كاربرد تلفيقي مدل‌هاي داده - ستانده و شبكه‌ي عصبي در پيش بيني توليد كل و تقاضاي نهايي

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

پيش‌بيني متغيرها يكي از وظايف اصلي و مهم علوم مختلف از جمله اقتصاد مي‌باشد. به‌طور كلي پيش بيني ها مي توانند در ارتباط با انجام بخشي از سياست ها كاربردهاي مفيد و موثري را به نمايش گذارند. در اين مطالعه به طور مشخص از مدل تلفيقي داده ستانده و شبكه‌ي عصبي در پيش‌بيني تقاضاي نهايي و توليد كل استفاده و با نتايج حاصل از كاربرد مدل داده ستانده مقايسه شده است. ابتدا با استفاده از ميانگين نرخ رشد تقاضاي نهايي طي سال‎هاي 1365 الي 1375 به برآورد تقاضاي نهايي پرداخته و سپس توليد كل با استفاده از روش داده ستانده پيش‌بيني شده است. در گام بعدي دو شبكه‌ي عصبي پيش خور تعميم يافته به ترتيب با يك و سه لايه‌ي پنهان و توابع فعال سازي Axon در نظر گرفته شده اند. متغير خروجي شبكه‌ي اول، تقاضاي نهايي سال 1380 و متغير خروجي شبكه‌ي دوم، توليد كل سال 1380 مي‌باشد. استفاده از معيارهاي MSE، RMSE، MAD، MAPE و U-Thail در مقايسه‌ي دو مدل نشان مي‌دهد كه مدل تلفيقي داده ستانده و شبكه‌ي عصبي نسبت به مدل داده ستانده در پيش‌بيني توليد كل از دقت بيش‌تري برخوردار است. طبقه‌بندي :JEL C53, D57, C54

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