Sanders, L. & Chan, S. (1996). Student Satisfaction Survey: Measurement and Utilization Issues. AIR Professional File, Vol. 59, No. 2, PP: 1 – ۷٫
Scott, P. M. (1998). Internationalization and Globalization: The Globalization of Higher Education. Peter Scott, SRHE & Open University Press.
Senatra, P. (1980). Role Conflict, Role Ambiguity, and Organizational Climate in a Public Accounting Firm. Accounting Review, Vol. 55, No. 4, PP: 594-603.
Shih, C. C. & Gamon, J. (2001). Web-Based Learning: Relationships among Student Motivation, Attitudes, Learning Styles, and Achievement. Journal of Agricultural Education, Vol. 42, No. 4, PP: 12-20.
Short, P. (1994b). School Empowerment through Self-Managing Teams: Leader Behavior in Spector, P. E. (1997). Job Satisfaction, Thus and Oaks. CA: Sage publications, Inc.
Sinden, J. E., Hoy, W. K. & Sweetland, S. R. (2004). An Analysis of Enabling School Structure; Theoretical, Empirical and Research Considerations. Journal of Educational Administration, Vol. 42, No. 4, PP: 462-478.
Spector P. E. (1997). Job Satisfaction, Thous and Oaks. CA: Sage publications, Inc
Stoecker, J. & etal. (1988). Persistence in Higher Education: a Nine – Year Test of a Theoretical Model. Journal of College Student Development, Vol. 29, No. 3, PP: 196 - 206.
Ston, W. & Hughes, J. (2002). Social Capital: Empirical Meaning and Measurement Validity. Research Paper. No. 27, Melbourne: Australian Institute of Family Studies.
Stone, W. (2001). Measuring Social Capital, Toward a Theoretically Informed Measuring Framework for Researching Social Capital in Family and Community Life. Australian Institute of Family Studies, Research Poper, No. 24.
Symour, D. T. (1993). On Q: Causing Quality in Higher Education. Phoenix, AZ: Oryx press.
The World Bank (1998). In the Initiative on Defining, Monitoring and Measuring Social Capital: Overview and Program Description. Social Capital Initiative Working Paper. No. 1. Washington, D. C.: The World Bank.
The World Bank, (2001) . http://lnweb18.worldbank.org/ESSD/sdvext.nsf/09ByDocName/SocialCapitalInitiativeWorkingPaperSeries.
Tolbert, P. S. & Hall, R. H. (2009). Organizations: Structures, Processes and Outcomes. New Jersey: Pearson Prentice Hall.
Tse, D. K. & willton, P. C. (1998). Models of Consumer Satisfaction Formation: An xtension. Journal of Marketing Research, Vol. 25, PP: 204-212.
Tsui, A. S. & Kifadkar, S. S. (2007). Cross-National, Cross - Cultural Organizational Behavior Researc: Advances, Gaps, and Recommendations. Journal of management, Vol. 33, NO. 3, PP: 426-478.
Umbach, P. & Porter, S. (2002). How do academic departments impact student satisfaction? Understanding the contextual effects of departments. Research in Higher Education, Vol. 43, No. 2, PP: 209-234.
Wall, E.; Ferrazzi, G. & Schreyer. F. (1998). Getting the Goods on Social Capital. Rural Sociolog. Vol. ۶۳, No. 2, P: 300-322.
Warren, M. R.; Thampson, J. P. & Saegert, S. (2001). The Role of Social Capital in Combating Poverty. In saegert, S.; Thampson, J. P. & Warren, M. R. (des), Social Capital and Poor Communities. New York: Russell Sage Foundation.
Wetzel, J. N., O’Toole, D., & Peterson, S. (1999). Factors affecting student retention probabilities: A case study, Journal of Economics and Finance, Vol. 23, No. 1, PP: 45-55.
Willem, A.; Buelens, M. & Jonghe, I. D. (2007). Impact of Organizational Structure on Nurses’ Job Satisfaction. International Journal of Nursing Studies, Vol. 44, PP: 1011–۱۰۲۰٫
پیوست­ها
پیوست شماره­ ۱:
پرسشنامه نوع ساختار سازمانی دانشگاه^[۲۴۶]
بسمه­تعالی
استاد ارجمند
با سلام، خواهشمند است با صرف اندکی از وقت گرانبهای خود برای تکمیل این پرسشنامه، بر اساس تجربه حضورتان در دانشگاه شیراز، گزینه­ای که به نظرتان نزدیک­تر است را علامت بزنید. قبلاً از همکاری شما سپاسگزارم.

جنسیت: مرد زن مرتبه علمی: مربی استادیار دانشیار استاد دانشکده محل خدمت: ………………………………….

۲-۶-۱-۲-”تدوین بررسی نقش بانک توسعه صادرات ایران به عنوان اگزیم بانک ایران در صدور خدمات فنی و مهندسی” (آجورلو ، انصاری و صارمی ، ۱۳۸۹) :
در این تحقیق به نقش بانک توسعه صادرات ایران به عنوان اگزیم بانک در کمک به صادرات کالا و خدمات پرداخته شده است . با عنایت به فرضیه اصلی این تحقیق یعنی کمک شایان به صدور خدمات فنی و مهندسی به عنوان متغیر وابسته و حجم تسهیلات صادراتی ، تعداد کارگزاران بانک ، حجم ضمانتنامه های صادره بانک ، میزان سرمایه بانک و نرخ سود تسهیلات پرداختی به عنوان متغیرهای مستقل در نظر گرفته شده است تا از این طریق به نقش بانک توسعه صادرات در صدور خدمات فنی و مهندسی پی برد.
۲-۶-۱-۳-”مروری اجمالی بر الگوهای حمایتی و سیاستها و مشوقهای صادراتی در سایر کشورها” (معاونت کمکهای تجاری دفتر امور بنگاهها ، سازمان توسعه تجارت ایران ، وزارت بازرگانی ، شهریور ۱۳۸۷):
با بررسی و مقایسه شیوه ها و الگوهای حمایت از صادرات در کشورهای مختلف جهان ، نتیجه گیری می کند که ایران در زمینه حمایتهای بیمه ای از اندونزی ، بنگلادش ، چین، استرالیا و برزیل عقب تر است . در این بررسی تطبیقی به اهمیت اگزیم بانک ترکیه اشاره و از این بانک کاملاً دولتی به عنوان حامی اصلی صادرات در کشور ترکیه یاد می شود.
۲-۶-۱-۴-”بررسی بانکهای تخصصی صادرات – واردات"( کهزادی ، سیدان ، مجله تازه های اقتصادی) :
با معرفی بانکهای تخصصی صادرات – واردات یا به عبارت دیگر اگزیم بانک ، به بیان تاریخچه و عملکرد بانک توسعه صادرات ایران به عنوان اگزیم بانک ایران می پردازد .
۲-۶-۱-۵-”بانک توسعه صادرات ایران و جایگاه آن به عنوان اگزیم بانک ایران"(ذکاوت ، مرداد ۱۳۸۸) :
با معرفی سه مدل حمایت از صادرات یعنی مدل اگزیم بانک، مدل موسسات بیمه و تضمین صادرات ، مدل ترکیبی بیان می دارد که کشورهای در حال توسعه از جمله ایران از الگوی ترکیبی استفاده می نمایند و در کشورهای توسعه یافته علاوه بر وجود ارگانهای تخصصی از این نوع ، از سازوکارهای دیگری از جمله بازار پولی فعال ، امکان معامله انواع قراردادهای تامین مالی در بازار به منظور افزایش هر چه بیشتر نقدشوندگی آنها ، استفاده گسترده از روش های مالی پیشرفته تامین مالی پروژه ، برای فعالیت بهتر این موسسات استفاده می شود . این مقاله در پایان بر اهمیت حمایت از واردات در یک سیاست جامع توسعه صادرات به عنوان یک فرایند تکمیلی اشاره دارد .

