Comparison of Qualitative and Quantitative Methods to Predict Price of Wheat in Iran

Subject Areas : Agricultural Economics Research

رضا Kazemi ¹ (Department of Industrial Engineering, Faculty of Engineering, Science and Research Branch of Tehran, Islamic Azad University, Tehran, Iran.)
احمد Dehghan-Sanej ² (Department of Industrial Engineering, Faculty of Engineering, Science and Research Branch of Tehran, Islamic Azad University, Tehran, Iran.)
کاوه Khalilzadeh ³ (Department of Industrial Engineering, Faculty of Engineering, Science and Research Branch of Tehran, Islamic Azad University, Tehran, Iran.)

Received: 2015-09-09 Accepted : 2017-12-16 Published : 2017-11-22

Keywords: Artificial neural network, ARIMA, ARCH/GARCH, Wheat Price Forecast, Delphi Mode,

Abstract :

One of the requirements of planning for the future is predict the
behavior of economic variables. Since wheat is a strategic commodity for
our country, forecasting its price is very important. In previous studies in
Iran, researchers have used quantitative models to forecasting the price of
wheat and they have not used qualitative models. But in present research,
we use both of them. The annual data for period of 1976-2014 are
included. The results of the study indicat that RMSE criterion for
quantitative models such as ARMA, EGARCH and ANN are 37625.68,
39373.91 and 24258.073, respectively. On the other hand, the average
percent difference between the forecasting of ANN and Delphi method is
0.08. So, the results show that prediction error of the neural network
model compared to other methods is smaller and in prediction of future
price compared with qualitative methods (Delphi model) is slightly
different. It indicates the importance of using qualitative methods beside
quantitative methods for forecasting economic variables.

References:

 

- ابریشمی، ح.(1385). مبانی اقتصاد سنجی ، جلد دوم، چاپ چهارم، انتشارات دانشگاه تهران، صص97-90 .

- پاشایی زاد، ح.(1386). نگاهی اجمالی به روش دلفی، پیک نور، سال 6 ، شماره دوم، صص 70-63 .

- جورابیان، م و هوشمند، ر(1381). منطق فازی وشبکه های عصبی، انتشارات دانشگاه شهید چمران اهواز، چاپ اول.

- سوری، ع (1390). اقتصادسنجی: همراه با کاربرد نرم افزارEviews 7 ، نشر فرهنگ شناسی، چاپ سوم، تهران.

- شیوا، ر. (1375). پیش بینی سری های زمانی، مؤسسه مطالعات و پژوهش های بازرگانی، چاپ اول، ص 18-17

- عبدالهی عزت آبادی، م(1385). مطالعه نوسانات درآمدی پستهکاران ایران:به سوی سیستمی از بیمه محصول  وایجاد بازار آتی و اختیارمعامله، پایاننامه دوره دکتری، دانشگاه شیراز،ص200

فرج زاده، ز.

- و شاه ولی، ا(1387). پیش بینی قیمت محصولات کشاورزی مطالعه موردی پنبه، برنج و زعفران، اقتصاد کشاورزی و توسعه، سال12 ، شماره 62 ، صص 71-43.

- قدیمی،م. ر و مشیری،س.(1381). مدلسازی وپیشبینی رشداقتصادی درایران بااستفاده از شبکه‌های عصبی مصنوعی. فصلنامه پژوهشهای اقتصادی ایران،جلد 12 ،شماره 54 ،صفحات125-97.

- کیانیان، م.(1370). الگوهای اقتصاد سنجی و پیش بینی های اقتصادی، سازمان مطالعه و تدوین کتب علوم انسانی دانشگاه ها )سمت(، ص 291.

- محمدی نژاد،ا. مقدسی، ر و  عموئی، م.(1391). پیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی، پژوهش‌های ترویج و آموزش کشاورزی، سال 5 ، شماره 1.

- محمدی، ح.موسوی، س و عزیزی، ج. (1387). پیش بینی قیمت محصولات کشاورزی :پیاز،سیب زمینی و گوجه فرنگی ،پژوهش‌ها و سیاست های اقتصادی ،سال 16، شماره 45،صص 119-87.

- مقدسی، ر و رحیمی بدر، ب.(1388). ارزیابی قدرت الگوهای مختلف اقتصاد سنجی برای پیش بینی قیمت گندم،پژوهشنامه اقتصادی، سال 3، شماره 11 ، صص 263-239.

- منهاج، م. (1377). مبانی شبکه‌های عصبی (هوش محاسباتی). تهران: نشردکترحسابی. صفحات135-112.

- نجفی، ب و  همکاران. (1386). پیش بینی قیمت برخی از محصولات زراعی در استان فارس:کاربرد شبکه عصبی، علوم و فنون کشاورزی و منابع طبیعی، سال 12 ، شماره اول، صص 511-501 .

- نوری، ه و  طباطبایی ،ش.(1386). اولویت بندی توسعة صنایع تبدیلی و تکمیلی بخش کشاورزی با استفاده از روش دلفی شهرستان فلاورجان - استان اصفهان ، پژوهش های جغرافیایی شماره 61 ، صص 177-161.

Refrences

- Apergis, N. & Rezitis, A. (2011). Food Price Volatility and Macroeconomic Factors: Evidencefrom GARCH and GARCH-X Estimates, Agricultural an Applied Economics, 43(1), pp 95–110.

- Enders , W.(2004). Applied Econometrics Time Series, 2^nd ed.

- Engel, R.F. (1982). Ato- regressive Conditionally Heteroscedasticity With estimates of the Variance of United Kingdom inflation, Ecoomotrics,50 : pp 987-1007.

- Ganqiong, Li., Shi-Wei, Xu., & Zhe-min, Li. (2010).Short-Term Price Forcastingfor Agro-ProductsUsing Artificial Neural Networks, Agricultural andAgricultural Science Protedia, pp278-287.

- Goodman, C.M. (1987). The Delphi technique: a critique, Journal of advanced Nursing, Vol. 12, NO. 6, pp. 729-734.

- Hanafin, S. (2011). Review of literature on the Delphi technique , Available on : http://www.dcya.gov.ie.,documents/publications, Delphi_technique_ A_Literature_Review. pdf, Retrievedat. 1 july.

- Kohzadi, N., Boyd, M. S. Kermanshah, B. & Kaastra, L. (1996). A Comparison Of Artifici1l Neural Networks And Time Series Model For Forecasting Commodity  Price, Neurocomputing, 10, pp.169-181.

- Lang, Trudi, An Overview of Four Futures Methodologies, [Online] Available: www: Futures.hawaiiedu/j7/LANG.htm1

- Moshri, S., & Cameron, N. (2000). Neural network versus econometric models in forecastinginflation. J. Forecasting, 19, pp.201-217 .

- Partugal, N.S. (1995). Neutral networks versus time series methods: a forecasting exercises, 14th International Symposium on.

- Pesaran, H. M., & Pesaran, B. (1997). Working with micro fit 4.0: An introduction to econometrics. Oxford University Press, Oxford,

- Vishal, M ., Talwar. (2010) , Market Dynamics and price forecasting of maize in south Karnataka - an application of GARCH model, M. Sc. (Agri.) Thesis, Univ. Agric. Sci., Dharwad Karnataka (India).