Determine the appropriate model to predict the price of Agricultural crops “A case of wheat, Alfa- Alfa and Potato crops”

Subject Areas : Agricultural Economics Research

Hamed Ghaderzadeh ¹ , khaled Ahmadzadeh ² , susan ganji ³

1 - استادیار گروه اقتصادکشاورزی دانشگاه کردستان.
2 - دانشجوی دکتری اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شیراز.
3 - استادیار گروه اقتصادکشاورزی دانشگاه کردستان.

Received: 2016-12-11 Accepted : 2019-07-09 Published : 2019-09-23

Keywords: ARIMA, Autoregressive, Agricultural, Moving Average,

Abstract :

The agricultural price fluctuations are one of the main problems in front of producers and policy makers especially in developing countries. In this regards price prediction play an important role in control of price instabilirt and risk reduction. The current study attempted to select a proper pattern to predict the major agricultural as well as selected crops in Kurdistan province (wheat, Alfa- Alfa and Potato). Data were collected from retailer price of wheat, Alfa-Alfa and potato crops ducring 2000-2013 for each six months. To acsses stability of data the Dicky Fuller used and it could get stable and predictable at one different deduction level. The patternd used in the srudy are ARIMA, MA and AR. The results showed that, among three used pattern ARIMA respect to evaluation criteria precision follow less error and has more power in prediction in case of selected crops.

References:

 

- بریم نژاد، م و بکشلو، م. (1392). پیش‌بینی قیمت گوجه فرنگی: مقایسه روش‌های تلفیقی شبکه عصبی- خودرگرسدونی و ARIMA. اقتصاد کشاورزی و توسعه، 21 (83): 89- 103.

- بی‌نام (1393). سازمان جهاد کشاورزی استان کردستان، معاونت برنامه ریزی و امور اقتصادی اداره آمار و فناوری اطلاعات.

- زارع مهرجردی، محمدرضا و سمانه نگارچی(1390). مقایسه الگوهای میانگین متحرک خود رگرسیون انباشته، رگرسیون فازی و رگرسیون انباشته فازی به منظور پیش‌بینی قیمت گوشت گوسفند، نشریه اقتصاد و توسعه کشاورزی، جلد 25، شماره 1، صفحات:100-108.

- طرازکار، م. (1384). پیش بینی قیمت برخی از محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی، پایان‌نامه دوره  کارشناسی ارشد، دانشگاه شیراز.

- ﻋﺒﺎﺳﻴﺎن، م. و ﻛﺮﺑﺎﺳﻲ، ع. (1382). ﻛﺎرﺑﺮد روﺷﻬﺎی ﻛﻤﻲدر ﭘﻴﺶ‌ﺑﻴنی ﻣﺘﻐﻴﺮﻫﺎی اﻗﺘﺼﺎدی ﻣﻄﺎﻟﻌﻪ ﻣﻮردی : ﺗﻮﻟﻴﺪ و ﻗﻴﻤﺖ ﻋﻤﺪه ﻓﺮوشی تخمﻣﺮغ. ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎﻻت ﭼﻬﺎرﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ دو ﺳﺎﻻﻧﻪ اﻧﺠﻤﻦ اﻗﺘﺼﺎد ﻛﺸﺎورزی ایران، داﻧﺸﮕﺎه ﺗﻬﺮان، داﻧﺸﻜﺪه ﻛﺸﺎورزی.

- عبدالهی عزت‌آبادی، م. (1381). مطالعه نوسانات درآمدی پسته‌کاران ایران به سوی سیستمی از بیمه محصول و ایجاد بازار آتی و اختیار معامله. پایان‌نامه دوره دکتری، دانشگاه شیراز.

- ابریشمی، ح. (ترجمه). ( 1378). مبانی اقتصادسنجی. دامودار گجراتی. جلد دوم، انتشارات دانشگاه تهران، تهران.

- گیلان‌پور، الف. و کهزادی، ن. (1376). پیش بینی قیمت برنج در بازار بی نالمللی با استفاده از، الگوی خود رگرسیونی میانگین متحرک. فصلنامه اقتصاد کشاورزی و توسعه، 8 (2): 200- 189.

- لهراسبی، ز. (1385). تاریخچه تحقیقات گندم، فصل­نامه ‍‍پژوهش­های غلات، 8 (9): 15-37.

- محمدی، ح.، فرجزاده، ز.، دهباشی، و.، شهرکی، الف. و انصاری نیک، ح. (1392). انتخاب الگوی پیش‌بینی قیمت فراورده های دامی. اقتصاد کشاورزی و توسعه، 81 (21): 101-130.

- مجاوریان، م. و امجدی، الف. (1378). مقایسه روشهای معمول با تابع مثلثاتی در قدرت پیش بینی سری زمانی قیمت محصولات کشاورزی همراه با اثرات فصلی: مطالعه مورد . 62 – مرکبات. فصلنامه اقتصاد کشاورزی و توسعه، 25: 43-57

- مرتضوی، سید ابوالقاسم و سعید حسنلو(1392)،پیش‌بینی قیمت خرده فروشی و عمده‌فروشی ماهی قزال‌آلا با استفاده از شبکه عصبی مصنوعی و مدل ARIMA. تحقیقات کشاورزی، جلد پنجم، شماره 3، صفحات: 25-47.

- مقدسی، ر. و رحیمی بدر، ب. (1388). ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیش‌بینی قیمت گندم. پژوهشنامه اقتصاد، 9 (4): 239– 263.

Refrences

- Brandt, J.A. & Bessler, D.A. (1981). Composite Forecasting: An Application with US Hog Prices.  American Journal of Agricultural Economics No. 63: 135-140.

- Enderse, W. (2004). Applied econometrics time series, John Wiley and Sons, Inc.

- Greene, W. H. (2000). Econometric Analysis. 4th, Prentice Hall International Edition. New York University.

- Kohzadi, N.M.S. Boyd, I. Kaastra, B.S. Kermanshahi & Scuse D. (1995). Neural Networks for Forecasting: An Introduction. Canadian Journal of Agricultural Economics, No. 43:  463-474.

- Marcellinio, M.J.H. Stock & Watso, T M. W. (2006). A Comparison of Direct and Indirect and Iterated Multi Step AR Methods for Forecasting Macroeconomic Time Series.  Journal of Econometrics, No. 135:  499-526.

-Pesaran, H.M. & Pesaran, B. (1994). Working with Microfit 4. 0: An Introduction to Econometrics, Oxford University Press and Oxford.

- Portugal, N.S. (1995). Neural networks versus time series methods: A forecasting exercises, 14th international symposium on forecasting, Sweden.