دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,499
تعداد مقالات18,351
تعداد مشاهده مقاله59,522,473
تعداد دریافت فایل اصل مقاله20,819,662
اکبری فرد, حسین, قاسمی نژاد, امین, رضائی جعفری, مریم. (1396). مدل‌سازی عوامل موثر بر نرخ تورم در اقتصاد ایران با استفاده از الگوریتم کرم شب‌تاب و الگوریتم فاخته. سامانه مدیریت نشریات علمی, 4(3), 143-168.
حسین اکبری فرد; امین قاسمی نژاد; مریم رضائی جعفری. "مدل‌سازی عوامل موثر بر نرخ تورم در اقتصاد ایران با استفاده از الگوریتم کرم شب‌تاب و الگوریتم فاخته". سامانه مدیریت نشریات علمی, 4, 3, 1396, 143-168.
اکبری فرد, حسین, قاسمی نژاد, امین, رضائی جعفری, مریم. (1396). 'مدل‌سازی عوامل موثر بر نرخ تورم در اقتصاد ایران با استفاده از الگوریتم کرم شب‌تاب و الگوریتم فاخته', سامانه مدیریت نشریات علمی, 4(3), pp. 143-168.
اکبری فرد, حسین, قاسمی نژاد, امین, رضائی جعفری, مریم. مدل‌سازی عوامل موثر بر نرخ تورم در اقتصاد ایران با استفاده از الگوریتم کرم شب‌تاب و الگوریتم فاخته. سامانه مدیریت نشریات علمی, 1396; 4(3): 143-168.

مدل‌سازی عوامل موثر بر نرخ تورم در اقتصاد ایران با استفاده از الگوریتم کرم شب‌تاب و الگوریتم فاخته

نظریه های کاربردی اقتصاد
مقاله 6، دوره 4، شماره 3 - شماره پیاپی 14، آبان 1396، صفحه 143-168    اصل مقاله (705.41 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
حسین اکبری فرد1؛ امین قاسمی نژاد* 2؛ مریم رضائی جعفری2
1استادیار اقتصاد دانشگاه شهید باهنر کرمان
2کارشناس ارشد اقتصاد دانشگاه شهید باهنر کرمان
چکیده
تورم به عنوان یکی از پدیده‌‌های اقتصادی موجب پیامدهای منفی اجتماعی و فرهنگی متعددی همچون فقر، توزیع نامتناسب درآمد و گسترش مفاسد مالی می‌‌شود که هرکدام به نوبه خود هزینه‌‌های قابل توجهی را بر اقتصاد تحمیل می‌‌کند. به همین دلیل، در کلیه کشورها ثبات قیمت‌‌ها به عنوان هدف اصلی برنامه‌‌ها و سیاستگذاری‌‌های اقتصادی در نظر گرفته می‌‌شود. لذا بررسی و پیش‌‌بینی این متغیر کلان اقتصادی از اهمیت ویژه‌‌ای برخوردار است. در این راستا مدل‌‌های پیش‌‌بینی گوناگونی در رقابت با یکدیگر توسعه یافته‌‌اند، یکی از این روش‌‌ها الگوریتم‌‌های تکاملی می‌‌باشد که به عنوان روشی نوین برای مدل‌‌سازی و پیش‌‌بینی پدیده‌‌های مختلف ابداع گردیده‌‌اند. در مطالعه حاضر با استفاده از الگوریتم کرم شب‌‌تاب و الگوریتم فاخته و به کارگیری متغیرهای تأثیر‌‌گذار بر تورم از جمله حجم نقدینگی، نرخ ارز، نرخ بهره حقیقی، تورم انتظاری و تولیدات صنعتی طی دوره 1394-1354 به مدل‌‌سازی تورم به صورت خطی و غیرخطی پرداخته می‌‌شود. نتایج نشان می-دهد که مدل غیر‌‌خطی برای مدل‌‌سازی تورم مناسب‌‌تر است و الگوریتم کرم شب‌‌تاب نسبت به الگوریتم فاخته نتیجه بهتری را ارائه می‌‌دهد و با توجه به دقت مدل غیرخطی مدل‌‌سازی شده توسط الگوریتم کرم شب‌‌تاب می‌‌توان به منظور پیش‌‌بینی تورم در آینده از آن استفاده نمود.
