بررسی پارامترهای اقتصادی و غیر اقتصادی موثر بر قیمت گندم

الموضوعات : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

لیلا ابوالحسنی ¹ , حمید رضا طاهرپور ² , ناصر شاهنوشی فروشانی ³ , ارش دوراندیش ⁴

1 - دانشیار اقتصاد کشاورزی، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه اقتصاد کشاورزی.
2 - کارشناس ارشد اقتصاد کشاورزی، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه اقتصاد کشاورزی.
3 - عضو هیات علمی/گروه اقتصاد کشاورزی/دانشگاه فردوسی مشهد
4 - دانشیار اقتصاد کشاورزی، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه اقتصاد کشاورزی.

تاريخ الإرسال : 15 الأحد , جمادى الأولى, 1438 تاريخ التأكيد : 06 الثلاثاء , ذو القعدة, 1440 تاريخ الإصدار : 24 الإثنين , محرم, 1441

الکلمات المفتاحية: عرضه گندم, : الگوی معادلات ساختاری, تقاضای گندم,

ملخص المقالة :

نظر به اهمیت زیاد گندم در سبد غذایی خانوارهای ایرانی بررسی ‏عوامل اقتصادی و غیر اقتصادی مؤثر بر قیمت آن به عنوان هدف اصلی این مطالعه مورد توجه قرار گرفته است. جهت ‏بررسی عوامل مؤثر بر قیمت گندم در این مطالعه، ابتدا الگوی ریاضی مفهومی عوامل مؤثر بر قیمت گندم با توجه به مبانی ‏نظری شکل‬گیری قیمت در بازار ارائه شد و سپس این الگو با استفاده از داده‬های تجربی و با کاربرد ‏الگوی معادلات ساختاری مورد آزمون قرار گرفت. نتایج مطالعه نشان می‌دهد مهمترین عوامل مؤثر بر قیمت گندم ‏شامل قیمت جو و ذرت ، قیمت جهانی گندم، نرخ تورم، سطح زیر کشت محصول گندم و میزان بارندگی در مرحله داشت ‏و کاشت گندم است. علاوه بر این با توجه به اینکه سطح زیر کشت گندم و میزان بارندگی جزء مهمترین عوامل موثر بر قیمت بوده پیشنهاد شده سیستم اطلاعاتی مناسب جهت اطلاع از سطح زیر کشت و پیش بینی شرایط آب و هوایی تهیه گردد.

المصادر:

 

- اعظم‌زاده شورکی، م. و خلیلیان، ص. (1389). بررسی اثر سیاست‌های پولی بر قیمت غذا در ایران. مجله اقتصاد و توسعه کشاورزی (علوم و صنایع کشاورزی). 24(2): 184-177.

- آماده، ح. (1389). تحلیل تغییرات قیمتی گوشت مرغ با کاربرد الگوی ARDL: مطالعه موردی استان تهران. پژوهشنامه اقتصادی. 2: 325-295.

- امیرزاده مرادآبادی, س. (۱۳۹۳). پیش‌بینی قیمت گندم در ایران، همایش ملی الکترونیکی ‏دستاوردهای نوین در علوم مهندسی و پایه، تهران، مرکز پژوهش‌های زمین کاو. ‏

- شیخی، ع. (1382). بررسی اجمالی مشکلات فرآیند و سامانه گندم- آرد- نان با تأکید بر نقش ذخیره‌سازی. مجله پژوهش و سازندگی در زراعت و باغبانی. 60: 47-30.

- طبیبی، س. ک. آذربایجانی، ک. و بیاری، ل. (1388). مقایسه مدل‌های شبکه‌های عصبی مصنوعی و سری‌های زمانی برای پیش‌بینی قیمت گوشت مرغ در ایران. پژوهشنامه علوم اقتصادی. 32: 78-59.

- فرج زاده، ز. و شاه ولی، ا.  (1388). پیش‌بینی قیمت محصولات کشاورزی: مطالعه موردی پنبه و برنج و زعفران، فصلنامه اقتصاد کشاورزی و توسعه، 17(67): 43- 71.

- محمدی، ح. و  فکاری سردهایی،  ب. (1392) عوامل موثر بر قیمت گندم در بورس کالای ایران. اقتصاد و توسعه کشاورزی (علوم و صنایع کشاورزی). 27(2): 95 -102 .

- مقدسی، ر. و ژاله‌رجبی، م. (1390). رهیافت الگوسازی تلفیقی برای پیش‌بینی قیمت محصولات کشاورزی. مجله اقتصاد و توسعه کشاورزی (علوم و صنایع کشاورزی). 25(3): 364-355.

- مقدسی، ر.، و رحیمی بدر، ب. (1388). ارزیابی قدرت الگوهای گوناگون اقتصادسنجی برای پیش‌بینی قیمت گندم. پژوهشنامه اقتصادی, سال نهم 239-263.

- مهرگان، م. و زالی، م. (1385). در جست‌و‌جوی فنون تعیین روایی در پژوهش‌های مدیریتی. مجله مدیریت فرهنگ سازمانی ، 14(4): 5-26.

- نصیری، پ. (1382). اثرات بلندمدت و کوتاه‌مدت متغیرهای کلان بر بخش کشاورزی (78-1350). مجموعه مقالات اولین همایش کشاورزی و توسعه ملی. انتشارات مؤسسه پژوهش‌های برنامه‌ریزی.

- یزدانبخش، س. (1390). شناسایی عوامل مؤثر بر ظرفیت تولید صنایع غذایی و آشامیدنی و ارایه استراتژی‌های مناسب در راستای بهبود وضعیت این صنایع (مطالعه موردی: استان خراسان رضوی) . پایان نامه کارشناسی ارشد. دانشگاه فردوسی مشهد.

 

Refrences

- Algieri, B. (2016). A Roller Coaster Ride: An Empirical Investigation of the Main Drivers of Wheat Price. In Food Price Volatility and Its Implications for Food Security and Policy, eds. M. Kalkuhl, J. von Braun & M. Torero, 207-237. Cham: Springer International Publishing.

- Alizadeh, A., & Mafinezhad, K. (2010, August). Monthly Brent oil price forecasting using artificial neural networks and a crisis index. In Electronics and Information Engineering (ICEIE), 2010 International Conference On (Vol. 2, pp. V2-465). IEEE.

- Ariyo, A. A., Adewumi, A. O. & Ayo, C. K. (2014). Stock price prediction using the ARIMA model. In Computer Modelling and Simulation (UKSim), 2014 UKSim-AMSS 16th International Conference on, 106-112. IEEE.

- Au, L., Wright & Botton, C. (2003). Using structural equation modeling approach ‎‎(SEM) to examine leadership of heads of subject departments (HODs) as ‎perceived by principals and vice – principals. heads of subject departments ‎and teachers within “ Schools Based Management” (SBM) secondary ‎schools: some evidence from Hong Kong, School Leadership and Manag. 4: ‎‎481-498.‎

- Azadeh, A., M. Moghaddam, M. Khakzad & Ebrahimipour, V. (2012). A flexible neural network-fuzzy mathematical programming algorithm for improvement of oil price estimation and forecasting. Computers & Industrial Engineering, 62, 421-430.

- Bannor, D. R. K. & Melkamu, M. (2016). ARFIMA, ARIMA And ECM Models Forecasting Of Wholesale Price Of Mustard In Sri Ganganagar District Of Rajasthan Of India. 2016, 5, 13.

- Bonde, G. & Khaled, R. (2012). Stock price prediction using genetic algorithms and evolution strategies. In Proceedings of the International Conference on Genetic and Evolutionary Methods (GEM), 1. The Steering Committee of the World Congress in Computer Science, Computer Engineering and Applied Computing (WorldComp).

- Gupta, R., Kabundi, A. & Miller, S. M. (2011). Forecasting the US real house price index: Structural and non-structural models with and without fundamentals. Economic Modelling, 28, 2013-2021.