۲-۶-۲-تحقیقات خارجی
۲-۶-۲-۱-Concept Paper on the creation of a Reginal Export Credit and Finance Scheme (Submitted to the Asian Development Bank, April 19^th, 2004):
در این تحقیق به بررسی موسسات بیمه و تضمین صادرات و اگزیم بانکها در آسیا پرداخته می شود . تفاوت میان موسسات بیمه و تضمین صادرات در کشورهای مختلف جهان را برشمرده و به تشریح خدمات مدلهای مختلف این موسسات پرداخته و در نهایت بیان می دارد که کشورهای آسیایی در این زمینه دارای تجربه کمتری به نسبت کشورهای توسعه یافته هستند و هزینه های زیاد اگزیم بانک و ریسک بالقوه دو چالش اساسی اگزیم بانکهای آسیایی می باشد و هم موسسات بیمه و تضمین صادرات و هم اگزیم بانکها با چالش اعتباری مواجه اند .
۲-۶-۲-۲-Measuring Service Quality of Export Credit Agency in Turkey by Using Servgud (Sibil Dinc Aydmir , Cevat Gerni , 2011) :
بیان می دارد که در کشورهای در حال توسعه بر تامین مالی شرکتهای صادراتی از طریق اعتبار ، بیمه و گارانتی توسط ECAs تمرکز دارند و در کشورهای توسعه یافته اعطای اعتبار توسط بانکهای تجاری و حمایت از شرکتها با بیمه و گارانتی صورت می گیرد .
۲-۶-۲-۳-Sino-Africa State Trading in Services: Added-Value through Angola-Model Loaning, Gats Commitments or FTAs? (Charlotte Sieber – Gasser, 2010):
اعطای وام از سوی اگزیم بانک چین موجب تسهیل صادرات به آفریقا بوده است. و در پایان به بررسی جنبه های حقوقی این قراردادها پرداخته و لزوم شفاف بودن این قراردادها را بیان می کند .
۲-۶-۲-۴-Reauthorization of the Export-Import Bank: Issues and Policy Options for Congress, Congressional Research Service (Shayerah Ilias, 26 Septomber2011):
در این مقاله پس از معرفی اگزیم بانک آمریکا ، به مقایسه آن با موسسات بیمه و تضمین صادرات کشورهای اروپایی (G7) پرداخته می شود . هدف اگزیم بانک را حمایت از انواع ویژه ای از صادرات معرفی می کند و چالش جدید این بانک را طبیعت رقابتی فعالیتهای ECA در عرصه بین المللی می داند.
۲-۶-۲-۵-Introduction to Exim Bank in Africa , Exim Bank of United State , Int l Business Development Officer , Africa (Richard Michel , September 2006) :
این مقاله عملکرد اگزیم بانک آمریکا را در قاره آفریقا بررسی می کند و بیان می دارد که اگزیم بانک آمریکا دارای نسبت بیمه بیشتری به نسبت دیگر موسسات مشابه کشورهای دیگر در آفریقا می باشد . اگزیم بانک آمریکا بیمه های کوتاه مدت و میان مدت ، تسهیلات گارانتی میان مدت و بلندمدت و تامین مالی پروژه ها را انجام می دهد.
فصل سوم
روش تحقیق و مراحل انجام تحقیق
۳-۱-مقدمه :
در دنیای امروز محققان و اندیشمندان علوم مختلف در تحقیقات خود همواره در پی روش های کارآمدی در راستای بهبود سطح و بقای زندگی بشر هستند . پیشرفت های اخیر فناوری همگی موید این امر هستند که هر قدر تکنولوژی به نحوه زندگی انسان نزدیک تر شود ، تاثیر آن در بهبود کیفیت زندگی بیشتر خواهد بود . این واقعیت به کاربرد هر چه بیشتر سیستم ها و ساختارهای الهام گرفته شده از طبیعت منتهی شده است. البته محققان در پیاده سازی این مفاهیم نادقیق زندگی روزمره انسان در قالب عبارات خشک و دقیق و یا همان ریاضیات کلاسیک باشد . در این راستا نظریه مجموعه های فازی توسط پروفسور لطفی زاده مطرح شد.
این نظریه قادر است بسیاری از مفاهیم ، متغیرها و سیستم هایی که نادقیق و مبهم هستند (همان طور که در عالم واقع نیز اکثراً چنین است) صورتبندی ریاضی کرده و زمینه را برای استدلال ، استنتاج ، کنترل و تصمیم گیری در شرایط عدم اطمینان فراهم می کند .
منطق فازی ، تکنولوژی جدیدی است که شیوه های مرسوم برای طراحی و مدلسازی یک سیستم را که نیازمند ریاضیات پیشرفته و نسبتاً پیچیده است ، با بهره گرفتن از مقادیر و شرایط زبانی و یا به بیانی دیگر دانش فرد خبره و با هدف ساده سازی و کارآمدتر شدن طراحی سیستم جایگزین و یا تا حدودی زیادی تکمیل می کند (بیدآباد ، محمدی و نورسته ،بی تا ،صفحه۴-۳).
۳-۲-مراحل انجام تحقیق
در فصل اول کلیات تحقیق مطرح شد و در فصل دوم به مبانی نظری و پیشینه تحقیق عنوان شد . و در این فصل به بیان روش انجام تحقیق پرداخته می شود و در پایان پس از ارائه اولویت بندی مدلها و ارائه مدل بهینه ، پیشنهادهای اجرایی در این حوزه مطرح می شود .
۳-۳-جامعه آماری
در این تحقیق برای محاسبه امتیاز زیرمعیارها از آمارهای بانک مرکزی در طی سالهای ۱۳۸۶-۱۳۷۶ استفاده شده است و برای مواردی که داده های عددی موجود نبود ، تنها از مصاحبه با پنج نفر از مدیران و کارشناسان بانک توسعه صادرات ایران استفاده شده است.
در بخش تشکیل ماتریس مقایسه زوجی هر یک از زیرمعیارها و مدلها نیز برای تعیین امتیازها به دو طریق عمل شده است ؛
برای متغیرهای بدهیهای خارجی ، تولید ناخالص داخلی ، رشد تولید ناخالص داخلی ، درآمدهای دولت و هزینه های دولت از داده های بانک جهانی استفاده شد . آمار کشورهای آمریکا ، ترکیه ، تایلند ، فیلیپین (کشورهایی که از مدل اگزیم بانک استفاده می نمایند) ، انگلستان ، فرانسه ، آلمان (از مدل اروپایی استفاده می کنند) ، هند ، چین ، ژاپن ، هندوراس ، مالزی و کره جنوبی (کشورهایی که از مدل ترکیبی استفاده می کنند)^[۱۵] در بازه زمانی ۲۰۱۰-۱۹۹۰^[۱۶]استخراج و با تحلیل این داده ها و ترکیب نتایج تحلیل با نتایج حاصل از مصاحبه به کارشناسان ضرایب مشخص شده است .
برای سایر زیرمعیارها با توجه به آنکه داده های معتبری برای کشورهای مختلف موجود نبود ، تنها با بهره گرفتن از مصاحبه با پنج نفر از کارشناسان ضرایب مشخص گردیده است.
۳-۴-نحوه گردآوری اطلاعات
برای تعیین امتیاز و رتبه هر یک از معیارها و زیرمعیارها در ماتریس مقایسه زوجی معیارها و زیرمعیارها ، از آمار بانک مرکزی از سال ۱۳۷۶ الی ۱۳۸۶استفاده شده است . با توجه به میزان تطابق رشد هر یک از زیرمعیارها با رشد صادرات امتیاز تعلق گرفته است. در خصوص ریسک تجاری و سیاسی با توجه عدم وجود اطلاعات آماری در این حوزه ، از نظر کارشناسان بانکی جهت تعیین امتیاز استفاده شده است. (در خصوص ریسک تجاری نتایج حاصل از نوسانات نرخ ارز با نظرات کارشناسان ترکیب و در نهایت امتیاز مربوطه تخصیص یافته است).
تعیین امتیاز در تشکیل ماتریس مقایسه زوجی بین زیرمعیارها و مدلها با بهره جستن از داده های بانک جهانی صورت گرفته است . امتیاز زیرمعیارهای درآمد دولت ، GDP ، GGDP ، بدهیهای خارجی ، هزینه های دولت از این طریق استفاده شده است . این داده ها برای کشورهای منتخب هر مدل در بازه زمانی ۲۰۱۰-۱۹۹۰ استخراج گردیده است ؛
مدل اگزیم بانک (مدل آمریکایی) : آمریکا ، ترکیه ، تایلند ، فیلبپین .
مدل اروپایی (مدل موسسات بیمه و تضمین صادرات) : انگلستان ، فرانسه و آلمان .
مدل ترکیبی (آمریکایی – اروپایی) : مالزی ، ژاپن ، هند، چین ، هندوراس ، کره
نتایج حاصل با نظرات کارشناسان بانکی تلفیق و بدین ترتیب امتیازات مربوطه مشخص گردیده است .
امتیاز سایر زیرمعیارها با توجه به نظر پنج نفر از کارشناسان بانکی تعیین گردیده است .
۳-۵-اهداف تحقیق
افزایش صادرات در هر کشور تضمین کننده توسعه اقتصادی وافزایش درآمد و رفاه عمومی است . از این رو دولتها همواره به دنبال راهکارهایی جهت حمایت و ارتقا صادرات می باشند . تاسیس اگزیم بانک ، موسسات بیمه و تضمین صادرات در کشورهای مختلف بیانگر این موضوع می باشد. این تحقیق در پی آن است که با توجه به شرایط اقتصادی ایران مدل بهینه ای برای اگزیم بانک ارائه دهد تا از این طریق به توسعه صادرات در کشور کمک کند .
نظر به آنکه قطعاً استفاده از هر مدل مستلزم مراحل اداری و قانونی فراوانی می باشد و در این راستا دولت ممکن است با محدودیتهایی مواجه باشد ، این تحقیق با بهره گرفتن از روش سلسله مراتبی فازی با توجه به شرایط اقتصادی کشور ، مدلهای مطروحه را اولویت بندی می کند .
۳-۶- فرضیه تحقیق
فرضیه این تحقیق عبارتست از :
به دلیل تفاوتهای ماهیتی جامعه اقتصادی و مالی ایران با سایر کشورها، هیچ یک از مدلهای موجود به تنهایی نمی توانند مدل بهینه ای برای ایران باشند و یک مدل ترکیبی جدید مورد نیاز است .
۳-۷-متغیرهای تحقیق
متغیرهای مورد استفاده تحقیق به شرح جدول ذیل می باشد.
«جدول۳-۱»

که ضخامت حفره و منطقه ای از پلیمر که حجم آزاد در دسترس آن افزایش یافته است میباشد .
همچنین تراوایی در مرحله دوم میباشد:
همانطور که در فصل قبل اشاره شد تراوش در منطقه ای از پلیمر که حجم آزاد در دسترس آن افزایش یافته است بیشتر از بالک پلیمر است که افزایش این مقدار توسط فاکتور بیان میشود. بنابراین برای محاسبه تراوایی این قسمت داریم:

و کسر حجمی ذرات در مرحله دوم است و توسط معادله زیر تعیین میشود:
و تراوایی در مرحله اول است و توسط معادله زیر بدست می آید:
و تراوایی در حفرات است و توسط تراوش نادسن بدست می آید.
به نظر میرسد مدل دو و سه فازی بروگمن با توجه به توجیه پدیده های نواقص سطحی پیش بینی بهتری نسبت به مدل بروگمن محدود داشته باشد.
مقایسه مدل هایی که برای تراوایی غشاهای ماتریس آمیخته شامل پرکننده های معدنی نا تراوا ارائه شده اند
با توجه به تحقیقات بسیار کمی که در زمینه تراوایی در NCPMs صورت گرفته است به سختی منبع دقیق و کاملی را میتوان یافت که به مقایسه مدل های ارائه شده برای تراوایی در NCPMs بپردازد.
با این وجود شریعتی و امیدخواه[۳۹] به بررسی و مقایسه پیش بینی تراوایی با مدل بروگمن محدود و شبه دو فازی و شبه سه فازی بروگمن با ۶ داده ی تجربی منتشر شده پرداختند. آن ها گزارش کردند که در برخی موارد مدل شبه فازی،در برخی دیگر مدل شبه دو فازی و در مواردی نیز مدل بروگمن محدود عملکرد بهتری را دارد.
با توجه به غیر ایده آل بودن سطح مشترک پلیمره-نانوذره آن ها نتیجه گرفتند: [۳۹]
غشاها ممکن است در لایه سطحی (سطح مشترک پلیمر-ذره) هیچ یک از دو پدیده(یعنی افزایش حجم آزاد در دسسترس پلیمر و یا ایجاد حفره) را نداشته باشند.
غشاها ممکن است در سطح مشترک خود تنها یکی از دو پدیده ذکر شده را داشته باشند.
غشاها ممکن است هر دو پدیده سطحی را همزمان داشته باشند.
بنابراین میتوان نتیجه گرفت که با تغییر ساختار غشاها مدل های تراوایی نیز تغییر می کنند. [۳۹]
البته انحراف ایجاد شده در مدل های بروگمن محدود و شبه دو و سه فازی بروگمن با توجه محدودیت های مدل بروگمن به خصوص در کسر بارگذاری بالای ذرات نیز میتواند باشد.
غشاهای ماتریس آمیخته پرشده با نانوذرات معدنی تراوا
چهارچوب های آلی-فلزی یک کلاس جدید از مواد نانو تراوا با حجم منافذ بالا ، مساحت سطحی بزرگ میباشد و متشکل از هسته ی فلزی و چهارچوب های آلی میباشد.مزیت اصلی MOFs نسبت به سایر پرکننده های تراوا سایز نانو این است که توانایی تنظیم خواص فیزیکی و شیمیایی آن ها در طول سنتز توسط تغییر در فلزات و اتصالات آلی میباشد . این ویژگی سبب شده است تا تعداد MOFs با خواص و اندازه منافذ متفاوت زیاد شود .همچنین به دلیل چهارچوب هایی از جنس مواد آلی تعامل متفاوتی نسبت به سایر پرکننده ها با پلیمر دارند . گستردگی در ساخت MOFs و به ویژه ZIFs باعث شده تا این مواد دامنه کاربرد وسیعی به خصوص در صنعت جداسازی داشته باشد [۱۶-۱۸]
محققان زیادی گزارش کردند که افزودن MOFsبه پلیمر به طور قابل ملاحظه ای خواص انتقال گاز را از غشاهای پلیمری بهبود میبخشد.[۱۸, ۵۳-۷۷] بوشل و همکاران^[۳۳][۵۳] با افزودن پرکننده های ZIF-8 به پلیمر PIM افزایش در تراوایی گازهای ، ، ، ، و و گزینش پذیری ، ، ، و را گزارش کردند. آن ها همچنین گزارش کردند که افزودن نانو ذرات ZIF-8 به پلیمر خالص موجب افزایش عملکرد پلیمر خالص شده و موجب میشود تا نقاط داده بسیاری بالاتر از کران رابسون برای جداسازی ، ، و قرار گیرد .
نفیسی^[۳۴] و هاگ^[۳۵] [۵۴]غشای ماتریس آمیخته ZIF-8/6FDA-durene را ساخته و تراوایی گازهای ، ، ، و مخلوط را در فشارهای ۲ و ۶ بار اندازه گیری کردند.آن ها افزایش تراوایی تمامی گازهای تست شده و به ویژه افزایش قابل توجه تراوایی از ۱۴۶۸ Barrer را به ۲۱۸۵ Barrer به ترتیب در پلیمر خالص و ۳۰% وزنی بارگذاری پرکننده ها مشاهده کردند . با این حال گزینش پذیری و مقداری کاهش یافت.
جاپیپ و همکاران^[۳۶] [۵۵] با افزودن پرکننده های معدنی ZIF-71 با اندازه کمتر از ۱۰۰ nm به پلیمر ۶FDA-durene غشای ماتریس آمیخته را ساختند و عملکرد جداسازی را برای گازهای ، ، ، و را مورد بررسی قرار داده و نشان دادند که افزودن نانوذرات ZIF-71 به پلیمر در هر کسر بارگذاری موجب افزایش تراوایی گازها میشود . به طور مثال تراوایی خالص در ۲۰% وزنی بارگذاری ۳ برابر نسبت به پلیمر خالص افزایش یافت اما این در حالی است که گزینش پذیری ایده ال از ۱۶٫۴ به۱۲٫۸ کاهش یافت در همین کسر وزنی بارگذاری تراوایی از ۵۷٫۶ Barrer به ۳۷۱ Barrer بدون افت قابل توجهی در گزینش پذیری ایده آل افزایش یافت.
ارجمندی^[۳۷] و پاکیزه^[۳۸] [۵۶]با افزودن MOF-5 به پلی اتر آمید^[۳۹]غشای ماتریس آمیخته را ساختند و نشان دادند بین پلیمر و ذرات معدنی سازگاری خوبی وجود دارد. همچنین آن ها گزارش کردند که افزودن نانوبلورهای MOF-5به پلیمر باعث افزایش تراوایی ، حلالیت و انتشار گازهای ، ، ، در فشار ۶ بار میشود . به طوری که افزودن ۵% پرکننده های نانویی موجب افزایش ۴۰% تراوایی شد و گزینش پذیری ، ، و به ترتیب از ۵٫۹۹ ، ۱۱۱٫۸۹ ، ۸٫۶۷ و ۰٫۹ برای پلیمر خالص به ۶٫۱۳ ، ۱۱۷٫۴۲ ، ۱۹٫۱۷ و ۰٫۹۲ افزایش یافت . این افزایش برای کسر وزنی بارگذاری بالاتر(۵ تا ۲۵ درصد) نیز به جز گزارش شد.
جزفین و همکاران ^[۴۰] [۵۷] با افزودن نانو ذرات ZIF-8 با اندازه منافذ۳٫۴Å به Matrimid^® (تا ۸۰% وزنی) نشان دادند که در غشای ماتریس آمیخته ساخته شده و به خصوص در بارگذاری بالای ذرات معدنی تراوایی گازهایی با مولکول های کوچک مانند و بسیار بالاتر از ZHF-8 خالص بود. آن ها پس از اندازه گیری تراوایی گازهای ، ، ، و نشان دادند که مقادیر تراوایی تا ۲۰% وزنی بارگذاری نانوذرات معدنی به عنوان تابعی از بارگذاری پرکننده ها افزایش یافت اما در بارگذاری بالاتر (به طور خاص ۵۰ و ۶۰%) تراوایی همه گازها کاهش یافت.
