شبیه سازی تابع مصرف و پیش بینی میزان مصرف ایران تا افق ۱۴۰۴ با استفاده از الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات (PSO)
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 15
فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ECOR-15-2_002
تاریخ نمایه سازی: 11 دی 1403
چکیده مقاله:
مصرف یا مخارج مصرفی، یکی از عناصر کلیدی تحلیلهای کلان اقتصادی است که بخش مهمی از تقاضای کل در اقتصاد ایران را به خود اختصاص میدهد. لذا تلاش در جهت پیشبینی روند آتی این متغیر از اهمیت ویژهای برای سیاستگذاران برخوردار است. در این مقاله با تکیه بر مبانی نظری مربوط به تابع مصرف، به تصریح مدل مصرف مناسب برای اقتصاد ایران با هدف دستیابی به پیشبینی مطلوب پرداخته میشود. لذا با هدف پیش بینی روند آتی مصرف بخش خصوصی در اقتصاد ایران تا سال ۱۴۰۴، با استفاده از مبانی نظری در زمینه توابع مصرف و به کارگیری آنها با دو ابزار الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات، به شبیه سازی تابع مصرف خصوصی ایران طی سالهای ۱۳۸۸-۱۳۵۲ با تکیه بر نظریه مصرف فریدمن و نظریه مصرف دوزنبری پرداخته و سپس با استفاده از معیارهای انتخاب مدل رقیب، الگوریتم و مدل برتر انتخاب و اقدام به پیش بینی میزان مصرف تا سال ۱۴۰۴ شده است. کارآیی و دقت بیشتر الگوریتم (PSO) و سازگاری رفتار مصرفی در ایران با فروض مصرف دوزنبری و فرم نمایی تابع مصرف شبیهسازی شده و نیز پیشبینی افزایش میل متوسط به مصرف تا سال ۱۴۰۴ و در نتیجه، کاهش میل متوسط به پس انداز در این دوره از نتایج این مقاله اند.
کلیدواژه ها:
genetic algorithm ، Particle Swarm Optimization Algorithm ، Simulation ، Consumption Model ، Permanent Income ، Relative Income ، الگوریتم ژنتیک ، الگوریتم بهینه سازی انبوه ذرات ، شبیه سازی ، مدل مصرف ، درآمد دائمی ، درآمد نسبی
نویسندگان
سید عبدالمجید جلایی
Professor, Faculty of Management and Economics, Shahid Bahonar University of Kerman,
امین قاسمی
MA Student of Economics, Shahid Bahonar University of Kerman
امید ستاری
Phd student Tarbiat Modares University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
