به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

genetic algorithm

در نشریات گروه اقتصاد
تکرار جستجوی کلیدواژه genetic algorithm در نشریات گروه علوم انسانی
  • علی اصغر اسماعیل نیا گتابی*، زهرا پورخاقان شاهرضایی، مرجان دامن کشیده

    سهولت تبدیل برق به سایر انرژی ها موجب وابستگی شدید فعالیت های بشر به آن شده است. مسائل زیست محیطی، محدودیت منابع، توزیع ناعادلانه منابع و وابستگی شدید اقتصاد کشورها به انرژی موجب توجه بیشتر به بهینه سازی ترکیب منابع تولید کننده برق شده است. همچنین با توجه به اینکه در سیاست گذاری و برنامه ریزی های جامع، اهداف متعدد و متفاوتی مطرح می شود که گاها در تضاد با یکدیگر هستند؛ این موضوع که بهینه سازی ترکیب بهینه سبد تولید انرژی بر مبنای چه هدفی انجام شود، بسیار مهم است. در این پژوهش سبد تولید برق، ترکیبی از گروه انرژی های فسیلی، تجدیدپذیر و هسته ای در نظر گرفته شده است و بهینه سازی با بکارگیری روش الگوریتم ژنتیک (در 700 رشته 200 کروموزمی) با استفاده از نرم افزار متلب در دو حالت تک هدفه (GA) و چند هدفه (NSGA-II) برای ایران طی دوره 1403-1397 مورد بررسی و مقایسه قرار گرفته است. ترکیب سبدهای بهینه سازی شده با روش بهینه سازی چند هدفه، نسبت به روش های تک هدفه از توازن کمتری برخوردار است، زیرا در این روش مجموعه ای از راه حل ها معرفی می شود که هر کدام، یکی از اهداف را در سطح قابل قبولی برآورده می کنند. به عبارتی دستیابی به نقاط بهینه عمومی محتمل تر از حالت تک هدفه است؛ زیرا بهینه سازی تک هدفه معمولا نقاط بهینه محلی را معرفی می کند و موجب گمراهی و دور شدن از هدف اصلی می شود. از این رو قویا بکارگیری بهینه سازی چندهدفه جهت بهینه سازی سبد تولید برق کشور توصیه می شود.

    کلید واژگان: الگوریتم ژنتیک، بهینه سازی تک هدفه، بهینه سازی چند هدفه، سبد انرژی برق
    Aliasghar Esmaeelinia Ketabi*, Zahra Pourkhaghan Shahrezaei, Marjan Danan Keshideh

    The ease of converting electricity into other energies has caused human activities to be highly dependent on it. Environmental issues, limited resources, unfair distribution of resources and the strong dependence of countries' economies on energy have caused more attention to be paid to optimizing the mix of electricity producing resources. Also, different goals are proposed in policy-making and comprehensive planning, which are in conflict with each other; so It’s important to optimize the composition of the energy production portfolio based on what purpose. In this research, the electricity generation portfolio is a combination of fossil, renewable and nuclear energy groups, and optimization is done using the genetic algorithm method with MATLAB software in single-objective (GA) and multi-objective (NSGA-II) modes.The comparison of optimization methods showed that the share of energies for single-objective optimization based on economic index is different from modes based on environmental index and Multi-purpose optimization. Through multi-objective optimization, a set of solutions is introduced, each of which fulfills one of the objectives at an acceptable level. In other words, achieving general optimal points is more likely than single-objective mode. single-objective optimization usually introduces local optimal points and leads to misguidance and moving away from the main goal.

    Keywords: Genetic Algorithm, Single-Objective Optimization, Multi-Objective Optimization, Electric Energy Portfolio
  • جواد کیایی، زهرا فرشادفر *

      عدم وجود قطعیت در روند حرکت بازار سهام پیش بینی آنرا به یک کار پرچالش در حوزه ی پیش بینی سری های زمانی مالی تبدیل کرده است. از سوی دیگر تحلیل داده های سری زمانی قیمت های سهام به علت غیر خطی بودن و وجود نویز زیاد آسان نیست. از اینرو هدف این پژوهش پیش بینی روند بلند مدت و کوتاه مدت بازار سرمایه است. برای دستیابی به این هدف از الگوریتم های هوش مصنوعی ذرات و ژنتیک بصورت مقایسه ای استفاده شده است. متغیر مورد مطالعه شاخص کل قیمت سهام در بورس اوراق بهادار تهران در دوره زمانی 1395 تا 1400 و بصورت ماهانه می باشد. داده ها پس از گردآوری با استفاده از روش هموارسازی برای روزهای تعطیل بازبینی شده اند و به منظور افزایش دقت مدل ها طول پنجره بهینه هر الگوریتم محاسبه شده است. یافته های حاصله بیانگر آن است که الگوریتم ژنتیک با به حداقل رساندن خطای پیش بینی یک الگوریتم مناسب برای پیش بینی روند کوتاه مدت و بلند مدت شاخص کل قیمت نسبت به الگوریتم ذرات در دوره زمانی مورد مطالعه است.

    کلید واژگان: الگوریتم ذرات، الگوریتم ژنتیک، هموار سازی داده، یادگیری ماشین، هوش مصنوعی
    Javad Kiae, Zahra Farshadfar *

     The lack of certainty in the movement of the stock market has made forecasting a challenging task in the field of financial time series forecasting. On the other hand, it is not easy to analyze the time series data of stock prices due to non-linearity and high noise. Therefore, the aim of this research is to predict the long-term and short-term trend of the capital market. To achieve this goal, artificial intelligence algorithms of particles and genetics have been used in a comparative manner. The studied variable is the total stock price index in Tehran Stock Exchange in the period of 2016 to 2021 and on a monthly basis. The data have been reviewed after collection using the smoothing method for holidays, and in order to increase the accuracy of the models, the optimal window length of each algorithm has been calculated. The findings indicate that the genetic algorithm by minimizing the prediction error is a suitable algorithm for predicting the short-term and long-term trend of the total price index compared to the particle algorithm in the studied time period.

    Keywords: Keywords, Particle Algorithm, Genetic Algorithm, Data Leveling, Machine Learning, Artificial Intelligence
  • ایمان دادفر، رویا سیفی پور*، ازاده محرابیان، نارسیس امین رشتی

    بانک ها در فرایند اعطاء تسهیلات که براساس میزان منابع تجهیز شده صورت می پذیرد با ریسک اعتباری مواجه می باشند. دراین بین مدیریت پرتفوی تسهیلات می تواند با تخصیص بهینه منابع به بخش های اقتصادی از طریق به حداقل رساندن ریسک سرمایه گذاری در سطح معینی از بازده مورد انتظار بر کاهش ریسک اعتباری تاثیرگذار باشد.دراین پژوهش پرتفوی تسهیلات بانک سینا در بخش های اقتصادی طی سال های 1386 تا 1402 با استفاده از مدل پرتفوی مدرن مارکویتز و الگوریتم های فراابتکاری ژنتیک و کرم شب تاب بهینه سازی و مرز کارا تعیین می شود. مقایسه عملکرد مدل ها حاکی از کارایی بیشتر مدل الگوریتم ژنتیک در بهینه سازی پرتفوی تسهیلات بانک می باشد و نتایج حاصل از برآورد این مدل نشان می دهد، بخش های خدمات و بازرگانی، مسکن و ساختمان بیشترین سهم را در پرتفوی بهینه تسهیلات بانک دارند و بخش های صتعت و معدن، کشاورزی و آب دارایی های ریسکی بانک سینا محسوب می شوند. طی دوره مورد بررسی، روند اعطای تسهیلات بانک سینا بهینه نبوده است و درراستای کاهش ریسک اعتباری تسهیلات آن بانک می بایست 4/52% به بخش خدمات و بازرگانی، 7/40% به بخش مسکن و ساختمان، 5/3% به بخش صنعت و معدن و 4/3% به بخش کشاورزی و آب اختصاص یابد.

