مقایسه‌ روش‌های کمی وکیفی‌درپیش بینی قیمت‌گندم(مطالعه موردی در ایران)

الموضوعات : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

رضا روشن ¹ , احمد اکبری ² , کاوه رستمی ³

1 - استادیار گروه اقتصاد دانشگاه خلیج فارس، بوشهر.
2 - استاد گروه اقتصاد کشاورزی دانشگاه سیستان و بلوچستان.
3 - کارشناس ارشد اقتصاد کشاورزی.

تاريخ الإرسال : 25 الأربعاء , ذو القعدة, 1436 تاريخ التأكيد : 28 السبت , ربيع الأول, 1439 تاريخ الإصدار : 04 الأربعاء , ربيع الأول, 1439

الکلمات المفتاحية: شبکه عصبی مصنوعی, ARIMA, پیش بینی قیمت, ARCH/GARCH, مدل دلفی,

ملخص المقالة :

    پیش‌بینی رفتار متغیرهای اقتصادی یکی از الزامات برنامه‌ریزی برای آینده است. در‌ بین محصولاتی که مبادرت به پیش‌بینی قیمت آن‌ها می‌شود، پیش‌بینی قیمت گندم به لحاظ استراتژیک بودن آن برای کشورمان دارای اهمیتی ویژه است. تاکنون مطالعاتی که در حوزه پیش‌بینی قیمت گندم انجام گرفته است، مطالعاتی بوده‌اند که با استفاده از الگوهای کمی انجام گرفته و از روش‌های کیفی استفاده نشده است. در این پژوهش از هر دو گروه روش‌های کمی و کیفی استفاده شد است. در این پژوهش از داده‌ها، در طی دوره 1393-1355 استفاده شده است. نتایج این مطالعه نشان دهنده آن است که معیار RMSE برای مدل‌های کمیEGARCH, ARMA و ANN به ترتیب برابر 68/37625، 91/39373 و 073/24258 می باشد و معیار MAPE برای مدل‌های یاد شده به ترتیب برابر 21/27866، 55/23034 و 89/18712 می باشد. از سوی دیگر، میانگین درصد تفاوت بین پیش‌بینی به روش ANN و روش دلفی 08/0 است. این مطالعه بیانگر این است که الگوی شبکه عصبی مصنوعی در مقایسه با روش‌های دیگر دارای خطای پیش بینی کم‌تری است و در پیش‌بینی قیمت آینده در مقایسه با روش کیفی (مدل دلفی) دارای تفاوتی اندک است که بیانگر اهمیت استفاده از روش‌های کیفی در کنار روش‌های کمی برای پیش بینی متغیرهای اقتصادی میباشد.

المصادر:

 

- ابریشمی، ح.(1385). مبانی اقتصاد سنجی ، جلد دوم، چاپ چهارم، انتشارات دانشگاه تهران، صص97-90 .

- پاشایی زاد، ح.(1386). نگاهی اجمالی به روش دلفی، پیک نور، سال 6 ، شماره دوم، صص 70-63 .

- جورابیان، م و هوشمند، ر(1381). منطق فازی وشبکه های عصبی، انتشارات دانشگاه شهید چمران اهواز، چاپ اول.

- سوری، ع (1390). اقتصادسنجی: همراه با کاربرد نرم افزارEviews 7 ، نشر فرهنگ شناسی، چاپ سوم، تهران.

- شیوا، ر. (1375). پیش بینی سری های زمانی، مؤسسه مطالعات و پژوهش های بازرگانی، چاپ اول، ص 18-17

- عبدالهی عزت آبادی، م(1385). مطالعه نوسانات درآمدی پستهکاران ایران:به سوی سیستمی از بیمه محصول  وایجاد بازار آتی و اختیارمعامله، پایاننامه دوره دکتری، دانشگاه شیراز،ص200

فرج زاده، ز.

- و شاه ولی، ا(1387). پیش بینی قیمت محصولات کشاورزی مطالعه موردی پنبه، برنج و زعفران، اقتصاد کشاورزی و توسعه، سال12 ، شماره 62 ، صص 71-43.

