود. ديگر اين که ساختار شبکه داده شده در نظر گرفته شده و دنبال آن بود که تعداد داده‌هاي يادگيري ضروري آن گونه به دست آورده شود تا به يک حد قابل قبول تعميم پذيري شبکه عصبي رسيد.
به منظور آموزش شبكه و اصلاح وزن‌ها تا رسيدن به يك خطاي معنادار، روش‌هاي بسيار زيادي وجود دارد. يكي از مشهورترين اين روش‌ها، الگوريتم پس انتشار خطا108 خطا براي تنظيم وزن‌هاي ارتباط دهنده در شبکه‌ي عصبي چند لايه پيش‌خور است. در اين الگو قبل از شروع آموزش شبکه، وزن‌هاي ارتباط دهنده‌ي واحد‌هاي پردازش‌گر شبکه‌ي عصبي چند لايه به صورت تصادفي مقداردهي مي‌شوند. در مرحله‌ي بعد بردارهاي ورودي الگوهاي آموزش دهنده به شبکه طراحي شده و سپس با پيشرفت در شبکه، خروجي شبکه محاسبه مي‌شود. خروجي‌هاي مطلوب واحد‌هاي پردازش‌گر لايه‌ي خروجي با خروجي محاسبه شده توسط شبکه مقايسه و مقدار خطا بر اساس توابعي مثل ميانگين مربعات خطا و مجموع مربعات خطا محاسبه مي‌شود. در نهايت از اين خطا به عنوان معياري براي تنظيم وزن‌هاي ارتباط دهنده‌ي لايه‌ي خروجي و ديگر لايه‌ها استفاده مي‌شود. ميزان تابع خطا نشان دهنده‌ي همگرايي شبکه‌ي آموزش داده شده در هر مرحله از آموزش است و خطاي شبکه در هر مرحله از طريق تنظيم و اصلاح وزن‌هاي ارتباط‌دهنده‌ي واحد‌‌‌‌هاي مختلف کاهش مي‌يابد.

تخمين مدل و تحليل نتايج

مقدمه
ابتدا مختصر به معرفي دادهها در مدل پرداخته مي‌شود. سپس با استفاده از شبکه‌هاي عصبي مصنوعي اثر جهاني شدن بر اشتغال و نيز خود اشتغال پيش‌بيني مي‌شود. از نرم افزار MATLAB برای شبکه‌ي عصبي استفاده مي‌شود.
دادهها و منابع آماري
دادههاي به کار گرفته شده در اين پايان‌نامه به صورت ساليانه و دوره‌ي 1385- 1338 است. آمارها از وب سايت بانک مرکزي و درگاه ملي آمار استخراج شده‌اند. آمار اشتغال بر اساس تعريف بانک مرکزي و با استفاده از فرمول نرخ بيکاري به صورت زير محاسبه شده است:
(‏41)

unr=UN/(UN+EM)
با توجه به اينکه آمار مربوط به نرخ بيکاري و جمعيت فعال آماده به کار(UN+EM)، در بانک مرکزي وجود دارد، بيکاري محاسبه شده و سپس با کسر کردن بيکاري از جمعيت فعال، اشتغال محاسبه ميشود.
نامگذاري متغيرهاي مورد استفاده در اين مطالعه به صورت زير است:
E =

پایان نامه
Previous Entries منابع پایان نامه درمورد کار کودک، اقتصاد خانواده، سود مورد انتظار، اقتصاد کشور Next Entries پایان نامه با واژگان کلیدی تقلب تحصیلی، هویت اخلاقی، آزمون همبستگی پیرسون، عوامل درونی