    کلید واژگان: بهینه سازی، مدل پرتفوی مدرن مارکویتز، الگوریتم ژنتیک، الگوریتم کرم شب تاب
    Iman Dadfar, Roya Seyfipour *, Azadeh Mehrabian, Narciss Aminrashti

    Banks face credit risk in the process of providing facilities based on the amount of resources provided. In the meantime, facility portfolio management can be effective in reducing credit risk by optimally allocating resources to economic sectors. In this research, the portfolio of Sina Bank's facilities is determined by using the Markowitz modern portfolio model and meta-heuristic algorithms of genetics and firefly. Comparing the performance of the models indicates the greatest efficiency of the genetic algorithm model in optimizing the bank's facilities portfolio. the results of the estimation of this model show that the service & commercial, housing & construction sectors have the largest share in the optimal portfolio of the bank's facilities. Industry & mining, agriculture & water sectors are considered risky assets of Sina Bank. the process of granting facilities has not been optimal. To reduce the credit risk of that bank's facilities, 52.4% should be allocated to the service & commercial sector, 40.7% to the housing & construction sector, 3.5% to the industry & mining sector, 3.4% to be allocated to agriculture & water sector.

    Keywords: Optimization, Markowitz Modern Portfolio Model, Genetic Algorithm, Firefly Algorithm
  • فاطمه غلامی، فاضل مریدی فریمانی*، حمیدرضا شاهوردی
    علی رغم کاهش سهم نفت در سبد انرژی دنیا مقدار مطلق مصرف نفت رو به افزایش است و همچنان نفت در کانون تحولات اقتصادی و سیاسی است و کشورهای دارای ذخایر نفت و گاز تلاش می کنند حداکثر بهره برداری را از این ذخایر بنمایند. در کشور ما نیز سیاست گذاری ها و قانون گذاری ها متعددی در ارتباط با نفت و گاز صورت گرفته و تاکیدات فراوانی بر حداکثر سازی بهره برداری بهینه از این منابع شده است که به طور نمونه می توان به سیاست های کلی اقتصاد مقاومتی و اصلاح قانون نفت 1390 اشاره کرد که به موضوع بهره برداری بهینه از منابع، تولید صیانتی و حداکثر سازی ارزش اقتصادی مخزن تاکید شده است. عبارت تولید صیانتی پیش ازاین نیز در ادبیات قانون گذاری و سیاست گذاری نفت و گاز کشور بیان شده بود، بااین حال هنوز الگوسازی کافی برای تبیین و بیان مقداری آن صورت نگرفته است. در این پژوهش تلاش شده است که با استفاده از داده های واقعی یک مخزن نفتی (دارای دوره های تخلیه طبیعی، بهبود بازیافت اولیه، ثانویه و ثالثیه)، توابع هدف متفاوت (ارزش اقتصادی مخزن و ضریب بازیافت نهایی) و اثر تغییر در دوره بهینه سازی (بین دوره ای یا تمام دوره ای) مدل سازی شود و مفهوم تولید صیانتی به صورت مقداری محاسبه شود. نتایج نشان داده است که تغییر در تابع هدف و دوره های بهینه سازی (که حاکی از نگاه بلندمدت یا کوتاه مدت به مخزن است) می تواند تاثیر قابل توجهی بر مسیر تولید بگذارد.
    کلید واژگان: تولید صیانتی، بهینه سازی، الگوریتم ژنتیک
    Fateme Gholami, Fazel Moridi Farimani *, Hamidreza Shahverdi
    Despite the decrease in the share of oil in the world's energy basket, the absolute amount of oil consumption is still increasing. Oil is at the center of the economic and political developments and countries with the oil and gas deposits are trying to maximize their benefit from these reserves. In Iran, there have been many policies and legislations related to optimizing the value and volume of the oil and gas reserve. The term "conservation production" has been mentioned several times in several legislations and guidelines however, it is still ambiguous as to how to implement this framework. This research has sought to use the real data of an oil reservoir (with periods of natural depletion, primary production, secondary and tertiary recovery), different objective functions (reservoir net present value and final recovery factor), and the effect of changes in the optimization period to model the concept of conservation production. The results show that the changes in the objective function and the optimization periods would have a significant effect on the production path.
    Keywords: conservation production, Optimization, Genetic Algorithm
  • اکرم بیگی*، فریبا فتاحی

    مدیریت بهینه مصرف انرژی در ساختمان ها پیامدهای مثبتی در اقتصاد خرد و کلان دارد. در مدیریت مصرف انرژی، علاوه بر کاهش مصرف راحتی ساکنان نیز باید مورد توجه باشد. مسیله مدیریت و زما بندی کارکرد وسایل الکتریکی خودکار و قابل برنامه ریزی در یک ساختمان هوشمند، یک مسیله بهینه سازی است که با توجه به تعداد وسایل الکتریکی و قابلیت های آن ها پیچیدگی بالایی دارد. در این پژوهش یک رویکرد مدیریت مصرف انرژی پیشنهاد شده است که شامل سه لایه از عامل های سوییچ، هماهنگ کننده و اجرا است که در یک ساختار شبکه ای با هم مرتبطند. عامل سویچ برای تعیین و پایش اولویت ها، سطح رضایت و راحتی کاربر استفاده می شود. عامل هماهنگ کننده درباره زمان بندی وسایل الکتریکی با هدف کمینه سازی هزینه برق مصرفی و بیشینه سازی راحتی کاربر تصمیم گیری می کند. عامل اجرا تصمیمات اخذ شده را با مجموعه ای از اعمال اجرا می کند. هدف اصلی این پژوهش ارایه الگوریتمی برای کاهش مصرف انرژی و اوج نرخ میانگین و درعین حال افزایش راحتی کاربر در لایه عامل هماهنگ کننده است. به این منظور روشی ترکیبی مبتنی بر الگوریتم ژنتیک و الگوریتم خفاش ارایه شده و عملکرد آن بر اساس توابع هدف ارزیابی شده اند. نتایج حاصل نشان می دهد که روش پیشنهادی نسبت به روش های ارایه شده اخیر، بر روی مجموعه داده های اسمارت هوم [1] و سی یوبیمز [2] نتایج بهتری داشته اند.

