مقایسه قدرت پیش‌بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت‌های جهانی گندم، ذرت و شکر)

محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

رضا مقدسی ¹ (دانشیار گروه اقتصاد کشاورزی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران.)
میترا ژاله رجبی ² (دانشجوی دکتری گروه اقتصاد کشاورزی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران.)

تاریخ دریافت : 1392/10/24 تاریخ پذیرش : 1392/10/24 تاریخ انتشار : 1392/06/01

کلید واژه: شبکه عصبی مصنوعی, الگوی خطی, پیش بینی سری زمانی, الگوی تلفیقی,

چکیده مقاله :

پیش‌بینی دقیق قیمت‌های محصولات کشاورزی وارداتی می­تواند ضمن کمک به برنامه­ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر‌کاربرد‌‌ترین الگوهای پیش‌بینی سری زمانی طی سه دهه­ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می‌باشند. مطالعات اخیر در زمینه­ی پیش‌بینی با شبکه عصبی مصنوعی نشان‌می‌دهد که شبکه­ی عصبی مصنوعی می‌تواند دقت پیش‌بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه­ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر‌خطی نمی‌باشد. از این‌رو با ترکیب الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده‌ها با دقت بیشتری الگوسازی می‌گردد. در مطالعه­ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش‌بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه­ی دقت پیش‌بینی علاوه بر معیارهای مقایسه متداول نظیر RMSE، MAE، MAPE و Theil C با معرفی آماره گرنجر و نیوبولد معنی‌داری تفاوت دقت پیش‌بینی‌ها نیز بررسی شده است. نتایج پیش‌بینی‌ قیمت‌های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به­طور معنی‌داری دقت پیش‌بینی به­دست آمده از الگوهای انفرادی را افزایش می‌دهد. بر این اساس، به­کارگیری الگوهای تلفیقی در پیش‌بینی قیمت محصولات کشاورزی(به­ویژه محصولات استراتژیک) توصیه می‌شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به­عمل آید.
طبقه­بندیJEL:C19,C59

چکیده انگلیسی:

Reliable predictions on import prices of agricultural products could result in appropriate timing of import and saving of exchange resources. Linear time series models including ARIMA, GARCH and EGARCH have frequently been used in time series forecasting during the past three decades. Recent studies on forecasting with artificial neural network (ANNs) suggest that ANNs can be a suitable alternative to the traditional linear models. But neither linear time series models nor ANNs could be adequate in modeling and forecasting time series since the linear model cannot deal with nonlinear relationships while neural network model alone is not able to handle both linear and nonlinear patterns equally well. Hence, by integrating linear time series with ANN models and designing the hybrid model, patterns in the data could be explained more accurately. In this research, a hybrid methodology that combines time series model ARIMA, GARCH and EGARCH and ANN models is designed and results are compared with those of competitive models. In order to compare forecasting accuracy, in addition to the usual criteria such as RMSE, MAD, MAPE and Theil Coefficient with introducing Granger and Newbold statistic, significance of forecasting accuracy have been investigated. Findings for prices of wheat, corn and sugar indicated that hybrid model significantly improves forecasting accuracy. In order to save foreign exchange, application of hybrid models for agricultural price prediction is recommended.