عسکری^[۴۱] و چانگ^[۴۲] [۵۸]با افزودن نانوذرات ZIF-8 به سه نوع پلیمر متفاوت ۶FDA-durene و ۶FDA-durene DAB(9/1) و ۶FDA-durene DAB(7/3) یک MMM را ساختند و نشان دادند افزودن نانو ذرات معدنی تا ۴۰% وزنی به ماتریس پلیمری موجب افزایش تراوایی گازهای ، و میشود این در حالی است که افزودن نانوذرات ZIF-8 موجب افزایش تراوایی گازهای و در غشای ۶FDA-durene DAB(9/1) شد.
یانگ و همکاران^[۴۳] [۵۹] با افزودن نانوذرات ZIF-7 به پلیمر PBI غشای ماتریس آمیخته را تهیه کرده و خواص تراوایی گازهای ، را بررسی کردند. آن ها گزارش کردند که تراوایی هر دو گاز با افزودن بارگذاری پرکننده ها (تا ۵۰% وزنی) افزایش یافت ضمن این که گزینش ایده آل نیز بیشتر از پلیمر خالص و پرکننده های خالص بود.یانگ و چونگ [۶۰]در پژوهش دیگری با افزودن نانو ذرات ZIF-90به پلیمر PBI غشای ماتریس آمیخته را ساختند و خواص تراوایی گازهای ، را مورد مطالعه قرار دادند و همانند پژوهش پیشین مشاهده کردند که تراوایی هر دو گاز با افزودن بارگذاری پرکننده ها افزایش یافت و گزینش پذیری ایده آل افزایش یافت. تراوا گاز از ۴٫۱Barrer در پلیمر خالص به ۲۴٫۵ در ۴۵٫۵ درصد وزنی بارگذاری نانوپرکننده ها رسید ؛ این در حالی است که گزینش پذیری ایده آل نیز از ۸٫۹ در پلیمر خالص در پلیمر خالص به ۲۵ افزایش یافت .
سونگ و همکاران^[۴۴] [۶۱] تراوایی گازهای ، ، ، و را در غشای ماتریس آمیخته شامل سیستم ZIF-8/Matrimid-5218 اندازه گیری کرده و نشان دادند افزودن بارگذاری ذرات موجب افزایش تراوایی همه گازها بدون از دست رفت قابل توجه گزینش پذیری میشود. بنابراین با توجه به موارد ذکر شده میتوان گفت MMMs پرشده با نانو ذرات معدنی تراوا (به ویژه MOFs) از پتانسیل بالای برای جداسازی گازها برخوردار هستند و MOFs در ابعاد نانو میتواند جایگزین مناسبی برای میکرو ذرات معدنی تراوا و نانوذرات معدنی ناتراوا باشند .
علاوه بر موارد ذکر شده ؛ بی و همکاران^[۴۵] [۶۲] عملکرد بالای MMM شامل ۶FDA-PAM/ZIF-90 را گزارش کردند. لی و همکاران^[۴۶][۶۳] با بهره گرفتن از پلیمر تجاری Peabax5217 و نانو پرکننده ی ZIF-70 غشای ماتریس آمیخته ای را ساختند و عملکرد بالای این غشا را برای جداسازی صنعتی از نشان دادند. زورنوزا و همکاران^[۴۷][۶۴] MMM ؛ ZIF-8/Polysulfone را ساختند ؛ جیزت و همکارن^[۴۸] [۶۵]غشای ماتریس آمیختهPolysulfone ML-101/ ؛ دیاز و همکاران^[۴۹] [۶۷]نانو ذرات ZIF-8 را به پلیمر ۱,۴-Phenylene-Ethere-Ethere-Sulfone افزودن و یک MMMs ساختند و هر سه عملکرد بالای MMMs پرشده با نانوMOFs را نشان دادند. ژانگ و همکاران^[۵۰] [۶۸] غشای ZIF-8/6FAD-DAM ، هو و همکاران^[۵۱] غشای Cu₃(BTC)₂/PolyImide را ساختند [۶۹]و در هر دو مورد محققان بر عملکرد بالای MMMs ساخته شده اتفاق نظر داشتند .
باسو و همکاران^[۵۲] [۷۰]با بهره گرفتن از سه MOF متفاوت (Cu₃(BTC)₂ ، ZIF-8 و ML-53 ) و پلیمر Matrimid^® سه MMM متفاوت ساخته و عملکرد بالای این سه غشا را برای جداسازی و را تایید کردند.دوان و همکاران^[۵۳][۷۱] با ساخت غشای۶FDA-TMDPA Cu₃(BTC)₂/ نشان دادند که تراوایی از ۴۷٫۴ Barrer در پلیمر خالص به ۲۶۰٫۷ Barrer در ۴۰% وزنی بارگذاری پرکننده ها رسید ؛ این در حالی است که گزینش ایده آل تقریبا بدون تغییر (۲۹٫۲۶ و ۲۷٫۷۵( باقی ماند.
تامسون و همکاران^[۵۴][۷۳] با بررسی روش های ساخت غشاهای ماتریس آمیخته ، غشای ZIF-8/Matrimid^® را ساختند . درستی و همکاران^[۵۵] [۷۴] ضمن افزودن ذرات MIL-53 را به Matrimid^® خواص تراوایی تراوایی گازهای و را بررسی کردند و نشان دادند با افزایش میزان بارگذاری پرکننده ها تراوایی به مقدار کمی افزایش یافت اما این روند افزایشی برای گاز بیشتر از متان بود و درنتیجه گزینش ایده آل با افزایش بارگذاری (تا ۲۰% وزنی) افزایش یافت ؛ هرچند در ۲۰% وزنی نتایج مطلوبی گزارش نشد.
دلیل معطوف شدن توجه زیاد محققان به استفاده از MOFs به عنوان پرکننده و به ویژه استفاده از این مواد در ابعاد نانومتر (عموما کمتر از ۲۰۰ نانومتر) خواص مطلوب جداسازی این نوع پرکننده ها و تعامل خوب این نوع پرکننده ها با ماتریس پلیمری میباشد .[۷۸] با این حال ، تعداد زیاد MOFs و تنوع در ساختار و ویژگی های فیزیکی این مواد انتخاب MOFs مناسب در ساخت MMM به عنوان پرکننده به عنوان یک چالش مهم تبدیل کرده است و انتخاب MOFs مناسب که اولا خواص جداسازی مطلوبی داشته باشد و ثانیا تعامل آن با ماتریس پلیمری در جهت افزایش تراوایی گونه/گونه های ایده آل گازی باشد از اهمیت بالایی برخوردار است . [۷۸-۸۰]با این وجود تا کنون هیچ پژوهش معتبری که توانسته باشد تعامل بین گونه های مختلف MOF و ماتریس پلیمری را در MMM بررسی کند وجود ندارد ، از سوی دیگر با توجه به تعدد MOFs پیش بینی تراوایی در MMM پر شده با نانوMOFs میتواند کمک شایانی به پژوهشگران در انتخاب نوع این پرکننده ها نماید .
پر کننده های MOFs به دلیل چهارچوب آلی تعامل خوبی با پلیمرها برقرار میکنند و نتایج محققان نشان دهنده ی این موضوع است ؛ افزودن این نانو ذرات به پلیمر غالبا موجب افزایش و یا ثابت ماندن گزینش پذیری میشود و در واقع هیچ منبع معتبری وجود ندارد که کاهش شدیدی گزینش پذیری غشا را هنگام افزودن نانوذرات MOFs به پلیمر گزارش کند. بنابراین میتوان نتیجه گرفت که بر خلاف نانوذرات معدنی ناتراوا هنگام افزودن MOFs به پلیمر هیچ حفره نامطلوبی ایجاد نمیشود .

