=
محصول حقیقی=
نرخ دستمزد حقیقی=
هزینه ی واقعی استفاده سرمایه=
: انتقال دهنده‌‌‌ی مربوط به جهانی‌شدن (نسبت صادرات بهGDP ، نسبت واردات به GDP و نسبت مجموع صادرات و واردات به GDP و…) که در این مطالعه به دلایل ذکر شده در فصل دوم از نسبت مجموع صادرات و واردات به GDP استفاده می‌شود. انتقال دهنده‌ها ابزار اندازه‌گیری باز بودن اقتصاد کشور می‌باشند.

شبکه‌های عصبی مصنوعی

مزایای روش شبکه‌ی عصبی

روش‌های هوشمند نسبت به بسیاری از روش‌‌های معمول آماری و قطعی مزایای بسیاری دارند. مهمترین مزیت آن‌ها، آزاد بودن این روش‌ها از تحمیل شکل خاصی از توابع است. در مقایسه با مدل‌های رگرسیون خطی، روش‌‌های هوشمند مقادیر پیش‌بینی شده را ملزم به قرارگیری در اطراف مقدار میانگین نکرده و به همین دلیل تغییرپذیری واقعی داده‌ها را حفظ می کنند(بات^[۶۸] و هل^[۶۹]،۲۰۰۲ ).

تفاوت شبکه‌های عصبی با روش‌های آماری

باید به تفاوت عمده‌ی شبکه‌های عصبی و روش‌های متداول آماری در روش تحقیق آنها اشاره کرد. الگوهای اقتصادسنجی، فرضیات و سؤالات مبتنی برمبانی نظری تحقیق را آزمون می‌کنند. به عبارت دیگر نظریه‌ی مورد آزمون به عنوان مدل اصلی، فرض شده و تنها به برآورد ضرایب و آزمون روابط نظری بر اساس تکنیک‌های آماری اقدام می‌شود. در روش شبکه‌ی عصبی، مدل‌سازی بر اساس نظریات و نظرات، طراحی و سپس بر اساس خروجی‌های شبکه، مدل نهایی استخراج می‌شود. نظریات اقتصادی و نظرات و دانش خبره، در قالب ورودی‌های شبکه وارد جریان مدل‌سازی غیرخطی پویا شده و نتایج به صورت مرحله‌ای(معادلات لایه‌های پنهان ) و خروجی برازش شده‌ی نهایی، تحت یک معادله‌ی غیرخطی، که با واقعیت رفتاری و ساختاری مقادیر خروجی، انطباق بیش‌تری دارد، مدل می‌شود(ابریشمی و همکاران،۱۳۸۸).

کلیات شبکه‌ها ی عصبی مصنوعی

شبکه‌های عصبی مصنوعی که در نیمه دوم قرن بیستم مطرح شدند و در اواخر دهه هشتاد، کاربرد همه جانبه پیدا کردند، تکنیک های محاسباتی یادگیر هستند که به کمک آنها می توان یک نگاشت خاص را تقریب زد و یا داده‌های مختلفی را دسته بندی کرد.(قزل ایاغ^[۷۰] و لی^[۷۱]، ۲۰۰۵)
شبکه های عصبی مصنوعی با الهام از شبکه عصبی بیولوژیکی بوجود آمده اند. کارکرد این شبکه شبیه عملکرد مغز انسان می باشد و یکی از خصوصیات جالب آنها این است که توانایی یادگیری دارند، البته باید توجه داشت که یادگیری در شبکه های عصبی مصنوعی محدود می باشد و آنچه در عمل مورد توجه قرار می گیرد توانایی محاسباتی این شبکه ها می باشد. یک شبکه شامل واحدهایی بنام سلول عصبی یا نرون می باشد و این قابلیت را دارد که با بکار بردن یک دسته داده ورودی بتواند یک دسته داده خروجی دلخواه را تولید نماید.(راهنمای استفاده‌ی نرم افزار مطلب^[۷۲])
هر کدام از این دسته داده‌های ورودی و خروجی را می توان به شکل یک بردار فرض نمود. برای آموزش دادن یک شبکه، بردارهای ورودی به صورت متوالی بکار گرفته می شوند و هر سلول موجود در شبکه ورودی‌ها را بصورت علائم متعددی دریافت می نماید. علائم دریافتی با اعمال وزن، معیین می شوند و ورودی‌هایی که بر آنها وزن اعمال شده در واحد پردازشگر سلول جمع می­شوند. خروجی هر واحد پردازشگر می تواند به واحدهای پردازشگر دیگر انتقال یابد. در طول آموزش شبکه، وزن های شبکه به تدریج به مقادیر ثابتی همگرا تبدیل می شوند که به ازای آنها با اعمال بردار ورودی، بردار خروجی دلخواه تولید می‌شود.(کیم^[۷۳] و هان^[۷۴]، ۲۰۰۰)

