برآورد تابع تقاضای موادغذایی خانوارهای شهری استان سیستان و بلوچستان با استفاده از دو سیستم NNDS و QUAIDS QUAIDS

محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

احمد اکبری ¹ , مهری احمدی جاوید ² , محمد باقر ضیایی ³ , سید مسعود برکاتی ⁴

1 - استاد اقتصاد کشاورزی، دانشکده مدیریت و اقتصاد دانشگاه سیستان و بلوچستان
2 - دانشجوی دکتری سیاست و توسعه کشاورزی، دانشگاه تربیت مدرس.
3 - کارشناسی ارشد اقتصاد کشاورزی، دانشگاه تبریز
4 - دانشیار، مهندسی برق و الکترونیک، دانشگاه سیستان و بلوچستان

تاریخ دریافت : 1394/03/04 تاریخ پذیرش : 1396/05/31 تاریخ انتشار : 1396/05/01

کلید واژه: استان سیستان و بلوچستان, خانوار شهری, موادغذایی, QUAIDS, NNDS,

چکیده مقاله :

    در این مطالعه، به بررسی تقاضای مواد غذایی خانوارهای شهری استان سیستان و بلوچستان از راه داده‌های خام درآمد و هزینه‌‌ی خانوار 1390 و با استفاده دو سیستم تقاضای شبکه عصبی و سیستم تقاضای تقریبا ایده‌آل درجه دوم پرداخته و مقدار دقت این دو سیستم بررسی شد. برای برآورد تقاضا براساس طبقه‌بندی COICOP موادغذایی به نه گروه اصلی طبقه‌بندی شدند. نتایج NNDS که با استفاده از یک شبکه پیش‌خور و پرسپترون چندلایه برآورد زده شدند، نشان دادند که خطای همه گروهها با این روش مساوی و کوچک‌تر از روش QUAIDS است. نتایج بدست آمده از رسم منحنی انگل نشان دادند که منحنی انگل اکثر گروهها برای سیستم تقاضای شبکه عصبی به دلیل غیرخطی بودن به منحنی واقعی نزدیک‌تر بوده و نتایج بهتری دارند. با توجه به نتایج هر دو سیستم کشش درآمدی گروه کالاهای «نان وغلات»، «شیر و تخم پرندگان»، «حبوبات و سبزی‌ها»، «قند و شکر»، « نوشیدنی‌ها» و «چاشنی‌ها» کم‌تر از یک بوده و این کالاها ضروری هستند و گروه کالاهای «گوشت»، «روغن‌ها و چربی‌ها» و «میوه‌ها و خشکبار» کالای لوکس بشمار می‌آیند.

چکیده انگلیسی:

    In this study, the neural network demand System and the quadratic almost ideal demand system are used to estimate food demand in Sistan and Bluchestan province. For this purpose, micro data of urban household consumption in 2011 were used. The accuracy of two systems was estimated. The food items were classified into nine groups by COICOP to estimate demand. The NNDS results which are estimated using feedforward artificial and multilayer perceptron shows that MSE of all groups using this system has an equal MSE or even a smaller one comparing to QUAIDS. The results indicated that in most groups Engle curves for the NNDS was closer to the real curves. The expenditure elasticity of NNDS was almost equal to QUAIDS. The results of both systems showed that expenditure elasticity for the groups of bread-grains, milk products, vegetables-cereals, sugar-confection, flavoring-spices and different kind of beverages were less than one and groups of meat, fat-oils and fruit-nuts were more than one.

منابع و مأخذ:

- احمدی جاوید م. اکبری ا. و ضیایی م ح. (1393). بررسی الگوی مصرف کالاهای خوراکی خانوارهای شهری استان سیستان و بلوچستان با رویکرد امنیت غذایی. مجله تحقیقات اقتصادکشاورزی، شماره 23: 143-158.

- اصغری اسکویی م ر. ( 1381). کاربرد شبکه‌های عصبی در پیش‌بینی سری‌های زمانی. فصلنامه پژوهش‌های اقتصادی ایران، شماره 12: 69-96.

- بیل آر. و جکسون تی. (1383). آشنایی با شبکه‌های عصبی، ترجمه محمودالبرزی. انتشارات دانشگاه شریف. تهران.

- دلاور  م. (1384). تحلیل و ارائه مدل نوسانات تراز آب دریاچه ارومیه وآنالیز ریسک مناطق ساحل. پایان‌نامه کارشناسی ارشد گروه آبیاری، دانشکده کشاورزی، دانشگاه تربیت مدرس.

