الگوسازي و پيش بيني رشد اقتصادي مبتني بر سناريوي هاي رشد جمعيت با استفاده از شبكه هاي عصبي

Modeling and Forecasting GDP Growth rate based on Population Growth Scenarios; Using Neural Networks

در آن سوي ديدگاه هاي بدبينانه به اثر رشد جمعيت بر رشد اقتصادي، نگرش هاي جديد معطوف به ديدگاه هاي نهادي و در نقطه مقابل انديشه هاي حاكم بر الگوهاي رشد نئوكلاسيكي، نتايج متفاوت و بعضا مثبتي را ارائه كرده اند. در اين مقاله با بهره گيري از تلفيق شبكه عصبي GMDH و الگوريتم ژنتيك، رشد توليد ناخالص داخلي بر اساس دو متغير رشد جمعيت و باروري، الگوسازي و پيش بيني شده است. نتايج نشان داد كه اولا متغير رشد جمعيت داراي تاثير مضاعف بر رشد اقتصادي است. ثانيا رشد اقتصادي علت كوتاه مدت (عليت غير خطي) رشد جمعيت مي باشد. همچنين پيش بيني هايي مبتني بر سه سناريوي حد پائين، متوسط و بالاي پيش بيني رشد جمعيت توسط سازمان ملل و سناريوي افزايش آهسته باروري كل، شامل 4 متغير، وقفه هاي اول و دوم رشد جمعيت و باروري، براي رشد اقتصادي صورت گرفته است. نتايج نشان داد كه بهترين عملكرد پيش بيني مربوط به الگوي سناريوي حد پائين جمعيت و سناريوي افزايش آهسته باروري كل مي باشد.

Beyond the pessimistic perspective of the impact of population growth on economic growth, institutional approach which is in contrast with the mainstream neoclassical growth models, have presented different and somehow positive results. In this paper, we used hybrid GMDH neural networks and genetic algorithms, based on two variables: population growth and fertility, to model and predict GDP growth. The results showed that first; population growth has considerable effects on economic growth. Second, the economic growth is the short term (and non-linear) result of population growth. Moreover, GDP growth has been forecasted based on various scenarios of population growth and total fertility. The finding indicated that the best forecasting is related to low population scenario and slow increase total fertility scenario.