کلیدواژه‌ها
مدل‌سازی؛ نرخ تورم؛ الگوریتم کرم شب‌تاب؛ الگوریتم فاخته
مراجع
  1. ابونوری، عباسعلی، سجادی، سمیه السادات، و محمدی، تیمور (1392). رابطه بین نرخ تورم و نرخ سود سپرده­های بانکی در سیستم بانکداری ایران. فصلنامه سیاست­های مالی و اقتصادی، 1(3)، 52-23.
  2. حسینی، سیدصفدر، و آقابیگی، مونا (1391). بررسی توان پیش­بینی الگوهای اقتصادسنجی و شبکه عصبی تورم در ایران .فصلنامه اقتصاد کشاورزی، 2(6)، 23-1.
  3. شهیکی تاش، محمد نبی، مولایی، صابر، و حلاج­زاده، زینب (1392). پیش­بینی سطح عمومی قیمت­ها و تورم در اقتصاد ایران با استفاده از شبکه عصبی. فصلنامه سیاست­های راهبردی و کلان، 1(4)، 67-51 .
  4. صادقی، سید کمیل ، شیبائی، امینه، و فشاری، مجید (1390). بررسی عوامل مؤثر بر تورم با تأکید بر اندازه دولت نشریه مدلسازی اقتصادی، 4(11)، 91-73.
  5. عمادزاده، مصطفی ، صمدی، سعید، و حافظی، بهاره (1384). بررسی عوامل (پولی و غیرپولی) مؤثر بر تورم در ایران (1338-1382). پژوهشنامه علوم انسانی و اجتماعی، 5(19)، 52-33.
  6. کمیجانی، اکبر، و نقدی، یزدان (1387). بررسی ارتباط متقابل بین تولید و تورم در اقتصاد ایران (با تأکید بر تولید بخشی). پژوهشنامه علوم اقتصادی، 9(1)، 124-99.
  7. دهدشتی، مسعود، محمدی، حمید، دهباشی، وحید، و دهقانپور، حامد (1391). پیش­بینی نرخ تورم و نقدینگی و اثرات آن­ها بر ارزش افزوده بخش کشاورزی .فصلنامه اقتصاد کشاورزی، 6(4)، 36-17.
  8. مشیری، سعید (1380). پیش بینی تورم در ایران با استفاده از مدل­های ساختاری، سری زمانی و شبکه­های عصبی .مجله تحقیقات اقتصادی، (58)، 184-147 .
  9. نصر اصفهانی، رضا، و یاوری، کاظم (1382). عوامل اسمی و واقعی مؤثر بر تورم در ایران-رهیافت خود رگرسیون برداری (VAR). پژوهشهای اقتصادی ایران، (16)، 99-69.
  10. وبسایت بانک مرکزی ایران، آمار و داده­ها (www.cbi.ir)
 

  1. Abounoori, A., Sajadi, S.S., & Mohammadi, T. (2013). The relation between the rate of inflation and deposits profit rates in Iran banking system. Qarterly Journal of Fiscal and Economic Policies, 1(3), 23-52 (In Persian).
  2. Adusei, M. (2013). Is inflation in South Africa a structural or monetary phenomenon? British Journal of Economics, Management & Trade, 3(1), 60-72.
  3. Alturki, F., & Vtyurina, S. (2010). Inflation in Tajikistan: forecasting analysis and monetary policy challenges. IMF Working Paper 10/17 (Middle East and Central Asia Department), 1-20.
  4. Ball, L. M. (1999). Policy rules for open economies. Monetary policy rules, University of Chicago Press, 127-156.
  5. Central Bank of Iran. (www.cbi.ir) (In Persian).
  6. Dehdashti, M., Mohammadi, H., Dehbashi, V., & Dehghanpour, H. (2012). Anticipated liquidity and inflation and its effects on agriculture value added. Agricultural economics, 6(4), 17-36 (In Persian).
  7. Dornbusch, R., Fischer, S., & Startz, R. (2004). Macroeconomics: New Delhi. Tata Mc Graw-Hill Publishing Company Limited.
