محققین با توجه به نتایج مدل، نتایج زیر را استنباط نموده اند:
-
- افرایش تسهیلات اعطایی، با فرض ثابت ماندن سایر شرایط، موجب افزایش جمع مانده سپرده خواهد شد. در واقع افراد با شعبی که به آن ها تسهیلات بیشتری اعطا می‌کنند، بیشتر کار کرده و منابع خود را به آن شعبه انتقال می دهند.
-
-
- در شرایط جاری بانک ملت از نظر تعداد پرسنل اشباع است، اگر یک نفر به تعداد پرسنل اضافه شود، مانده سپرده ها به طور متوسط کاهش خواهد یافت. بنابرین می‌توان استنباط کرد که در شرایط حاضر شعب بانک دارای تعداد کارکنان بیش از نیاز هستند. و بنابرین با کاهش تعداد پرسنل شعب در بانک ملت، بهره وری افزایش خواهد یافت.
-
-
- همچنین استنباط میگردد که تعداد بهینه باجه تحویلداری در شعب بانک ملت تهران، با فرض ثابت بودن سایر شرایط، به طور متوسط حدود ۲٫۱۱ باجه برای هر شعبه است. رقم فوق مبین آن است که با فرض توزیع درست تعداد باجه در میان شعب، بانک ملت در تهران از نظر تعداد باجه تحویلداری پایینتر از نقطه بهینه قرار دارد.
-
- با توجه به یافته های حاصل از این مطالعه، ضریب تغییرات (نابرابری در توزیع) حقوق و مزایا، در شعبی که دارای پرسنلی با اختلاف سابقه کاری زیادی میباشند به صورت نسبی بالا است. و همچنین این شعب در جذب منابع موفقتر بوده اند. از دیدگاه دیگر می‌توان گفت که با فرض وجود شایستهسالاری در اشتغال بانکها، با افزایش نابرابری حقوق، انگیزه کاری در میان کارکنان افزایش یافته و این امر موجب بهره وری، کارایی و در نهایت موجب افزایش جذب منابع در بانک خواهد شد.
- در رابطه با متغیرهای موقعیت مکانی و وضعیت تجهیزاتی شعب، همان گونه که پیش بینی میشد، هر دو در جذب منابع بسیار مؤثر بوده است. از ضرایب به دست آمده برای این دو متغیر چنین استنباط میگردد که ارتقاء شعب از وضعیت نامناسب مکانی و تجهیزاتی به وضعیت مناسب باعث افزایش جذب منابع در شعبه خواهد شد. درباره اهمیت ضرایب عناصر موقعیت مکانی و تجهیزات در جذب سپرده نشان داده شده است که در میان عناصر، وسعت مفید شعبه برای پاسخ‌گویی به مشتریان و در میان عناصر تجهیزات، وجود صندلی و میز، کامپیوتر و روشنایی جهت استفاده مراجعین از بیشترین اهمیت برخوردار بوده اند.
کمیل طیبی و همکاران (۱۳۸۸) در مقاله ای با عنوان « پیش بینی قیمت تخم مرغ در ایران مقایسه روش های ARCH و شبکه های عصبی مصنوعی »، در افقهای زمانی یک، شش و دوازده ماهه به پیش بینی قمت تخممرغ در ایران با بهره گرفتن از دادههای دوره زمانی۸۵-۱۳۷۱پرداختهاند. داده های مورد استفاده شامل قیمت تخممرغ بوده است. نتایج نشانگر آن بوده است که شبکه های عصبی مصنوعی در بیشتر افقهای زمانی پیش بینیهای دقیقتری در مقایسه با روش ARCH ارائه می کند. از این رو اشاره نموده اند که روشهای پیش بینی که عمدتاًً متکی بر شبکه های عصبی مصنوعی است می‌تواند به تأثیر سیاست گذاری قیمتی وحتی تنظیم بازار از طریق پیش بینی نوسانهای مختلف کمک کند.
عادل آذر و امیر افسر (۱۳۸۵) در مقالهای با عنوان “مدلسازی پیش بینی قیمت سهام با رویکرد شبکه های عصبی فازی” به مسئله پیش بینی درباره قیمت سهام پرداختهاند. در این تحقیق، مدل شبکه های عصبی فازی پیش بینی قیمت سهام طراحی شده و از لحاظ شش معیار ارزیابی عملکرد با روش آریما مقایسه شده است. نتایج پژوهش بیانگر این حقیقت است که شبکه های عصبی فازی در تمامی شش معیار ارزیابی عملکرد بر روش آریما برتری داشته است و دارای ویژگی های منحصر بفرد همگرایی سریع، دقت بالا، و توانایی تقریب تابع قوی هستند و برای پیش بینی شاخص قیمت سهام مناسب میباشند.