تاثیر افزودن نانوذرات معدنی تراوا بر کسر حجم آزاد پلیمر
کسر حجم آزادFFV کسری از حجم مخصوص پلیمر است که توسط مولکول های پلیمر اشغال نشده است و نافذ میتواند از آن عبور کند .[۸۱] ضریب تراوش گاز نیز معمولا مرتبط با حجم آزاد بیان میشود .[۸۱]
که در این رابطه و مقادیر ثابت و از ویژگی های سیستم پلیمر-نافذ میباشد. این تئوری را که ارتباط بین حجم آزاد و ضریب انتشار در پلیمرها را نشان میدهد معمولا تئوری فوجیتا ^[۵۶] مینامند. همچنین میتوان به جای استفاده از انتشار در رابطه از تراوایی استفاده کرد و بنابراین داریم :[۸۲, ۸۳]
رابطه(۹۸-۲) ارتباط بین FFV و تراوایی را نشان میدهد .بنابراین با بدست آمدن مقادیر ثابت A و B میتوانیم تغییرات تراوایی را با تغییر FFV محاسبه کنیم . در راستای بدست آوردن A و B در ابتدا لی[۸۴] اولین کسی بود که برای ۱۳ پلیمر مختلف و با بهره گرفتن از گازهای و تلاش کرد. در ادامه هنسما^[۵۷] در یک پژوهش مشابه ۲۴ پلیمر را مورد آزمایش قرار داد [۸۲]؛ اما پارک^[۵۸] و پائول^[۵۹] [۸۳]با محاسبه مقادیر A و B برای بیش از ۱۰۰ پلیمر و با بهره گرفتن از گازهای ، ، ، ، و طیف گسترده ای از پلیمرها را مورد بررسی قرار دادند.دانستن ارتباط بین FFV و تراوایی این امکان را به ما میدهد تا بتوانیم نتایج تغییرات عملکرد تراوایی گازهای مختلف ناشی از تغییر در FFV پلیمرها بررسی کنیم.
کسر حجم آزاد نیز اغلب توسط رابطه بیان میشود .[۸۳]
در این رابطه حجم مخصوص پلیمر بوده و با بهره گرفتن از چگالی پلیمر خالص محاسبه میشود و حجم اشغال شده توسط زنجیرهای پلیمری میباشد و روش های گوناگونی برای محاسبه آن وجود دارد ؛ که همه این روش ها شامل مفروضات و درجات مختلفی از تقریب میباشند که یکی از بهترین این روش ها که اغلب توسط محققان استفاده میشود استفاده از متد باندی^[۶۰] است .[۸۳]
مقادیر گزارش شده توسط پارک و پائول برای ثوابت رابطه یعنی A و B با بهره گرفتن از متد باندی برای گازهای مختلف در جدول() آمده است .بر طبق رابطهافزایش FFV منجر به افزایش تراوایی میگردد. بنابراین میتوان گفت در MMM زمانی که بخشی از پلیمر تحت تاثیر ذرات معدنی دچار کاهش حجم آزاد (پدیده سفت یا فشرده شدن) شود تراوایی در این ناحیه کاهش میابد و زمانی که بخشی از پلیمر تحت تاثیر ذرات معدنی دچارافزایش حجم آزاد شود تراوایی در این ناحیه افزایش میابد ؛ البته طبق مقادیر بدست آمده برای A و B در جدول(۲-۱) این افزایش و کاهش در تراوایی در گازهای متفاوت با نسبت های متفاوتی رخ میدهد که این موضوع تا کنون توسط هیچ پژوهشگری در پیش بینی تراوایی در MMMs مورد توجه قرار نگرفته است .
جدول(۷-۲) ضرایب A و B محاسبه شده توسط پارک و پائول در رابطه(+)

