پیش‌بینی میزان مخارج دفاعی ایران تا افق 1404؛ با استفاده از الگوریتم‌های ژنتیک و PSO

نویسندگان

1 دانشگاه لرستان

2 دانشگاه ارومیه

چکیده

بخش دفاعی، یکی از بخش‌های کلیدی کشور ایران است که قسمت مهمی از کل مخارج عمومی را به‌خود اختصاص داده است. لذا تلاش در جهت پیش‌بینی روند آتی این متغیر از اهمیت ویژه‌ای برای سیاست‌گذاران بخش دفاعی برخوردار است. در این مقاله با تکیه بر مبانی نظری مربوط به تابع مخارج دفاعی، به تصریح مدل مخارج دفاعی مناسب برای ایران با هدف دست‌یابی به پیش‌بینی مطلوب پرداخته شده است. لذا با هدف پیش‌بینی روند آتی مخارج دفاعی در ایران تا سال 1404، با استفاده از مبانی نظری در زمینه تابع مخارج دفاعی و به‌کارگیری آن با دو ابزار الگوریتم ژنتیک و الگوریتم بهینه‌سازی انبوه ذرات (PSO)، به شبیه‌سازی تابع مخارج دفاعی ایران طی سال‌های 1391-1338 در قالب سه معادله خطی، نمایی و درجه دوم پرداخته و سپس با استفاده از معیارهای انتخاب مدل رقیب، الگوریتم و مدل برتر انتخاب و اقدام به پیش‌بینی میزان مخارج دفاعی تا سال 1404 شده است. بر اساس نتایج به‌دست‌آمده می‌توان گفت که تابع مخارج دفاعی شبیه‌سازی‌شده توسط الگوریتم PSO با فرم نمایی، با ساختار ایران سازگاری بیش‌‌تری دارد و بنابراین، برای پیش‌بینی مخارج از نمونه تا سال 1404 انتخاب و برگزیده شده است. نتایج پیش‌بینی نیز نشان‌دهنده آن است که مخارج دفاعی در ایران با شیب نسبتاً ملایمی تا سال 1404 افزایش خواهد یافت.

کلیدواژه‌ها


عنوان مقاله [English]

The prediction of Iran's defensive expenditures up to 2025 horizon using genetic algorithms and PSO

نویسندگان [English]

  • Abolghasem Gholkhandan 1
  • Majid Babaei-Agh Esmaeili 2
چکیده [English]

The defense sector is one of the key sectors of Iran that has devoted an important part of the total public spending. Any effort for forecasting the future defense expenditure trend is of special importance for policy-makers of defense sector. In this paper, we specified a defense expenditure model relying on theoretical basics in order to obtain desirable forecasts. On the basis of three forms of linear, exponential and quadratic equations and using theoretical foundations in the field of defense expenditure function, we used genetic algorithm (GA) and particle swarm optimization (PSO) algorithm to simulate Iranians defense expenditure during 1959-2012. Then we selected the superior model in terms of prediction power criteria and forecast consumption until 2025. Based on the results obtained, it can be said that the defense cost function simulated by the PSO algorithm with exponential form is more compatible with the structure of Iran and therefore, it has been selected to predict expenditures from the sample until 2025. The predicted results also indicate that defense spending in Iran will increase with a relatively moderate slope by 2025.

کلیدواژه‌ها [English]

