چکیده:
در این مقاله از شبکه عصبی GMDH، بهعنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روندهای غیرخطی پیچیده، بهویژه با تعداد مشاهدات محدود، برای الگوسازی و پیشبینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل 7 متغیر همراه با وقفه اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع 18 مدل اجرا شد. نتایج نشان داد الگوهای حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیشترین سهم را در کاهش خطای پیشبینی دارا هستند. همچنین اثر مضاعف رشد هزینههای دولت بر متغیر هدف، مؤید نتایج مطالعات اخیر در کشورهای در حال توسعه نفتی است. برتری شبکه عصبی GMDH در دقت پیشبینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تائید قرار گرفت.
This study employs a GMDH neural network model، which has high capability in recognition of complicated non-linear trends especially with small samples، for modeling and predicting Iranian GDP growth. First a fundamental model containing 7 independent variables together with dependent variable is designed and then by using deductive process and omission of one variable at a time، a total of 18 models are estimated. The results shows that omission of total export growth، oil export growth and trading volume growth variables from the fundamental model have the most impact in terms of reducing prediction errors. Moreover، the effect of government expenditure growth on the objective variables confirms recent researches in oil rich countries. In the end، it is shown that the GMDH neural network has better predictive power than ARIMA method in prediction GDP growth based on error criteria.
خلاصه ماشینی:
com تاریخ دریافت: 26/1/87 تاریخ پذیرش: 7/7/88 چكيده در اين مقاله از شبكة عصبي GMDH، بهعنوان ابزاري با قابليت بالا در مسيريابي و تشخيص روندهاي غيرخطي پيچيده، بهويژه با تعداد مشاهدات محدود، براي الگوسازي و پيشبيني رشد توليد ناخالص داخلي به قيمت ثابت در ايران استفاده شده است.
در اين تحقيق از دو روش براي مدلسازي و پيشبيني رشد اقتصادي در ايران با رويكرد شبكة عصبي GMDH به شرح زير استفاده ميکنيم.
جدول3- نتايج حاصل از خروجي شبكة عصبي GMDH براي الگوي بنيادي – مرحلة نهایی قياسي متغيرهاي الگو RTGE, RXoil, RXM, RX, RM, RIoil, متغيرهاي حذفشده RX, RXM متغيرهاي با اثر مضاعف RTGE, RM, RIoil, RMSE 0035/0 MAPE 027/0 درصد خطاي پيشبيني 47/5 درصد دقت پيشبيني 53/94 ضريب نابرابري تايل 22/0 بدينترتيب الگوي نهايي حاصل از فرآيند قياسي شامل چهار متغير به شرح رابطة (1) است: (1) ملاحظه ميشود در الگوي بنيادي- نهايي متغيرهاي مؤثر نهايي شامل نرخ رشد هزينههاي دولت (RTGE)، رشد صادرات نفت (RXoil)، نرخ رشد واردات كل به قيمت ثابت (RM) و نرخ رشد درآمد نفت و گاز در بودجه (RIoil) است، كه متغيرهاي نرخ رشد هزينههاي دولت، نرخ رشد واردات كل به قيمت ثابت و نرخ رشد درآمد نفت و گاز در بودجه از تأثير بيشتري بر نرخ رشد توليد ناخالص داخلي، در اين الگو برخوردار بودهاند.
لذا تفاوت معنيداري بين اين دو الگو وجود داشته و بنابراين شبكة عصبي GMDH از عملكرد به مراتب بهتري جهت پيشبيني رشد اقتصادي نسبت به الگويهاي رگرسيوني برخوردار است.