عنوان پایان‌نامه
پیش بینی رشد اقتصادی ایران با استفاده از شبکه عصبی GMDH
- رشته تحصیلی
- علوم اقتصادی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده اقتصاد شماره ثبت: 1101;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38950
- تاریخ دفاع
- ۲۸ اسفند ۱۳۸۶
- دانشجو
- سیده سوده میرقاسمی
- استاد راهنما
- حمید ابریشمی
- چکیده
- یکی از مهمترین ابزارهای آماری در فرآیند برنامه‌ریزی و سیاست‌گذاری‌های اقتصادی، داده‌های حساب‌های ملی می‌باشد. تهیه آمارهای حساب‌های ملی به‌صورت تفصیلی برای یک دوره یکساله نیازمند زمان و هزینه بسیار است و طبیعی است تأخیر در انتشار نتایج آن، عملاً استفاده بهنگام از این ابزارها را برای برنامه‌ریزان و سیاست‌گذاران اقتصادی غیرممکن می‌سازد. از این رو در اغلب کشورها متحصصین اقدام به پیش‌بینی متغیرهای عمده اقتصادی در کوتاه‌مدت می‌نمایند که در این میان محصول ناخالص داخلی و رشد اقتصادی از مهمترین شاخص‌های اقتصادی مورد توجه آنها می‌باشد. در این تحقیق ضمن مرور اجمالی بر شناخته‌شده‌ترین تئوری‌های اقتصادی، با استفاده از شبکه عصبی GMDH که یکی از انواع جدید مدل‌های شبکه‌های عصبی می‌باشد، رشد محصول ناخالص داخلی ایران را الگوسازی و پیش‌بینی می‌کنیم و قدرت پیش‌بینی این الگوریتم را با الگوهای پیش‌بینی اقتصاد سنجی مورد مقایسه قرار می‌دهیم. الگوریتم GMDH قابلیت استفاده در موضوعات متنوعی چون کشف روابط، پیش‌بینی، مدل‌سازی سیستم‌ها،بهینه‌سازی وشناخت الگوهای غیرخطی را دارا می‌باشد. نکته حائز اهمیت در این الگوریتم استنتاجی، قابلیت شناسایی و غربال‌کردن متغیرهای کم‌اثر ورودی در دوره آموزش شبکه و حذف آنها از روند شبیه‌سازی در دوره آزمون می‌باشد. بدین ترتیب می‌توان با انجام یک فرآیند قیاسی، در چند مرحله تکرار، متغیرهای کم‌اثرتر را حذف نمود و نهایتاً مدل بهینه برای پیش‌بینی رشد اقتصادی ایران را بر اساس معیارهای متداول خطا نظیر RMSE و MAPE و ... بدست آورد. بعلاوه، این الگوریتم قادر به شناسایی و رتبه‌بندی تأثیرگذارترین متغیرها نیز می‌باشد. لذا در این تحقیق، مدل جامعی با ?? متغیر برای پیش‌بینی درنظر گرفته شد و سپس با انجام شبیه‌سازی‌های متعدد، الگوی بهینه پیش‌بینی رشد اقتصادی ایران بدست آمد. همچنین نتایج بدست آمده حاکی از برتری چشمگیر الگوریتم GMDH در مقابل الگوهای رگرسیونی ARIMA می‌باشد.
- Abstract
- This study employs a GMDH neural network model, which has high capability in recognition of complicated non-linear trends especially with small samples, to model and predict Iranian GDP growth. Starting from a fundamental model containing 34 variables, a more refined model of only 13 variales is designed using deductive process and omission of one variable at a time The results shows that omission of total export 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 model has better predictive power than ARIMA method in predicting GDP growth based on error criteria.
