شبیه‌سازی تغییرات جمعیتی ایران با استفاده از مدل پایه عامل بنیان

نوع مقاله: علمی-پژوهشی

نویسندگان

چکیده

دانستن اندازه جمعیت در آینده و پیش‌بینی دقیق آن برای دولتمردان از اهمیت ویژه‌ای برخوردار است، چراکه بسیاری از برنامه‌ریزی‌های دولتی با مسئله جمعیت رابطه نزدیکی دارند. هدف از این مقاله کاربست شبیه‌سازی عامل بنیان برای پیش‌بینی روند تغییرات و ترکیب جمعیتی ایران در طی 50 سال آینده است. این روش می‌تواند امکان تحلیل سناریو‌های مختلف جمعیتی را فراهم سازد، مدلی ساختاری از تغییرات ارائه دهد، اجزای نامتجانس را مدل‌سازی کند و به دلیل احتمالی بودن آن نتایج واقعی‌تری را ارائه نماید.
نتایج شبیه‌سازی با سناریو‌های مختلف ارائه شده توسط مرکز آمار ایران مقایسه شد و همبستگی معناداری بین این دو نتیجه مشاهده شد که حاکی از قابلیت اعتماد بودن مدل ‌شبیه‌سازی ارائه شده می‌باشد. نتایج حاصل از شبیه‌سازی نشان می‌دهد سن ازدواج تا 15 سال آینده همبستگی معناداری با روند افزایش جمعیت ندارد، ولی در بلندمدت همبستگی معناداری دارد. بررسی‌ها نشان می‌دهد شبیه‌سازی عامل‌بنیان، علاوه بر مدل‌سازی مسئله جمعیت به‌صورت تصادفی، با عوامل نامتجانس و با قابلیت تحلیل سناریو، می‌تواند سیستمی از واقعیت را شبیه‌سازی نماید که برآوردهای جمعیتی را به‌صورت سالیانه تولید نماید.

کلیدواژه‌ها

موضوعات


سرایی، حسن (1376). گذار جمعیتی ایران: ملاحظات مقدماتی. فصلنامه علوم اجتماعی، شماره 9، صص 18–1.

سرایی، حسن (1394). بازتولید جمعیت ایران: وضع موجود و ملاحظاتی درباره سیاست‎گذاری. فصلنامه علوم اجتماعی، شماره 68، صص 35–1.

عباسی­شوازی، محمدجلال، و میمنت حسینی­چاووشی (1392). تحولات و سیاست‎های جمعیتی اخیر جمعیتی در ایران: ضرورت تدوین سند جامع جمعیت، نامه انجمن جمعیت‌شناسی ایران، شماره 13، صص 117–95.

Abbasi-Shavazi, M. J., P. McDonald, and M. Hossein Chavoshi (2009). The Fertility Transition in Iran. Revolution and Reproduction, Springer Press.

Alho, J. M. (1990). Stochastic Methods in Population Forecasting, International Journal of forecasting6(4), 521-530.

Alho, J. M., and B. D. Spencer (1985). Uncertain Population Forecasting, Journal of the American Statistical Association80(390):  306-314.

De Beer, J. (1989). Projecting Age-Specific Fertility Rates by Using Time-series Methods, European Journal of Population/Revue européenne de Démographie5(4): 315-346.

Billari, F. C. (Ed.). (2006). Agent-based computational modelling: applications in demography, social, economic and environmental sciences, Taylor & Francis.

Boocock, S. S., E. O. Schild, and J. S. Coleman (1973). Simulation Games in Learning, Simulation & Gaming4(2): 144-144.

Booth, H. (2006). Demographic Forecasting: 1980 to 2005 in Review, International Journal of Forecasting22(3): 547-581.

Box, G. E., and G. M. Jenkins, (1976). Time Series Analysis: Forecasting and Control, Holden-Day.

Brass, W. (1974). Perspectives in Population Prediction: Illustrated by the Statistics of England and Wales, Journal of the Royal Statistical Society. Series A (General), Pp. 532-583.

Cohen, J. E. (1995). Population Growth and Earth's Human Carrying Capacity, Science269, Pp. 341-346.

Da Silva F. R. (2015). An Agent-Based Approach of the Portuguese Population Projection and the Social Security Sustainability, MSc em Engenharia Matemática (FCUP).  

Forrester, J. W. (1968). Principles of Systems: Cambridge, Mass., Wright Allen.

Gilbert, N., and K. Troitzsch (2005). Simulation for the Social Scientist, McGraw-Hill Education (UK).

Keyfitz, N. (1972). On Future Population,  Journal of the American Statistical Association 67, Pp. 347-363.

Lutz, W., W. C. Sanderson, and S. Scherbov (1996). Probabilistic World Population Projections Based on Expert Opinion, IIASA Working Paper, IIASA.

Macal, C. M., and M. J. North (2008). Agent-based Modeling and Simulation: ABMS Examples, In Simulation Conference, 2008. WSC, IEEE.

Macal, C. M., and M. J. North, (2010). Tutorial on Agent-based Modelling and Simulation, Journal of Simulation4(3): 151-162.

Meadows, D. H. (2008). Thinking in Systems: A Primer, Chelsea Green Publishing.

Jiang, Q., M. W. Feldman, and S. Li (2014). Marriage Squeeze, Never-married Proportion, and Mean Age at First Marriage in China, Population Research and Policy Review 33(2): 189-204.

Nikbakht, S. A., M. R. Alipour, M. Torkashvand, A. Rezayati Charan, and M. J. Davari (2016): Fertility Policy-Making in Iran-Presenting a policy Proposal by Using Social Simulation and Agent-based Modeling Approach, Presented at the EPC conference, Mainz, Germany.

North, M. J., and C. M. Macal (2007). Managing Business Complexity: Discovering Strategic Solutions with Agent-based Modeling and Simulation, Oxford University Press.

Pflaumer, P. (1992). Forecasting US Population Totals with the Box-Jenkins Approach, International Journal of Forecasting8(3): 329-338.

Preston, S. H., P. Heuveline, and M. Guillot (2001). Demography: Measuring and Modeling Population Processes,  Oxford: Blackwell Publishers.

Siebers, P. O., and U. Aickelin (2008). Introduction to Multi-agent Simulation, Encyclopaedia of Decision Making and Decision Support Technologies, Pp. 554-564,

Siegfried, R. (2014). Modeling and Simulation of Complex Systems: A Framework for Efficient Agent-based Modeling and Simulation, Springer.

Smith, S. K. (1997). Further thoughts on Simplicity and Complexity in Population Projection Models, International journal of forecastin13(4): 557-565.

Smith, S. K., J. Tayman, and D. A. Swanson (2006). State and Local Population Projections: Methodology and Analysis. Springer Science & Business Media.

Sterman, J. D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World (No. HD30. 2 S7835 2000).

Wang, Q., and J. D. Sterman (1985). A Disaggregate Population Model of China, Simulation 45(1): 7-14.

Wilson, T. (2011). A Review of Sub-regional Population Projection Methods. Report to the Office of Economic and Statistical Research, Queensland Centre for Population Research.