    کلید واژگان: مدیریت مصرف انرژی، راحتی کاربر، بهینه سازی چندهدفه، الگوریتم ژنتیک، الگوریتم خفاش
    Akram Beigi *, Fariba Fatahi

    Managing energy consumption in smart buildings has become an increasingly important challenge. Efficient energy management can have a positive impact on both micro and macroeconomics. Moreover, it is essential to ensure that the comfort of smart building residents is maintained at an acceptable level. Optimization algorithms can be used to achieve user convenience while minimizing energy consumption. In this study, we propose an optimization approach that utilizes an agent-based architecture. This architecture comprises intelligent agents that communicate with each other via message exchange in a network structure consisting of three layers: (1) The switch layer monitors user preferences and comfort levels. (2) The coordination layer includes a coordinating agent that determines the optimal timing for electrical appliances to minimize electricity consumption costs and maximize user comfort. (3) The execution layer contains performer agents. Our focus in this research is on the coordination layer with the aim of reducing energy consumption costs and peak average rates, while increasing user comfort to the highest possible level. However, this optimization problem is highly complex due to the large number of electrical devices and their capabilities. To address this, we propose a hybrid method based on genetic and bat algorithms. We evaluated its performance based on objective functions and compared it with recent research on SmartHome and CU-Bems datasets. Our results demonstrate an improvement in performance

    Keywords: Energy Consumption Management, User Comfort, Multi-Objective Optimization, Genetic Algorithm, Bat algorithm
  • داریوش آدینه وند، ابراهیم علی رازینی*، محمود خدام، فریدون اوحدی، الهام سادات هاشمی زاده

    انتخاب سبد سهام بهینه از اهداف اصلی مدیریت سرمایه است. امروزه ابزارها و تکنیک های متعددی برای اندازه گیری ریسک سبد سرمایه گذاری و انتخاب سبد سهام بهینه ارایه شده است. در این مقاله، با استفاده از داده های 15 سهم که با روش نمونه گیری هدفمند از شرکتهای برتر سازمان بورس اوراق بهادار تهران انتخاب شده اند که شامل خپارس، خزامیا، وپاسار، فولاد، اخابر، کگل، فملی، تاپیکو، سپاها، فاذر، فخاس، شبهرن، شفن، قمرو و قثابت هستند، ابتدا بازده این سهام بصورت روزانه در بازه زمانی 31/3/1394-31/3/1399 طی 5 سال به مدت 1183 روز محاسبه می شوند و سپس با استفاده از نرم افزار متلب مدل های بهینه سازی فرا ابتکاری الگوریتم ژنتیک چند هدفه تحت معیار ریسک MSV و الگوریتم ازدحام ذرات تحت معیار ریسک CVaR با هم مقایسه می شوند. نتایج نشان می دهد که مدل الگوریتم ژنتیک چند هدفه تحت معیار ریسک MSV دارای بازده بیشتر و ریسک کمتری می باشد، در نتیجه مدل الگوریتم ژنتیک تحت معیار ریسک MSV از مدل الگوریتم ازدحام ذرات تحت معیار ریسک CVaR کارآمدتر می باشد.

    کلید واژگان: بهینه سازی، الگوریتم زنتیک، الگوریتم ازدحام ذرات، ارزش در معرض خطر مشروط و میانگین- نیم واریانس
    Dariush Adinevand, Ebrahim Ali Razini *, Mahmoud Khodam, Fereydoun Ohadi, Elham Elsadat Hashemizadeh

    Choosing the optimal stock portfolio is one of the main goals of capital management. Today, There are several tools and techniques for measuring portfolio risk and selecting the optimal stock portfolio. In this article, using data of 15 shares selected by purposeful sampling method from the top companies of Tehran Stock Exchange Organization including; PKOD, ZMYD, BPAS, FOLD, MKBT, GOLG, MSMI, PTAP, SSEP, AZAB, FKAS, NBEH, PFAN, GMRO and GSBE, the First return of these stocks are calculated daily in the period of 31/3/1394 -31/3/1399 for 5 years for 1183 days and then using MATLAB software models The Metaheuristic Optimization of the Genetic Algorithm under the MSV Risk Criterion and the Particle Swarm Algorithm under the CVaR risk Criterion are Compared. The results show that the genetic algorithm model under MSV risk criterion is more efficient and less risky, therefore the genetic algorithm model under MSV risk criterion is more efficient than the particle swarm algorithm model under CVaR risk criterion.

    Keywords: Optimization, Genetic Algorithm, particle swarm optimization, Conditional Value at Risk, Mean Semi Variances
  • سبحان مصطفائی درمیان، میثم دعائی*
    در این پژوهش مساله بهینه سازی سبد سهام در شرکت های پذیرفته شده در بازار سرمایه ایران به عنوان یک مساله بهینه سازی تصادفی چندهدفه مورد بررسی قرار گرفته است. تابع هدف اول شامل کمینه سازی ریسک و تابع هدف دوم شامل بیشینه سازی بازده است. محدودیت های مدل شامل محدودیت انتخاب شرکت ها به صورت منحصربفرد و همچنین محدودیت بودجه می باشد. به منظور حل مساله، دو الگوریتم فراابتکاری ژنتیک و گرگ خاکستری توسعه داده شده که با استفاده مثال های عددی برگرفته از 491 شرکت پذیرفته شده در بورس اوراق بهادار تهران و فرابورس ایران از تاریخ 5 فروردین 1397 تا 30 آذر 1400، مورد تجزیه و تحلیل عددی قرار گرفتند. مطابق با نتایج عددی می توان مشاهده نمود الگوریتم گرگ خاکستری در تمامی مثال ها دارای کارایی بالاتری نسبت به الگوریتم ژنتیک است. البته قابل توجه است که در هیچ کدام از مثال های عددی، درصد پاسخ های ناموجه در رویه بهبود الگوریتم ها از 02/10 درصد بیشتر نشده است. همچنین درصد بهبود کارایی الگوریتم گرگ خاکستری نسبت به الگوریتم ژنتیک بین 3 تا 11 درصد گزارش شده است.
    کلید واژگان: بهینه سازی سبد سهام، الگوریتم ژنتیک، الگوریتم گرگ خاکستری، بورس اوراق بهادار تهران و فرابورس ایران
    Sobhan Mostafayi Darmian, Meysam Doaei *
    The purpose of this study is to optimize the portfolio in companies listed on the Iran capital market (Tehran Stock Exchange and Iran Farabours) as a multi-objective optimization problem. The first objective function includes risk minimization and the second objective function includes return maximization. The limitations of the model include the limitation of selecting companies individually as well as the limitation of budget. In order to solve the problem, two genetic metaheuristic algorithms and a gray wolf have been developed, which are analyzed using numerical examples taken from 491 companies listed on the Tehran Stock Exchange and the Iran Farabours market from April 26, 2016 to December 21, 2022 were subjected to numerical analysis.According to the numerical results, it can be seen that the gray wolf algorithm has a higher efficiency than the genetic algorithm in all examples. It is noteworthy, however, that in none of the numerical examples did the percentage of unwarranted responses in the algorithm improvement procedure exceed 10.2%. Also, the percentage improvement of the gray wolf algorithm compared to the genetic algorithm is reported to be between 3 and 11%.
    Keywords: Portfolio Optimization, genetic algorithm, gray wolf algorithm, Tehran Stock Exchange, Iran Farabours
  • فرخ نوروزی، مسعود نونژاد*، مهرزاد ابراهیمی، جلیل خداپرست شیرازی
    کشورهای توسعه یافته و در حال توسعه بر اهمیت بهره وری به عنوان یکی از ضرورت های توسعه اقتصادی و کسب برتری رقابتی در عرصه های بین المللی تاکید دارند؛ زیرا امروزه رقابت در صحنه های جهانی ابعاد دیگر به خود گرفته و تلاش برای نیل به سطح بهره وری بالاتر یکی از پایه های اصلی این رقابت ها را تشکیل می دهد. بنابراین در مسیر نیل به رشد و توسعه اقتصادی شناسایی عوامل موثر بر رشد بهره وری 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 بهره وری را شناسایی کند، سپس با استفاده از شبکه های عصبی مدل انتخابی را در دوره زمانی 1395-1370 تخمین زده و درنهایت با استفاده از شاخص گارسن، تحلیل حساسیت عوامل موثر بر رشد بهره وری را به انجام برساند. بر اساس نتایج حاصل از منطق انتخاب ویژگی از میان بیست متغیر مورد استفاده، پنج متغیر سرمایه گذاری خارجی، سرمایه گذاری در بهداشت، خطوط ریلی، شاخص نوآوری و نرخ ارز از مدل حذف شدند. بر اساس نتایج، مدل شبکه عصبی با تابع فعال سازی تنسیگ با 3 نورون، دارای قدرت پیش بینی 993/0 و حداقل خطا مدل 0019/0 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 بهره وری داشته اند و متغیرهای توسعه پولی با 48/1درصد و حاکمیت قانون با 27/2 درصد، سرمایه فیزیکی با 2/3 درصد کمترین تاثیر را بر رشد بهره وری داشته اند.
    کلید واژگان: بهره وری کل عوامل، شبکه های عصبی، الگوریتم ژنتیک
    Farrokh Norozi, Masoud Nonejad *, Mehrzad Ebrahimi, Jalil Khodaparast Shirazi
    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 Non-Dominated Sorting Genetic Algorithm (NSGA-II) then estimate the selective model using Artificial Neural Networks (ANN) for the period (1991-2016) 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.
    Keywords: Productivity, Artificial Neural Networks (ANN), Genetic Algorithm
  • علی حسین استادزاد*
    در اغلب الگوهای رشد اقتصادی از تابع تولید کاب داگلاس (با کشش جانشینی عوامل برابر با یک) به عنوان تکنولوژی تولید استفاده شده است. در این تحقیق در ابتدا الگوی رشد درونزای رمزی با تابع تولید CES (تابع تولید با کشش جانشینی ثابت) بسط و پس از حل مسئله کنترل بهینه، مسیر بهینه متغیرهای اقتصادی (تولید و سرمایه) در حالت پایا برای اقتصاد ایران محاسبه شده است. نتایج تحقیق نشان می دهد که تولید و سرمایه تحقق یافته در اقتصاد ایران به صورت رکودی و معناداری از سطح پایا فاصله دارد. از نوآوری های این تحقیق بررسی اثر کشش جانشینی عوامل تولید بر مسیر بهینه متغیرهای اقتصادی و همچنین رشد اقتصادی در حالت پایا است. از دیگر نتایج استخراج شده رابطه کشش جانشینی و رشد اقتصادی است. کشش جانشینی عوامل تولید تاثیر منفی بر رشد تولید در حالت پایا برای اقتصاد ایران دارد. در حالت خاص کشش جانشینی را برابر با یک فرض نموده (کشش جانشینی تابع کاب داگلاس) و با حالت کشش جانشینی بین عوامل تولید مخالف یک مقایسه شده است. نتایج نظری تحقیق نشان می دهد با فرض کشش جانشینی برابر با یک، نرخ رشد تکنولوژی در بلندمدت پارامتر مهمی نیست و تاثیری بر نرخ رشد پایا نخواهد داشت. ولی با در نظر گرفتن کشش جانشینی کمتر از یک، نرخ رشد تولید در حالت پایا به نرخ رشد تکنولوژی و نرخ رشد جمعیت بستگی خواهد داشت. بنابراین با فرض تابع تولید CES در الگوهای رشد، موتور محرک نرخ رشد اقتصادی بلندمدت، نرخ رشد تکنولوژی است. بنابراین به طور مشخص در نظر گرفتن تابع تولید CES به جای کاب داگلاس در الگوی رشد نتایج کاملا متفاوتی بر رشد اقتصادی خواهد داشت.
    کلید واژگان: تابع تولید CES، الگوی رشد درونزا، الگوریتم ژنتیک، کشش جانشینی ثابت
    Ali Hossein Ostadzad *
    The Cobb Douglas production function was used in most economic growth models as production technology (Which has elasticity of substitution equal one). In this research, the Ramsy growth model is extended with CES production function (production function with constant elasticity of substitution, not one). After solving the optimal control problem, the optimal trajectory of economic variables (production and capital) is calculated in steady state for Iranian economy. The results show that production and capital are significantly lower than the steady state level. One of the innovations of this paper is to investigate the effect of elasticity of substitution on optimal trajectory of economic variables as well as economic growth in steady state. The results indicate the elasticity of substitution will have a negative impact on the growth in steady state. Theoretical results of the research show that assuming elasticity of substitution equal one, the technology growth rate is not significant effect on the economic growth rate in the long run. But given elasticity of substitution below one, the steady growth rate of production will depend on technology and population growth rates. Therefore, specifically considering the CES production function rather than the Cob Douglas in the growth model would have quite different results. Also in this research was calculated the economic growth rate for Iranian economies equal 6.9 percent. Other results show that the production realized for Iran had not been in steady state trajectory and Iranian economy is in deep recession in 2018.we show that the reason of this recession is decreasing of investment.
    Keywords: CES Production Function, Growth models, Genetic Algorithm, Constant Elasticity of Substitution
  • حجت الله برامکی یزدی*، داود منظور، محمدسعید شادکار

    تاریخچه قراردادهای نفتی در قرن اخیر حکایت از آن دارد که قراردادهای نفتی در واقع چهره ای از معارضه منافع شرکت های نفتی خارجی با منافع ملی دولت های صاحب مخزن است. در تعارض مطرح شده، این سوال مهم در برابر دولت های میزبان وجود داشته و دارد که کدام یک از قراردادهای بالادستی متعارف و موجود را باید انتخاب کنند تا منافع بیشتری کسب شود. برای پاسخ به این سوال تحقیق از نظریه نمایندگی استفاده شده است. در مدل طراحی شده تابع منفعت هرکدام از طرفین در هرکدام از قراردادهای بالادستی بیان شده، شناسایی و مدلسازی شده اند. همچین شروط عقلانیت و انگیزه نیز در این مدل به عنوان قید مشارکت مورد تحلیل قرار گرفته اند. نتایج حاصل از مدل پیشنهادی با استفاده از روش الگوریتم ژنتیک حاکی از آن است که قرارداد مشارکت در تولید در مقایسه با دو قرارداد امتیازی و خرید خدمت در مختصات میدان مفروض کمترین هزینه نمایندگی را داشته و می تواند به عنوان الگوی منتخب، بیشترین منفعت را برای دولت صاحب مخزن در پی داشته باشد.

