پیش بینی صادرات غیر نفتی ایران: الگوهای رگرسیونی و شبکه عصبی مصنوعی
محورهای موضوعی : اقتصاد کار و جمعیت
کلید واژه: ایران, صادرات غیرنفتی, الگوی شبکه عصبی مصنوعی, الگوی SARIMA, فراوانی غیرفصلی و فصلی,
چکیده مقاله :
در نوشتار حاضر از الگوهای شبکه عصبی مصنوعی و SARIMA برای پیش بینی مقادیر صادرات غیرنفتی ایران استفاده شده است. برای این منظور سری زمانی ماهیانه ارزش صادرات غیرنفتی طی سال‌های 1380 تا 1388 مورد استفاده قرار گرفته است. مقایسه قدرت پیش بینی دو الگوی فوق به کمک معیارهای خطای میانگین، ریشه دوم میانگین خطا، میانگین خطای مطلق، میانگین درصد خطا و میانگین درصد خطای مطلق انجام شد. مقدار MAPE برابر با 44/0 درصد نشان دهنده برتری شبکه عصبی مصنوعی در پیش بینی صادرات غیرنفتی در قیاس با الگوی فصلی SARIMA است.
Expanding non-oil exports for diversifying exchange revenues and reducing oil income instability effects on Iran’s economic growth has been one of the main strategies in foreign trade for recent years from the viewpoint of planners and policy makers. Present study applies ANN and SARIMA to forecast Iranian non-oil exports. For accomplishing this, monthly time series data of non-oil exports value during 2000-2009 are used. In order to predict this, the performances of two mentioned approaches are compared by using ME, RMSE, MAE, MPE and MAPE criteria. MAPE is calculated at 0.44 for ANN representing ANN forecasts are more precise than SARIMA ones.
منابع
ــ آذر، عادل و افسر، امیر(1385). مدل سازی پیش بینی قیمت سهام با رویکرد شبکه‌های عصبی. فصلنامه پژوهشهای بازرگانی. سال دهم، 40: 52-33.
ــ ابریشمی، حمیدوگرجی، ابراهیم. احراری، مهدی و نجفیان، فرزانه (1388). اثرات جهانی شدن بر صادرات غیر نفتی ایران، فصلنامه پژوهشنامه بازرگانی، سال سیزدهم، شماره 24:51-1.
ــ شریفان، حسین و قهرمان، بیژن (1386). ارزیابی پیش بینی باران با بکار گیری تکنیک SARIMA در استان گلستان، مجله علوم کشاورزی و منابع طبیعی، سال چهاردهم، شماره 3: 209- 196.
ــ سینایی، حسن علی و مرتضوی، سعیدالله و تیموری اصل، یاسر(1384). پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه‌های عصبی مصنوعی. بررسی‌های حسابداری و حسابرسی. سال دوازدهم، 41 : 83-59.
ــ فرج زاده، زکریا و شاه ولی، ارکیده (1388). پیش بینی قیمت محصولات کشاورزی: مطالعه موردی پنبه و برنج و زعفران، فصلنامه اقتصاد کشاورزی و توسعه، سال هفدهم، شماره 67: 43- 71.
ــ فلاحی، محمد علی. خالوزاده، حمید و حمیدی علمداری، سعیده (1384). الگوسازی غیر خطی و پیش بینی درآمدهای مالیات بر مشاغل در اقتصاد ایران(کاربرد شبکه‌های عصبی مصنوعی و مقایسه‌ی آن با الگوهای رگرسیون خطی و سری زمانی). مجله تحقیقات اقتصادی. سال ششم، 76: 167-143.
ــ قدیمی، محمد رضا و مشیری، سعید (1381). مدلسازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه‌های عصبی مصنوعی. فصلنامه پژوهشهای اقتصادی ایران. سال چهارم،
12: 126-97.
ــ قهرمان زاده، محمد و سلامی، حبیب الله (1387). الگوی پیش بینی قیمت گوشت مرغ در ایران: مطالعه موردی استان تهران، فصلنامه علوم کشاورزی ایران (ویژه اقتصاد و توسعه کشاورزی)، سال نهم، 1: 17-1.
