پیش بینی قیمت خرده‌فروشی و عمده‌فروشی ماهی قزل آلا با استفاده از شبکه عصبی مصنوعی و مدل ARMA

محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

سید ابوالقاسم مرتضوی ¹ (استادیار،اقتصاد کشاورزی، دانشگاه تربیت مدرس)
سعید حسنلو ² (دانشجوی کارشناسی ارشد اقتصاد کشاورزی، دانشگاه تربیت مدرس)
اعلائی بروجنی ³ (دانشجوی دکتری اقتصاد کشاورزی، دانشگاه تربیت مدرس)

تاریخ دریافت : 1393/01/24 تاریخ پذیرش : 1393/01/24 تاریخ انتشار : 1392/09/01

کلید واژه: شبکه عصبی مصنوعی, قیمت, پیش‌بینی, ماهی قزل آلا, ARMA,

چکیده مقاله :

توجه به ثبات نسبی و پیش­بینی قیمت، می‌تواند نقش مهمی در کنترل ناپایداری قیمت‌ها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیش­بینی، مهم‌ترین بخش مقایسه­ی روش‌های مختلف است. در این پژوهش با مقایسه­ی قدرت پیش­بینی دو روشARMA و شبکه­ی عصبی مصنوعی و با انتخاب روش بهتر، قیمت‌های هفتگی خرده‌فروشی و عمده‌فروشی ماهی قزل‌آلا  پیش­بینی می‌شود. در این مطالعه از شبکه­ی پیش‌خور که از نوع شبکه‌های پس انتشار        (Back Propagation) است، استفاده می‌شود. داده‌های مورد استفاده در مطالعه شامل قیمت‌های هفته­ی اول فروردین 1388 تا هفته­ی آخر شهریور 1390 می‌باشد. قبل از استفاده از روش­های پیش­بینی تصادفی یا غیرتصادفی بودن داده‌ها مورد بررسی قرار گرفت. بر اساس آزمون‌های تصادفی بودن والد-ولفویتز، والیس-مور و دوربین-واتسون هر دو سری قیمت غیرتصادفی و قابل پیش‌بینی هستند. بر اساس آزمون ایستایی داده‌ها (دیکی-فولر تعمیم یافته) سری‌ها در سطح ایستا می‌باشند. نتایج پیش‌بینی نشان می‌دهد که مدل ARMA در مقایسه با مدل شبکه عصبی مصنوعی، بر اساس چهار معیار ارزیابی دقت پیش‌بینی، میزان خطای کمتری دارد در نتیجه قدرت بالاتری در پیش‌بینی قیمت ماهی قزل‌آلا دارد. در مدل شبکه عصبی 80% داده‌ها برای آموزش شبکه و 20% برای داده‌های آزمایشی در نظر گرفته شد. نتایج آزمون برابری دقت دو روش (MGN) نشان می‌دهد مدل ARMA در پیش‌بینی قیمت خرده‌فروشی و قیمت عمده‌فروشی نیز به طور معنی‌داری بهتر از مدل شبکه عصبی است. طبقه­بندی JEL:E27, P25, Q18

چکیده انگلیسی:

Paying attention to the relative stability of prices and forecasting prices could play an important role in controlling the instability of prices and ultimately reduce market risk. Comparison of different methods is important in the forecasting issues. In this study Wholesale and Retail Prices (Weekly Prices) of Rainbow Trout Fish will forecast with contrasting between forecasting power of the ARMA method and Artificial Neural Network method and choice the better one. In this study the Feed-forward network that is one of Back Propagation networks is used. The using data are from first week of farvardin 1388 to last week of shahrivar 1390. Before usage of predict methods, the random or non-randomized nature of the data were examined. Both of Price Series are predictable and non-randomized based on Random tests of Wald-Wolfowitz, Wallis-Moore and Durbin –Watson. Series are stationary in levels based on data stationary test (Dicky-Fuller augmented). Results of Forecasting show that in the model ARMA compared with artificial neural network (ANN) error rate is less based on four criteria forecast accuracy evaluating. Then it has higher power in forecasting the price of Rainbow Trout Fish. In the ANN model 80% of data for training network and 20% for testing network have been used .The results of accuracy equality test of the two methods (MGN) shows the ARMA model is also better than the neural network model in forecasting retail and wholesale prices significantly.