موضوع اصلی رساله‌ی حاضر، پیشبینی نرخ فقر با استفاده از مدل شبکه عصبی مصنوعی در ایران می‌باشد و لذا این مقوله را در دو حوزه نظری و تجربی مورد بررسی قرار داده‌ایم. در بخش نظری رساله، به بررسی تعریف فقر از دیدگاه اقتصاددانان مختلف و بر اساس شاخص‌های مختلف اجتماعی پرداخته و در ادامه مروری بر تاریخچه‌ی مدل‌های شبکه عصبی مصنوعی داشته‌ایم. در بخش تجربی رساله، سعی نمودیم با استفاده از مدل شبکه عصبی مصنوعی و با توجه به متغیرهای اقتصادی ایران برای دوره ۱۳۸۵-۱۳۵۷به طراحی مدلی برای پیشبینی نرخ فقر برای سال‌های ۱۳۸۶ و ۱۳۸۷ بپردازیم. از آنجا که در مدل‌های شبکه‌های عصبی نیز مانند غالب مدل‌های سری‌های زمانی چند متغیره، انتخاب متغیرهای توضیحی می‌توانند مبنای تئوریک داشته باشند بنابراین در ابتدا به تصریح یک مدل رگرسیون تک معادله‌ای که متشکل از نرخ فقر به عنوان متغیر وابسته و نرخ بیکاری، ضریب جینی، تورم، تولید ناخالص داخلی، تعداد افراد بالای ۶۰ سال، نرخ باسوادی و بعد خانوار به عنوان متغیرهای مستقل مدل می‌باشد پرداختیم. به منظور به‌دست آوردن یک الگوی کارا با انجام آزمون فلیپس-پرون مانایی متغیرهای سری زمانی و از طریق انجام آزمون آرچ، ناهمسانی واریانس مورد آزمون قرار گرفت و سپس به رفع خودهمبستگی به روش کاکرین-اورکات و هم‌خطی در سری زمانی متغیرهای مستقل پرداخته و بعد از تأیید معنی دار بودن ضرایب مدل رگرسیون و ضریب تعیین معادل ۷۴% و آماره دوربین واتسون نزدیک به ۲ به پیشبینی نرخ فقر توسط مدل رگرسیون تک معادله پرداختیم، معیار خطای اندازه‌گیری شده در این روش معادل ۰/۰۸ می‌باشد. در ادامه با طراحی شبکه‌های عصبی مختلف و با تجزیه و تحلیل نتایج و بررسی معیارهای اندازه‌گیری خطا این نتیجه حاصل شد که شبکه عصبی با سه لایه و۲۰ واحد در لایه میانی و ۱ واحد در لایه خروجی شبکه بهینه بوده و توانایی پیشبینی نرخ فقر با کمترین میزان خطا و مقداری برابر با ۰/۰۰۶۵ (مقداری نزدیک به صفر) را دارا می‌باشد.
امیر جوانمردیان، ۱۳۸۹، پیش بینی نرخ فقر با استفاده از شبکه عصبی در ایران، پایان نامه کارشناسی ارشد، استاد راهنما: سیدنظام‌الدین مکیان، دانشگاه یزد.
دریافت پایان نامه:
پیش بینی نرخ فقر با استفاده از شبکه عصبی در ایران