حالت های مختلف نقاط تقاضا را برابر با ۳۰، ۵۰ ، ۱۰۰ ، ۲۰۰ ، ۳۰۰ ، ۴۰۰ ، ۵۰۰ ، ۶۰۰ ، نقطه در نظر گرفتیم. می دانیم با توجه به ثابت بودن مجموع تقاضا هرچه تعداد نقاط تقاضا بیشتر باشد یا به عبارت بهتر سطح ادغام کمتر باشد، نقاط تقاضا مقادیر کمتری از تقاضا در خود خواهد داشت.
حالت های مختلف تعداد مراکز خدمات فوریت های پزشکی را برابر با ۱۰ ، ۳۰ ، ۶۰ ، ۹۰ ، ۱۲۰ ، مرکز در نظر گرفتیم در ضمن اجرای ۱ تا ۴ جزو مسائل دسته کوچک قلمداد شد و پارامترهای الگوریتم های فراابتکاری مربوط به این مسائل بر این اساس تعیین گردید. مسائل بعدی نیز با پارامترهای دسته متوسط و بزرگ اجرا شدند.
همان طور که در جدول مشخص است با بزرگ شدن مسئله زمان حل آن توسط روش دقیق به شدت افزایش پیدا می کند. در نمودهای اول تا سوم که روش حل دقیق به جواب بهینه رسیده است، الگوریتم ابتکاری در زمانی بسیار کمتر به جوابی بسیار نزدیک به جواب بهینه رسیده است. برای نمودهای چهارم تا هشتم الگوریتم ابتکاری در زمانهایی که در جدول مشاهده می کنید، به جوابی با کیفیت بالا رسید حال آنکه روش حل دقیق در زمانی بسیار بالاتر به جوابی نزدیک به این جواب ها و در برخی نمودها اندکی بهتر از آن ها رسید. و درنهایت برای نمودهای بزرگتر از نهم توسط حل دقیق باز با خطای کمبود حافظه مواجه شدیم که به معنای ابعاد بسیار بزرگ مسئله است اما روش ابتکاری در زمانی متوسط به جواب هایی با کیفیت بالا می رسد.

