خلاصة:
تاکنون مطالعات متعددی در تخمین تابع تولید در بخش کشاورزی صورت گرفته است . اغلـب ایـن مطالعات روش های اقتصادسنجی را برای تخمین توابع تولید به کار برده اند. با توجه به اینکـه اخیـرا الگوریتم های ابتکاری در مدت زمان اندکی کاربردهای گسترده ای در مسائل بهینه سازی یافته است ؛ در این مطالعه نیز با به کارگیری روش الگوریتم ژنتیک (GA) به منظور برآورد تابع تولیـد در بخـش کشاورزی، به مقایسه ی این مدل با روش خودتوضیح با وقفه های گسترده (ARDL) پرداخته شـده است . برای برآورد تابع تولید از داده های سری زمانی ارزش افزوده ، نیروی کـار، انـرژی و سـرمایه ی بخش کشاورزی طی دوره ی زمـانی ٨٦-١٣٥٦ اسـتفاده گردیـده و نتـایج مقایسـه ی ایـن دو روش براساس دو معیار خطای ریشه متوسط مربعات (RMSE) و ضریب تعیین (R٢ ) حـاکی از آن اسـت که روش الگوریتم ژنتیک نسبت به روش ARDL از کارایی بالایی در تخمین تابع تولید برخـوردار است .
Several studies have estimated production function in agriculture. Most of them have used econometric methods. Recently, the heuristic algorithms have been widely in optimization problems. In this study, genetic algorithm (GA) model has been compared with a Auto regressive distributed lag (ARDL) approach to estimate the production function in agriculture. Time series data of value added, labor, energy and capital agriculture sector was used of 1978-2008. Comparing the results of two methods based on two criteria of Root Mean Square Error (RMSE) and Coefficient of Determination (R2), indicated that the genetic algorithm is more efficient than the ARDL approach
ملخص الجهاز:
"برای برآورد تابع تولید از داده های سری زمانی ارزش افزوده ، نیروی کـار، انـرژی و سـرمایه ی بخش کشاورزی طی دوره ی زمـانی ٨٦-١٣٥٦ اسـتفاده گردیـده و نتـایج مقایسـه ی ایـن دو روش براساس دو معیار خطای ریشه متوسط مربعات (RMSE) و ضریب تعیین (R٢ ) حـاکی از آن اسـت که روش الگوریتم ژنتیک نسبت به روش ARDL از کارایی بالایی در تخمین تابع تولید برخـوردار است .
در این مقاله ، هدف از بهینه سازی به دست آوردن وزن هاست ؛ یعنی به دنبال به دسـت آوردن ضـرایب بهینه برای تابع تولید هستیم و در این راستای، تابع هدف در نظر گرفته شـده در ایـن پـژوهش در رابطه ی (٧) اختلاف بین مقادیر واقعی و تخمین زده شده توسط مدل و تابع شایستگی با توجـه بـه اینکه باید به صورت حداکثرسازی در نظر گرفته شود، همان معکوس معیار MSE تعریف مـیشـود که در رابطه ی (٨) بیان شده است .
در الگوریتم ژنتیک با استفاده از تابع شایستگی معرفی شـده و بـا اسـتفاده از پارامترهای در نظر گرفته که در جدول ٤ نشان داده شده است ؛ به انتخاب بهترین ضریب برای تابع تولید دست یافته ایم .
نتایج مقایسه ی این دو روش براساس دو معیار ارزیابی خطای ریشه متوسط مربعات (RMSE) و ضریب تعیین (R٢ ) و همچنین بررسی دقت پیش بینی آنها توسط آزمون آماری GN حاکی از آن است که روش الگوریتم ژنتیک از توانایی بالایی برای تخمین تابع تولید برخـوردار اسـت ."