مقایسه قدرت پیش‏بینی روش‏های شبکه‏های عصبی مصنوعی و ARIMA در پیش‏بینی صادرات پوست و چرم ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

• فایزه سیف الحسینی ¹
• امیر محمدی نژاد ²
• رضا مقدسی ³

¹ کارشناس ارشددانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران

² استادیار دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران

³ دانشیار 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.
 
طبقه­بندی JEL : F17, C45, C22



 

کلیدواژه‌ها

• پوست و چرم
• پیش‏بینی
• صادرات
• ایران

20.1001.1.20086407.1394.7.26.7.4

---

عنوان مقاله [English]

Comparing Forecasting Ability of Artificial Neural Networks and ARIMA Methods in Forecasting of Iran’s Leather and Skin Exports

نویسندگان [English]

• F. S ¹
• A. M ²
• R. M ³

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.

کلیدواژه‌ها [English]

• Exports
• Forecasting
• Leather and skin
• Iran

مراجع

1. ایزد خواه س. 1385. تولید و تجارت دام، پوست، چرم. سازمان توسعه تجارت ایران.
2. 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.
3. حسینی س، ش. ملک محمدی م. 1386. سنجش مزیت نسبی و رقابتی صنعت چرم ایران در بازارهای جهانی. فصلنامه پژوهشنامه بازرگانی. 44: 265-235.
4. 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.
5. 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.
6. 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.
7. 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.
8. طرازکار م. 1384. پیش­بینی قیمت برخی محصولات زراعی در استان فارس، کاربرد شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد. گروه اقتصادکشاورزی دانشگاه شیراز.
9. 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.
10. قدیمی م. مشیری س. 1381. مدل­سازی و پیش­بینی رشد اقتصادی ایران با استفاده از شبکه­های عصبی مصنوعی. فصلنامه پژوهش­های اقتصادی ایران. 12: 127-95.
11. گجراتی د، 1995، مبانی اقتصادسنجی (جلد دوم). ترجمه حمید ابریشمی. انتشارات دانشگاه تهران، 1378 .
12. مقدسی ر. رحیمی بدر ب. 1388. ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیش‏بینی قیمت گندم. پژوهشنامه اقتصادی. (4)9: 263-239.
13. 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.
14. نجفی ب. طرازکار م، ح. 1385. پیش­بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی. فصلنامه پژوهشنامه بازرگانی. 39: 214-191.
15. Co H. C.Boosarawongse R. 2007. Forecasting Thailand’s rice export: statistical techniques vs. artificial neural networks.Computers & Industrial Engineering. 53: 610–627.
16. Denton J. W. 1995. How good are Neural Networks for causal forecasting. Journal of Business Forecasting. 14: 17- 20.
17. 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.
18. Kargbo J. M. 2007. Forecasting agricultural exports and imports in South Africa. Applied Economics. 39(16): 2069-2084.
19. 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.
20. 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.
21. Mustafa K. Ahmad B. 2006. An econometric model for forecasting export of kinnow from Pakistan.International Journal of Agriculture & Biology. 8(4): 459–462.
22. 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.