1کارشناس ارشددانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران
2استادیار دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران
3دانشیار دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران
چکیده
پیش بینی متغیرهای اقتصادی به عنوان یک ابزار مفید برنامه ریزی از اهمیت ویژه ای در مباحث علمی برخوردار است. روش های متنوعی وجود دارد که برای پیش بینی در مطالعات اقتصادی مورد استفاده قرار میگیرد. هدف مطالعه حاضر شناسایی روش کارا برای پیشبینی صادرات پوست و چرم ایران است. برای این منظور الگوی خودتوضیح جمعی میانگین متحرک[1]، روش شبکههای عصبی مصنوعی[2] و ترکیب الگوی خودتوضیح جمعی میانگین متحرک با شبکههای عصبی مصنوعی با استفاده از دادههای سری زمانی دوره 89-1350 مورد مقایسه قرار گرفتند. یافتههای این پژوهش نشان داد که روش ترکیبی(شامل شبکههای عصبی مصنوعی و الگوی خودتوضیح جمعی میانگین متحرک) که سری زمانی صادرات را به دو جزء خطی و غیرخطی تجزیه میکند، نسبت به روش شبکههای عصبی مصنوعی و الگوی خودتوضیح جمعی میانگین متحرک دقت و کارایی پیشبینی بهتری دارد. علاوه بر این، روش ترکیبی دقیقترین روش شناخته شده در این پژوهش، صادرات پوست و چرم ایران در سالهای آتی را بیشتر از دو روش دیگر ارائه کرد. اما همانند دو روش دیگر، روند صادرات پوست و چرم در سالهای آتی را کاهشی پیشبینی میکند.
Comparing Forecasting Ability of Artificial Neural Networks and ARIMA Methods in Forecasting of Iran’s Leather and Skin Exports
چکیده [English]
Forecasting economic variables as a helpful planning tool has got considerable attention in economic literature. There are various methods that could be used for forecasting. The objective of this study is to identify an efficient method for predicting Iran’s leather and skin exports. For this purpose, auto-regressive integrated moving average process (ARIMA), artificial neural networks (ANN) and hybrid methodology of ANN-ARIMA were compared using time series data from 1971 to 2010. The results showed that hybrid methodology of ANN-ARIMA that decompose the exports time series into its linear and nonlinear forms has better forecasting performance and higher accuracy compare to other methods. In addition, the hybrid methodology as the most accurate method in this research, forecasted the amount of leather and skin export better than the other two methods. However, similar to other two methods it predicts that leather and skin exports would have a downward trend in coming years.
کلیدواژه ها [English]
Exports, Forecasting, Leather and skin, Iran
مراجع
ایزد خواه س. 1385. تولید و تجارت دام، پوست، چرم. سازمان توسعه تجارت ایران.
پریزن و. اسماعیلی ع. 1387. مقایسه روشهای مختلف جهت پیشبینی واردات ادویهجات در ایران مطالعه موردی دارچین، هل و زردچوبه. فصلنامه اقتصادکشاورزی و توسعه. 64: 40-19.
حسینی س، ش. ملک محمدی م. 1386. سنجش مزیت نسبی و رقابتی صنعت چرم ایران در بازارهای جهانی. فصلنامه پژوهشنامه بازرگانی. 44: 265-235.
خاشعی م. بیجاری م. 1387. بهبود عملکرد پیشبینیهای مالی با ترکیب مدلهای خطی و غیرخطی خودرگرسیون میانگین متحرک انباشته و شبکههای عصبی مصنوعی. فصلنامه پژوهشهای اقتصادی. (2)8: 100-83.
دلاور م. 1384. تحلیل و ارائه مدل نوسانات تراز آب دریاچه ارومیه و آنالیز ریسک مناطق ساحلی. پایان نامه کارشناسی ارشد. گروه آبیاری دانشگاه تربیت مدرس.
روشن ر. 1383. پیشبینی تورم ایران به کمک مدلهای ARIMA ,GHARCH ,ARCH و شبکههای عصبی و مقایسه کارایی مدلهای مذکور. پایاننامه کارشناسی ارشد. گروه اقتصاد دانشگاه زاهدان.
زارع مهرجردی م، ر. جاودان ا. 1390. پیشبینی نرخ رشد بخش کشاوررزی ایران (مقایسه روشهای تک متغره و چند متغیره). فصلنامه اقتصادکشاورزی. (1)5: 101-81.
طرازکار م. 1384. پیشبینی قیمت برخی محصولات زراعی در استان فارس، کاربرد شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد. گروه اقتصادکشاورزی دانشگاه شیراز.
طیبی ک. موحدنیا ن. کاظمینیم. 1387. بکارگیری شبکههای عصبی مصنوعی در پیشبینی متغیرهای اقتصادی و مقایسهی آن با روشهای اقتصادسنجی: پیشبینی روند نرخ ارز در ایران. مجله علمی و پژوهشی شریف. 43: 104-99.
قدیمی م. مشیری س. 1381. مدلسازی و پیشبینی رشد اقتصادی ایران با استفاده از شبکههای عصبی مصنوعی. فصلنامه پژوهشهای اقتصادی ایران. 12: 127-95.
مقدسی ر. رحیمی بدر ب. 1388. ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیشبینی قیمت گندم. پژوهشنامه اقتصادی. (4)9: 263-239.
مهرابی بشرآبادی ح. کوچکزاده س. 1388. مدلسازی و پیشبینی صادرات محصولات کشاورزی ایران: کاربرد شبکههای عصبی مصنوعی. مجله اقتصاد و توسعه کشاورزی. (1)23: 58-49.
نجفی ب. طرازکار م، ح. 1385. پیشبینی میزان صادرات پسته ایران: کاربرد شبکه عصبی. فصلنامه پژوهشنامه بازرگانی. 39: 214-191.
Co H. C.Boosarawongse R. 2007. Forecasting Thailand’s rice export: statistical techniques vs. artificial neural networks.Computers & Industrial Engineering. 53: 610–627.
Denton J. W. 1995. How good are Neural Networks for causal forecasting. Journal of Business Forecasting. 14: 17- 20.
Haque M. E. Imam M. F. Awal M. A. 2006.Forecasting shrimp and frozen food export earning of Bangladesh using ARIMA model.Pakistan Journal of Biological Sciences. 9(12): 2318-2322.
Kargbo J. M. 2007. Forecasting agricultural exports and imports in South Africa. Applied Economics. 39(16): 2069-2084.
Kumar G. Gupta S. 2010. Forecasting exports of industrial goods from Punjab - an application of univariate ARIMA model.Annals of the University of Petrosani, Economics. 10(4): 169-180.
Markham I. S. Rakes T. R. 1998.The effect of sample size and variability of data on the comparative performance of Artificial Neural Networks and regression.Comput.Oper. Res. 25, pp. 251–263.
Mustafa K. Ahmad B. 2006. An econometric model for forecasting export of kinnow from Pakistan.International Journal of Agriculture & Biology. 8(4): 459–462.
Yu L. Wang S. Keung Lai K. 2008. Forecasting China's foreign trade volume with a Kernel-based hybrid econometric-Ai ensemble learning approach, Journal of Systems Science and Complexity. 21: 1-19.
ابتدای صفحه