بهينه يابي و شبيه سازي (مونت كارلو) تأثير تكانه هاي بهره وري بر توليد ناخالص داخلي ايران با رهيافت الگوريتم هاي پيشرفته

Optimization and Simulation (Monte Carlo) of the Impact of Productivity Shocks on GDP of Iran using the Advanced Algorithms Approach

در اين مقاله، به بررسي پاسخ گويي نحوۀ اثرگذاري تكانه هاي بهره وري بر توليد ناخالص ملي با رهيافت الگوريتم هاي پيشرفته و شبيهسازي مونتكارلو در اقتصاد ايران پرداخته شده است. پس از بررسي مطالعات نظري و تجربي صورتگرفته، متغيرهاي تورم، بيكاري، توليد بالقوه و تكانههاي بهرهوري به عنوان متغيرهاي توضيح دهندۀ توليد ناخالص داخلي انتخاب شدند و با استفاده از سه الگوريتم كرم شبتاب، فاخته و پرندگان، ضريب هر يك از متغيرهاي مستقل برآورد شد. پس از برآورد ضرايب و با توجه به عدم قطعيت آنها به وسيلۀ الگوريتم هاي پيشرفته، به كمك روش مونتكارلو معادلات مد نظر شبيه سازي شدند. مقايسه نتايج به دست آمده از شبيه سازي و نتايج حاصل از تخمين، نشان دهندۀ دقت بالاي نتايج تخمين هاست. با توجه به نتايج به دست آمده، تكانه هاي بهره وري اثر بسيار ناچيز و قابل صرف نظر بر توليد ناخالص داخلي دارند و توليد بالقوه اثرگذارترين متغير معرفي است.

In this paper, the impact of productivity shocks on GDP using advanced algorithm approach and the Monte Carlo simulation in the Iranian economy has been surveyed. After reviewing the theoretical and experimental studies, the variables of inflation, unemployment, potential production and productivity shocks are selected as the variables explaining the variable of gross domestic product. Using three algorithms of fireflies, cuckoo, and particle swarms optimization, the coefficients of each of the independent variables were estimated. After estimating the coefficients and given the uncertainty of the estimated coefficients by the advanced algorithms, Monte Carlo method was used to simulate the equations. Comparing the findings obtained from the simulation and findings of the estimation indicate the high accuracy of the findings obtained from estimates. Given the obtained findings, productivity shocks had very little impact on GDP and the potential production was introduced as the most influential variable.