  8. Emadzadeh, M., Samadi, S., & Hafezi, B. (2005). Mounetary and non-monetary factors in fluencing inflation in Iran (1958-2004). Journal of the Faculty of Humanities and Social Sciences, 5(19), 33-52 (In Persian).
  9. Enke, D., & Mehdiyev, N. (2014). A hybrid neuro-fuzzy model to forecast inflation. Procedia Computer Science, 36, 254-260.
  10. Gordon, R. J. (1988). Macroeconomics: Theory and Policy.
  11. Hosseini, S.S., & Aghabeygi, M. (2012). The examination of forecasting power of econometrics and ANN models of inflation in Iran. Agricultural economics, 8(2), 1-23 (In Persian).
  12. Hurtado, C., Luis, J., Fregoso, C., & Hector, J. (2013). Forecasting Mexican inflation using neural networks. International Conference on Electronics, Communications and Computing (CONIELECOMP),32-35.
  13. Komeijani, A., & Naghdi, Y. (2009). An analysis of the inter-relationship between production and inflation in Iran (emphasizing on sectoral production). Journal of the Faculty of Humanities and Social Sciences, 8 (32), 99-124 (In Persian).
  14. Maliszewski, W. (2003) Modeling Inflation in Georgia. IMF Working Paper 03/212 (Washington: International Monetary Fund), 1-23.
  15. McAdam, P., & McNelis, P. (2005). Forecasting inflation with thick models and neural networks. Economic Modelling, 22(5), 848-867.
  16. Moffat, I. U., & David, A. E. (2016). Modeling inflation rates in Nigeria: Box-Jenkins’ approach. International Journal of Mathematics and Statistics Studies, 4(2), 20-27.
  17. Moshiri, S. (2001). Forecasting Iranian inflation rates using, structural, time series, and artificial neural networks models. Tahghighat-E-Eghtesadi, (58), 147-184 (In Persian).
  18. Naser Esfahani, R., & Yavari, K. (2003). The effects of nominal and real variables on inflation in Iran. Iranian Economic Research. 5(16), 69-99 (In Persian).
  19. Öğünç, F., Akdoğan, K., Başer, S., Chadwick, M.G., Ertuğ, T., Hülagü, D., Kösem, S., Özmen M.U., & Tekatlı, N. (2013). Short-term inflation forecasting models for Turkey and a forecast combination analysis. Economic Modelling, 33, 312–325.
  20. Olubusoye, O. E., & Ogbonna, A. E. (2014). Modelling inflation process in Nigeria using bayesian model averaging. Conference: Second Bayesian Young Statisticians Meeting (BAYSM 2014), At Vienna. September 18-19.
  21. Rajabioun, R. (2011). Cuckoo optimization algorithm. Applied Soft Computing, 11(8), 5508-5518.
  22. Sadeghi, S.K., Shibaee, A., & Feshari, M. (2010). The study of inflation main determinants by emphasizing on government size. Qarterly Journal of Economical Modeling. 4(11), 73-91 (In Persian).
  23. Shahiki Tash, M.N., Seber Moulaee, S., & Hallaj Zade, Z. (2013). Forecasting Inflation and Price Index with Neural Networks. Journal Management System, 1(4), 51-67 (In Persian).
  24. Somaratna, P. E., Arunatilaka, S., & Premarathna, L. (2010). Which is better for inflation forecasting? Neural networks or data mining. International Conference on Information Society (i-Society), 116-121.
  25. Svensson, L. E. (1997). Inflation forecast targeting: Implementing and monitoring inflation targets. European Economic Review, 41(6), 1111-1146.
  26. Yang, X. S. (2008). Nature-inspired metaheuristic algorithms. Luniver press.
  27. Yang, X. S. (2009). Firefly algorithms for multimodal optimization. International symposium on stochastic algorithms, 169-178. Springer, Berlin, Heidelberg.
  28. Yang, X.-S., & Deb, S. (2009). Cuckoo search via Lévy flights. Paper presented at the Nature & Biologically Inspired Computing. 210-214. IEEE.
  29. Yang, X. S. (2010). Firefly algorithm, stochastic test functions and design optimisation. International Journal of Bio-Inspired Computation, 2(2), 78-84.
آمار
تعداد مشاهده مقاله: 1,685
تعداد دریافت فایل اصل مقاله: 3,097


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب