مقایسه قدرت پیش‏بینی روش‏های شبکه‏های عصبی مصنوعی و ARIMA در پیش‏بینی صادرات پوست و چرم ایران

الموضوعات : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

فایزه سیف الحسینی ¹ , امیر محمدی نژاد ² , رضا مقدسی ³

1 - کارشناس ارشددانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران
2 - استادیار دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران
3 - دانشیار دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران

تاريخ الإرسال : 24 الأحد , شوال, 1436 تاريخ التأكيد : 24 الأحد , شوال, 1436 تاريخ الإصدار : 07 الخميس , شوال, 1436

الکلمات المفتاحية: ایران, صادرات, پوست و چرم, پیش&rlm, بینی,

ملخص المقالة :

پیش بینی متغیرهای اقتصادی به عنوان یک ابزار مفید برنامه ریزی از اهمیت ویژه ای در مباحث علمی برخوردار است. روش های متنوعی وجود دارد که برای پیش بینی در مطالعات اقتصادی مورد استفاده قرار می­گیرد. هدف مطالعه حاضر شناسایی روش کارا برای پیش‏بینی صادرات پوست و چرم ایران است. برای این منظور الگوی خودتوضیح جمعی میانگین متحرک^[1]، روش شبکه‏های عصبی مصنوعی^[2] و ترکیب الگوی خودتوضیح جمعی میانگین متحرک با شبکه‏های عصبی مصنوعی با استفاده از داده‏های سری زمانی دوره 89-1350 مورد مقایسه قرار گرفتند. یافته‏های این پژوهش نشان داد که روش ترکیبی(شامل شبکه‏های عصبی مصنوعی و الگوی خودتوضیح جمعی میانگین متحرک) که سری زمانی صادرات را به دو جزء خطی و غیرخطی تجزیه می‏کند، نسبت به روش شبکه‏های عصبی مصنوعی و الگوی خودتوضیح جمعی میانگین متحرک دقت و کارایی پیش‏بینی بهتری دارد. علاوه بر این، روش ترکیبی دقیق‏ترین روش شناخته شده در این پژوهش، صادرات پوست و چرم ایران در سال‏های آتی را بیشتر از دو روش دیگر ارائه کرد. اما همانند دو روش دیگر، روند صادرات پوست و چرم در سال‏های آتی را کاهشی پیش‏بینی می‏کند.
 
طبقه­بندی JEL : F17, C45, C22



 

المصادر:

1. ایزد خواه س. 1385. تولید و تجارت دام، پوست، چرم. سازمان توسعه تجارت ایران.


2. پریزن و. اسماعیلی ع. 1387. مقایسه روش‏های مختلف جهت پیش‏بینی واردات ادویه‏جات در ایران مطالعه موردی دارچین، هل و زردچوبه. فصلنامه اقتصادکشاورزی و توسعه. 64: 40-19.


3. حسینی س، ش. ملک محمدی م. 1386. سنجش مزیت نسبی و رقابتی صنعت چرم ایران در بازارهای جهانی. فصلنامه پژوهشنامه بازرگانی. 44: 265-235.


4. خاشعی م. بیجاری م. 1387. بهبود عملکرد پیش‏بینی‏های مالی با ترکیب مدل‏های خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکه‏های عصبی مصنوعی. فصلنامه پژوهش‏های اقتصادی. (2)8: 100-83.


5. دلاور م. 1384. تحلیل و ارائه مدل نوسانات تراز آب دریاچه ارومیه و آنالیز ریسک مناطق ساحلی. پایان نامه کارشناسی ارشد. گروه آبیاری دانشگاه تربیت مدرس.


6. روشن ر. 1383. پیش‏بینی تورم ایران به کمک مدل‏های ARIMA ,GHARCH ,ARCH و شبکه‏های عصبی و مقایسه کارایی مدل‏های مذکور. پایان‏نامه کارشناسی ارشد. گروه اقتصاد دانشگاه زاهدان.


7. زارع مهرجردی م، ر. جاودان ا. 1390. پیش‏بینی نرخ رشد بخش کشاوررزی ایران (مقایسه روش‏های تک متغره و چند متغیره). فصلنامه اقتصادکشاورزی. (1)5: 101-81.


8. طرازکار م. 1384. پیش­بینی قیمت برخی محصولات زراعی در استان فارس، کاربرد شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد. گروه اقتصادکشاورزی دانشگاه شیراز.


9. طیبی ک. موحدنیا ن. کاظمینیم. 1387. بکارگیری شبکه‏های عصبی مصنوعی در پیش‏بینی متغیرهای اقتصادی و مقایسه‏ی آن با روش‏های اقتصادسنجی: پیش‏بینی روند نرخ ارز در ایران. مجله علمی و پژوهشی شریف. 43: 104-99.


10. قدیمی م. مشیری س. 1381. مدل­سازی و پیش­بینی رشد اقتصادی ایران با استفاده از شبکه­های عصبی مصنوعی. فصلنامه پژوهش­های اقتصادی ایران. 12: 127-95.


11. گجراتی د، 1995، مبانی اقتصادسنجی (جلد دوم). ترجمه حمید ابریشمی. انتشارات دانشگاه تهران، 1378 .


12. مقدسی ر. رحیمی بدر ب. 1388. ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیش‏بینی قیمت گندم. پژوهشنامه اقتصادی. (4)9: 263-239.


13. مهرابی بشرآبادی ح. کوچک‏زاده س. 1388. مدلسازی و پیش‏بینی صادرات محصولات کشاورزی ایران: کاربرد شبکه‏های عصبی مصنوعی. مجله اقتصاد و توسعه کشاورزی. (1)23: 58-49.


14. نجفی ب. طرازکار م، ح. 1385. پیش­بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی. فصلنامه پژوهشنامه بازرگانی. 39: 214-191.


15. Co H. C.Boosarawongse R. 2007. Forecasting Thailand’s rice export: statistical techniques vs. artificial neural networks.Computers & Industrial Engineering. 53: 610–627.


16. Denton J. W. 1995. How good are Neural Networks for causal forecasting. Journal of Business Forecasting. 14: 17- 20.


17. Haque M. E. Imam M. F. Awal M. A. 2006.Forecasting shrimp and frozen food export earning of Bangladesh using ARIMA model.Pakistan Journal of Biological Sciences. 9(12): 2318-2322.


18. Kargbo J. M. 2007. Forecasting agricultural exports and imports in South Africa. Applied Economics. 39(16): 2069-2084.


19. Kumar G. Gupta S. 2010. Forecasting exports of industrial goods from Punjab - an application of univariate ARIMA model.Annals of the University of Petrosani, Economics. 10(4): 169-180.


20. Markham I. S. Rakes T. R. 1998.The effect of sample size and variability of data on the comparative performance of Artificial Neural Networks and regression.Comput.Oper. Res. 25, pp. 251–263.


21. Mustafa K. Ahmad B. 2006. An econometric model for forecasting export of kinnow from Pakistan.International Journal of Agriculture & Biology. 8(4): 459–462.


22. Yu L. Wang S. Keung Lai K. 2008. Forecasting China's foreign trade volume with a Kernel-based hybrid econometric-Ai ensemble learning approach, Journal of Systems Science and Complexity. 21: 1-19.