خلاصة:
سیاستگزاران و برنامهریزان اقتصادی در تلاش اند تا متغیرهای موثر بر رشد بخش کشاورزی را مدلسازی کنند و از این مدلها در فرآیند پیشبینی استفاده نمایند. امروزه پیشبینی به عنوان یک ابزار مهم برنامهریزی برای سیاستگزاران اقتصادی به شمار میرود و روشهای متنوعی برای پیشبینی متغیرهای اقتصادی مورد استفاده قرار میگیرد. این پژوهش نرخ رشد بخش کشاورزی ایران را پیشبینی و دقت روشهای تک متغیره و چند متغیره را در پیشبینی این متغیر مقایسه میکند. روشهای مورد استفاده در این تحقیق عبارت است از هموارسازی نمایی منفرد با روند، هموارسازی نمایی دوگانه با روند، الگوریتم هالت-وینترز تجمعی، الگوریتم هالت-وینترز ضربی، الگوی خودتوضیح جمعی میانگین متحرک، الگوی خودتوضیح برداری و شبکههای عصبی مصنوعی تک متغیره و چند متغیره. بر اساس یافتههای پژوهش، شبکههای عصبی مصنوعی، هموارسازی نمایی منفرد و دوگانه با روند در مقایسه با دیگر تکنیکهای تک متغیرهی به کار گرفته شده در این تحقیق بهترین پیشبینی را ارایه داد. سرانجام در روشهای چند متغیره نیز دقت و کارآیی پیشبینی شبکههای عصبی مصنوعی در مقایسه با الگوی رقیب خودتوضیح برداری بهتر بود.
The policy makers and economic strategists are trying to model the factors affecting the agricultural sector growth and to use them in the growth forecasting process. Today forecasting is regarded as an important instrument for economic policymakers. There are different methods used to forecast the economic variables. In this paper, the growth rate of Iranian agricultural sector is forecasted and the forecasting accuracies of univariate and multivariate methods are compared. The methods used in this paper include single exponential smoothing with trend, double exponential smoothing with trend, Holt-Winters additive algorithm, Holt-Winters multiplicative algorithm, auto-regressive integrated moving average process, vector auto-regressive approach and artificial neural networks. For univariate models, it was found that the artificial neural networks model, single exponential smoothing with trend and double exponential with trend have marginally better forecasting performance than those of the other methods in this group. Furthermore, for multivariate models the artificial neural networks forecast is more accurate than vector auto-regressive model.
ملخص الجهاز:
طبق نتایج این مطالعه مدل هموارسازی نمایی هالت -وینترز دارای دقت پیش بینی بالاتری از مدل ARIMA و شبکه ی عصبی است و با داده های رشد و تورم در بخش کشاورزی ایران سازگاری بیش تری دارد.
آذربایجانی و هم کاران (١٣٨٦) نیز با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی سه ماهه ، شش ماهه ، دوازده ماهه و هیجده ماهه روند قیمت گوشت مرغ را در ایران پیش بینی کردند.
هم چونان که نتایج مطالعات اخیر نشان می دهد روش های متنوع به کار گرفته شده در هر یک از مطالعات از کارآیی و دقت متفاوتی برای پیش بینی متغیرهای سری زمانی برخوردار است و بنابراین حائز اهمیت است که چه روش یا روش هایی مورد استفاده قرار بگیرد.
مطالعه ی حاضر تلاش دارد به این سوال پاسخ دهد که از میان روش های آماری و اقتصادسنجی تک متغیره و چند متغیره شامل هموارسازی نمایی منفرد با روند (SEST)، دوگانه با روند (DEST)، الگوریتم هالت -وینترز تجمعی (HWA)، الگوریتم هالت -وینترز ضربی (HWM)، الگوی خودتوضیح جمعی میانگین متحرک (ARIMA) و روش خودتوضیح برداری (VAR) و هم چونین شبکه های عصبی مصنوعی (ANN) تک متغیره و چند متغیره ، کدام روش برای پیش بینی نرخ رشد بخش کشاورزی ایران از دقت و کارآیی بالاتری برخوردار است .
آماره ی دقت پیش بینی روش های VAR و ANN (به تصویر صفحه رجوع شود) ماخذ: یافته های پژوهش میانگین نرخ رشد پیش بینی شده با این دو روش برای دوره ی ٩٢-١٣٨٧ در جدول (٨) گزارش شده است .