کاربرد تلفیقی مدل‌های داده - ستانده و شبکه‌ی عصبی در پیش بینی تولید کل و تقاضای نهایی

نویسندگان

1 استادیار دانشکده‌ی اقتصاد دانشگاه علامه طباطبایی

2 دانشیار دانشکده‌ی اقتصاد دانشگاه علامه طباطبایی

3 کارشناسی ارشد دانشکده اقتصاد دانشگاه علامه طباطبایی

چکیده

پیش‌بینی متغیرها یکی از وظایف اصلی و مهم علوم مختلف از جمله اقتصاد می‌باشد. به‌طور کلی پیش‌بینی‌ها می‌توانند در ارتباط با انجام بخشی از سیاست‌ها کاربردهای مفید و مؤثری را به نمایش گذارند. در این مطالعه به طور مشخص از مدل تلفیقی داده ستانده و شبکه‌ی عصبی در پیش‌بینی تقاضای نهایی و تولید کل استفاده و با نتایج حاصل از کاربرد مدل داده ستانده مقایسه شده است.
ابتدا با استفاده از میانگین نرخ رشد تقاضای نهایی طی سال‎های 1365 الی 1375 به برآورد تقاضای نهایی پرداخته و سپس تولید کل با استفاده از روش داده ستانده پیش‌بینی شده است. در گام بعدی دو شبکه‌ی عصبی پیش خور تعمیم یافته به ترتیب با یک و سه لایه‌ی پنهان و توابع فعال سازی Axon در نظر گرفته شده‌اند. متغیر خروجی شبکه‌ی اول، تقاضای نهایی سال 1380 و متغیر خروجی شبکه‌ی دوم، تولید کل سال 1380 می‌باشد.
استفاده از معیارهای MSE، RMSE، MAD، MAPE و U-Thail در مقایسه‌ی دو مدل نشان می‌دهد که مدل تلفیقی داده ستانده و شبکه‌ی عصبی نسبت به مدل داده ستانده در پیش‌بینی تولید کل از دقت بیش‌تری برخوردار است.
طبقه‌بندی :JEL C53, D57, C54

کلیدواژه‌ها


عنوان مقاله [English]

Application of Integrated Neural Network and Input-Output Models in Forecasting Total Production and Final Demand

نویسندگان [English]

  • Abdolrasul Ghasemi 1
  • Ali Asghar Banouei 2
  • Fatemeh Aghaee 3
1
2
3
چکیده [English]

Forecasting of macroeconomic variables has specific importance in economic topics. Indeed, different models are invented to forecast variables to help economic policy makers in adopting appropriate monetary and fiscal policies. In this paper, the performance of integrated model of Input-Output (IO) and neural network is investigated in forecasting final demand and total production and the results are compared with IO model. At the first step, final demand is estimated by using mean of final demand rates over the period 1365-1375, and then total production is forecasted by using IO model. In the next step, two generalized feed forward neural networks are proposed to forecast final demand and total production of the year 1380. Finally, two models are compared and the hypothesis is evaluated by using MSE, RMSE, MAD, MAPE criteria. The results indicate that the integrated model of IO and neural network outperform IO model in forecasting total production.
JEL Classification: C53, D57, C54

کلیدواژه‌ها [English]

  • forecasting
  • Generalized feed forward
  • Input-Output
  • Neural Network