داده های روزانه قیمت سهام بورس اوراق بهادار در بازه زمانی پنج ساله مهرماه ۱۳۷۸ تا مهرماه ۱۳۸۳ به صورت سری زمانی انتخاب شده است. در طراحی شبکه های عصبی فازی، با توجه به تعداد زیاد داده ها، نیمی از داده ها به عنوان داده های آموزشی، ۲۵ % به عنوان داده های آزمایشی و باقیمانده به عنوان داده های اعتبارسنجی انتخاب شده‌اند.
در این پژوهش از ۶ معیار استفاده می شود از آنجا که هر یک از معیارهای ارزیابی عملکرد، جنبه خاصی را مورد ارزیابی قرار میدهد، برای ارزیابی عملکرد روشهای شبکه عصبی فازی و آریما از هر شش معیار فوق استفاده شده است.
نتایج معیارهای ارزیابی عملکرد برای هر دو روش شبکه های عصبی فازی و آریما در جدول زیر آورده شده است.
جدول ۲-۳٫ معیارهای ارزیابی عملکرد برای روشهای مختلف
MAE
MAPE
NMSE
MSE
RMSE
نام شرکت
روش
۰٫۹۹۹۹
۱۹٫۷۸۷۵
۰٫۰۰۰۸۱۲
۰٫۰۰۶۸۸
۱۱۷۰
۳۴٫۱۹۶۷
پتروشیمی آبادان
شبکه عصبی فازی
۰٫۹۹۹۹
۱۳٫۶۱۸۳
۰٫۰۰۰۱۳۲
۰٫۰۰۰۹۹۸
۵۸۸٫۰۰۳۵
۲۴٫۲۴۸۸
ایران خودرو
۰٫۹۹۹۹
۱۱٫۹۶۲۴
۰٫۰۰۰۱۷۴
۰٫۰۰۰۹۱۲
۴۶۳٫۱۴۸۱
۲۱٫۵۲۰۹
صنایع بهشهر
۰٫۹۹۹۹
۱۰٫۹۲۸۳
۰٫۰۰۰۹۲۶
۰٫۰۰۰۷۳
۲۴۵٫۲۹۸۸
۱۵٫۷
سرمایه گذاری غدیر
۰٫۹۹۶۹
۱۴۶٫۷۳۵
۰٫۰۰۶۹
۰٫۰۰۳۱
۵۲۰۶۱
۲۲۸٫۱۶۹
پتروشیمی آبادان
آریما
۰٫۹۹۲۹
۸۹٫۹۲۸
۰٫۰۰۱۶۷
۰٫۰۰۷۱
۴۲۸۰۵
۲۰۶٫۸۹۴
ایران خودرو
۰٫۹۹۷۴
۷۴٫۱۹۲۹
۰٫۰۰۲۶۵
۰٫۰۰۲۶
۱۴۸۴۴
۱۲۱٫۸۳۵
صنایع بهشهر
۰٫۹۹۱۵
۷۵٫۵۸۰۵
۰٫۰۰۵۶
۰٫۰۰۸۵
۲۸۳۷۹
۱۶۸٫۴۶۱
سرمایه گذاری غدیر
همان طور که از جدول (۲-۳) مشاهده می شود، روش شبکه عصبی فازی در هر چهار شرکت از لحاظ تمامی معیارهای عملکرد بر روش آریما برتری داشته است .
محمدعلی فلاحی و همکاران (۱۳۸۵)، سه نوع الگوی رگرسیون خطی، سری زمانی و شبکه های عصبی مصنوعی را با هدف دستیابی به پیش بینیهای دقیقتر در آمدهای مالیات برمشاغل در اقتصاد ایران طراحی نمودند. ایشان ابتدا ماهیت ساختاری سری زمانی مورد نظر از جهت خطی، غیر خطی و تصادفی بودن با بهره گرفتن از آزمون نمای لیاپانوف بررسی نمودند. نتایج بیانگر امکان استفاده از الگوهای غیرخطی برای پیش بینی دقیقتر کوتاه مدت بوده است. بنابرین در مرحله بعد ضمن تخمین سه روش گفته شده برای پیش بینی درآمدهای مالیات بر مشاغل، عملکرد این سه روش با یکدیگر مقایسه شده است. نتایج برآورد الگوها نشاندهنده عملکرد بهتر الگوی شبکه عصبی مصنوعی بوده است.
