پیش‌بینی صادرات زعفران ایران با مقایسه الگوریتم های یادگیری ماشین

Subject Areas : Decision-making

علیرضا  امیرتیموری ¹ (استاد تمام، گروه ریاضی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران.)
منصور  صوفی ² (استادیار، گروه مدیریت صنعتی، واحدرشت، دانشگاه آزاداسلامی، رشت، ایران)
مهدی  همایونفر ³ (استادیار، گروه مدیریت صنعتی، واحدرشت، دانشگاه آزاداسلامی، رشت، ایران)
مهدی  فدایی ⁴ (استادیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)

Received: 2020-04-20 Accepted : 2022-02-13 Published : 2023-06-01

Keywords: شبکه عصبی, پیش‌بینی, یادگیری عمیق, درخت تقویت گرادیانی, صادرات زعفران,

Abstract :

واردات و صادرات در همه کشورها نقش مهمی در رشد اقتصادی ایفا می‌کنند. بنابراین، انتخاب محصولات مناسب، باعث افزایش رقابت‌پذیری کشور در تجارت جهانی می‌شود. زعفران یکی از مهم‌ترین و متمایزترین محصولات غیرنفتی ایران برای صادرات است. هدف این مطالعه، پیش‌بینی صادرات زعفران از طریق سه الگوریتم داده‌کاوی و انتخاب الگوریتم مناسب در پیش‌بینی است. دوره نمونه مدل‌های پیش‌بینی شامل داده‌های صادرات زعفران ایران از سال ۲۰۱۲ تا ۲۰۱۹ است که از انجمن زعفران ایران جمع‌آوری شده‌اند. پس از انجام مراحل آماده‌سازی داده، پیش‌بینی صادرات زعفران با استفاده از سه الگوریتم داده‌کاوی شامل شبکه عصبی مصنوعی، یادگیری عمیق و درخت تقویت گرادیانی انجام شد. برای انتخاب یک مدل پیش‌بینی بهتر، اعتبار مدل نقش مهمی ایفا می‌کند. صحت پیش‌بینی سه مدل طراحی شده به کمک خطای مطلق ( 036/0 = شبکه‌ی عصبی مصنوعی،  031/0 = یادگیری عمیق شبکه،   047/0 = درخت تقویت گرادیانی)، معیار R2 (045/0 = شبکه‌ی عصبی مصنوعی، 044/0 = یادگیری عمیق شبکه، 073/0 = درخت تقویت گرادیانی) و همبستگی (95/0 = شبکه‌ی عصبی مصنوعی، 98/0 = یادگیری عمیق شبکه،  97/0 = درخت تقویت گرادیانی) اندازه‌گیری شدند. براساس یافته‌ها، تمامی این سه مدل طراحی شده دقیق هستند و خطای پیش‌بینی آن‌ها بسیار کم و نزدیک به هم است. اما با تفاوت ناچیز، شبکه یادگیری عمیق کمترین خطا را دارد. نتایج می‌توانند برای برنامه‌ریزی دقیق‌تر صادرات زعفران مفید باشند.

References:

Abasi, S., Mohammadi, H. & Dini, A. (2012). The prediction of the price of oil seeds in Iran, case study of corn and soya. Journal of Economic Research and Policy, 17, 41-53. [In Persian].

Akbari, A., Sharei Hadadzade, M., & Mehrabi Basharabadi, H. (2013). The prediction of Iran's date exports through econometric and artificial intelligence methods. Journal of Agricultural Economics Researches, 5(3), 99-120. [In Persian].

Amirzade Moradabadi, S. (2014). The prediction of wheat price in Iran. National conference on electronic achievements in engineering and basic sciences. Tehran.https://www.civilica.com/Paper-AEBSCONF01-AEBSCONF01_208.htm.l. [In Persian].

Barimnejad, V., & Bakshelu, M. (2017). The prediction of tomato's price, comparison of neural network integrated methods, Self-regression and ARIMA. Agricultural Economics and Development, 83, 89-103. [In Persian].

Breiman, L. (1997). Arcing the Edge. Technical Report 486. Statistics Department, University of California, Berkeley.

Devi, M., Kumar, J., Malik, D.P., & Mishra, P. (2021). Forecasting of wheat production in Haryana using a hybrid time series model. Journal of Agriculture and Food Research, 5, 100175.

Farajzade, Z., & Shahvali O. (2018). The prediction of corps price (Case study: Cotton and rice and saffron). Journal of Agricultural Economics and Development, 17, 43-72. [In Persian].

Fazlollahi, E. & Fatahi, A. (2014). The determination of optimum pattern for prediction of the price of rice in Iran. The country's national rice congress, Sari, instituted of Genetics and Biotechnology and agriculture of Tabarestan. Faculty of Agricultural Sciences and Natural Resources of Sari. [In Persian].

Garcia, R., Telea, A.C., Da Silva, B.C., Torresen, J. & Dihlcomba, J.L. (2018). A task-and-technique centered survey on visual analytics for deep learning model engineering. Computers & Graphics, https://doi.org/10.1016/j.cag.2018.09.018.

Shafieyan, M., Homayounfar, M., & Fadaei, M. (2017). Identification of strategies for sustainable development of rice production in Guilan province using SWOT analysis. International Journal of Agricultural Management and Development., 7, 141-153

Karbasi A., & Akbarzade J. (2008). Estimation of export supply and demand functions for Iran saffron by simultaneous equations system. Agricultural Economics and Development, 16, 33-52. [In Persian].

