مقایسه قدرت پیش بینی روش شبکه عصبی مصنوعی با سایر روش های پیش‌بینی: مورد قیمت چغندرقند
محورهای موضوعی : بوم شناسی گیاهان زراعیحمید محمدی 1 , فرشید کفیل‏ زاده 2 , محمد نقشینه ‏فرد 3 , سیامک پیش‏ بین 4
1 - عضو هیأت علمی دانشگاه آزاد اسلامی واحد جهرم
2 - عضو هیأت علمی دانشگاه آزاد اسلامی واحد جهرم
3 - عضو هیأت علمی دانشگاه آزاد اسلامی واحد جهرم
4 - عضو هیأت علمی دانشگاه آزاد اسلامی واحد جهرم
کلید واژه: پیش بینی, شبکه عصبی مصنوعی, ARIMA, چغندرقند, قیمت, هارمونیک, تعدیل&rlm, نمایی, ARCH,
چکیده مقاله :
این مطالعه با هدف پیش بینی قیمت اسمی و واقعی چغندرقند و مقایسه روش شبکه عصبی مصنوعی با سایر روش ها صورت گرفت. پس از بررسی ایستایی سری ها، تصادفی بودن متغیرها با استفاده از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون بررسی شد. براساس نتایج این آزمون ها سری قیمت اسمی چغندرقند به عنوان سری غیرتصادفی و قابل پیش بینی و سری قیمت واقعی به عنوان سری تصادفی ارزیابی شد. دوره مطالعه نیز شامل سال های 1384-1350 بود. الگوهای مورد استفاده برای پیش بینی نیز شامل الگوهای خودرگرسیو (AR)، میانگین متحرک (MA)، ARIMA، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، ARCH و شبکه عصبی مصنوعی بود. بر اساس معیار حداقل خطای پیش بینی، از میان الگوهای مورد استفاده الگوی هارمونیک در مقایسه با سایر الگوها خطای کمتری داشت. مقادیر پیش بینی شده برای سال های 1383 و 1384 به ترتیب در دامنه 396000-344000 و 448504-398000 قرار گرفت. هم چنین مقادیر به وقوع پیوسته برای سال های یاد شده به ترتیب 387200 و 447000 می باشد.
The aim of this study was to forecast nominal and real price of sugar beet and to compare forecasting ability of artificial neural network method with other forecasting methods. The stationary of the series was tested and then, in order to investigate whether series are stochastic, nonparametric test of Vald-Wulfowitz and parametric test of Durbin-Watson were applied. Based on the above tests results, nominal price of sugar beet were recognized non-stochastic and predictable, while the real price series was found stochastic. The study period covers 1971-2005. The models used for forecasting were autoregressive, moving average, ARIMA, Single and Double exponential smoothing, harmonic, ARCH and artificial neural network. Based on the lowest forecasting error criterion, harmonic model forecasted nominal price of sugar beet with lowest forecasting error. The amount of nominal series forecasted by different models was at range of 344000-396000 and 398000-448504 rials per ton for 2004 and 2005, respectively. The happened values of nominal price series for 2004 and 2005 were 387200 and 447000 rials per ton, respectively.
1- عباسیان، م. و ع. کرباسی. 1382. کاربرد روشهای کمی در پیش‌بینی متغیرهای اقتصادی (مطالعه موردی: تولید و قیمت عمده فروشی تخممرغ). مجموعه مقالات چهارمین کنفرانس دوسالانه انجمن اقتصاد کشاورزی ایران، دانشکده کشاورزی دانشگاه تهران، صفحه 36.
2- عبدالهیعزت‌آبادی، م. 1385. مطالعه نوسانات درآمدی پسته‌کاران ایران: بهسوی سیستمی از بیمه محصول و ایجاد بازار آتی و اختیار معامله. پایاننامه دوره دکتری. دانشگاه شیراز، 200 صفحه.
3- طرازکار، م. ح. 1384. پیش‌بینی قیمت برخی از محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی. پایاننامه دوره کارشناسی ارشد دانشگاه شیراز، 180 صفحه.
4- گیلانپور، ا. و ن. کهزادی. 1376. پیش‌بینی قیمت برنج در بازار بینالمللی با استفاده از الگوی خود رگرسیونی میانگین متحرک. فصلنامه اقتصاد کشاورزی و توسعه، 8: 200 - 189.
5- مجاوریان، م. و ا. امجدی. 1378. مقایسه روشهای معمول با تابع مثلثاتی در قدرت پیش‌بینی سری زمانی قیمت محصولات کشاورزی همراه با اثرات فصلی: مطالعه مورد مرکبات. فصلنامه اقتصاد کشاورزی و توسعه، 25: 62-43.
6- مشیری، س. 1380. پیش‌بینی تورم ایران با استفاده از مدلهای ساختاری، سری زمانی و شبکه‌های عصبی. مجله تحقیقات اقتصادی، 58: 184-147.
7- منهاج، م. ب. 1377. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر حسابی، تهران، 150 صفحه.
8- گجراتی، د. 1998. مبانی اقتصادسنجی، جلد دوم، ترجمه حمید ابریشمی. انتشارات دانشگاه تهران، 350 صفحه.
10.Church, K. B. and S. P. Curram. 1996. Forecasting consumers expenditure: a comparison between econometric and neural network models. International Journal of Forecasting 12: 255-267.
11. Day, R. H. 1965. Probability distributions of field crop yields. Journal of Farm Economics 47: 713-741.
12.Dillon, J. L. and J. B. Hardaker. 1993. Farm management research for small farmer development. FAO, Rome.
13.Engle, R. F. 1982. Autoregressive conditionally heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrics 50: 987-1007.
14.Hill, T., M. Oconnor, and W. Remus. 1996. Neural network models for time series forecasts. Management science 42: 1082-1092.
15.Heravi, S., D. R. Osborn, and C. R. Birchenhall. 2004. Linear versus neural network forecasts for European industrial production series. International Journal of Forecasting 20: 435-446.
16.Kohzadi, N., M. S. Boyd, I. Kaastra, B. S. Kermanshahi, and D. Scuse. 1995. Neural networks for forecasting: an introduction. Canadian Journal of Agricultural Economics 43: 463-474.
17.Marcellinio, M., J. H. Stock, and M. W. Watson. 2006. A comparison of direct and indirect and iterated multi step AR methods for forecasting macroeconomic time series. Journal of Econometrics 135: 499-526.
18.Pesaran, H. M. and B. pesaran. 1994. Working with Microfit 4.0: An Introduction to econometrics. Oxford University Press, Oxford.
19.Pindych, R. S. and D. L. Rubinfeld. 1998. A computer handbook using eviews. Fourth Edition, McGraw-Hill.
20.Portugal, N. S. 1995. Neural networks versus time series methods: A forecasting exercises. 14th international symposium on forecasting, Sweden.
21.Sadorsky, P. 2006. Modeling and forecasting petroleum futures volatility. Energy Economics 28: 467-488.
22.Wu, SH. I. 1995. Artificial neural networks in forecasting, neural networks world, 2, IDG VSP, PP: 199-220.
23.Wu, SH. I. and R. P. Lu. 1993. Combining artificial neural networks and statistics for stock-market. Forecasting 257-264.
_||_