- Houck, J. P. (1973). Some aspects of income stabilization for primary producer. Australian Journal of Agricultural Economics. 17: 200-215.

- Janzen, J., Carter, C. A. Smith, A. & Adjemian, M. (2014). Deconstructing wheat price spikes: a model of supply and demand, financial speculation, and commodity price comovement.

- Jha, G. K. & Sinha, K. (2013). Agricultural Price Forecasting Using Neural Network Model: An Innovative Information Delivery System. Agricultural Economics Research Review, 26.

- Li, B. (2014). Research on WNN modeling for gold price forecasting based on improved artificial bee colony algorithm. Computational intelligence and neuroscience, 2014, 2.

- Li, D.-Y., Xu, W. Zhao, H. & Chen, R.-Q. (2009). A SVR based forecasting approach for real estate price prediction. In Machine Learning and Cybernetics, 2009 International Conference on, 970-974. IEEE.

- Li, G.-Q., S.-W. Xu & Z.-M. Li (2010). Short-Term Price Forecasting for Agro-products Using Artificial Neural Networks. Agriculture and Agricultural Science Procedia, 1, 278-287.

- Mohanty, S., Peterson, E. & Smith, D.B., (1996). Relationships between US and Canadian wheat prices: Cointegration and error correction approach. Canadian Journal of Agricultural Economics/Revue canadienne d'agroeconomie, 44(3), pp.265-276.

- Movagharnejad, K., Mehdizadeh, B. Banihashemi, M. & Kordkheili, M. S. (2011). Forecasting the differences between various commercial oil prices in the Persian Gulf region by neural network. Energy, 36, 3979-3984.

- Obadi, S. M. & M. Korcek (2014) Are Food Prices Affected by Crude Oil Price: Causality Investigation1. Review of Integrative Business and Economics Research, 3, 411.

- Peng, X., Marchont, M. A. & Reed, M. R. (2004). Identifying monetary prepared on food prices in China: VEC model approach. American Agricultural Economics Association Annual meeting, Denver, Colorado, August 1-4.

- Ramirez, O. A., & Fadiga, M. (2003). Forecasting agricultural commodity prices with asymmetric-error GARCH models. Journal of Agricultural and Resource Economics, 71-85.

- Rantala, S. H., Kola, J. & Niemi, J. (2010) Factors affecting world cereal prices: an econometric study. IAMA Symposium, Boston, 20 June.

- Schroeder, T. C., & Goodwin, B. K. (1990). Price Dynamics in International Wheat Markets (No. 118178). Kansas State University, Department of Agricultural Economics.

- Shegal, N. (2014). The drivers of oil prices :a data mining approach. A dessertaion for PHD. University of Petroleum and Energy Studies (UPES).

- Singh, N. & S. Mohanty (2015) A Review of Price Forecasting Problem and Techniques in Deregulated Electricity Markets. Journal of Power and Energy Engineering, 3, 1.

- Taylor, J. W. (2004) Volatility forecasting with smooth transition exponential smoothing. International Journal of Forecasting, 20, 273-286.

- Wei, Y., Wang, Y., & Huang, D. (2010). Forecasting crude oil market volatility: Further evidence using GARCH-Class models. Energy Economics, 32(6), 1477-1484.

- Wen, D. U., & Wang, H. H. (2004). Price behavior in China's wheat futures market. China economic review, 15(2), 215-229.

- Wu, C. C., Chung, H., & Chang, Y. H. (2012). The economic value of co-movement between oil price and exchange rate using copula-based GARCH models. Energy Economics, 34(1), 270-282.

- Yang, W., Han, A., Cai, K., & Wang, S. (2012). ACIX model with interval dummy variables and its application in forecasting interval-valued crude oil prices. Procedia Computer Science, 9, 1273-1282.

- Zamani, M. (2004). An econometrics forecasting model of short term oil spot price. In 6th IAEE European conference (p. 2).

- Zhang, X., Yu, L., Wang, S., & Lai, K. K. (2009). Estimating the impact of extreme events on crude oil price: An EMD-based event analysis method. Energy Economics, 31(5), 768-778.