- قدیمی،م. ر و مشیری،س.(1381). مدلسازی وپیشبینی رشداقتصادی درایران بااستفاده از شبکه‌های عصبی مصنوعی. فصلنامه پژوهشهای اقتصادی ایران،جلد 12 ،شماره 54 ،صفحات125-97.

- کیانیان، م.(1370). الگوهای اقتصاد سنجی و پیش بینی های اقتصادی، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه ها )سمت(، ص 291.

- محمدی نژاد،ا. مقدسی، ر و  عموئی، م.(1391). پیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی، پژوهش‌های ترویج و آموزش کشاورزی، سال 5 ، شماره 1.

- محمدی، ح.موسوی، س و عزیزی، ج. (1387). پیش بینی قیمت محصولات کشاورزی :پیاز،سیب زمینی و گوجه فرنگی ،پژوهش‌ها و سیاست های اقتصادی ،سال 16، شماره 45،صص 119-87.

- مقدسی، ر و رحیمی بدر، ب.(1388). ارزیابی قدرت الگوهای مختلف اقتصاد سنجی برای پیش بینی قیمت گندم،پژوهشنامه اقتصادی، سال 3، شماره 11 ، صص 263-239.

- منهاج، م. (1377). مبانی شبکه‌های عصبی (هوش محاسباتی). تهران: نشردکترحسابی. صفحات135-112.

- نجفی، ب و  همکاران. (1386). پیش بینی قیمت برخی از محصولات زراعی در استان فارس:کاربرد شبکه عصبی، علوم و فنون کشاورزی و منابع طبیعی، سال 12 ، شماره اول، صص 511-501 .

- نوری، ه و  طباطبایی ،ش.(1386). اولویت بندی توسعة صنایع تبدیلی و تکمیلی بخش کشاورزی با استفاده از روش دلفی شهرستان فلاورجان - استان اصفهان ، پژوهش های جغرافیایی شماره 61 ، صص 177-161.

Refrences

- Apergis, N. & Rezitis, A. (2011). Food Price Volatility and Macroeconomic Factors: Evidencefrom GARCH and GARCH-X Estimates, Agricultural an Applied Economics, 43(1), pp 95–110.

- Enders , W.(2004). Applied Econometrics Time Series, 2^nd ed.

- Engel, R.F. (1982). Ato- regressive Conditionally Heteroscedasticity With estimates of the Variance of United Kingdom inflation, Ecoomotrics,50 : pp 987-1007.

- Ganqiong, Li., Shi-Wei, Xu., & Zhe-min, Li. (2010).Short-Term Price Forcastingfor Agro-ProductsUsing Artificial Neural Networks, Agricultural andAgricultural Science Protedia, pp278-287.

- Goodman, C.M. (1987). The Delphi technique: a critique, Journal of advanced Nursing, Vol. 12, NO. 6, pp. 729-734.

- Hanafin, S. (2011). Review of literature on the Delphi technique , Available on : http://www.dcya.gov.ie.,documents/publications, Delphi_technique_ A_Literature_Review. pdf, Retrievedat. 1 july.

- Kohzadi, N., Boyd, M. S. Kermanshah, B. & Kaastra, L. (1996). A Comparison Of Artifici1l Neural Networks And Time Series Model For Forecasting Commodity  Price, Neurocomputing, 10, pp.169-181.

- Lang, Trudi, An Overview of Four Futures Methodologies, [Online] Available: www: Futures.hawaiiedu/j7/LANG.htm1

- Moshri, S., & Cameron, N. (2000). Neural network versus econometric models in forecastinginflation. J. Forecasting, 19, pp.201-217 .

- Partugal, N.S. (1995). Neutral networks versus time series methods: a forecasting exercises, 14th International Symposium on.

- Pesaran, H. M., & Pesaran, B. (1997). Working with micro fit 4.0: An introduction to econometrics. Oxford University Press, Oxford,

- Vishal, M ., Talwar. (2010) , Market Dynamics and price forecasting of maize in south Karnataka - an application of GARCH model, M. Sc. (Agri.) Thesis, Univ. Agric. Sci., Dharwad Karnataka (India).