Kourentzes, N., Barrow, D., & Petropoulos, F. (2019). Another look at forecast selection and combination: Evidence from forecast pooling. International Journal of Production Economics, 209, 226–235.

Kouzegaran, S., Mousavi Baygi, M., Babaeian, I., & Khashei-Siuki, A. (2020). Future projection of the effects of climate change on saffron yield and spatial-temporal distribution of cultivation by incorporating the effect of extreme climate indices. Theoretical and Applied Climatology, 141, 1109–1118.

Kuchakzade, S., Vahid F., & Kuchakzade, A. (2013). Modeling and prediction of saffron exports, National Congress of Scientific and Research Achievements about Saffron, TorbatHeidarie University. [In Persian].

Kyriazi, F., Thomakos, D.D., & Guerard, J.B. (2019). Adaptive learning forecasting with applications in forecasting agricultural prices. International Journal of Forecasting, 35 (4), 1356-1369.

Li, J., Li, G., Liu, M., Zhu, X., & Wei, L. (2021). A novel text-based framework for forecasting agricultural futures using massive online news headlines. International Journal of Forecasting, (In press)

Luo, J., Klein, T., Ji, Q., & Hou, C. (2019). Forecasting realized volatility of agricultural futures with infinite Hidden Markov HAR models. International Journal of Forecasting, (in press). http://dx.doi.org/10.
1016/j.ijforecast.2019.08.007

Mendes-Moreira, J., Soares, C., Jorge, A.M., & De Sousa, J.F. (2012). Ensemble approaches for regression: A survey. ACM Computing Surveys, 45(1), 10.

Ministry of Agriculture Jihad. (2018). The MAJ database. Available at Web sitehttp://www.maj.ir.(Verified 5 December2018).

Moghadasi, R., Khaligh Khiav, P. & Kavusi Klashami, M. (2011). The prediction of Iran's non-oil exports, regression and artificial neural network patterns. Economic Modeling, 5,13, 67-90.

Mohamadzadeh, S.H., Karbasi, A. & Kashefi, M. (2016). Comparison of logit, probit, and Tobi in the factors affecting the adoption of saffron insurance Case study: Qaen City. Saffron agronomy and technology, 4(3), 239-254. [In Persian].

Nasabian, S., & Ghashghaei, S.A. (2017). The prediction of the global price of wheat and saving currency in Iran, financial economy. Journal of Financial Economics, 41(11), 225-242.

Nazemi, A. (2016). Investigating Factors Affecting the Export of Pistachio, Saffron and Solutions to Improve Exports. Modern Applied Science, 10(12), 229-236. [In Persian].

Nazlioglu, S., & Soytas, U. (2012). Oil price, agricultural com- modify prices, and the dollar: A panel cointegration and causality analysis. Energy Economics, 34(4), 1098–1104

Omidi, M., & Omidi, H. (2016). The investigation and prediction of the exports of saffron, through gray systems and artificial neural network, 2nd National Congress on Agricultural Science and Natural Resources Development [In Persian].

Ramezani, M., Dourandish, A., & Davari Torshizi, M. (2018). Economic Analysis and Investigation of Factors Affecting the Inefficiency of Saffron Fields in Gonabad. Journal of Saffron Research, 6, 191-202. [In Persian].

Riahi Modavar, H., Khashei-Siuki, A., & Seifi, A. (2017). Accuracy and uncertainty analysis of artificial neural network in predicting saffron yield in the south Khorasan province based on meteorological data. Journal of Saffron Agronomy and Technology, 5 (3), 255-271.

Sabu, K.M., & Kumar, T.K.M. (2020). Predictive analytics in Agriculture: Forecasting prices of Arecanuts in Kerala, Procedia Computer Science, 171, 699-708.

Salari, A., Bashiri, M., & Marusi, A. (2017). The prediction of the performance of saffron through data mining methods and determination of effective climate parameters on it in Khorasan Razavi. Journal of Saffron Research, 5(1), 1-17. [In Persian].

Sanainejad, S.H., Farsi, M., Hasheminiya, S.M.H., & Seied, N. (2007). The investigation and performance prediction of saffron in south khorasan, by climatic factors through practical relationships. 5^th Festival of Talaye Sorkh, South Khorasan. [In Persian].

Shaygan, M.A., Mohamadi, H., & Musavi, S.N. (2007). The prediction of the imports rate of rice and corn through artificial neural networks. Journal of Economic Research and Policy, 15 (44), 83-100. [In Persian].

Tashakkori, F., & Torkashvand, A.M. (2020). Comparison of Different Methods of Estimating Saffron Yield Based on Soil Properties in Golestan Province. Communications in Soil Science and Plant Analysis, 51(4), 1-13.

Wang, J., Li, Xiang, H., Tao, & Wang, S. (2018). A semi-heterogeneous approach to combining crude oil price forecasts. Information Sciences, 460, 279–292

Wang, J., Wang, Z., Li, X., & Zhou, H. (2019). Artificial bee colony-based combination approach to forecasting agricultural commodity prices. International Journal of Forecasting, DOI: 10.1016/j.ijforecast.2019.08.006

Zarei, G. & Jafari, A.M. (2015). The Role of Import and Export of Major Crop Productions in Virtual Water Trade and Water Footprint in the Agricultural Sector of Iran. Iranian Journal of Irrigation and Drainage, 9 (5), 784-797.

Zhang, Y. (2019). Application of improved BP neural network based on e-commerce supply chain network data in the forecast of aquatic product export volume. Cognitive Systems Research, 57, 228-235.