|
|
راهبرد اقتصادی، جلد ۷، شماره ۲۵، صفحات ۴۵-۷۰
|
|
|
| عنوان فارسی |
پیش بینی بهره وری کل عوامل تولید در اقتصاد ایران |
|
| چکیده فارسی مقاله |
هدف اصلی این پژوهش پیش بینی بهره وری کل عوامل تولید در اقتصاد ایران با استفاده از رویکرد شبکه‌های عصبی مصنوعی می‌باشد که به صورت توصیفی- تحلیلی انجام گرفته است. در این پژوهش پارامترهای موثر بهره وری کل عوامل تولید در اقتصاد ایران، نرخ تورم، نرخ ارز حقیقی، بدهی های خارجی، آموزش و سرمایه های انسانی، سرمایه گذاری مستقیم خارجی، باز بودن اقتصاد به عنوان ورودی شبکه‌های عصبی در نظر گرفته شده و خروجی شبکه بهره وری کل عوامل تولید بوده است. دوره زمانی مورد بررسی سالهای 1375-1395 بوده است. در این پژوهش از شبکه های عصبی پیش خور با الگوریتم پس انتشار خطا برای پیش بینی استفاده شده است 5 ترکیب بندی متفاوت از ورودی های جهت طراحی 5 مدل استفاده شده و در هر مدل30 سناریو مختلف در تعداد نورون جهت پیش بینی طراحی و راه اندازی شده است. مدل برتر شبکه با تعداد نورون مدل پنجم با 18 نورون و تابع فعال ورودی TANSIG و تابع خروجی TANSIG توسط ضریب همبستگی(R) میانگین مربع خطا (MSE) و جذر میانگین خطا (RMSE) و جذر میانگین خطا نرمال (NRMSE) که به ترتیب برابر در مدل برتر 9985/0، 0111/0، 1055/0، 62/2 بوده است. نتایج نشان می دهد شبکه های عصبی طراحی شده با 6 متغیر مورد بررسی قابلیت پیش بینی بهره وری کل عوامل تولید در اقتصاد ایران را دارد. |
|
| کلیدواژه‌های فارسی مقاله |
پیش بینی، بهره وری کل عوامل تولید، رویکرد شبکه های عصبی، |
|
| عنوان انگلیسی |
Forecast of Total Factor Productivity in the Economy |
|
| چکیده انگلیسی مقاله |
The main purpose of study is to predict the total factor productivity in Iranian economy and it has been done by Using artificial neural networks and descriptive-sectional study. In this study, total factor productivity parameters Output in Iran such as Inflation, real exchange rate, foreign debt, education and human capital, foreign direct investment, economic openness are considered as input for Neural networks and the output of the neural network is total factor productivity in Iranian economy. The time period examined has been 1996 to 2016 years. In this study, the feed forward neural network whit back propagation algorithm used to predict. 5 different configurations of inputs are used to design 5 models and 30 different scenarios in each model on the number neurons, designed and implemented to predict. Best models of neurons and networks of neurons fourth model with 19 active functions TANSIG input and output function is LOGSIG and by correlation coefficient (R) Mean Square Error (MSE) and root mean square error (RMSE) and normalized root mean square error (RMSE N), a Best model has been selected and they are equal to 0.9985,0.0111,0.1055 and 2.62, respectively. This indicates that the artificial neural networks were designed in this study have the ability to predict the Iranian economy's total factor productivity. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
منیره دیزجی |
دانشگاه آزاد اسلامی واحد تبریز
|
|
| نشانی اینترنتی |
http://econrahbord.csr.ir/WebUsers/econrahbord/UploadFiles/OK/139807295004118-F.pdf |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/827/article-827-2214919.pdf |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|