    کلید واژگان: قرارداد امتیاز، قرارداد مشارکت در تولید، قرارداد خرید خدمت، الگوی کارگزار-کارفرما، الگوریتم ژنتیک
    Hojjatollah Baramaki Yazdi *, Davood Manzoor, MohamadSaeed Shadkar

    The history of oil contracts in the last century indicates that oil contracts are a form of conflict between the interests of foreign oil companies and national interests of reservoir-owning governments. In this context, an important question arises for reservoir-owning governments as to which existing conventional upstream contracts should be chosen to maximize benefits. Representation theory has been used to answer this research question. In the designed model, each party's interest function in each of the upstream contracts is identified and modeled. Also, the rationality and motivation conditions in this model have been analyzed as participation constraints. The results of the proposed model using the genetic algorithm method show that, given field coordinates, the production-sharing contract has the lowest representation cost compared to the other two contracts of concession and service purchase. And as the selected model, production-sharing contracts can make the most profit for reservoir-owning governments.

    Keywords: Concession Contract. Production-Sharing Contract, Service Contract, Principal-Agent Model, Genetic Algorithm
  • پریسا زارعی*، سید عبدالمجید جلائی، زین العابدین صادقی

    مالیات به عنوان یکی از سالم ترین راه های تامین مالی دولت، همواره یکی از ابزار های مالی دولت در کنار مخارج بخش عمومی جهت نیل به اهداف حکومت ها بوده است و از آنجایی که بیشترین خسارت زیست محیطی از مصرف انرژی در جهان حاصل شده است، اعمال مالیات های زیست محیطی بر مصرف انرژی می تواند از میزان خسارات وارده بر محیط زیست بکاهد. بنابراین با توجه به اهمیت مصرف انرژی در رشد اقتصادی و کیفیت محیط زیست در ایران، به بررسی اثر مالیات سبز به عنوان یک سیاست زیست محیطی بر مصرف و شدت انرژی پرداخته شده است. مدل مورد نظر این پژوهش برای اقتصاد ایران و با استفاده از الگوریتم ژنتیک برآورد و شبیه سازی شده و برای بررسی تمامی زوایای مختلف، ابعاد متفاوت آثار مالیات سبز بر مصرف و شدت انرژی تجزیه وتحلیل شده است. نتایج شبیه سازی توسط الگوریتم ژنتیک نشان داد که افزایش مالیات سبز موجب کاهش مصرف انرژی و در مقابل کاهش تولید می شود. همچنین اگر نسبت مصرف انرژی به تولید، شدت انرژی تعریف شود در نتیجه این افزایش مالیات سبز کاهش شدت انرژی را به همراه دارد. بنابراین نتایج نشان می دهد که مالیات سبز منجر به کاهش مصرف و شدت انرژی در ایران می شود.

    کلید واژگان: مالیات سبز، مصرف انرژی، شدت انرژی، الگوریتم ژنتیک، اقتصاد ایران

    Taxation as one of the safest ways of government financing has always been one of the financial tools of the government along with public sector expenses to achieve government objectives, and since the world's largest environmental damage is due to energy consumption, imposing environmental taxes on energy consumption can reduce the amount of environmental damage. Therefore, considering the importance of energy consumption in economic growth and environmental quality in Iran, the impact of green taxation as an environmental policy on energy consumption and intensity has been studied. The model for this research is evaluated and simulated using Genetic Algorithm for Iran's economy. Different aspects of green tax effects on energy consumption and intensity have been analyzed to study all different aspects of the issue. The simulation results from the genetic algorithm showed that increasing green taxes reduces energy consumption and therefore reduces production. Also, if the ratio of energy consumption to production is defined as the intensity of energy, as a result, increase in green taxes leads to a decrease in energy intensity. Therefore, the results indicate that green taxes will reduce energy consumption and intensity in Iran.

    Keywords: Green Tax, Energy Consumption, Energy Strength, Genetic Algorithm, Iran's Economy
  • رفیع حسنی *، حسن دانامزرعه

    هدف از این مقاله مقایسه تطبیقی دو نوع از ابزارهای مالی اسلامی (عقود مرابحه و سلف) از طریق تاثیرگذاری برمطلوبیت طرفین قرارداد است. به بیان دیگر در این مقاله رفتار کارگزاراقتصادی در قالب مصرف کننده کالای واسطه ای و تولید کننده کالای واسطه ای در یک اقتصاد دو دوره ای برای قراردادهای مرابحه و سلف موردبررسی و بهینه سازی قرار می گیرد و پس از آن با استفاده از الگوریتم ژنتیک، مدل مذکور عددی حل و مشخص می شود. مجموع مطلوبیت انتظاری تولیدکننده و مصرف کننده از کالای واسطه ای در تامین مالی به روش مرابحه بیشتر از مجموع مطلوبیت انتظاری تولیدکننده و مصرف کننده از کالای واسطه ای در تامین مالی به روش سلف است. به بیان اقتصادی قرارداد مرابحه نسبت به قرارداد سلف بهینه پرتواست. به عبارت دیگر در یک مقدار مشخص ضریب ریسک گریزی، مطلوبیت تولیدکننده و مصرف کننده کالای واسطه ای در قرارداد مرابحه بیشتر از قرارداد سلف می باشد. در این مقاله شروط لازم برای حداکثرسازی مطلوبیت طرفین قرارداد در عقود سلف و مرابحه نیز استخراج شده است.

    کلید واژگان: الگوریتم ژنتیک، بهینه سازی، سلف، مرابحه، مطلوبیت انتظاری، طبقه بندی JEL: A20، C70، G85
    Hassan Dana Mazrae, Rafi Hasani *

    The purpose of this paper is to compare the two types of Islamic finance instruments (Murabahah and Salam contracts) by influencing the contracting parties' utility. In other words, in this paper, the behavior of the economic agent in the form of the consumer of intermediate goods and the producer of intermediate goods in a two-period economy for the contracts of Murabahah and Salam is examined and optimized, and then using the genetic algorithm , The model has a numerical solution and it is determined: the total expected utility of the producer and consumer of the intermediary commodity in the financing of Murabahah method is more than the sum of the expected utility of the producer and consumer of the intermediary commodity in the financing by the inductor. In economic terms, Murabahah's contract is related to the Salam Pareto Optimal. In other words, given the degree of risk aversion, the utility of the intermediate goods producer and consumer in the Murabahah contract is more than the Salam. In this article, the necessary conditions for maximizing the utility of the parties to the contract are also extracted in the contracts of the Salam and Murabahah.

