Abstract:
پیشبینی پدیدههاي اقتصادي ساختاري فراهم میکند تا مدیران و مسؤلان اقتصادي را در
گرفتن تصمیم هاي درست یاري دهد. هدف اصلی این مطالعه پیشبینی مقدار تولید آبزیان دریایی
در ایران است. براي این منظور از روشهاي سري زمانی خود توضیح جمعی میانگین متحرك
3 و شبکه عصبی مصنوعی 4 استفاده میشود. در این مطالعه سه ساختار گوناگون شبکه (ARIMA)
عصبی شامل شبکه عصبی پیشرو 5، تابع پایه شعاعی 6 و المن 7 بکار گرفته میشوند. در این مقاله از
آمار سال 1374 تا 1390 استفاده شده است. بمنظور انجام بررسی، دادههاي سالانه به دادههاي
مقدار تابع خطا براي مدل MAPE ماهانه تبدیل شدند. نتایج مطالعه نشان دادند که از نظر معیار MAPE مقدار تابع خطا برای مدل ARMIA، 0/0771 بیش ترین خطا و بهترین مدل سازي را دارد. افزون بر این، با روش
شناخته شده این پژوهش، پیشبینی تولید آبزیان دریایی براي دو سال آینده انجام شد.
The main objective of this paper is to predict the value of seafood production in Iran. For this purpose, collective self-explanatory time series moving average (ARIMA) and artificial neural networks are used. In this study, three different structures of neural networks, including multilayer forward neural network, radial basis function and Elman are used. Fisheries organization publishes the seafood production rate yearly for research purposes. In this study data of 1995 to 1911were utilized. Then, the yearly data converted to monthly by using statistical software. The results showed that based on MAPE, the maximum error cost is 0.0771 for ARIMA and the minimum error cost is 7.9328 × 10-5 for RBF neural network. It is concluded that RBFwas most accurate method to predict seafood production for the next two years.
Machine summary:
"لذا، این مطالعه نیز برای پیش بینی مقدار تولید آبزیان دریایی، از بین روشهای یاد شده از الگوی خود توضیح جمعی میانگین متحرک (ARIMA)، روش شبکه های عصبی مصنوعی استفاده میشود تا افزون بر شناسایی و معرفی روش دقیق و کارا، وضعیت تولید آبزیان دریایی ایران در سالهای آتی نیز مورد بررسی قرار بگیرد.
پیشینه پژوهش مطالعات متعددی در داخل و خارج کشور در زمینه پیش بینی با روش شبکه عصبی مصنوعی و سری زمانی برای پدیده های اقتصادی انجام گرفته است .
شبکه پیشرو دارای خطای کم تر و عملکردی بهتر در مقایسه با روش اقتصاد سنجی VAR برای پیش بینی مقدار صادرات محصولات کشاورزی ایران است .
مقایسه الگوهای برآورد شده نشان میدهد که الگوی (١١٦)ARIMA با کم ترین مقدار آکائیک برابر با ٧/٩٨- به عنوان مدل بهینه انتخاب میشود و این الگو میتواند برای پیش بینی مورد استفاده قرار گیرد.
با توجه به جدول ٣، در میان چهار مدل استفاده شده برای پیش بینی تولید آبزیان دریایی، شبکه عصبی RBF با خطایی کم تری نسبت به سایر مدلها عملکرد بهتری دارد.
ماهیت درونی شبکه RBF و چگونگی عملکرد آن به گونه ای است که در عمل فضای ورودی مورد بررسی برای مدلسازی را به وسیله هر نرون به صورت محلی تقسیم بندی میکند و سپس بسته به اینکه هر بردار ورودی در چه موضع و محل قرار میگیرد، نرون متناظر نقش اصلی در برآورد و پیش بینی مقدار خروجی را دارد.
در مجموع، مقایسه و تحلیل نتایج جدول ٣ نشان میدهد که شبکه عصبی RBF دارای بهتری عملکرد در برآورد و پیش بینی سری زمان تولید است ."