(الف)
(ب)

(ج)
(د)

شکل ‏۴‑۹- - اطلاعات کلی خروجی شبکه الگوی سوم، (الف):آموزش شبکه ، (ب):اعتبارسنجی ، (ج): کل شبکه، (د): تست شبکه
مطابق با دیگر الگوها دیده می‌شود که با بسته‌تر شدن اقتصاد، سطح اشتغال افزایش می‌یابد و با بازتر کردن اقتصاد میزان تقاضا برای اشتغال کاهش می‌یابد. متوسط کاهش سطح اشتغال با هر ۱/۰ بازتر شدن اقتصاد، حدود ۴۶۵۷۰۰ نفر می‌باشد.

جدا از نتایج عددی بدست آمده‌ی این روش، آنچه از اهمیت بیشتری برخوردار است، وجود رابطه‌ی منفی تایید شده‌ی هر سه الگوی به کار رفته در روش شبکه‌ی عصبی است. با به کارگیری شبکه‌های آموزش دیده برای بسیاری از داده‌های متفاوت و بررسی اثر جهانی‌شدن بر اشتغال روند نزولی و مشابه با حالات بیان شده، مشاهده گردید و جداول و اعداد بیان شده فقط برای یک حالت عمومی می‌باشد. نمودارهای زیر خروجی‌های هر سه الگوی شبکه‌ی عصبی را برای آن نشان می‌دهند. در محور افقی میزان باز بودن اقتصاد و در محور عمودی سطح اشتغال لحاظ شده است.
شکل ‏۴‑۱۰- حساسیت سطح اشتغال به باز بودن اقتصاد در الگوی اول شبکه‌ی عصبی
شکل ‏۴‑۱۱- حساسیت سطح اشتغال به باز بودن اقتصاد در الگوی دوم شبکه‌ی عصبی
شکل ‏۴‑۱۲- حساسیت سطح اشتغال به باز بودن اقتصاد در الگوی سوم شبکه‌ی عصبی
.

پیش‌بینی با بهره گرفتن از شبکه‌های عصبی مصنوعی

پیش‌بینی رفتار سیستم‌های پیچیده یکی از کاربردهای گسترده‌ی شبکه‌های عصبی است. در فرایند پیش‌بینی توسط شبکه‌های عصبی که با بهره گرفتن از یک سری زمانی انجام می‌شود، مجموعه‌ای از داده‌ها به عنوان ورودی در اختیار شبکه‌ی عصبی قرار می‌گیرد تا شبکه با تخمین رفتار سیستم مورد پیش‌بینی ، عمل برون‌یابی را برای آینده انجام دهد.
در پیش‌بینی سری زمانی غیرخطی، یکی از روش‌های کارآمد، روش پیش‌بینی با شبکه‌های عصبی می‌باشد. برای پیش‌بینی یک سری زمانی با i ورودی و یک خروجی می‌توان نوشت:

(‏۴‑۱۰)

که مقادیر مشاهده در لحظه t و مقدار خطا در لحظه‌ی t می‌باشد. در این حالت اگر از یک شبکه‌ی عصبی به جای تابع f استفاده نماییم، یک مدل خود رگرسیون خواهیم داشت. در این صورت می‌توان یک شبکه‌ی عصبی با i ورودی و یک خروجی در نظر بگیریم و در نتیجه تعدادی الگوی متفاوت برای پیش‌بینی خواهیم داشت(اصفهانیان و امین ناصری ۱۳۸۷).
در این مطالعه با توجه به چهار الگو، شبکه‌ی عصبی مصنوعی را در جهت پیش‌بینی سطح اشتغال آزمون می‌کنیم:

(‏۴‑۱۱)