پیش بینی و تحلیل نتایج اشتغال صنعتی در ایران با روش شبکه عصبی مصنوعی(ann) و مدل arima
Authors
abstract
صنعت یکی از بخش های مهم و اساسی اقتصاد و زمینه ساز رشد و توسعه صنعتی است. رشد و توسعه بخش صنعت، زمینه را برای رشد و توسعه سایر بخش ها از جمله کشاورزی، خدمات، حمل و نقل و انرژی فراهم می سازد. این بخش در فرایند توسعه نقش مهمی در ایجاد اشتغال دارد. با توجه به اهمیت پیش بینی در برنامه ریزی و سیاست های اقتصادی و اهمیت اشتغال در بخش صنعت، مطالعه حاضر به پیش بینی میزان اشتغال صنعتی ایران با استفاده از روش شبکه عصبی مصنوعی ann و arima پرداخته است. بدین منظور از داده های 1358-1390 استفاده شده است. برای بررسی دقت پیش بینی از ریشه میانگین مربعات خطا rmse ، میانگین مطلق درصد خطا rmse و آماره ی u تایل استفاده شده است. نتایج تحقیق نشان می دهد که، شبکه عصبی پیشرو پس انتشار دارای قدرت بالایی در پیش بینی اشتغال صنعتی در ایران می باشد و نسبت به روش arima دارای خطای کمتری است.
similar resources
پیشبینی و تحلیل نتایج اشتغال صنعتی در ایران با روش شبکه عصبی مصنوعی(ANN) و مدل ARIMA
صنعت یکی از بخشهای مهم و اساسی اقتصاد و زمینهساز رشد و توسعه صنعتی است. رشد و توسعه بخش صنعت، زمینه را برای رشد و توسعه سایر بخشها از جمله کشاورزی، خدمات، حمل و نقل و انرژی فراهم میسازد. این بخش در فرایند توسعه نقش مهمی در ایجاد اشتغال دارد. با توجه به اهمیت پیشبینی در برنامهریزی و سیاستهای اقتصادی و اهمیت اشتغال در بخش صنعت، مطالعه حاضر به پیشبینی میزان اشتغال صنعتی ایران با استفاد...
full textپیش بینی تولید آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه عصبی مصنوعی
پیشبینی پدیدههای اقتصادی ساختاری فراهم میکند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیمهای درست یاری دهد. هدف اصلی این مطالعه پیشبینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روشهای سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده میشود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار ...
full textپیش بینی دامنه تغییرات طلا با استفاده از مدل ترکیبی ARIMA و شبکه عصبی
مدل خودرگرسیو میانگین متحرک انباشته (ARIMA) که تحت عنوان روش باکس و جنکینزشناخته میشود، یکی از پرکاربردترین مدلها در پیشبینی سریهای زمانی است. اما پیش فرض اصلی این مدل خطی بودن سریهای زمانی میباشد. از سوی دیگر شبکهی عصبی یک تخمین زنندهی عمومی است که الگوهای غیر خطی را بسیار خوب مدلسازی مینماید. دانستن الگوی دادهها مبنی بر خطی و غیر خطی بودن در واقعیت کمی دشوار است، بنابراین این اید...
full textمدلسازی و پیش بینی صادرات آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه های عصبی مصنوعی
هدف اصلی این مقاله، مدلسازی و پیش بینی میزان صادرات آبزیان دریایی در ایران است. برای این منظور، از روش های سری زمانی خود توضیح جمعی میانگین متحرک(ARIMA) و شبکه عصبی مصنوعی استفاده می شود. به منظور انجام بررسی، از داده های ماهانه دوره 1374:03 تا 1387:12 برای برآورد و آموزش مدل و از داده های دوره از 1388:01 تا 1390:12 به منظور بررسی قدرت پیش بینی مدل های مختلف استفاده می شود. در این مطالعه، معیار...
full textپیش بینی اشتغال صنعتی درایران با استفاده از شبکه عصبی مصنوعی و arima
صنعت یکی از بخش های مهم و اساسی اقتصاد و زمینه ساز رشد و توسعه اقتصادی است. رشد و توسعه بخش صنعت، زمینه را برای رشد و توسعه سایر بخش ها از جمله کشاورزی، خدمات، حمل و نقل و انرژی فراهم می سازد. این بخش در فرایند توسعه نقش مهمی در ایجاد اشتغال دارد. با توجه به اهمیت پیش بینی در برنامه ریزی و سیاست های اقتصادی و اهمیت اشتغال در بخش صنعت، مطالعه حاضر به پیش بینی میزان اشتغال صنعتی ایران به روش شبکه...
پیش بینی منابع مالی بانک با استفاده از مدل خطی( ARIMA) و غیرخطی شبکه های عصبی مصنوعی فازی
یکی از مهمترین موارد مورد علاقه مدیران بانکی به عنوان متغیری تأثیرگذار بر صنعت بانکداری، اطلاع از وضعیت سپردههای بانکی است که فعالیت بانک تا حد زیادی بستگی به آن دارد. ازاینرو مدیران بانکها علاقهمند هستند بدانند که میزان کل سپردههای بانک در زمان معینی در آینده چقدر خواهد بود. پیشبینی میزان سپردهها، تغییر و نوسان این سپردهها میتواند در امر برنامهریزی و تصمیمگیری به بانکها کمک نماید....
full textMy Resources
Save resource for easier access later
Journal title:
مدل سازی اقتصاد سنجیجلد ۱، شماره ۱، صفحات ۳۳-۴۹
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023