    Keywords: Genetic Algorithm, Optimization, Salam, Murabahah, Expected Utility. JEL Classification: A20, C70, G85
  • Mohammad Tavakkoli Mohammadi *, Mohsen Sarvi

    The research on the Markowitz model and optimization of its portfolio using a variety of evaluation indicators and meta-beta-algorithms has always been the focus of attention of accounting and finance researchers. The results of studies carried out by various types of optimization methods are different in the Markowitz modified models. The purpose of this study is to measure the optimal portfolio and its corresponding return, with respect to the portfolio in the traditional Markowitz model, as well as to compare the position of the refining and petrochemical companies versus stock market outperformers, through integrating the operational criteria and the new indicators of liquidity using the genetic algorithm in the Markowitz model. Therefore, financial data related to the research variables for 35 cases of TSE-listed refinery and petrochemical companies from 2012 to 2016 fiscal years were extracted from Rahavard Novin database software and simulated by the genetic algorithm. The results show that returns on the stock portfolio optimized using the genetic algorithm and without considering the liquidity limitations and filters have a significant and positive difference with the return on the stock portfolios optimized with regard to the liquidity limitations and filters. Furthermore, the application of liquidity limitations and filters in the formation of optimal stock portfolios leads to a conservative increase in the choice of stocks (portfolio formation), which leads to a reduction in the risk and return of investment in such portfolios.

    Keywords: Liquidity Indicators, Operational efficiency, Genetic Algorithm, Markowitz Model, Optimum Portfolio
  • سهیلا کوشا*، سیده ماریه طباطبایی نسب

    مجموعه اقداماتی که از سوی قدرت های جهان در جهت مجازات کشورها یا وادار کردن آن ها به انجام یا عدم انجام عملی وفق نظر آنان (کشورهای قدرت طلب) بکار گرفته می شود، تحریم نامیده می شود. کشور ایران 40 سال است که هدف سخت ترین این تحریم بوده و هست. در این مقاله، هدف محقق بررسی و شناسایی چالش های اقتصادی پس از ایجاد تحریم های ظالمانه در حوزه بانکداری است. برای این منظور پس از بررسی مبانی نظری و مصاحبه با برخی خبرگان این صنعت، 13 چالش اصلی شناسایی و پرسشنامه محقق ساخته تدوین شد. 10 تن از فعالان، مدیران و کارشناسان مجرب در حوزه صنعت بانکداری به سوالات محقق پاسخ دادند. جهت اولویت بندی شاخص ها از رویکرد ترکیبی پرموتاسیون و الگوریتم ژنتیک با کد نویسی در نرم افزار متلب 17 استفاده شده است. تعداد تکرارها 1000 بار، نرخ جمعیت 5000 و نرخ تقاطع 3% مدنظر محقق بوده است.  نتایج تحقیق نشان داد که به ترتیب، عدم شفافیت اطلاعاتی در حوزه های تجاری، پولی و ارزی، عدم تجربه زیاد نظام بانکی کشور در حوزه ابزارهای جدید پولی و مالی و تسلط سیاستهای مالی دولت بر سیاست های پولی از جمله مهمترین چالش های صنعت بانکداری پس از تحریم هاست. در پایان پیشنهاد هایی ارایه شده است.

    کلید واژگان: تحریم، صنعت بانکداری، چالش، پرموتاسیون، الگوریتم ژنتیک
    Soheila Kousha *, Seyyedeh Marieh Tabatabaei Nasab

    The set of measures taken by world powers to punish or compel countries to do or not to do what they want is called sanctions. For the past 40 years Iran has been the target of toughest sanctions. The purpose of this article is to examine and identify the economic challenges after the imposition of cruel sanctions in banking sector. For this purpose, after reviewing the theoretical basics and interviewing some industry experts, 13 main challenges were identified and a researcher-made questionnaire was developed. Ten experienced banking executives, managers and experts answered the researcher's questions and prioritized the indicators using the combined Permutation and Genetic Algorithm coding approach in MATLAB 17 software. The number of replications, population rate and intersection rate were respectively 1000, 5000 and 3%. The results show that the lack of information transparency in commercial, monetary and currency areas, lack of experience of the banking system in the field of new monetary and financial instruments, and the dominance of government fiscal policies over its monetary policy are among the most important challenges of the banking industry after sanctions. At the end some suggestions were provided.

    Keywords: Sanctions, Banking Industry, Challenge, Permutation, Genetic Algorithm
  • امید معتمدی سده، بختیار استادی *، علی حسین زاده کاشان، محمدرضا امین ناصری

    با مقررات زدایی از بازار و شکل گیری بازار روز بعد انرژی، باهدف کاهش هزینه های تولید و توزیع برق و رفع ناکارآمدی های صنعت برق انحصاری، تحدید ساختار در بازار برق ایران انجام گرفت که در آن در هرروز تولیدکنندگان انرژی با یکدیگر به رقابت می پردازند. دراین بین بهای تمام شده تولید انرژی پارامتر تعیین کننده در تعیین استراتژی پیشنهاد قیمت توسط هر نیروگاه و میزان سود بخشی آن می باشد. ازاین رو در این مقاله با در نظر گرفتن هزینه های سوخت مصرفی، استهلاک، تعمیرات، بهره برداری و سایر هزینه ها به عنوان عوامل تاثیرگذار بر روی بهای تمام شده تولید برق، تابع هزینه تولید برآورد شده است. در این مطالعه، نظر به سهم قابل توجه سوخت بر روی بهای تمام شده، سوخت مصرفی را به صورت جدا از سایر موارد موردبررسی قرار داده ایم و به جای سرشکن کردن هزینه سوخت در طول یک سال بر روی کل تولید، ابتدا تابع مصرف سوخت در سطوح مختلف تولید در دو حالت سوخت گاز و گازوئیل محاسبه شده و به دنبال آن هزینه سوخت مصرفی محاسبه گردیده است. مطابق با نتایج به دست آمده، از اجرای مدل پیشنهادی بر روی واحد گازی نیروگاه سیکل ترکیبی اردبیل، متوسط هزینه تولید هر کیلووات ساعت برق با سوخت گاز برابر با 398 ریال و با سوخت گازوئیل برابر با 500 ریال می باشد.

    کلید واژگان: بهای تمام شده انرژی، الگوریتم های فرا ابتکاری، هوش مصنوعی، الگوریتم ژنتیک، الگوریتم ازدحام ذرات
    Omid Motamedi sede, Bakhtiar Ostadi *, ali hussein zadeh kashan, Mohammadreza amin naseri

    The deregulation in power market is lead to competition among market participant to increase efficiency. In electricity market generation is the best candidate for iterance in competition to improve productivity and efficiency in resource allocation and offer lowest price by highest quality will be yielded. In the pool-based electricity market, every Genco submits a bidding price in ten step offer to the Independent System Operator (ISO) for every hour of the next day. One of the most important parameters affecting the profitability of Genco’s and their bidding pattern is the cost of energy generation. Therefore, in this paper, taking into account the costs of fuel consumption, depreciation, maintenance, operation and utilization and other costs as factors affecting the production cost. In this article artificial intelligence algorithms applied to calculate the energy generation cost function at different levels of production (base load, partial load, and full load), broken down by fuel type. According to the results, the average cost per kilowatt-hour of energy with gas fuel is 398 Rials and diesel fuel is 500 Rials

