حمید ابریشمی - دانشگاه تهران
محسن مهرآرا - دانشگاه تهران
مهدی احراری
سوده میرقاسمی

در این مقاله از شبکه عصبی GMDH، به‎عنوان ابزاری با قابلیت بالا در مسیریابی و تشخیص روند‎های غیرخطی پیچیده، به‎ویژه با تعداد مشاهدات محدود، برای الگوسازی و پیش‎بینی رشد تولید ناخالص داخلی به قیمت ثابت در ایران استفاده شده است. ابتدا الگویی بنیادی شامل ۷ متغیر همراه با وقفه اول رشد تولید ناخالص داخلی طراحی و سپس با استفاده از فرآیند قیاسی و نیز کنارگذاشتن هر متغیر از الگوی بنیادی، در مجموع ۱۸ مدل اجرا شد. نتایج نشان داد الگو‎های حاصل از کنار گذاشتن رشد صادرات کل، رشد صادرات نفت و رشد حجم تجارت از الگوی بنیادی، به ترتیب بیش‎ترین سهم را در کاهش خطای پیش‎بینی دارا هستند. هم‎چنین اثر مضاعف رشد هزینه‎های دولت بر متغیر هدف، موید نتایج مطالعات اخیر در کشورهای در حال توسعه نفتی است. برتری شبکه عصبی GMDH در دقت پیش‎بینی رشد اقتصادی نسبت به روش ARIMA، بر اساس معیارهای خطا نیز مورد تائید قرار گرفت. طبقه‎بندی JEL : C۲۲, C۴۵, C۵۳, O۴۱

پیش‎بینی, رشد تولید ناخالص داخلی, شبکه عصبیGMDH, فرآیند قیاسی