Forecasting seafood production in Iran using the ARIMA and Artificial Neural Networks

Subject Areas : Agricultural Economics Research

جلیل Khodaparast Shirazi ¹ , زهرا Sadeghi ²

1 - دانشکده اقتصاد مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.
2 - دانشکده اقتصاد مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران.

Received: 2016-06-30 Accepted : 2016-09-19 Published : 2016-10-22

Keywords: Iran, Production, Forcasting, Seafood,

Abstract :

    The main objective of this paper is to predict the value of seafood production in Iran. For this purpose, collective self-explanatory time series moving average (ARIMA) and artificial neural networks are used. In this study, three different structures of neural networks, including multilayer forward neural network, radial basis function and Elman are used. Fisheries organization publishes the seafood production rate yearly for research purposes. In this study data of 1995 to 1911were utilized. Then, the yearly data converted to monthly by using statistical software. The results showed that based on MAPE, the maximum error cost is 0.0771 for ARIMA and the minimum error cost is 7.9328 × 10^-5 for RBF neural network. It is concluded that RBFwas  most accurate method to predict seafood production for the next two years.

References:

- 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.