بررسی عوامل موثر بر رشد بهره‌وری در ایران با استفاده از الگوریتم شبکه‌های عصبی مصنوعی

نوع مقاله: فصلنامه پژوهش های رشد توسعه اقتصادی

نویسندگان

1 دانشجوی دکتری اقتصاد دانشکده اقتصاد و مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

2 دانشیار اقتصاد، دانشکده اقتصاد و مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

3 استادیار اقتصاد، دانشکده اقتصاد و مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران

4 استادیار اقتصاد، دانشکده اقتصاد و مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.

10.30473/egdr.2019.48433.5378

چکیده

کشورهای توسعه‌یافته و درحال‌توسعه بر اهمیت بهره‌وری به‌عنوان یکی از ضرورت‌های توسعه اقتصادی و کسب برتری رقابتی در عرصه‌های بین‌المللی تأکیددارند؛ زیرا امروزه رقابت در صحنه‌های جهانی ابعاد دیگر به خود گرفته و تلاش برای نیل به سطح بهره‌وری بالاتر یکی از پایه‌های اصلی این رقابت‌ها را تشکیل می‌دهد؛ بنابراین در مسیر نیل به رشد و توسعه اقتصادی شناسایی عوامل مؤثر بر رشد بهره‌وری در اقتصاد ایران لازم است. این پژوهش در نظر دارد تا در یک تحقیق جامع ابتدا با استفاده از منطق انتخاب ویژگی (الگوریتم ژنتیک دو هدفه) عوامل مؤثر بر رشد بهره‌وری را شناسایی کند، سپس با استفاده از شبکه‌های عصبی مدل انتخابی را در دوره زمانی 1395-1370 تخمین زده و در نهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل مؤثر بر رشد بهره‌وری را به انجام برساند. بر اساس نتایج حاصل از منطق انتخاب ویژگی از میان بیست متغیر مورداستفاده، پنج متغیر، سرمایه‌گذاری خارجی، سرمایه‌گذاری در بهداشت، خطوط ریلی، شاخص نوآوری و نرخ ارز از مدل حذف شدند. بر اساس نتایج، مدل شبکه عصبی با تابع فعال‌سازی تنسیگ با 3 نورون، دارای قدرت پیش‌بینی 993/0 و حداقل خطا مدل 0019/0 است. همچنین بر اساس نتایج شاخص گارسن سرمایه انسانی با 15 درصد، اندازه دولت با 11 درصد، درجه باز بودن، تحقیق و توسعه و کنترل فساد اقتصادی با حدود 8 درصد بیشترین تأثیر را بر رشد بهره‌وری داشته‌اند و متغیرهای توسعه پولی با 48/1 و حاکمیت قانون با 27/2، سرمایه فیزیک با 2/3 درصد کمترین تأثیر را بر رشد بهره‌وری داشته‌اند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation of Productivity Factors Growth in Iran with Using Artificial Neural Networks Algorithm

نویسندگان [English]

  • farrokh norozi 1
  • Masoud Nonejad 2
  • Mehrzad Ebrahimi 3
  • Jalil Khodaparast Shirazi 4
1 Ph.d.in Economics,Shiraz Branch, Islamic Azad University, Shiraz, Iran.
2 Associate Professor, Faculty Of Economics, Shiraz Branch, Islamic Azad University, Shiraz, Iran.
3 Assitnat Professor, Faculty Of Economics, Shiraz Branch, Islamic Azad University, Shiraz, Iran.
4 assitnat Professor, Faculty Of Economics, Shiraz Branch, Islamic Azad University, Shiraz, Iran
چکیده [English]

Today most developed and developing countries emphasize on the importance of productivity as one of the necessities of economic development and competitive in the world. Because today's, competition is taking various dimensions and striving for higher productivity is one of the important factor of these competitions. on this basis, identifying the factors of affecting productivity growth in the Iran economy is essential for economic growth and its development Therefore, this study intends to first identify the factors affecting productivity growth by using feature selection logic, basis on Non-Dominated Sorting Genetic Algorithm (NSGA-II) then estimate the selective model using Artificial Neural Networks (ANN) for the period(1370-1395) and finally using the Garsen index to measure the sensitivity analysis of factors affecting productivity growth. Based on the results of the feature selection among the twenty variables, foreign investment, health investment, rail lines, nnovation index and exchange rate (five variables) were removed from the model. Basis on the results of ANN model with Tansig activation function with 3 neurons, it has a prediction power of 0.993 and minimum error of model 0.0019. Also, according to the Garsen index, human capital (15%), government size (11%), openness, research and development and economic corruption control (8%) had the highest impact on productivity growth and monetary development (1.48%) the rule of law (2.27%) and physical capital (3.2%) had the least impact on productivity growth.

کلیدواژه‌ها [English]

  • Productivity
  • Artificial Neural Networks(ANN)
  • Genetic Algorithm

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 21 آبان 1398
  • تاریخ دریافت: 09 شهریور 1398
  • تاریخ بازنگری: 19 آبان 1398
  • تاریخ پذیرش: 21 آبان 1398