برآورد تابع توليد مناسب براي ايران با وجود نهاده انرژي و تحقيق و توسعه: روش الگوريتم ژنتيك

Estimating a Production Function for Iran with Emphasis on Energy and Expenditure on Research and Development: An Application of Genetic Algorithm Method

هدف این مطالعه، برآورد انواع تابع تولید در ایران با تأكید بر نقش انرژی و سرمایه­گذاری در تحقیق و توسعه (R&D) برای كشور ایران با روش الگوریتم ژنتیك طی دوره 1357تا1389می­باشد. پس از برآورد انواع توابع تولید شامل CES،GPF، كاب- داگلاس، ترنسندنتال، ترانسلوگ و تعمیم یافته خطی، تابع مناسب برای ایران انتخاب می گردد. این توابع عمدتاً غیر خطی بوده و برآورد آنها مستلزم داشتن حجم نمونه بزرگ است. به علاوه در اقتصاد سنجی مرسوم، برآوردها عمدتاً از طریق حداقل كردن مجموع مجذور خطا (RSS) صورت می گیرد. مطالعات نشان داده اند كه این روش نسبت به روش "حداقل سازی كمترین مقدار مطلق انحراف" ( ) از كارآیی كمتری برخوردار است. با توجه به محدودیت های ناشی از تكنیك های مرسوم اقتصاد سنجی، استفاده از روش ( ) كمتر مورد توجه می باشد. برای غلبه بر مشكلات فوق در این مطالعه برای اولین بار در ایران، با استفاده از روش هوشمند تكاملی الگوریتم ژنتیك و با حداقل سازی مقدار مطلق انحراف، توابع تولید برآورد شده است. نتایج نشان می دهد كه تابع تولید ترانسلوگ نسبت به سایر توابع برای ایران مناسب تر است. بر اساس نتایج،10 درصد افزایش در نهاده انرژی، تولید را به میزان 3/7 درصد افزایش می دهد. درحالی كه افزایش 10 درصدی در مخارج R&D، منجر به افزایش 6/2 درصدی در تولید می گردد. علاوه بر این، نشان داده می شود كه تكنولوژی تولید در ایران بعد از جنگ تحمیلی دارای ویژگی بازده صعودی نسبت به مقیاس بوده است. بنابراین، به نظر می رسد كه ساخت الگوهای رشد برای اقتصاد ایران با فرض تابع تولید با تكنولوژی بازده ثابت نسبت به مقیاس باید (حداقل برای دوره بعد از جنگ تحمیلی) با تامل بیشتری صورت گیرد.

This paper aims to estimate various production functions, with emphasis on energy and investment in R& D, in Iran over the period 1979-2010. Following estimation of different production functions including CES (Constant Elasticity of Substitution), GPF (Generalized Production Function), Cobb-Douglas, Transcendental, Translog, and GLPF (Generalized Linear Production Function), a proper production function is selected. The functions are mainly non-linear and their estimation requires large sample sizes. The conventional econometric techniques estimate regression parameters through minimizing residual sum of squares (RSS). However, this approach is less efficient than minimization the Least Absolute Deviation (LAD). Moreover, the conventional nonlinear techniques cannot minimize absolute deviation of errors from their expected values. In order to overcome this problem, we use Genetic Algorithm (GA) method with LAD to estimate six non-linear production functions. The results suggest that the Translog function is the most appropriate production function for the Iranian economy. According to our findings, a 10 percent increase in energy consumption, raises the output by 7.3 percent. However, a 10 percent increase in R&D expenditure only increases the output by 2.6 percent. Finally, the results show that the production function in Iran exhibits increasing return to scale after the end of Iran-Iraq war. Thus, it seems constructing growth models for Iran by assuming constant returns to scale production technology needs to be reexamined.