سلول های عصبی موجود در یک شبکه بسته به نوع عملکردشان در لایه‌های خاصی قرار می­گیرند. هرشبکه عصبی دارای حداقل سه لایه است که شامل لایه ورودی، لایه میانی معروف به لایه پنهان و لایه خروجی می باشد. لایه ورودی محل وارد شدن اطلاعات مورد نظر شبکه می باشد. انتخاب نوع و تعداد ‌ورودی‌های شبکه در کیفیت عملکرد شبکه تأثیر زیادی دارد. استفاده از تعداد زیاد و غیرضروری و همچنین غیر مستقل پارامترهای ورودی باعث پیچیدگی بیش از اندازه شبکه و در نتیجه عملکرد نا مناسب آن خواهد شد. همچنین امکان دسترسی و استفاده از داده‌های با کیفیت بالا (دسته داده‌های کامل دارای داده‌هایی با میزان خطای پایین) دارای اهمیت می باشد.
لایه‌های پنهان نقش سازماندهی عملکرد یک شبکه‌ی مصنوعی را بر عهده دارد. تعداد لایه‌های پنهان و سلولهای عصبی موجود در این لایه‌ها تأثیر به‌سزایی در عملکرد شبکه دارد. در حالت کلی تعداد سلول های عصبی موجود در لایه پنهان به ساختار شبکه، تعداد ورودی‌ها و خروجی های شبکه، تعداد دسته داده‌های آموزشی، میزان اختلال وخطای داده‌ها، پیچیدگی تابع آموزشی و الگوریتم آموزشی بستگی دارد. استفاده غیر ضروری از لایه‌های زیاد و سلول های عصبی باعث بالا رفتن میزان خطا در لایه خروجی می گردد. لایه نهایی هر شبکه عبارت از لایه خروجی می باشد که نتیجه عملکرد شبکه عصبی و پارامترهای مورد نظر را ارئه می‌دهد. شکل ۳-۱ بصورت شماتیک ساختار یک شبکه عصبی سه لایه با تعداد نرون‌های متعدد در لایه‌های ورودی و میانی و سه نرون در لایه خروجی را نشان می‌دهد.
لایه ورودی
لایه میانی
لایه خروجی
متغیرهای خروجی
متغیرهای
ورودی
شکل ‏۳‑۱- ساختار عمومی شبکه عصبی
مأخذ:هایکین^[۷۵]، (۱۹۹۹).
توابع ریاضی جهت ترکیب ورودی با برخی وزن‌های ارتباطی با بهره گرفتن از یک الگوریتم بروز کننده بکار رفته و بعد از تعدادی تکرار وزن‌های نهایی را تولید می‌کنند. به این عمل فرایند یادگیری گفته می‌شود. عمل یادگیری می‌تواند توسط الگوریتم‌های با ناظرو یا بدون ناظر صورت گیرد. در یادگیری با ناظر هم به ورودی و هم به خروجی ولی در یادگیری بدون ناظر فقط ورودی مورد نیاز می باشد.
امروزه شبکه‌های عصبی در کاربردهای مختلفی نظیر مسائل تشخیص الگو^[۷۶] که خود شامل مسائلی مانند تشخیص خط^[۷۷]، شناسایی گفتار^[۷۸]، پردازش تصویر^[۷۹] و مسائلی ازاین دست می‌شود و نیز مسائل طبقه‌بندی مانند دسته‌بندی متون^[۸۰] و یا تصاویر، به کار می‌روند. در کنترل یا مدل‌سازی سیستم‌هایی که ساختار داخلی ناشناخته یا بسیار پیچیده‌ای دارند نیز به صورت روز افزون از شبکه‌های عصبی مصنوعی استفاده می‌شود. به عنوان مثال می‌توان در کنترل ورودی یک موتور از یک شبکه عصبی استفاده نمود که در این صورت شبکه عصبی خود تابع کنترل را یاد خواهد گرفت.(هایکین، ۱۹۹۹)
مزیت اصلی استفاده از شبکه‌ی عصبی در هریک از مسائل فوق قابلیت فوق‌العاده شبکه‌ی عصبی در یادگیری و نیز پایداری شبکه عصبی در مقابل اغتشاشات ناچیز ورودی است. در حال حاضر تعداد بسیار زیادی از انواع مختلف شبکه‌های عصبی مصنوعی وجود دارند که به صورت خلاصه عبارتند از: شبکه‌های پرسپترون چند لایه^[۸۱]، کوهونن، هاپفیلد… که این شبکه‌ها نیز خود با روش‌های مختلفی آموزش می‌بینند مانند روش پس انتشار خطا^[۸۲].
شبکه‌های عصبی را می‌توان بر اساس شیوه پردازش اطلاعات در آنها، به دو گروه شبکه‌های جلورونده^[۸۳] و نیز شبکه‌های بازگشتی^[۸۴] (که در آنها از فیدبک خروجی استفاده شده است) تقسیم کرد.
معمولترین الگوریتم یادگیری برای کاهش خطا، روش توزیع معکوس خطا است که در ۹۵ درصد کاربردهای امروزی شبکه عصبی، روش مورد استفاده به همراه توپولوژی جلورونده است. در این روش، پس از محاسبه خطا، وزنهای سیناپسی از آخرین لایه به سوی نخستین لایه، بتدریج طوری تغییر می کنند که خطای محاسباتی کاهش یابد. در واقع Back propagation، سرشکن کردن خطا بر روی سلولهای یک لایه و نیز لایه‌های بعدی است. پس از این، اطلاعات نمونه‌ی دوم به شبکه خورانده می‌شود. مسلماً، با همان وزنهای سیناپسی، نمونه جدید مجدداً خطا خواهد داشت. بنابراین روش توزیع معکوس مجدداً دست به کار شده و وزن‌ها را طوری تغییر می‌دهد که کمترین خطا را (هم برای این نمونه و هم برای نمونه پیشین) ایجاد کنند. به این ترتیب پس از خوراندن تعداد نمونه کافی به ورودی شبکه، تمام فضای n بعدی روابط پارامترها توسط شبکه تجزیه می‌شود. در این حالت گفته می‌شود که شبکه همگرا^[۸۵] شده است به این معنی که در منحنی خطای پیشگویی (منحنی یادگیری) به مقعرترین نقطه^[۸۶] رسیده است. این به معنای موفقیت در مرحله یادگیری است و شبکه‌ی همگرا شده آماده است تا برای پیش‌بینی یا تقریب تابع بکار رود(جاگیلسکا^[۸۷]، ماتیوس^[۸۸] و ویتفورت^[۸۹]، ۱۹۹۹).