- کاظمی م. (1389). پیش‌بینی تأثیر نااطمینانی نرخ ارز بر رشد اقتصادی ایران با استفاده از شبکه های عصبی. پایان‌نامه کارشناسی ارشد گروه اقتصاد، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان.

- سهرابی ف. حسین‌زاد، ج. و دشتی، ق. (1390). برآورد سیستم تقاضا برای گروه اصلی کالاهای خوراکی خانوارهای شهری در ایران با استفاده از سیستم تقاضای معکوس. تحقیقات اقتصاد کشاورزی، 3(4): 37-17.

- محمدی نیک ع. (1392). برآورد سیستم معادلات تابع تقاضای تقریبا ایده‌آل گروه‌های خوراکی خانوارهای شهری در ایران. پایان نامه مقطع کارشناسی ارشد اقتصاد کشاورزی، دانشکده اقتصاد، دانشگاه سیستان و بلوچستان.

- متقی س خ. و قدس ع ر. و سیاهکویی ح.ر. (1389) .نمایش شکل منحنی کاهندگی لرزه‌ای در ناحیه تهران و برآورد ضخامت موهو از روی آن. مجله فیزیک زمین و فضا. دوره 36، شماره 2: 1-16.

- یگانه مهر ا. (1390). مقایسه عملکرد شبکه عصبی و الگوریتم ژنتیک در پیش بینی بازده سهام.  پایان نامه کارشناسی ارشد ، دانشکده مدیریت و اقتصاد، دانشگاه شهید باهنر کرمان.

 

 

Refrences

- Banks J., Blundell R., & Levwbel A. (1997). Quadratic Engel Curves and Consumer Demand. The Review of Economics and Static. 79(4): 527-539.

- Blundell R.W., Pashardes P., & Weber G. (1993). What Do We Learn About Consumer Demand Patterns from Micro Data. American Economic Review. 83(3): 570-597.

- Boelaert, J. (2013). A Neural Network Demand System. Working Papers of the Centre for Economics at the Sorbonne.

- Bopape, L.E. (2006). The Influence of Demand Model Selection on Household Welfare Estimates: An Application to South African Food Expenditures. Department of Agricultural Economics, Michigan State University.

- Cleveland, W. S. (1979). Robust locally weighted regression and smoothing scatter plots.Journal of the American Statistical Association. 74: 829–836.

- Cox, T., Wohlgenant, M. (1986). Prices and Quality Effects in Cross-Sectional Demand Analysis. American Journal of Agricultural Economics, 68: 908-919.

- Deaton, A., Muellbauer J. (1980).Economics and Consumer Behavior. Cambridge University Press.

- Geoffrey, M.P., Capps, O., & Clauson, A. (2005).  Demand for Non-Alcoholic Beverages: Evidence from the ACNielsen Home Scan Panel. The American Agricultural Economics, Rhode Island, 44: 159-170.

- Gorman, W.M. (1981). Some Engel Curves in the Theory and Measurement of Consumer Behaviour, A. Deaton ed. Cambridge, UK: Cambridge University Press.

- Liu, K.E. (2003). Food Demand in Urban China: An Empirical Analysis Using Micro Household Data, Dissertation, the Ohio State University.

- Mekonnen, D.K., Huang, C.L., & Fonsah, E. Greg. (2012). Analysis of Fruit Consumption in the U.S. with a Quadratic AIDS Model, the Southern Agricultural Economics Association Annual Meeting, Birmingham.

- McAleer, M., Medeiros, M.C., & Slottje, D. (2008). A neural network demand system with heteroskedastic errors, Journal of Econometrics. 147: 359-371.

- Sola, O. (2013). Demand for food in Ondo state, Nigeria: Using quadratic almost ideal demand system, Journal of Business Management and Economics. 4(1): 1-19.

- Xi, j., Ron, M., & Heckelei, T. (2004). A Quaids Model of Japanese Meat Demand, American Agricultural Economics Association Denver, Colorado, U.S.A.

- Yeong- Sheng, T.(J)., Shamsudin, M., Mohammad, Z., Abdullah, A., Radam, A. (2008). Analysis of Demand for Vegetable in Malaysia. ICFAI Journal of Agricultural Economics. 5 (3),17-29.

- Zirilli, J.S. (1997). Financial Prediction Using Neural Networks, International Thomson Computer press.