    Keywords: Power Generation Cost, Meta Heuristic Algorithms, Artificial Intelligence, Genetic Algorithm, Particle Swarm Algorithm
  • فرزاد فیروزی جهانتیغ *، صفورا دهقانی پور تلگردویی
    قیمت نفت، اهمیت و نوسانات آن در طول زمان در اخذ تصمیمات مهم اقتصادی در دنیا، سبب گسترش روش های مختلفی در پیش بینی قیمت نفت، ازجمله ابزارهای غیرخطی مانند شبکه عصبی شده است. در این مقاله برای در نظر گرفتن عامل زمان در پیش بینی توسط شبکه عصبی، با دریافت بازخورد از شبکه عصبی مصنوعی اصلاح شده با الگوریتم ژنتیک GADNN وقفه های بهینه ناشی از ورودی ها و خروجی های قیمت نفت توسط شبکه عصبی پویا محاسبه می گردد، سپس برای بررسی نتیجه استفاده از شبکه عصبی پویا اصلاح شده با الگوریتم ژنتیک با در نظر گرفتن وقفه های زمانی بهینه به پیش بینی قیمت نفت وست تگزاس اینترمدیت در بازه زمانی سال 2006 تا 2016 پرداخته می شود. بررسی، تحلیل و مقایسه پیش بینی قیمت نفت خام توسط مدل شبکه عصبی اصلاح شده با الگوریتم ژنتیک نشان می دهد که این مدل، با کاهش پیچیدگی های ناشی از طراحی شبکه عصبی و درنظر گرفتن تاخیرات زمانی بهینه، باعث افزایش دقت در پیش بینی قیمت نفت نسبت به سایر روش های
    کلید واژگان: پیش بینی، قیمت نفت، تاخیرات زمانی بهینه، شبکه عصبی مصنوعی پویا، الگوریتم ژنتیک
    Farzad Firouzi *
    Oil price forecasting methods include nonlinear tools, such as Artificial Neural Network. In this study we consider the time factor in forecasting through neural networks in order to calculate the optimal delays in receiving feedback from Genetic Algorithm based Dynamic Neural Network (GADNN). We use WTI crude oil price data from 2006 to 2016 to assess forecasts produced through use of GADNN with optimal delays. We discover that genetic algorithm based dynamic neural network models that take into account the time factor, increases the accuracy of oil price forecasting compared to other existing methods through reducing the complexities of neural network design and taking into account optimized time delays.
    Keywords: Predicting, Crude oil price, Dynamic Neural Network, Genetic Algorithm, Time delay
  • مجید مداح*، ندا سمیعی
    مالیات یکی از ابزارهای سیاست مالی در تنظیم فعالیت های مختلف اقتصادی در رسیدن به تعادل اقتصادی و عدالت اجتماعی است. دولت با استفاده از سیاست های مالیاتی مناسب و ترکیب بهینه مالیات های مستقیم و غیر مستقیم، می تواند به نحو موثرتری به اهداف تخصیص بهینه منابع، باز توزیع درآمد و عدالت اجتماعی نزدیک تر شود. از مهمترین اهداف وضع مالیات بهینه در جامعه می توان به توزیع مناسب درآمد، تحقق عدالت اجتماعی، مبارزه با فساد، مهار تورم، فراهم کردن زمینه های لا زم برای تحقق رقابت پذیری، تحقق رشد اقتصادی پیوسته، باثبات و پرشتاب متناسب با اهداف چشم انداز، ایجاد اعتماد و حمایت از سرمایه گذاران، اهتمام به نظم و انضباط مالی و بودجه ای، تلا ش برای قطع اتکاء هزینه های جاری به نفت و تامین آن از محل درآمدهای مالیاتی و… اشاره نمود. از سوی دیگر، از عواملی که عملکرد دولت در دریافت های مالیاتی را تحت تاثیر قرار می دهد، وجود فرصت های رانت جویی و شوک های اقتصادی است که بر یک سیستم اقتصادی تحمیل می شود. در این مقاله، سعی شده است به بررسی نرخ ها و درآمدهای بهینه مالیاتی با وجود این دو عامل اخلالی در عملکرد سیستم مالیاتی پرداخته شود. لذا، در چارچوب یک سیستم تعادل عمومی و روش های بهینه یابی هوشمند (الگوریتم ژنتیک) ، نرخ های بهینه مالیاتی در شرایط اقتصاد دارای رانت استخراج می گردد. در ادامه سه نوع شوک اقتصادی در این مدل تعادل عمومی اعمال می گردد و با نرخ ها و درآمدهای مالیاتی شرایط قبل از اعمال شوک ها مقایسه می شود. نتایج حاصل از بهینه یابی مدل های تصریح شده نشان می دهد که با وجود رانت جویی در درآمدهای مالیاتی دولت، مالیات بر مصرف بیش از سطح بهینه است و در مقابل، مالیات بر حقوق و دستمزد بسیار کمتر از سطح بهینه عمل می کند. این یافته ها بیانگر آن است که امکان رانت در مالیات بر حقوق و دستمزد نسبت به مالیات بر مصرف به دلیل پیچیدگی های اجرا و وصول آن بیشتر است؛ در حالی که رانت جویی در مالیات بر مصرف به دلیل شفافیت و تک نرخی بودن آن کمتر می باشد. همچنین نتایج بهینه یابی در شرایط وجود شوک های اقتصادی نیز نشان می دهد که مالیات های مستقیم بیشتر تحت تاثیر نوسانات اقتصادی قرار می گیرند و دولت می تواند در شرایط شوک های اقتصادی توجه خود را بر مالیات های غیر مستقیم معطوف کند.
    کلید واژگان: نرخ بهینه مالیات، رانت جویی، تعادل عمومی، شوک های اقتصادی، الگوریتم ژنتیک، ایران
    Majid Maddah *, Neda Samiei
    Tax is one of the financial policy tools in regulating various economic activities to achieve economic balance and to establish social justice. Tax policies can not only help to provide financial resources for government, but also contribute to economic development and growth. Government can use appropriate tax policies and an optimized combination of direct and indirect taxes to accomplish successfully optimized resource assignment, redistribution of income and social justice. So, tax revenues affect the efficiency of financial policies implementation. One of the factors affecting government performance in receiving tax revenues is rent-seeking opportunities through which the possibility of tax payment lags may occur. This paper tries to extract the optimized tax rate in the context of rent-seeking economy in terms of a public balance system and intelligent optimization methods (Genetic algorithm). The results of optimization of described models indicated that in the context of rent-seeking in government tax revenues, tax on consumption is more than optimized level and conversely, tax on wage and payment is lower than optimized level. These findings indicate that the possibility of rent-seeking on wage tax is more than consumption tax due to implementation complexity and its reception. Meanwhile, rent-seeking in consumption tax is lower than another due to transparency and a single rate.
    Keywords: Optimal Tax Rate, Rent -seeking, General Equilibrium, Economic shocks, Genetic Algorithm, Iran
  • سمانه خاتمی*، علیرضا شکیبایی
    هدف این مقاله ارائه مدلی جدید از جستجوی استراتژی های بهینه در بازی معمای زندانی تکراری با استفاده از الگوریتم ژنتیک است. بدین منظور با شبیه سازی رقابت بین ایران و عربستان در ائتلاف اوپک نفتی، از 12 نوع استراتژی مطرح در بازی معمای زندانی تکراری طی 20 اجرای الگوریتم ژنتیک به منظور حداکثرسازی امتیازات فردی بازیکن و نیز حداقل سازی امتیاز برازندگی رقیب استفاده شده است. نتایج نشان داد استراتژی «عمل متقابل» حائز بالاترین بازدهی متوسط در هر دو رقابت بوده و در رتبه های بعدی استراتژی های «اکثریت موافق»، «ماشه» و «عمل متقابل پس از دو بار نقض همکاری رقیب» جای گرفته اند. استراتژی «همواره عدم همکاری» نیز در رقابت ها با کمترین بازدهی به عنوان ناکاراترین استراتژی شناخته شده است.
