Skip to main content
فهرست مقالات

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی (ANN)

نویسنده:

علمی-پژوهشی (وزارت علوم)/ISC (30 صفحه - از 97 تا 126)

کلید واژه های ماشینی : مدل، شبکه‌های عصبی مصنوعی، شبکه‌های عصبی، پیش‌بینی رشد اقتصادی در ایران، پیش‌بینی نرخ رشد اقتصادی، مدل شبکه عصبی، مدل‌سازی، اقتصادی، مدل‌سازی و پیش‌بینی رشد، مدل شبکه عصبی مصنوعی

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی (ANN) قدیمی محمدرضا,مشیری سعید شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرهای ورودی) یک مدل شبکه عصبی طراحی و تخمین زده می شود. پس از آن، با استفاده از معیارهای مرسوم ارزیابی مدل های رقیب، کارایی دو مدل فوق در زمینه پیش بینی نرخ رشد اقتصادی در ایران در دوره 1374-1380 مقایسه می شوند. نتایج نشان می دهد که مدل شبکه عصبی برای پیش بینی نرخ رشد اقتصادی در ایران از کارایی بالاتری برخوردار است.

خلاصه ماشینی:

"ابتدا،رامل هارت و دیگران (Rumelhart et al,1986) و پس از آن،بسیاری از نویسندگان از جمله هچنیلسون (Hecht-Nielson,1987) ،سایبنکو (Cybenko,1989) ،فاناهاشی (Funahashi,1989) ،هارنیکو دیگران (Hornik et al,1989,1990) و وایت (White,1992) با دقت تمام نشان دادند که یک شبکهعصبی با یک لایه پنهان و تابع فعال‌سازی لجستیک در واحدهای پنهان،یک تقریب‌زننده جامع Universal Approximator است. با استفاده ازمعادل(8)،می‌توان خروجی شبکه بهبودیافته را به صورت مستقیم استخراج کرد: (10)(به تصویر صفحه مراجعه شود)بنابراین،شبکه عصبی بهبودیافته را می‌توان به عنوان مدل رگرسیون خطی استاندارد که با عباراتغیر خطی توسعه داده شده است در نظر گرفت. داده‌های مورد استفاده با توجه به عدم وجود داده‌های فصل رسمی،و تفاوت‌های فاحش بین برآوردهای انجام شده در زمینهآمارهای فصلی حساب‌های ملی ایران که هرکدام تنها برای دوره خاصی برآورد شده‌اند،علی‌رغمنیاز بالای روش شبکه‌های عصبی مصنوعی به نمونه‌ای با داده‌های زیاد،ترجیح داده شده است که ازآمارهای سالانه رسمی کشور در این مطالعه استفاده شود. لازم به ذکر است که تخمین مدل رگرسیون رشد در مطالعه مورد نظر برای دوره 1315-1380 انجامشده است در صورتی که با توجه به هدف این مطالعه(مقایسه قدرت پیش‌بینی مدل خطی رگرسیونرشد و مدل غیر خطی شبکه عصبی مصنوعی)باید بین 5 تا 10 درصد از نمونه3برای ارزیابی قدرتپیش‌بینی مدل در نظر گرفته شود(در این پژوهش دوره 1380-1374 به عنوان مجموعه آزمون انتخاب(1). اما،با توجه به اینکه هدف مطالعه حاضر- &%01214AEPG012G% در ادامه بحث ابتدا،یک شبکه عصبی مصنوعی با مجموعه متغیرهای ورودی مشابه با مدلرگرسیون رشد برآورد شده در بالا(رگرسورهای مشابه)،طراحی و تخمین زده می‌شود و سپس،توانایی دو مدل برای پیش‌بینی با استفاده از اطلاعات مجموعه آزمون(1374-1380)و معیارهایمرسوم مقایسه خواهند شد."

  • دانلود HTML
  • دانلود PDF

برای مشاهده محتوای مقاله لازم است وارد پایگاه شوید. در صورتی که عضو نیستید از قسمت عضویت اقدام فرمایید.