الگوریتم ارائه شده کارایی خود را در نمودهای بزرگ، که در مسائل واقعی نیز با چنین ابعادی از مسئله روبروهستیم، و هنگامی که روش حل دقیق به دلیل کمبود حافظه قادر به یافتن جوابی قابل قبول و حتی در نمودهای بزرگتر جواب شدنی هم نیست، به خوبی نشان می دهد و می توان در زمان حل متوسط جوا بهای با کیفیت بالایی را عرضه کند.

جدول ۴-۱۰- نتایج حاصل از مدل رگرسیون
با نگاهی به جدول ۴-۱۰ در می یابیم که مقدار  تا حد بسیار زیادی به عدد یک نزدیک شده و تقریبا برابر با عدد یک شده است که این مقدار باعث می شود نسبت به مدل رگرسیون جهت انجام پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران دچار تردید شویم، زیرا نزدیک بودن بیش از حد  به عدد یک و همچنین پایین بودن بیش از حد خطاهای پیش بینی حاصل از مدل رگرسیون که تقریبا معادل عدد ۲۸ می باشد حاکی از وجود پدیده خود رگرسیونی^[۳۴] در داده هاست که امکان استفاده از مدل رگرسیون جهت داده های مدنظر این تحقیق را از میان می برد.
بنابراین با توجه به توضیحات فوق الذکر و عدم امکان استفاده از نتایج حاصل شده از مدل رگرسیون، در بخش ۴-۴ به منظور آزمون نمودن فرضیات تحقیق تنها نتایج دو مدل آماری آریما و شبکه عصبی مورد آزمون قرار گرفته است.

آزمون فرضیه ها

فرضیه ارائه شده در این تحقیق مبنی بر کمتر بودن مقدار MSE به دست آمده از شبکه عصبی نسبت به سایر مدلهای آماری می باشد.

همانطور که در بخش ۴-۳ توضیح داده شد امکان پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از رگرسیون نمی باشد. بنابراین فرضیات آماری این تحقیق به صورت زیر خواهد بود:
معادله ۶

از آنجا که پیش بینی توسط شبکه عصبی به میزان ۳۰ بار تکرار شده است به جهت آزمون نمودن فرضیات تحقیق از آماره T استفاده شده است.
در شرایطی فرضیه  مورد قبول واقع می گردد که نتیجه آماره به دست آمده بر اساس اعداد جدول آماره T برای جامعه آماری سی تایی و با سطح اطمینان ۹۵ درصد کمتر از عدد ۹۶/۱ باشد.
به منظور محاسبه آماره انتخاب شده جهت آزمون نمودن مفروضات از رابطه زیر استفاده گردیده است:
معادله ۷

مقدار محاسبه شده برای آماره T به صورت زیر بدست آمده است:
معادله ۸

از آنجا که مقدار به دست آمده برابر با ۴۲/۱- می باشد و مقدارT بر اساس جدول با سطح اطمینان ۹۵ درصد معادل رقم ۹۶/۱ می باشد به این نتیجه می رسیم که به صورت معنی داری شبکه عصبی توانمندتر از مدل رگرسیونی آریما در پیش بینی داده های شاخص پنجاه شرکت برتر بورس اوراق بهادار بوده است زیرا  کمتر از  می باشد.
با توجه به توضیحات داده شده در قسمتهای قبل فرض  رد شده و فرض  مورد قبول واقع می شود.

خلاصه

در این فصل تجزیه و تحلیل یافته های تحقیق ذکر گردید . در این رهگذر ضمن اشاره به موضوع و فرضیه های تحقیق مطالبی در خصوص نحوه جمع آوری و پردازش داده های تحقیق و سپس نحوه پیاده سازی مدل های پیش بینی تشریح گردید . در ادامه نحوه آزمون فرضیه و معیار مقایسه مدل ها به نحو روشنی بیان شد . همچنین با توجه به نتایج آزمون فرضیات مشخص گردید که شبکه های عصبی به صورت معنی داری توانمند تر از مدل آماری آریما به پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران می باشد. همچنین مشخص گردید که روش رگرسیون خطی به دلیل وجود فرایند خودرگرسیونی در داده ها توانایی پیش بینی شاخص مورد نظر این تحقیق را ندارد لذا در آزمون فرضیات این تحقیق گنجانده نشده است.

نتیجه گیری و پیشنهادات

مقدمه

پیش بینی آینده در عرصه پویای اقتصاد و بازار سرمایه یکی از مهمترین مسایل مورد بحث در میان پژوهشگران اقتصادی وعلوم مالی بوده است . روش های کلاسیک مانند رگرسیون گرچه توفیقات نسبی در این زمینه ها داشته اند ، اما نتایج آن نتواسته است پژوهشگران این عرصه را راضی نماید . غیر خطی بودن داده های اقتصادی و مالی ، از مـدتها پـیش مـشاهده شـده و محققان محـدودیـتهای مربـوط بـه تـکنیکـهایی را که فرض می کنند، یک ارتباط خطی بین این داده ها وجود دارد را درک کرده وشناخته اند. اما استفاده از این تکنیکها به خاطر ساده بودن تفسیر ضرایب برآوردی و همچنین راحت بودن پیاده سازی آنها، مورد توجه قرار گرفته است . بنابراین تلاش برای دستیابی به مدلهای دقیق تر و بهتر همچنان ادامه دارد . ویژگی مسایل اقتصادی و تجاری این است که به شدت تحت تاثیر مسایل اجتماعی ، سیاسی و فرهنگی است که بسیاری از پارامترهای آنها ناشناخته بوده و با روش های کمی به سختی قابل اندازه گیری هستند. پیدایش تکنولوژی شبکه های عصبی که توان منحصر به فردی در تحلیل اطلاعات در دسترس، دارند باعث گردیده که متخصصان در تحلیل و پردازش داده ها و عوامل مرتبط به موضوعات اقتصادی، بازرگانی ، مالی و… به سمت آن گرایش پیدا کنند. استفاده از روش های غیر خطی در زمینه های مالی تلاش دیگری در جهت بهبود پیش بینی متغیرهای مطلوب است . استفاده از هوش مصنوعی وشبکه های عصبی در پیش بینی متغیرهای مالی ، یکی از این تکنیکها می باشد .