تعیین و استفاده از شبکه عصبی

در ابتدا باید یک شبکه عصبی مناسب در نظر گرفته و به تعیین ورودی‌ها و خروجی های ضروری و تشکیل لایه‌ها و تعداد نرون‌های مورد نیاز در هر لایه پرداخته شود.

طراحی شبکه عصبی

توزیع الگوهای یادگیری

از آنجایی که غالبا شبکه‌های عصبی نمی‌توانند با برون‌یابی به جواب مساله برسند، بنابراین لازم است که الگوهای یادگیری طوری ارائه شوند که مرزهای محدوده‌ی مساله را در تمام ابعاد شامل شوند. به عبارت دیگر شکل محدوده‌ی مساله با محدوده یادگیری هماهنگ باشد.
تمرکز دادن به یادگیری‌ها در محل‌هایی که شکل راه حل مساله پیچیدگی بیشتری دارد بسیار سودمند خواهد بود. همچنین با توجه به محدوده‌ی عمل توابع محرک^[۹۰]، انتقال متغیرهای خروجی و ورودی به بازه‌ی مناسب با یک توزیع مناسب لازم به نظر می‌رسد. مهم‌ترین هدف از این انتقال، تصحیح پخش متغیرهای ورودی و خروجی به نحوی است که خطای مدل‌سازی شبکه کم شود. انتقال خطی بیشترین کاربرد را در شبکه های عصبی دارد.(امینیان^[۹۱] و آمری^[۹۲]، ۲۰۰۵)
 

که در آن UB و LB حد بالایی و حد پایینی بازه‌ی مورد نظر، MinP وMaxP مقدار حداقل و حداکثر داده در بانک اطلاعات مدل و SP و NP مقدار داده خام و نرمالیزه شده می‌باشد. رابطه‌ی انتقال دیگری که استفاده می‌شود داده‌های خام را با توجه به خصوصیات آماری آن‌ها به روشی نرمالیزه می‌کند که میانگین داده‌ها صفر و انحراف از معیار آنها یک شود .(امینیان و آمری، ۲۰۰۵)