روش MLP

هدف اصلی این تحقیق بررسی تأثیر نوسانات درآمدهای نفتی، تغییر در نرخ مالیاتی و رشد اقتصادی بر میزان کسری بودجه دولت در اقتصاد ایران می باشد. برای این منظور از روش شبکه های عصبی چند لایه ای (MLP) که ابزاری قدرتمند در برآورد تأثیر رفتارهای نوسانی و غیرخطی متغیرها می باشد، استفاده گردیده است. نتایج نشان می دهد در صورت ثابت ماندن درآمدهای نفتی، افزایش 13 تا 26 درصد در نرخ مالیات موجب کاهش کسری بوجه خواهد شد. به گونه ای که در صورت 26 درصد افزایش در نرخ مالیات، بیشترین بهبود در کسری بودجه را تجربه خواهیم کرد. اما در صورتی که نرخ مالیات افزون بر 26 درصد افزایش یابد نه تنها کسری بودجه را کاهش نخواهد داد ب لکه افزایش آن را به دنبال خواهد داشت، به عنوان مثال 31 درصد افزایش در نرخ م الیات، کسری بودجه را به می زان 30 درصد افزایش می دهد. این نتیجه می تواند به دلیل تاثیر پذیری مخارج دولت از درآمدها باشد. همچنین در سناریوی دیگر، در صورت کاهش 30 درصدی درآمدهای نفتی، حتی با افزایش 10 درصدی در نرخ مالیات، کسری بودجه دولت به دو برابر افزایش خواهد یافت، که این به دلیل کاهش فزاینده درآمدهای دولت ناشی از کاهش های درآمدهای نفتی و کاهش تولید کل به دلیل کاهش سرمایه گذاری می باشد. علاوه بر یافته های فوق، نتایج دیگر این مطالعه حکایت از این دارد که در صورت افزایش نرخ رشد اقتصادی تا یک نقطه آستانه، بهبود در کسری بودجه را خواهیم داشت. بعد از این حد آستانه، در صورت افزایش نرخ رشد اقتصادی، نرخ بهبود کسری بودجه کاهش می یابد. دلیل این موضوع را می توان رفتار دولت در مخارج دانست که با افزایش درآمد دولت مخارج خود را افزایش می دهد. با فرض عدم تغییر در نرخ مالیات و درآمدهای نفتی، با نرخ رشد اقتصادی 8/7 درصدی، کسری بودجه سالانه، 70 درصد بهبود خواهد یافت.

فرسایش به وسیله آب، جدی ترین شکل تخریب زمین در بسیاری از نقاط جهان به ویژه در مناطق خشک و نیمه خشک است که در آن میزان تشکیل خاک معمولاً کمتر از میزان فرسایش آن می باشد. در این تحقیق کارایی مدل های شبکه عصبی مصنوعی به دو روش تابع شعاع محور(RBF) و پرسپترون چند لایه(MLP) در تخمین رسوب معلق در حوضه قره سو استان اردبیل مورد بررسی قرار گرفت. در این مطالعه از داده های 3834 رسوب روزانه ثبت شده مربوط به دوره آماری سال 1350 تا 1399 استفاده شد. به منظور بررسی همبستگی بین متغیرها برای ورود به عملیات مدلسازی از روش همبستگی پیرسون استفاده گردید و جهت پیش بینی و مدلسازی رسوب در حوضه موردنظر از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان می دهد که انتخاب تعداد 3 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2618، 701 و 515 برای مدل RBF و تعداد 8 نرون در لایه پنهان با داده های ارزیابی، آموزش و جدانگه داشته شده به ترتیب با مقادیر 2592، 709 و 533 برای مدل MLP، بیشترین دقت پیش بینی را دارا می باشند. بطوریکه دقت پیش بینی در مدل RBF با ضریب همبستگی 941/0R2= و 002/65RMSE= و در مدل MLP با ضریب همبستگی 917/0R2= و 244/88RMSE= می باشد. با توجه به مشکلات اندازه گیری رسوبات بار کف و اریب زیاد ناشی از محاسبه بار بستر به عنوان درصدی از بار معلق، می توان توصیه نمود که از مدل شبکه عصبی مصنوعی RBF به عنوان یک روش قدرتمند، سریع و با دقت بالا برای تخمین رسوب استفاده شود. همچنین نتایج حاضر ضمن معرفی عوامل تاثیرگذار بر میزان تولید رسوب در حوزه مورد مطالعه ، می تواند برای برآورد رسوب به مناطق فاقد آمار تعمیم داده شود.