پیش‌بینی و کنترل بهینه ستاده‌های صنایع کشور با رویکرد مدل‌بندی فضای حالت و تبدیل لاپلاس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته دکتری، دانشگاه شیراز.

2 استادیار، دانشگاه شیراز.

چکیده

در این مقاله، از روش مدل‌بندی فضای حالت و تبدیل لاپلاس برای پیش‌بینی و کنترل بهینه ستاده‌های (ارزش افزوده و ارزش محصولات تولیدی) صنایع کشور استفاده شده است. برای این منظور، ابتدا همه گروه‌های صنعتی درقالب یک سیستم با داده‌ها و ستاده‌های مشخص در نظر گرفته شدند و براساس ارتباط بین داده‌ها و ستاده‌ها طی سال‌های 1390- 1374، معادلات فضای حالت با توجه به عملکرد صنایع کشور برآورد شد. سپس با انجام عملیات لاپلاس، رفتار هریک از گروه‌های صنعتی در تبدیل داده‌ها به ستاده‌ها شناسایی و بر این اساس، برای پیش‌بینی و کنترل رفتار ستاده‌های هریک از گروه‌های صنعتی اقدام شد. نتایج حاصل از روش پیشنهادی نشان دادند که استفاده از این روش در کنترل و پیش‌بینی بهینة ستاده‌ها درمقایسه با روش‌های موجود، مخصوصاً تابع انتقال، بسیار کاراتر است؛ چون اولاً روش پیشنهادی برای سیستم‌های دارای چندین ورودی و خروجی مناسب‌تر است و نتایج مطمئن‌تری را ارائه می‌کند و ثانیاً با توجه به معادلات فضای حالت تبدیل ورودی‌ها به خروجی‌ها، رفتار سیستم قابل شناسایی خواهد بود و با شناخت رفتار سیستم می‌توان داده‌های مورد نظر را به سیستم وارد کرد و بر این اساس، ستاده‌ها را به‌صورت بهینه پیش‌بینی و کنترل کرد.

کلیدواژه‌ها


1. رجبی، احمد (1387). سنجش کارآیی صنایع استان فارس در مقایسه با کشور با استفاده از روش تحلیل پوششی داده‌ها (DEA). مجله علمی‌پژوهشی دانشگاه اصفهان، جلد 31،  شماره3، 43-26.

2. رضایی، ابراهیم (1390).تحلیل اثرات عوامل نهادی بر رشد بهره وری کل عوامل در اقتصاد ایران با استفاده از مدل فضا حالت. مجله مدلسازی اقتصادی، شماره 6، 60-43

3. فرازمند، حسن, قربان نژاد، مجتبی و عبداله پورجوان (1392). تعیین قواعد سیاست پولی و مالی بهینه در اقتصاد ایران. مجله پژوهش‌ها و سیاست‌های اقتصادی، دوره 21 شماره 67، 88-69.

4. مرکز آمار ایران. سرشماری کارگاه‌های بزرگ صنعتی کشور،1390-1374.

5. Allen, S, & Pasupathy, M. (1997). A State Space Forecasting Model with Fiscal, Federal Reserve Bank of St Louis.USA.

6. Ansley, C, F & Kohn R,(1985). Estimation filtering and smoothing in state space models with incompletely specifed initial conditions, Annals of Statistics, 13, 1286-1316.

7. Aoki, M. (1990). State Space Modeling of Time Series, Springer Verlag.

8. Carlin B.P, Polson N.G & Stoffer D.S,(1992). A Monte Carlo Approach to Non Normal and Non Linear State Space Modelling, JASA, 87)418(.

9. Chan, N. H. (2002). Time series: application to Nance, John Wiley & Sons, New York.

10. Chiang, C. & Douglas R. K(1991). Forecasting the Treasury Bill Rate: A Time-Varying Coefficient Approach, The Journal of Financial Research, 4, 327-36.

11. Durbin, J. & Koopman, S. J. (2002). A simple and ancient smoother for state space time series analysis, Biometrical, 89, 603-616.

12. Harvey, A. C. (1993). Time Series Models, 2nd edn, Harvester Wheatsheaf, Hemel Hempstead.

13. Kim, C. J. & Nelson, C. R. (1999). State Space Models with Regime Switching, MIT Press, Cambridge, Massachusetts.

14. Kitagawa, G. (1987). Non Gussian State-Space Modeling of Nonstationary Time Series, Journal of the American Statiscal Association, 82 )400(,1032-1041.

15.Jong P. (1989). Smooting and Interpolation with the State Space Model, JASA, VOL. 84, NO,408.

16.Lindberg, B.M., & J.M. Monaldo. (2008). Annual Industry Accounts: Advanced Statistics on GDP by Industry for 2007, Survey of Current Business, 88(5), 38-50.

17. Mahdavian M.H. (2004). Investigation of Spatial Interpolation Methods to Determine the Minimum Error of Estimation case study، Temperature and Vapor Transpiration, Journal of the American Statistical Association, 74, 519-530.

18. Miller, T, W. &  Sabbarese, D. (2012). An Economic Indicator for the State of the Economy in the Southeastern U.S., The journal of regional analysis and policy, NO: 42(1), 1-27.

19. Ogata, K. (1970). Modern Control Engineering, Prentice-Hall, Inc., Englewood Cliffs, New Jersey.

20. Ogata, K. (1997). System Dynamics , Prentice – Hall, 3rd Edition

21. Qina S. J. & Badgwell T. A. (2003). A Survey of Industrial Model Predictive Control Technology, Control Engineering Practice,11, 733-764.

22. West, M. & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models, 2nd edn, Springer-Verlag, New York.

23. Wolff, C, P. (1987). Time-Varying Parameters and the Out-of-Sample Forecasting Performance of Structural Exchange Rate Models, Journal of Business and Economic Statistics, 5, 87-97.