پیش بینی تولید آبزیان دریایی در ایران با استفاده از روش ARIMA و شبکه عصبی مصنوعی

الموضوعات : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

جلیل خداپرست شیرازی ¹ (دانشکده اقتصاد مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.)
زهرا صادقی ² (دانشکده اقتصاد مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.)

تاريخ الإرسال : 25 الخميس , رمضان, 1437 تاريخ التأكيد : 18 الإثنين , ذو الحجة, 1437 تاريخ الإصدار : 21 السبت , محرم, 1438

الکلمات المفتاحية: ایران, پیش‌بینی, تولید, آبزیان دریایی,

ملخص المقالة :

پیش­بینی پدیده­های اقتصادی ساختاری فراهم می­کند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیم‌های درست یاری ­دهد. هدف اصلی این مطالعه پیش­بینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روش­های سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده می­شود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار گرفته می­شوند. در این مقاله از آمار سال 1374 تا 1390 استفاده شده است. بمنظور انجام بررسی،  داده­های سالانه به داده­های ماهانه تبدیل شدند. نتایج مطالعه نشان دادند که از نظر معیار MAPEمقدار تابع خطا برای مدل ARIMA،0771/0بیش‌ترین مقدار خطا و مدل شبکه عصبی RBF با خطای ^5-10× 9328/7 کم‌ترین خطا و بهترین مدل‌سازی را دارد. افزون بر این، با روش RBF ،دقیق­ترین روش شناخته‌شده این پژوهش، پیش­بینی تولید آبزیان دریایی برای دو سال آینده انجام شد.

المصادر:

- آمارنامه سازمان خواربار و کشاورزی سازمان ملل متحدFood and Agriculture Organization of the United Nations:

 

- آمارنامه سازمان شیلات ایران 1379-1389(www.fisheries.ir).

- ابراهیمی، م. (1390). استفاده از رهیافت­های شبکه­های عصبی مصنوعی و سری زمانی در پیش­بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی. فصلنامه تحقیقات اقتصاد کشاورزی. 1: 27-42.

- اکبری، ا. شارعی حداد زاده، م. مهرابی بشرآبادی، ح. (1392). پیش بینی صادرات خرمای ایران با استفاده از روش های اقتصاد سنجی و هوش مصنوعی. مجله تحقیقات اقتصاد کشاورزی.3 :120-99.

- بشیری، م. (1388). کاربرد مدل شبکه­های عصبی مصنوعی در پیش­بینی (مورد مطالعه: پیش­بینی قیمت جهانی طلا). فقیهن.پایان­نامه کارشناسی ارشد، شیراز.

- جلائی، ع، م. پاکروان، م. گیلانپور، ا. (1389). پیش بینی صادرات محصولات کشاورزی ایران: کاربرد مدلهای رگرسیونی و شبکه عصبی مصنوعی.  مجله اقتصاد کشاورزی و توسعه.(72)18:139-115.

- جواهری، ب. (1383). یک مقایسه بین مدل های اقتصاد سنجی، سری زمانی و شبکه عصبی برای پیش بینی نرخ ارز. مرزبان ح. پایان نامه کارشناس ارشد. دانشگاه شیراز.

- سیف الحسینی، ف. محمدی نژاد، ا. مقدسی، ر.( 1394). مقایسه قدرت پیش بینی روش های شبکه های عصبی مصنوعی و ARIMA در پیش بینی صادرات پوست و چرم ایران. مجله تحقیقات اقتصاد کشاورزی.2: 143-125.

- کهنسال، م.ر. زورار پرمه، ا. اسماعیل پور، عب. قاسمی، (1391). " پیش بینی قیمت تخم مرغ با استفاده ازARIMA  ، شبکه عصبی مصنوعی و هموار سازی هالت_ وینترز" فصلنامه پژوهشنامه بازرگانی، شماره 62، صص 72_49.

- گجراتی، د. (1387). مبانی اقتصاد سنجی. ترجمه حمید ابریشمی. انتشارات دانشگاه تهران. جلد دوم.

- منهاج، م. ب. (1381). مبانی شبکه­های عصبی (هوش محاسباتی).  انتشارات دانشگاه امیرکبیر. جلد اول.

- مهرابی بشرآبادی، ح. و کوچک زاده، س. (1388). مدلسازی و پیش بینی صادرات محصولات کشاورزی ایران: کاربرد شبکه های عصبی مصنوعی.  مجله اقتصاد و توسعه کشاورزی.(1)23: 58-49.

- نجفی ب. زیبایی م.  شیخیم، ح . طراز کار، م،ح. (1386). پیش­بینی قیمت برخی محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی . مجله علوم و فنون کشاورزی و منابع طبیعی. سال یازدهم. 1: 501-511.

- نجفی، ب. طراز کار،م.ح. (1385). "پیش بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی" ، فصلنامه پژوهشنامه بازرگانی، شماره 39، صص214_191.

- نعیمی فر، ا. (1389). " بررسی عوامل موثر بر صادرات محصولات در زیر بخش شیلات و ماهیگیری"، ششمین کنفرانس اقتصاد کشاورزی ایران، صص 13_ 1.

- Antik D. S. Milovanovic M. B. Perić, S. L. Nikolić, S. S. & Milojković, M. T. (2014). Input Data Preprocessing Method for Exchange Rate Forecasting via Neural Network.  Serbian Journal of Electrical Engineering. 11 (4): 597-608. DOI: 10.2298/SJEE1404597A

- Claveria, O. & Torra, S. (2014). Forecasting tourism demand to Catalonia: Neural networks vs. time series models. Economic Modelling. 36: 220–228.

- Co, H.C. & Boosarawongse, R. (2007). Forecasting Thailand’s rice export: Statistical techniques vs. artificial neural networks. Computers & Industrial Engineering. 53: 610-627.

- Czerwinski, A. I. Cutierrez-Estrada, J. C. & Hernando-Casal, J. A. (2007). Shert-term forecasting of halibul CPUE: Linear and non-linear univarate approaches. Fisheries Research, 86: 120-128.

- Erdogan, O. & Goksu, A. (2014). Forecasting Euro and Turkish Lira Exchange Rates with Artificial Neural Networks (ANN). International Journal of Academic Research in Accounting. Finance and Management Sciences. 4 (4): 307–316.

- Hagan, M. T. H. B. & Demuth, M. B. (1996). Neural Network Design. PWS Publishing company.

- Haykin, S. (1998). Neural Networks: A comprehensive foundation. Prentice-Hall

- Kock, A. B. & Terasverta, T. (2013). Forecasting the Finnish consumer price inflation using artificial neural network models and three automated model selection techniques. Finnish Economic Papers. 26 (1): 13-24.

- Malik, F. & Nasereddin, M. ( 2006). Forecasting output using oil price: A cascaded artificial neural network approach. Economics & Business.58: 168-180.

- Mammadova, G. (2010). For casting Exchange Rate using ARIMA and Neural Net work. M.Sc. Thesis. Western.

- Neural network Toolbox User's Guide. (2008). Version 6. The MathWorks Inc. pp. 295-410.

- Pradhan, R. & Kuma, R. (2010). Forecasting Exchange Rate in India: An App; ication of Artificial Neural Network Model.  Mathematics Research. 2 (4): 111-116.

- Zou, H.F. Xi, G.P. Yang, F.T. & Wang, H.Y. (2007). An investigation and comparison of artificial neural network and time series models for Chinese food grain price forecasting. Neurocomputing. 70: 2913-2923.