چکیده:
امروزه، در موضوعات اقتصادی- بازرگانی، پیشبینی، به عنوان یکی از مهمترین
شاخههای علمی مطرح شده است و روز به روز، توسعه و پیشرفت میکند. مدیران بخشهای
مختلف اقتصادی و بازرگانی، به دلیل وجود انبوه متغیرهای تأثیرگذار، ترجیح میدهند
مکانیزمی را در اختیار داشته باشند، که بتواند آنها را در امور تصمیمگیری یاری
کند. بخش کشاورزی، به عنوان بخش تولیدکنندة محصولات راهبردی(استراتژیک) و تامین
کنندة مواد غذایی مورد نیاز جمعیت رو به رشد جامعه، تاثیر زیادی در بسیاری از
تصمیمگیریهای اقتصادی، اجتماعی و سیاسی دارد.
با توجه به اهمیت بخش کشاورزی در اقتصاد کشور و نیز وجود عوامل تاثیرگذار متفاوت و
غیرقابل کنترل ، تجزیه و تحلیل متغیرهای نرخ رشد و نرخ تورم در بخش کشاورزی و آگاهی
از روند آنها در آینده و نیز شناخت الگوهای زیر ساختی تولید این دادهها، میتواند
راهگشای برنامهریزان و سیاستمداران برای اتخاذ تصمیمات مناسب باشد.
در این تحقیق، سعی بر انتخاب مدل مناسب، برای پیشبینی مقادیر رشد و تورم در بخش
کشاورزی ایران شده است. به این منظور، از مدلهای هموارسازی نمایی هالت وینترز و
مدل ARIMA استفاده شدهاست. دادههای ماهانه مربوط به نرخ تورم (PPI ,WPI)، برای
دورة 1383-1338 و دادههای فصلی مربوط به نرخ رشد برای دورة 1383-1368 جمع آوری
شدهاند. به منظور مقایسة دقت پیشبینی مدلهای خطی و غیرخطی، به طراحی یک مدل شبکة
عصبی مصنوعی(ANN)، مبتنی بر متغیرهای مدل رگرسیون و مدلARIMA پرداخته شد.
نتایج نشان داند که مدل هموارسازی نمایی هالت-وینترز، دارای دقت پیشبینی بالاتری
از مدل ARIMA و شبکة عصبی بوده و با دادههای رشد و تورم در بخش کشاورزی ایران
سازگاری بیشتری دارد. این مدل، متوسط نرخ رشد در بخش کشاورزی برای سالهای برنامه
چهارم توسعه را، 7% و متوسط نرخ تورم در بخش کشاورزی را، 5/10% پیشبینی کرده است.
طبقه بندیJEL : H12.
خلاصه ماشینی:
"نتایج روش ARIMA به منظور پیشبینی مقادیر رشد و تورم در بخش کشاورزی به روش ARIMA، پس از آزمون ایستایی متغیرها، به بررسی نمودارهای خود همبستگی پرداخته و با توجه به نقاط اوج موجود در این نمودارها و اشکال خاص افول آنها، مدل آزمایشی اولیه برای پیشبینی، شناسایی میشود.
] نمودار(2)- تابع خود همبستگی movrppi جدول 4، آمارههای مربوط به دقت پیشبینی را برای دو مدل بالا نشان میدهد: جدول4- آمارههای دقت پیش بینی نرخ تورم توسط مدلARIMA متغیر مورد پیشبینی مدل انتخابی RMSE MAE MAPE TILLE RWPI ARIMA(4,0,0) 8/5 11/4 5/132 59/0 RPPI ARIMA(2,0,1) 8/3 8/2 42/364 56/0 ماخذ: یافتههای تحقیق پیشبینی رشد: در این قسمت، از دادههای فصلی مربوط به ارزش افزوده استفاده میشود، که مطابق آزمون دیکی فولر ایستا میباشند.
جدول 6 نیز، مقادیر پیشبینی شدة نرخ رشد و نرخ تورم در بخش کشاورزی را، برای سالهای برنامة چهارم و توسط مدل ARIMA، نشان میدهد.
نتایج طراحی مدل شبکة عصبی، برای پیشبینی نرخ تورم در بخش کشاورزی ایران نوع مدل متغیرهای ورودی قانون یادگیری شبکه تابع محرک لایه پنهان تعداد نرونهای لایه پنهان تکرار RMSE ANN* مبتنی بر مدل رگرسیون نقدینگی و نرخ ارز رسمی دلتا سیگموئید 5 527 3/7 ANN مبتنی بر مدل رگرسیون نقدینگی و نرخ ارز بازار آزاد دلتا سیگموئید 15 534 8/8 ANNمبتنی بر مدل ARIMA AR(18) AR(17) AR(1) دلتا سیگموئید 6 527 5/12 ANN*مبتنی بر مدل ARIMA AR(18) AR(17) دلتا سیگموئید 6 533 26/10 * مدلهای منتخب ماخذ: یافتههای تحقیق نمودار 8 و 9، مقادیر اصلی و پیشبینی شدة، RWPI ماهانه، توسط دو مدلANN را، برای سالهای 1382و1383 نشان میدهد."