    کلید واژگان: بازی، محاسبات تکاملی، الگوریتم ژنتیک، معمای زندانی تکراری، اوپک
    Samaneh Khatami *, Alireza Shakibaee
    Evolutionary game theory has been known as the most suitable tool for modeling the dynamics of strategic interactions. In this regard, evolutionary algorithms present the new approach for learning and decision modeling of bounded rationality factors. The objective of this study is providing the new model of searching for optimal strategies in iterated prisoner's dilemma (IPD) using genetic algorithm. For this purpose, by simulating competition between Iran and Saudi Arabia in OPEC oil Coalition, we used 12 strategy types over 20 runs of genetic algorithm for maximizing individual’s scores and also minimizing competitor fitness scores. Results show that “Tit for Tat” with the highest average fitness in both competitions known as the optimal strategy. The other strategis like; Soft Majority, Trigger & TF2T are next in ranking. The strategy “All D” is known as inefficient strategy in competition with the lowest productivity.
    Keywords: Game, Evolutionary Computation, Genetic algorithm, Iterated Prisoner's Dilemma, OPEC
  • یگانه موسوی جهرمی، محمدرضا رضوی، فرهاد خداداد کاشی، سید حسین ایزدی*
    نظام مالیاتی ایران شامل تعداد زیادی از اشکال مشوق های مالیاتی، از جمله مشوق مالیاتی هدفمند منطقه ای، است. براساس ماده 132، قانون مالیات های مستقیم که این نوع مشوق را در بر دارد، درآمد ابرازی مشمول مالیات ناشی از فعالیت های تولیدی و معدنی در مناطق کمتر توسعه یافته به میزان صددرصد (100% ) و به مدت ده سال از پرداخت مالیات بر درآمد اشخاص حقوقی معاف هستند. هدف این مطالعه برآورد تاثیر معافیت های مالیاتی این ماده قانونی بر اشتغال شهرستان های کمتر توسعه یافته کشور برای دوره زمانی 1387-1375 بوده است. در مقاله حاضر از یک روش دو مرحله ای استفاده شده است. در مرحله اول با استفاده از روش گروه کنترل ترکیبی(SMC) و روش ژنتیک، برای هر شهرستان مشمول معافیت مالیاتی (شهرستان درمان) یک گروه کنترل مناسب انتخاب، و در مرحله دوم با استفاده از روش DID، تاثیر مشوق های مالیاتی ماده قانونی 132 بر اشتغال مناطق کمتر توسعه یافته کشور برآورد شده است. نتایج بیانگر آن است که معافیت های مالیاتی ماده قانونی مذکور تاثیری بر اشتغال مناطق کمتر توسعه یافته کشور نداشته اند.
    کلید واژگان: معافیت مالیاتی، مناطق کمتر توسعه یافته، روش گروه کنترل ترکیبی(SCM)، روش DID، الگوریتم ژنتیک
    Yeganeh Mousavi Jahromi, Mohammad Reza Razavi, Farhad Khodadad Kashi, Seeyed Hossein Izadi *
    Iran’s tax system includes many forms of tax incentives, like as regionally targeted tax incentives. According to direct tax act, article 132, that includes this kind of incentive, declared taxable income of manufacturing and mining activities in less developed regions are totally (100%) exempt from corporate income tax for ten years. The aim of this study is to estimate the impact of tax exemptions article 132 on employment of Iran’s less developed counties for the period from 1996 to 2008 ( 1375 -1387 corresponding to Iranian calendar). In the present paper, a two- stage method is used. In the first stage, a proper control group is selected for each treated county by using Synthetic Control Method (SCM) and Genetic algorithm, and the impact of tax incentives article 132 on employment in Iran’s less developed regions is estimated via Difference in Difference (DID) Method, in the second stage. Results indicate that tax exemptions in mentioned Article have no impact on employment of Iran’s less developed counties.
    Keywords: Tax exemptions, Less developed regions, Synthetic Control Model (SCM), Difference in Difference Method (DID), Genetic Algorithm
  • خدیجه حسنلو
    مدیریت کارای سبد اوراق بهادار از دیرباز تاکنون مورد توجه محققان حوزه مالی و مطلوب سرمایهگذاران بوده است. در این پژوهش به بررسی مساله بهینهسازی سبد اوراق بهادار چنددورهای برای مدیریت دارایی و بدهی برای سرمایهگذاری که قصد دارد قبل از رسیدن به انتهای افق سرمایهگذاری خود، احتمال ورشکستگی را نیز کنترل نماید، پرداخته شده است. سبد اوراق بهادار مورد بررسی، شامل مجموعه ای از دارایی های ریسکی، دارایی بدون ریسک و نوعی از بدهی است. یک مدل میانگین- واریانس که دارای محدودیت کنترل ورشکستگی در افقهای زمانی مختلف است، ارائه شده است. رویکرد حل در نظر گرفته برای مدل پیشنهادی، روش لاگرانژ افزاینده بهمراه برنامه ریزی پویا است که با توجه به درجه پیچیدگی آن، الگوریتم ژنتیک برای ارائه جواب پیشنهاد میشود. نتایج عددی مدل با سبدی متشکل از 10 شرکت پذیرفته شده در بورس اوراق بهادار تهران ، اوراق مشارکت به عنوان دارایی بدون ریسک و وام بانکی به عنوان بدهی سرمایهگذار، به عنوان خروجی مدل ارائه شده است. نتایج حاکی ازآنست که کنترل ورشکستگی اثر پر معنایی روی استراتژی بهینه سرمایهگذاری دارد، به عبارت دیگر هنگامی که محدودیت کنترل ورشکستگی اعمال میشود، نسبت به زمانی که در نظر گرفته نمیشود، تعداد دفعات رسیدن به ورشکستگی کاهش چشمگیری دارد.
    کلید واژگان: مدیریت پرتفوی، مدل میانگین واریانس، کنترل ورشکستگی، برنامه ریزی پویا، الگوریتم ژنتیک
    Khadijeh Hassanlou
    Efficient portfolio management, has been attractive for financial researchers and was wished for investors from past to now. In this research, a multiperiod portfolio optimization problem for asset liability management of an investor who intends to control the probability of bankrupt is investigated. The proposed portfolio is consisting of number of risky assets, risk free asset and a type of debt. A mean variance model, with constraint of bankrupt controlling in different time horizons is proposed. Lagrangian Multiplier Method with dynamic programming is used for solving proposed model and regarding to its complexity degree, Genetic algorithm was the best selection for reaching numerical results. The proposed model is ran with real data consisting of 10 accepted company in Tehran stock exchange, bonds and bank loan as an investor debt.
    Keywords: Portfolio Management, Mean- Variance Model, Dynamic Programming, Genetic Algorithm
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال