چکیده:
این پژوهش به بررسی شناسایی عوامل موثر بر رشد بهرهوری و چیستی این موضوع در مسیر نیل به
رشد و توسعه اقتصادی می پردازد. طیف وسیعی از متغیرهای موثر بر رشد بهره وری در مطالعات مختلف
معرفی ولی در عمل به دلیل محدودیت ابزارها و موضوعاتی مانند درونزایی متغیرهای اقتصادی و تاثیر
ناخواسته تغییر در این متغیرها، لازم است عوامل اساسی موثر در رشد بهرهوری شناسایی و سیاستگذار بر
این عوامل به شکل مشخص تمرکز نماید. با استفاده از منطق انتخاب ویژگی) الگوریتم ژنتیک دو هدفه(
عوامل موثر بر رشد بهره وری نیروی کار شناسایی و سپس با استفاده از شبکههای عصبی مدل اتتخابی را
برای دوره زمانی 1370 - 1395 تخمین و در نهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل
موثر بر رشد بهرهوری را به انجام رسانده ایم. براساس نتایج حاصل از منطق انتخاب ویژگی برای مدل بهره-
وری نیروی کار از میان بیست متغیر مورد استفاده، دوازده متغیر از مدل حذف شدند. مدل شبکه عصبی
دارای قدرت پیشبینی 99 / 0 و حداقل خطا مدل 0017 / 0 به عنوان بهترین خروجی انتخاب شد. براساس
نتایج شاخص گارسن در میان آن ها سرمایه انسانی، دستمزد نیروی کارو کنترل فساد بیشترین تاثیرات را بر
رشد بهرهوری نیروی کار دارند و متغیرها حاکمیت قانون، تحقیق و توسعه و انباشت سرمایه فیزیکی
کمترین تاثیر را بر رشد بهره وری نیروی کار دارند.
Clearly, the main factor in the growth of production, living standards and human welfare, is the growth of productivity, and given the importance of the discussion of productivity in economies and its weak position in explaining the growth of production in Iran, this study examines what This issue is addressed. In order to achieve economic growth and development, it is necessary to identify the factors affecting productivity growth in the Iranian economy. A wide range of variables affecting productivity growth are introduced in various studies. However, in practice, due to the limitation of tools and issues such as endogenous economic variables and the unintended impact of change in these variables, it is necessary to consider the key factors influencing interest rate growth. Identify a problem and focus the policymaker on these factors in a specific way. Therefore, this study intends to first identify the factors affecting productivity growth by using feature selection logic, basis on Non-Dominated Sorting Genetic Algorithm (NSGA-II) then estimate the selective model using Artificial Neural Networks(ANN) for the period(1370-1395) and finally using the Garsen index to measure the sensitivity analysis of factors affecting labour productivity and capital productivity growth.Based on the results of the feature selection logic for the labor productivity model out of the twenty variables used, twelve variables were excluded from the model.The neural network model with predictive power 0/99 and minimum error 0/0017 of the model was selected as the best output Among the results of the Garsen Index, among them, human capital, labor wages and corruption control had the greatest impact on labor productivity growth and the variables of rule of law, R&D and physical capital accumulation had the least impact on labor productivity growth productivity
Keywords:Laborproductivity,Neural Networks,, meta-heuristic.
خلاصه ماشینی:
بیر و وگارا١٤ (٢٠٠٢)، کمیجانی وابراهیمی (١٣٩٢)، کریمی تکانلو و همکاران (١٣٩٦)، در طی مطالعات خود تأکید دارند که نهادها و سیاست های اقتصادی به کار گرفته شده به واسطه دولت ها میتوانند با ایجاد پیامدهای مثبت خارجی برای کل تابع تولید و همچنین تأثیرگذاری بر نظام انگیزشی در فرایند رشد اقتصادی عامل تقویتی مهمی در جهت بهبود بهره وری میباشند.
فصلنامـه اقتصاد مالی شماره ٥٤ / بهار ١٤٠٠ سرمایه گذاری در زیرساخت های بهداشتی: برای اندازه گیری این متغیر از اطلاعات مربوط به کل مخارج بهداشتی به تولید ناخالص داخلی استفاده میشود.
(2000), “Do Trade Patterns and Technology Flows Affect Productivity Growth?” World Bank Economic Review 14, 17-47.
pp 11-44 یادداشت ها 1 Clark 2 Steiner &Goldner 3 Kim et al 4 Aghion& Howitt 5 Coe &Helpmen 6 Coe&Moghadam 7 Lasagni et.
al 8 Young 9 Krugman 10 Owyong&Thangavelu 11 Easterly & Levine 12 Romer 13 senhadji 14 Beyer &Vegara 15 Cordoba et al 16 Cashell 17 Jorgenson 18 Akinlo 19 Pessoa 20 Toader 21 Oluwanisola 22 Hendarmin 23 Nirola 24 Cororaton 25 Meniago 26 Aman, E.
Virmani 27 Shiu, A &Heshmati 28 Haousas&Yagoubi فصلنامـه اقتصاد مالی شماره ٥٤ / بهار ١٤٠٠ 29 Bonga 30 Trpeski 31 Sadia 32 Behera et all 33 Aparicio 34 Katovich 35 Sniukine&Matuzeviciute 36 Dieppe&Mutl 37 Zaman 38 Fazlıoğlu 39 Joao Gabriel 40 Ivano 41 Multi-Layer Perceptron 42 Heravi et all 43 Marquardt-Levenberg 44 Oreski 45 Non-dominated Sorting Genetic Algorithm (NSGA-II) 46 Garson فصلنامـه اقتصاد مالی شماره ٥٤ / بهار ١٤٠٠