عنوان پایان‌نامه
مدل شناسایی اقشار آسیب پذیر برای دریافت یارانه (مطالعه موردی ایران)
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1465;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 56204
- تاریخ دفاع
- ۱۲ دی ۱۳۹۱
- دانشجو
- حکیمه کوهی قولقاسم
- استاد راهنما
- فرهاد رهبر
- چکیده
- چکیده پرداخت یارانه¬های عام همواره یکی از دلایل کسری بودجه در اقتصاد کشورهای درحال توسعه بوده است. از آنجا که دولت¬ها همواره با منابع مالی محدودی روبرو هستند، می¬کوشند تا سیاست¬های حمایتی خود را بر گروه¬های هدف و نه تمامی اقشار جامعه متمرکز کنند تا با یک منبع درآمد ثابت و مشخص، اثرات این سیاست¬ها را حداکثر ساخته و یا در یک سطح تعریف شده¬ای از حمایت، هزینه¬های آن را به حداقل برسانند. برای این کار قدم اول، شناسایی خانوارهای نیازمند یا آسیب پذیر می¬باشد. با توجه به این ضرورت در کشور، در این پایان¬نامه برای تشخیص خانوارهای آسیب پذیر از روش شناسایی دو مرحله¬ای استفاده نمودیم. با استفاده از این روش پیشنهادی، ابتدا خانوارها به عنوان گروه¬های اصلی مخاطبین سیاست¬های حمایتی، بر اساس الگوی مصرفی¬اشان، با استفاده از شبکه عصبی خودسازمانده ( SOM ) طبقه بندی می¬شوند، در مرحله دوم، خط فقر جامعه را محاسبه و بر اساس آن درصد افراد فقیر جامعه را بدست می¬آوریم. سپس مخارج خانوارها به صورت نزولی مرتب کرده و از خانوارهای پائینی به اندازه درصد افراد فقیر به عنوان فقیران واقعی جامعه تعیین می¬شوند. در مرحله سوم، عدد خط فقر را با مخارج خانوارهای هر طبقه مقایسه می¬نماییم. در طبقاتی که مخارج خانوارها کمتر از عدد خط فقر باشند به عنوان طبقات زیر خط فقر تعیین می¬گردند، در مرحله چهارم، رفاه خانوارهای طبقات زیر خط فقر را با استفاده از آزمون تقریب وسع بدست می¬آوریم. اگر رفاه محاسبه شده کمتر از عدد خط فقر شد به عنوان خانوارهای فقیر مدل تعیین می¬گردد. در مرحله آخر برای ارزیابی دقت مدل، خطاهای نوع اول و دوم را محاسبه می نماییم. نتایج نشان دادند که با این مدل 62/88 (مناطق شهری) و 63/98 (مناطق روستایی) درصد خانوارهای فقیر را می¬توان درست پیش¬بینی کرد و 3/11 (شهری) و 37/1 (روستایی) درصد خانوارها را نادرست در زمره خانوارهای ثروتمند قرار می¬دهد. از سوی دیگر با این مدل 8/86 (شهری) و 26/78 (روستایی)درصد خانوارهای ثروتمند درست پیش بینی می¬شوند و 2/13 (شهری) و 7/21 (روستایی) درصد نیز به نادرست در زمره خانوارهای فقیر قرار می گیرند.
- Abstract
- Payment of public subsidies has always been one of the deficit reasons in the developing countries. Since governments often face limited financial resources, they are trying to focus their support policies not on all sectors of society but on the target groups, to maximize the effects of these policies with a fixed income, or to minimize the costs in a defined level of support. To do this the first step is to identify Needy or vulnerable households. Due to this necessity in our country, we have used the two phase identification method to determine vulnerable households in this thesis. By using this proposed method, at first households as the main contact groups of supporting policies are being classified based on their consumption patterns using Self-organizing neural network (SOM), at the second step the poverty line is being calculated, on which base the percentage of the poor population is being obtained. Then the households’ spending are being organized in descending order and from lower household as the percent of poor households are defined as real poor in the society. At the third step, poverty line is compared to expenditure of households in each category. Categories which have expenditures under the poverty line would be defined as the Levels below the poverty line. At the forth step, we would obtain Welfare levels of households below the poverty line by using. If the welfare number is below the poverty line, those would be defined as the poor households of the model. The final step is to evaluate the accuracy of the model by calculating the first and second type errors. Results showed that this model can predict 88.62% (urban areas) and 98.63% (rural areas) of poor households correctly and classified 11.3% (urban) and 1.37% (rural) among the wealthy households inaccurately. On the other hand the model predicts 86.8% (urban) and 78.26% (rural) wealthy households correctly and also put 13.2% (urban) and 21.7% (rural) among the poor households falsely. Ke
