کاربرد الگوی رگرسیون چندک در تجزیه و تحلیل نوسانات قیمت گوشت مرغ در ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

• الهام پورمختار ¹
• رضا مقدسی ¹
• امیر محمدی نژاد ¹
• صفدر حسینی ²

¹ گروه اقتصاد کشاورزی، واحد علوم تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

² گروه اقتصاد کشاورزی،دانشگاه تهران،ایران

10.30495/jae.2021.14884.1761

چکیده

مقدمه و هدف: عرضه گوشت مرغ در کوتاه­مدت (مثلاً در طول یک سال) انعطاف­پذیری کافی برای پاسخ گویی به نوسانات تقاضا را ندارد که می­تواند رفاه مصرف کنندگان و تولیدکنندگان، را تحت تأثیر قرار دهد، از این رو به کارگیری روش­های مختلف به منظور شناسایی این نوسانات می­تواند در جهت کاهش یا تعدیل قیمت و مقدار تعادلی بازار موثر واقع شود.
مواد و روش­ها: این مطالعه به بررسی چگونگی نوسانات قیمتی کوتاه مدت گوشت مرغ بازار ایران در واکنش به عوامل هزینه­ای مرتبط، با استفاده از الگوی رگرسیون چندک و داد­های ماهانه (فروردین 1381 تا اسفند 1393) پرداخته  است.
یافته­ها: نتایج حاصله نشان می­دهد که فواصل اطمینان ایجاد شده توسط مدل رگرسیون چندک در طول چندک هایth 0.5 تاth 0.95 می­تواند رنج نوسانات ممکن قیمت را نشان دهد. ارزش­های اقتصادی پیش­بینی شده با استفاده از این مدل نه تنها به تجزیه و تحلیل عوامل هزینه­ای موثر و  بهبود دقت پیش­بینی، کمک می­کند بلکه سبب بهرهمندی از مدیریت ریسک در بازار محصولات کشاورزی می­شود.
بحث و نتیجه­گیری: از بین عوامل هزینه­ای موثر بر قیمت گوشت مرغ، جوجه یک روزه و شاخص قیمت مصرف کننده بیشترین تاثیر را بر نوسانات قیمت گوشت مرغ دارند. برنامه ریزی منسجم برای جوجه ریزی با توجه به نیازهای فصلی به همراه بیمه قیمتی جوجه یک روزه و کاهش مداخلات دولتی در مقاطعی از سال می­تواند نقش موثری کاهش نوسانات قیمت داشته باشد.

کلیدواژه‌ها

• نوسانات قیمتی
• گوشت مرغ
• رگرسیون چندک

---

عنوان مقاله [English]

Application of Quantile Regression in the Analysis of the Fluctuations in the Price of Chicken meat in Iran

نویسندگان [English]

• elham pourmokhtar ¹
• Reza Moghaddasi ¹
• Amir Mohammadi Nejad ¹
• Seyed Safdar Hosseini ²

¹ Department Islamic Azad University, Science and Research Branch, Tehran, Iran

² Department of Agricultural Economics, University of Tehran, Iran

چکیده [English]

Introduction: Short-term chicken supply (for example, over a year) lacks the flexibility to respond to demand fluctuations, which can negatively impact the welfare of consumers and producers. Thus, using various methods to identify these fluctuations can be useful in lowering or adjusting the market's price and equilibrium.
Materials and Methods: Using quantile regression and monthly data (April 2002 to March 2015), this study examined how short-term chicken price fluctuations in the Iranian market responded to related cost factors.
Findings: The results demonstrated that the confidence intervals generated by the quantile regression between quantiles 0.5th and 0.95th can indicate the range of possible price fluctuations. The economic values forecasted by this model not only help to analyze cost-effective factors and improve forecasting accuracy, but they also benefit from risk management in the agricultural market.
Conclusion: Among the cost factors influencing chicken prices, day-old chick (DOC) and consumer price index (CPI) had the greatest influence on price fluctuations. Coherent hatching planning based on seasonal needs, as well as price insurance for day-old chicks and a reduction in government interventions at certain times of the year, can all help to reduce price fluctuations.

کلیدواژه‌ها [English]

• price fluctuations
• Chicken meat
• quantile regression

مراجع

1. Balcilar M, Chang S, Gupta R, Kasongo V, Kyei C.  The Relationship between Oil and       Agricultural Commodity Prices: A Quantile Causality Approach. Working Papers, Department of Economics, Faculty of Economic and Management 2014; 50(3): 48-68.

https://econpapers.repec.org/paper/prewpaper/201468.htm

 

2. Bergolo M, Carbajal F. Exploring The Urban-Rural Labor Income Gap in Uruguay: A Quantile Regression Decomposition. Revista de Evista Aalisis Economico. 2010; 25(2):133-136.

 [DOI: 10.4067/S0718-88702010000200006].

 

3. Chidmi B, Solis D, Cabrera V. Analyzing the Sources of Technical Efficiency among Heterogeneous Dairy Farms: A Quantile Regression Approach. Prod. 2011; 13(2): 99107.

https://animalproduction.net/index.php/JAP/article/view/315

 

4. Dashti SE, Mohammadi H. Forecasting of chicken and egg prices using artificial neural network in Iran. Journal of Economic Research and Policies. 2010; 18(55):86-106.

http://qjerp.ir/article-1-231-fa.html

5. Mehrabani Yeghane H. Association of one-day-old chicken producers Poultry industry. 2015; 3(1):1-152. http://PRESS.Iran.http://www.itpnews.com/home/show/301/28096
6. Hosseini SS, Nikokar A, Dorandish A. Price Transmission Analysis in Iran Chicken Market.

International Journal of Agricultural Management and Development. 2012; 2(4):243-253.

https://www.sid.ir/en/journal/ViewPaper.aspx?id=295373

 

7. Kaditi E, Nitsi E. Applying regression Quantiles to farm efficiency estimation Agricultural and Applied Economics Association Annual Meeting. 2010; 25-27. https://www.aaea.org/meetings

 

8. Koenker R, Bassett G, Regression quantiles. Econometrica. 1978; 46(1): 33-50.

 [DOI: 10.2307/1913643]

 

9. Kostov P, Davidova S. A quantile regression analysis of the effect of farmers’ attitudes and perceptions on market participation. J. Agric. 2012; 64 (1): 112-32.

[DOI: 10.1111/j.1477-9552.2012.00366.x]

 

10. Ansari MT, Bameni Maghadam M, Khoshghoyan fard AR, Samaran E. Application of quantile regression in mental health analysis.Social welfare. 2006; 5(20):44-56

https://www.sid.ir/en/journal/ViewPaper.aspx?id=50322

 

11. Gan-qiong LI, Shi-wei X, Zhe-min L, Yi-guo S, Xiao-xia D. Using Quantile Regression Approach to Analyze Price Movements of Agricultural Products in China. Journal of Integrative Agriculture. 2012; 11(4): 674-83.

[DOI: 10.1016/S2095-3119(12)60055-0].