فصلنامه پژوهش های اقتصادی ایران
پیاپی 12 (پاییز 1381)

برخی از پدیده های اقتصادی و اجتماعی تغییرات ناگهانی از خود نشان می دهند که با ناپیوستگی و تغییرات کیفی در سیستم همراه است. نظریه کاتاستروف، روش مناسبی را برای مدل سازی سیستم های دینامیکی که با تغییرات ناگهانی همراه هستند، ارایه می کند. از جمله زمینه های بالقوه کاربرد نظریه کاتاستروف، مدل های رشد غیرخطی، تغییرات تکنولوژیک، مربوط به فن آوری، تغییرات نهادی، منحنی فیلیپس، بازار سهام و رفتار مصرف کننده است.

نظریه آشوب در دهه های اخیر جز پژوهش های علمی رشته های گوناگون مانند فیزیک و ریاضی قرار گرفته است، اما در واقع، مفهوم ساده آن ریشه در برداشت های اولیه انسان در مورد جهان دارد. از نقطه نظر نظریه آشوب، سیستم های پیچیده صرفا ظاهری پرآشوب دارند و در نتیجه، نامنظم و تصادفی به نظر می رسند، در حالی که ممکن است تابع یک جریان معین با یک فرمول ریاضی مشخص باشند. در اقتصاد، بازارهای پولی و مالی یکی از موارد بسیار مناسب برای به کارگیری نظریه آشوب هستند، زیرا، نظریه های موجود در اقتصاد مالی و پولی حاکی از آن هستند که متغیرهای پولی، مانند نرخ ارز و قیمت سهام، تصادفی و در نتیجه، تغییرات آنها غیر قابل پیش بینی هستند. مطابق نظریه آشوب، اگر فرایند تعیین کننده متغیرهای پولی از یک فرایند غیرخطی معین پیروی کند، می توان تغییرات آنها را پیش بینی کرد. کاربردهای نظریه آشوب در اقتصاد به مباحث اقتصاد کلان نیز راه یافته است. در این زمینه نظریه آشوب می تواند به عنوان یکی از توجی هات دوران تجاری و همچنین، عدم تعادل بلند مدت بدون نیاز به دخالت شوک های برون زا در مدل های اقتصاد کلان مورد استفاده قرار گیرد.
در این مقاله، با توجه به نو بودن ادبیات آشوب و بی نظمی در جهان و ایران، سعی شده است مروری سریع بر مفاهیم اولیه و ریاضی آن داشته، کاربردهای متنوع نظریه به ویژه در اقتصاد معرفی شوند. همچنین، روش های گوناگون آزمون آشوب که در واقع بیشترین جنبه کاربردی نظریه است معرفی و ارزیابی شده اند.

استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردار هستند، استفاده می شود. شبکه های عصبی، یکی از این روش های بدیع و در حال تحول است که در موضوعات متنوعی از قبیل الگوسازی، شناخت الگو، خوشه بندی و پیش بینی به کار رفته و نتایج مفیدی داشته است. در این مقاله، از شبکه های عصبی در پیش بینی سری های زمانی داده های اقتصادی استفاده کرده ایم. در این رابطه عوامل مختلف ساختاری، روش های مختلف یادگیری شبکه های عصبی و انتخاب و کاربرد مناسب داده ها در فرایند پیش بینی، مورد ارزیابی و بررسی قرار گرفته است. در این پژوهش، از ابزارهای محاسباتی نرم افزار MATLAB و داده های اقتصادی کشور استفاده شده است.

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرهای ورودی) یک مدل شبکه عصبی طراحی و تخمین زده می شود. پس از آن، با استفاده از معیارهای مرسوم ارزیابی مدل های رقیب، کارایی دو مدل فوق در زمینه پیش بینی نرخ رشد اقتصادی در ایران در دوره 1374-1380 مقایسه می شوند. نتایج نشان می دهد که مدل شبکه عصبی برای پیش بینی نرخ رشد اقتصادی در ایران از کارایی بالاتری برخوردار است