مقایسه الگوریتم ژنتیک و روش خود توضیح با وقفه‏های گسترده در

نوع مقاله : مقاله کامل

نویسندگان

1 بخش اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ج. ا. ایران

2 دانشگاه شهید باهنر کرمان

چکیده

چکیده- امروزه دستیابی به رشد اقتصادی از راه ارتقای بهره‏وری، از مهم‏ترین هدف‏های اقتصادی کشورها بشمار می‏آید با توجه به نقش مهم بهره‏وری در تصمیم‏گیری‏ها و برنامه‏ریزی‏های آینده، باید مقادیر دقیقی از این شاخص در اختیار داشت. در این مطالعه به منظور اندازه‏گیری دقیق بهره‏وری کل عوامل تولید در بخش کشاورزی، از  دو روش ARDL و الگوریتم ژنتیک طی دوره زمانی 86-1356 استفاده شده است. نتایج مقایسه‏ی این دو روش حاکیازآناستکه روش الگوریتم ژنتیک نسبت به روش ARDL از کارایی بسیار بالایی برخوردار است. همچنین نتایج حاصل از اندازه‏گیری بهره‏وری کل عوامل تولید ، نشان دهنده صعودی بودن روند آن تا سال1370 و از آن بعد روند نزولی ملایمی داشته است. همچنین رشد بهره‏وری کل عوامل تولید در بخش کشاورزی ایران طی دوره مورد بررسی نوسانات زیادی داشته است و میانگین سالانه رشد بهره‏وری در این بخش طی دوره مورد بررسی 16/0- می‏باشد. پس لازم است بر استفاده بهینه‏تر از نهاده‏های موجود و ترکیب مناسبتر آنها و افزایش بهره‏وری در بخش کشاورزی تأکید داشت.

کلیدواژه‌ها


Atkins, F.J., & Coe, P.J. (2002). An ARDL bounds test of the long-run Fisher effect in the United States and Canada, Journal of Macroeconomics, 24, 255–266.
Amjadi, M.H., Nezamabadi Pour, H., & Farsangi, M.M. (2010).Estimation of Electricity Demand of Iran Using Two Heuristic Algorithms.Energy Conversion and Management, 51, 493-497.
Central bank of Islamic Republic of Iran, Report and statistics; 2007 [in Pershian].
Ceylan, H., & Ozturk, H.K. (2004). Estimating energy demand of Turkey based on economic indicators using genetic algorithm approach. Energy Converse Management, 45, 2525–37.
Chen, P.C., YU, M.M., Chang, C.C., & HSU, S.H. (2008). Total factor productivity growth in China's agricultural sector, China Economic Review, 19, 580–593.
Energy balance-sheet: power ministry of Iran, Energy report and statistics; 2006 [in Persian].
Goldberg, D.E. (1989).  Genetic Algorithm in Search, Optimization and Machine Learning.Addison-Wesley.
Haldenbilen, S., & Ceylan, H. (2005). Genetic algorithm approach to estimate transport energy demand in Turkey, Fuel and Energy, 46, 193-204.
Hamamoto, M. (2006).Environmental regulation and the productivity of Japanese manufacturing industries.Journal of Resource and Energy Economics, 604, 14-25.
Holland, J.H. (1992). Adaptation in natural and artificial systems. Cambridge, MA: MIT Press. (First edition, 1975, University of Michigan Press.)
Ozturk, H.K., Ceylan, H., Canyurt, O.E., & Hepbasli, A. (2005). Electricity estimation using genetic algorithm approach: a case study of Turkey. Energy, 30, 1003–12.
Pirasteh, H. (2003). The contribution of agriculture to economic and productivity growth of Iranian economy. Journal Iranian Economic Review, University of Tehran, Faculty of Economic, 8, 45-72.
Pesaran, M.H., Shin, Y., & Smith, R.J. (2001).Bounds testing approaches to the analysis of level relationships.Journal Apply Econometr, 16, 289–326.
Pesaran, H.M., & Shin, Y. (1999). Autoregressive distributed lag modeling approach to cointegration analysis. In: Storm S, editor. Econometrics and economic theory in the 20th century: the Ranger Frisch centennial symposium. Cambridge University Press; [chapter 1].
Romer, D. (2001).Advanced Macroeconomics. Shanghai University of Finance & Economics Press, 5–17.
Simmons, P., & Cacho, O. (1999). a genetic algorithm approach to farm investment.theAustralian Journal of Agricultural and Resource Economics, 43,3,305-322.
Sethuram, S., Girmay, M., Steven, K., Jeffrey, B., & Lant Christopher.(2008). An agent based model of multifunctional agricultural landscape using genetic algorithms. The American agricultural economics association annual meeting, Orlando, fl, July 27-29.
Solow, R. (1956). A Contribution to the Theory of Economic Growth.Quarterly Journal of Economics, 70, 65-94.