مدل‌سازي و پيش‌بيني رشد اقتصادي ايران با استفاده از مدل‌هاي ARIMA، ماركف ‌سوئيچينگ و ANFIS

Modeling and Predicting of Iran’s Economic Growth Using ANFIS, Markov Switching and ARIMA Models

يكي از مسائل مهم در اقتصاد پيش‌بيني رشد اقتصادي مي‌باشد. پيش‌بيني صحيح رشد اقتصادي، اثر مهمي در سياست‌گذاري و برنامه‌ريزي‌هاي اقتصادي دولت دارد و مي‌تواند علاوه بر ايجاد زمينه توسعه روش‌هاي جديد پيش‌بيني، سياست‌گذاران را در تصميم‌گيري آتي ياري رساند. پيش‌بيني بر اساس مدل‌هاي چند متغيري اقتصادسنجي با محدوديت‌هاي زيادي همراه است، بنابراين يك روش جايگزين استفاده از مدل‌هاي تك متغيري است. اما اكثر روش‌هاي تك متغيري براي حصول به نتيجه خوب نياز به داده‌هاي زيادي دارند. از اين رو در اين مطالعه كارايي مدل ميانگين متحرك خودرگرسيون تجمعيARIMA) ) با روش‌هاي ماركف ‌سوئيچينگ و شبكه عصبي فازي (ANFIS) در پيش‌بيني رشد اقتصادي ايران مقايسه مي‌شود. براي تخمين مدل از داده‌هاي دوره 1338 تا 1384 استفاده شده است. سپس كارايي اين مدل‌ها در پيش‌بيني رشد اقتصادي ايران براي دوره 1385 تا 1392 با استفاده از معيارهاي RMSE، MAE و MAPE ارزيابي و مقايسه شده است. مقايسه اين معيارها حاكي از اين است كه بهترين عملكرد متعلق به روش ANFIS است. همچنين مدل ماركف سوئيچينگ عملكرد بهتري نسبت به مدل ARIMA دارد.

Economic growth forecast is a major problem in economy that has a significant impact in government policy and economic planning. It also helps policy makers for future decisions. Multivariate econometric forecasting models associated with many limitations, so an alternative approach is the use of univariate models, but most of these methods need a lot of data to achieve the best result. In this study, data from 1959 to 2005 were used to estimate the models. Then the performances of auto regressive integrated moving average (ARIMA) model in the economic growth forecast of Iran was evaluated and compared with Markov switching method and fuzzy neural network (ANFIS) for the period from 2006 to 2013 using the Criteria RMSE, MAE and MAPE. Results showed that ANFIS model had the best performance. Furthermore, Markov switching method was more suitable than ARIMA model.