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

کشورهای توسعه‌یافته و در حال توسعه بر اهمیت بهره‌وری به‌عنوان یکی از ضرورت‌های توسعه اقتصادی و کسب برتری رقابتی در عرصه‌های بین‌المللی تاکید دارند؛ 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 موثر 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 موثر بر رشد بهره‌وری را شناسایی کند، سپس با استفاده از شبکه‌های عصبی مدل انتخابی را در دوره زمانی 1395-1370 تخمین زده و درنهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل موثر بر رشد بهره‌وری را به انجام برساند. بر اساس نتایج حاصل از منطق انتخاب ویژگی از میان بیست متغیر مورد استفاده، 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 0.993 و حداقل خطا مدل 0.0019 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 تاثیر را بر رشد بهره‌وری داشته‌اند و متغیرهای توسعه پولی با 1.48درصد و حاکمیت قانون با 2.27 درصد، سرمایه فیزیکی با 3.2 درصد کمترین تاثیر را بر رشد بهره‌وری داشته‌اند.

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

Today most developed and developing countries emphasize on the importance of productivity as one of the necessities of economic development and competitiveness in the world. Because todays, 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 development. Therefore, this study intends to first identify the factors affecting productivity growth by using feature selection logic, basis on NonDominated Sorting Genetic Algorithm (NSGAII) then estimate the selective model using Artificial Neural Networks (ANN) for the period (19912016) 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, innovation index and exchange rate (five variables) were removed from the model. Based 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.