ــ مشیری، سعید (1380). پیش بینی تورم ایران با استفاده از مدل‌های ساختاری، سری‌های زمانی و شبکه‌های عصبی.مجله تحقیقات اقتصادی. سال پانزدهم، 58: 184-147.
ــ مهدوی عادل، محمد حسین. مطهری، محب الله و نوروزی، روح الله (1388). نقش سرمایه گذاری مستقیم خارجی بر صادرات غیر نفتی در اقتصاد ایران. مجله دانش و توسعه، سال شانزدهم، 27: 181-161.
ــ مهرابی بشرآبادی، حسین و کوچک زاده، سمیه (1388). مدلسازی و پیش بینی صادرات محصولات کشاورزی ایران: کاربرد شبکه‌های عصبی مصنوعی. مجله اقتصاد و توسعه کشاورزی (علوم و صنایع کشاورزی)، سال ششم، 1: 49-58.
- Ahmad, H.A., & Dozier, G.V., & Roland, D.A. (2001). Egg price forecasting using neural networks. (2001) poultry science association, Inc. 2001 J. Appl. Pout. Res. 10:162–171.
- Arnade, C., & D. Pich. (1998). Seasonality and unit roots: the demand for fruits, Agricultural Economics, 18: 53-62.
- Beaulieu, J.J., & Miron, J.A. (1993). seasonal unit roots in aggregate US data, Journal of Econometrics, 55: 305-328.
- Canova, F., & B.E. Hansen.( 1995).are seasonal patterns constant over time? a test for seasonal stability. Journal of Business and Economic Statistics, 13:237-252.
- Dalhuisen, J.M., & Florax, R.J.G.M., & de Groot, H.L.F., & P. Nijkamp, (2003). Price and Income Elasticities of Residential Water Demand: A Meta-Analysis. Land Economics, 79(2): 292-308.
- Enders, W. (1995). applied econometric time series. John Wiley & Sons, INC. New York.
- Eric, A. (2010). Modeling and forecasting inflation rates in ghana: an application of sarima models, dissertation submitted to the School of Technology and Business Studies, Hogskolan Dalarna in partial fulfillment of the requirement for the award of Master of Science Degree in Applied Statistics.
- Franses P.H. (1991): Seasonality, non-seasonality and the forecasting of monthly time series, International Journal of Forecasting, 17: 199-208.
- Franses, P.H., & Hobijn, B. (1997).critical value for unit root tests in seasonal time series, Journal of Applied Statistics, 24: 25-47.
- Hamilton, J.D. (1994). Time series analysis. Princeton unit. Press, Princeton New Jersey.
- Hylleberg, S., & Engle, R., & Granger, C.W.J., & B.S. Yoo, (1990). Seasonal integration and co integration, Journal of Econometrics, 44: 215-238.
- Kirchgässner, G., & J. Wolters.(2007). Introduction to modern time series analysis. Springer-Verlag Berlin Heidelberg.
- Kleiber, C., & Zeileis, A. (2008). Applied econometrics with r. Springer Science Business Media, LLC, NY, USA.
- Pfaff, B. (2008). Analysis of integrated and cointegrated time series with r. 2ed, Springer Science Business Media, LLC, NY, USA.
- Shumway, R.H., & D.S. Stoffer. (2006). Time Series Analysis and Its Applications with R Examples, 2ed, Springer Science Business Media, LLC, NY, USA.
- Taylor, A.M.R.(1997). On the practical problems of computing seasonal unit root tests. International Journal of Forecasting, 13: 307–318.
- Tseng, F.M., & Yu, H.C. & G.H., Tzeng. (2002). Combining neural network model with seasonal time series ARIMA model, Technological Forecasting & Social Change, 69: 71-87.
- Wang, l., & Gouging, Qi. , & Fu, Q., &Liu, Y.) 2006(. soybean yield forecast application based on Hopfield and ann. model. The Journal of American Science. 2(3): 85-89.