نتیجه گیری و پیشنهادات

نتیجه گیری

نتایج مبتنی بر تحقیق

معمولاً به منظور پیش بینی وقایعی که از آینده اتفاق می افتد به اطلاعات به دست آمده از رویدادهای تاریخی اتکا می شود . به این ترتیب که داده های گذشته تجزیه وتحلیل می گردد تا از آن الگویی قابل تعمیم به آینده حاصل گردد .این فرایند که در اغلب روش های پیش بینی مورد استفاده قرار می گیرید ، مبتنی بر این فرض است که روابط بین متغیرها در آینده نیز ادامه خواهد داشت .
با توجه به توضیحات ذکر شده در مقدمه این فصل و با توجه به ضرورت انجام پیش بینی شاخص های مورد استفاده در بورس به منظور استفاده در تصمیم گیری های آتی اقتصادی بود که در این تحقیق سعی شد تا مدلهای رگرسیونی همچون آریما و رگرسیون چند متغیره با هوش مصنوعی و شبکه های عصبی به جهت پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران مورد مقایسه قرار گیرد.بدین منظور ابتدا سعی گردید تا مدلهای رگرسیونی به پیش بینی داده های شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران بپردازند تا اولویت در انتخاب روند و راهکار پیش بینی توسط این دسته از مدلهای آماری انتخاب گردد و سپس با بهره گرفتن از مدل آماری ارائه شده توسط آنها به پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران با بهره گرفتن از شبکه های عصبی پرداخته شد.
از آنجا که شبکه های عصبی به صورت کاملا اتفاقی در مرحله اول شروع کار خود به متغیرهای تعریف شده وزن دهی می نمایند و سپس به تغییر این اوزان به گونه ای می پردازند تا مقدار MSE - که هدف این تحقیق نیز به حداقل رسانیدن آن بوده است - به حداقل ممکن برسد در نتیجه پس از هر بار انجام فرایند پیش بینی توسط شبکه عصبی عدد حاصله با فرایند قبلی متفاوت خواهد بود. به همین منظور و به جهت ایجاد امکان مقایسه مدلهای رگرسیونی با شبکه عصبی از شبکه عصبی خواسته شد تا فرایند پیش بینی را به تعداد ۳۰ دفعه تکرار نماید و نتایج حاصل شده را که در جدول ۴-۹ ارائه شده است پس از میانگین گیری با سایر مدلهای رگرسیونی مورد مقایسه قرار دادیم.
از آنجا که بر اساس مطالعات انجام شده بر روی داده ها مشخص شد امکان استفاده از رگرسیون چند متغیره با توجه به وجود فرایند خودرگرسیونی در داده ها نمی باشد لذا فرضیات آماری این تحقیق به صورت زیر خواهد بود:
معادله ۱

و از آنجا که پیش بینی توسط شبکه عصبی به میزان ۳۰ بار تکرار شده است به جهت آزمون نمودن فرضیات تحقیق از آماره T استفاده شده است.
در شرایطی فرضیه  مورد قبول واقع می گردد که نتیجه آماره به دست آمده بر اساس اعداد جدول آماره T برای جامعه آماری سی تایی و با سطح اطمینان ۹۵ درصد کمتر از عدد ۹۶/۱ باشد.
به منظور محاسبه آماره انتخاب شده جهت آزمون نمودن مفروضات از رابطه زیر استفاده گردیده است:
معادله ۲

مقدار محاسبه شده برای آماره T به صورت زیر بدست آمده است:
معادله ۳

از آنجا که مقدار به دست آمده برابر با ۴۲/۱- می باشد و مقدارT بر اساس جدول با سطح اطمینان ۹۵ درصد معادل رقم ۹۶/۱ می باشد به این نتیجه می رسیم که به صورت معنی داری شبکه عصبی توانمندتر از مدل رگرسیونی آریما در پیش بینی داده ها شاخص پنجاه شرکت برتر بورس اوراق بهادار بوده است زیرا  کمتر از  می باشد.

سایر نتایج

با بهره گرفتن از مطالب ذکر شده در این تحقیق می توان به این نتیجه رسید که شبکه های عصبی بسیار توانمندتر از سایر مدلهای آماری در پیش بینی شاخص هایی همچون شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران می باشد.
همچنین باید این موضوع را خاطر نشان کرد که به دلیل تکیه بر داده های گذشته جهت پیش بینی داده های آینده در مورد شاخصهایی همچون شاخص مدنظر این تحقیق بعضی از مدلهای رگرسیونی همچون رگرسیون چند متغیره توانایی انجام پیش بینی مورد نظر را ندارند اما مدلهایی همچون آریما این امکان را دارند تا با تقریب نسبتا خوبی به پیش بینی شاخص هایی همچون شاخص کل، شاخص پنجاه شرکت برتر، شاخص صنعت و غیره بپردازد.

پیشنهادات

پیشنهادات مبتنی بر تحقیق

با توجه به نتایج به دست آمده از مدل شبکه عصبی و اختلاف زیادی که در پیش بینی توسط این مدل با سایر روش های پیش بینی وجود دارد پیشنهاد می گردد تا سرمایه گذاران، تصمیم گیرندگان اقتصادی و سایر ذینفعان جهت پیش بینی شاخص پنجاه شرکت برتر بورس اوراق بهادار تهران از شبکه های عصبی استفاده نمایند.

سایر پیشنهادات

الف-از آنجا که بین داده هایی همچون داده شاخص مدنظر این تحقیق همبستگی بالایی وجود دارد امکان استفاده از روش های رگرسیونی نمی باشد لذا پیشنهاد می گردد در تحقیقات آتی نامی از روش های رگرسیونی برده نشود.
ب- با توجه به توانایی بالایی که شبکه عصبی در پیش بینی و برآورد دارد می توان با توجه به داده های گذشته شرکتها و موسسات از شبکه های عصبی در بودجه ریزی و تهیه گزارشات مالی آتی استفاده نمود که این موضوع خود می تواند به عنوان یک تحقیق مورد بررسی بیشتر قرار گیرد.