  • Defense Expenditure
  • Simulation
  • genetic algorithm
  • PSO algorithm

منابع

  • امامی میبدی، علی، خضری، محسن و اعظمی، آرش (1388). «شبیه­سازی تابع تقاضای انرژی در ایران با استفاده از الگوریتم بهینه­سازی انبوه ذرات (PSO)»، فصلنامه مطالعات اقتصاد انرژی، سال ششم، شماره 20، 159-141.
  • بخشی دستجردی، رسول و خاکی نجف آبادی، ناهید (1389). «بررسی تاثیر جمعیت بر رشد اقتصادی در چارچوب الگوی رشد بهینه در اقتصاد ایران (1386-1350)، کاربردی از الگوریتم ژنتیک»، مجله تحقیقات اقتصادی، شماره 94، 22-1.
  • بهمنی، مجتبی، قاسمی‌نژاد، امین، کریمیان، علی اکبر و آرامش، حکیمه (1393). «شبیه­سازی تابع تقاضای برق بخش کشاورزی با استفاده از الگوریتم انبوه ذرات (PSO)»، مجله تحقیقات اقتصاد کشاورزی، جلد ششم، شماره 2، 11-1.
  • جلائی، سید عبدالمجید، قاسمی، امین و ستاری، امید (1394). «شبیه‌سازی تابع مصرف و پیش‌بینی میزان مصرف ایران تا افق 1404 با استفاده از الگوریتم ژنتیک و الگوریتم بهینه سازی انبوه ذرات (PSO، فصلنامه پژوهش‌های اقتصادی، دوره 15، شماره 2، 47-27.
  • جلائی اسفندآبادی، عبدالمجید، طالقانی، فاطمه، منگالی، هدا و آرامش، حکیمه (1392). «شبیه­سازی و پیش­بینی صادرات تا افق 1404»، فصلنامه راهبرد اقتصادی، سال دوم، شماره 4، 166-147.
  • صادقی، حسین، ذوالفقاری، مهدی، سهرابی، حسین، سلمانی، یونس (1391). «کاربرد الگوریتم انبوه ذرات و الگوریتم ژنتیک در شبیه­سازی و پیش­بینی تقاضای انرژی»، نشریه انرژی ایران، دوره 15، شماره 2، 60- 45.
  • عصاری، محمدرضا، عصاره، احسان، بهرنگ، محمدعلی و قنبرزاده، افشین (1389). «کاربردی از ترکیب الگوریتم ژنتیک و شبکه­های عصبی مصنوعی برای برآورد مصرف گاز طبیعی در ایران»، فصلنامه تبدیل انرژی، دوره 1، شماره 1، 31- 25.
  • قنبری، علی، خضری، محسن و اعظمی، آرش (1387). «شبیه­سازی تابع تقاضای بنزین و نفت گاز در حمل و نقل زمینی ایران، با استفاده از روش الگوریتم ژنتیک»، فصلنامه اقتصاد مقداری، شماره 4، 177-157.
  • کاظمی، عالیه، مؤمنی، منصور و نظری، حسام  (1392). «انتخاب سناریوی مناسب برای پیش­بینی تقاضای انرژی بخش خانگی- تجاری با استفاده از الگوریتم بهینه­سازی انبوه ذرات»، فصلنامه اقتصاد مقداری، دوره 10، شماره 3، 19-1 .
  • گل‌خندان، ابوالقاسم (1394). «تعیین سطح بهینه‌ی بخش دفاعی در ایران از منظر اقتصادی»، فصلنامه مدیریت نظامی، دوره 15، شماره 60، 212-176.
  • میرفخرالدینی، سیدحیدر، بابایی میبدی، حمید و مروتی شریف‌آبادی، حمید (1391). «پیش­بینی مصرف انرژی ایران با استفاده از الگو ترکیبی الگوریتم ژنتیک و شبکه عصبی مصنوعی و مقایسه آن با الگوهای سنتی»، مجله پژوهش­های مدیریت در ایران، دوره 17، شماره 2، 222-196.
  • هارتلی، کیت و ساندلر، تاد (1383). منتخبی از موضوعات در کتاب اقتصاد دفاع، ترجمه ابراهیم بیضایی، تهران، انتشارات سمت.
    • Abdelfattah, Y.M., Abu-Qarn, A. & Dunne, P. (2013). The demand for military spending in Egypt. Defense and Peace Economics.
    • Bahrami, S., Hooshmand, R.A., & Parastegari, M. (2014). Short term electric load forecasting by wavelet transform and grey model improved by PSO (particle swarm optimization) algorithm. Energy, 72, 434-442.‏
    • Canyurt, O.E., & Öztürk, H.K. (2006). Three different applications of genetic algorithm (GA) search techniques on oil demand estimation. Energy conversion and management, 47(18), 3138-3148.‏
    • Charbonneau, P. (2002). An introduction to genetic algorithms for numerical optimization. NCAR Technical Note, 74.‏
    • Chakraborty, M. & Chakraborty, U.K. (1997, September). An analysis of linear ranking and binary tournament selection in genetic algorithms. In Information, Communications and Signal Processing, 1997. ICICS, Proceedings of 1997 International Conference on (Vol. 1, pp. 407-411). IEEE.‏
    • Coir, D.W. & Smith, A.E. (1995). Using a neural network as a function evaluator during GA search for reliability optimization. In Proceedings of the Artificial Neural Networks in Engineering (ANNIE’95) (Vol. 5, pp. 369-374).‏
    • Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning.‏
    • Hassanzadeh, Y., Abdi, A., Talatahari, S. & Singh, V.P. (2011). Meta-heuristic algorithms for hydrologic frequency analysis. Water resources management, 25(7), 1855-1879.‏
    • Haldenbilen, S., & Ceylan, H. (2005). Genetic algorithm approach to estimate transport energy demand in Turkey. Energy Policy, 33(1), 89-98.‏
    • Holland, J.H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press. (Second edition: MIT Press, 1992.)
    • Kennedy, J. & Eberhart, R. (1995). "Particle swarm optimization," Proc. Proceedings of IEEE International Conference on Neural Networks, Piscataway, NJ, 1942-1948.
    • Kumar, D.N. & Reddy, M.J. (2007). Multi-objective particle swarm optimization for generating optimal trade-offs in reservoir operation. Hydrological Processes, 21(21), 2897-2909
    • Kıran, M. S., Özceylan, E., Gündüz, M., & Paksoy, T. (2012). A novel hybrid approach based on particle swarm optimization and ant colony algorithm to forecast energy demand of Turkey. Energy conversion and management, 53(1), 75-83.‏
    • Liu, Y. (2009). Automatic calibration of a rainfall–runoff model using a fast and elitist multi-objective particle swarm algorithm. Expert Systems with Applications, 36(5), 9533-9538.‏
    • Nagesh Kumar, D. & Janga Reddy, M. (2007). Multipurpose reservoir operation using particle swarm optimization. Journal of Water Resources Planning and Management, 133(3), 192-201.‏
    • Paksoy T., Özceylan, E., Pehldvan N. & Weber G. (2011). Particle Swarm Optimization Approach for Estimation of Energy Demand of Turkey”, Global Conference on Power Control and Optimization, Dubai, UAE.
    • Pereira, R. (2000). Genetic Algorithm Optimizations for Finance and Investments.‏
    • Reeves, C.R., Scott, D. & Harrison, A. (2003). Applying Genetic Algorithms to Container Transshipment, Artificial Neural Nets and Genetic Algorithms, 234-238.
    • Rudolph G. 1994. Convergence properties of canonical genetic algorithms. IEEE Transactions on Neural Networks, 1(5), 96–101.
    • Ünler, A. (2008). Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025. Energy Policy, 36(6), 1937-1944.‏
    • Yu, S., Zhu, K., & Zhang, X. (2012). Energy demand projection of China using a path-coefficient analysis and PSO–GA approach. Energy Conversion and Management, 53(1), 142-153.‏