ارزیابی مدل هیبرید شبکه عصبی مصنوعی-پانل دیتا در پیش بینی قیمت صادرات خشکبار ایران

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار گروه اقتصاد کشاورزی، دانشگاه شهید باهنر کرمان

2 استاد گروه اقتصاد کشاورزی، دانشگاه شهید باهنر کرمان

3 استاد گروه مهندسی برق، دانشگاه شهید باهنر کرمان

4 دانشگاه فردوسی مشهد

چکیده

در بسیاری از مطالعات برای پیش بینی متغیرهای اقتصادی اغلب از روش های کمی مبتنی بر داده های سری زمانی یا مقطع زمانی استفاده می شود. مطالعات سری زمانی و مقطع زمانی ناهمگنی کشورها را کنترل نمی کنند و همواره ریسک به دست آورن نتایج و پیش بینی های اریب دار وجود دارد. داده های پانل اطلاعات و درجه آزادی بیشتری را فراهم می آورد که این امر موجب حصول نتایج و پیش بینی های دقیق تری می شود. با توجه به سهم قابل توجه خشکبار از صادرات غیرنفتی کشور، در این مطالعه از روش ترکیبی شبکه عصبی مصنوعی-پانل دیتا برای پیش بینی قیمت صادرات پسته، کشمش و خرما استفاده گردید و پس از آن عملکرد پیش بینی بر اساس معیارهای دقت با الگوی رگرسیونی (مدل جزء خطای دو طرفه) مورد مقایسه قرار گرفت. با استفاده از داده های مربوط به ده بازار مقصد برای هریک از خشکبار مورد بررسی طی دوره ی 91-1371، نتایج پژوهش نشان داد که رویکرد جدید و ترکیبی شبکه عصبی مصنوعی-پانل دیتا در پیش بینی قیمت صادرات پسته، کشمش و خرمای ایران در مقایسه با روش رگرسیونی دارای عملکرد بهتری است. لذا به صادرکنندگان، سیاست گذاران و محققین توصیه می گردد که از این روش در پیش بینی متغیرهای اقتصادی استفاده نمایند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Artificial Neural Network-Panel Data Hybrid Model in Predicting Iran’s Dried Fruits Export Prices

نویسندگان [English]

  • Mohammad Reza Zare Mehrjerdi 1
  • Hossein Mehrabi Boshrabadi 2
  • Hossein Nezamabadi-pour 3
  • Amirhossein Tohidi 4
1 Associate Professor of Agricultural Economics, Shahid Bahonar University of Kerman
2 Professor of Agricultural Economics, Shahid Bahonar University of Kerman
3 Professor of Electrical Engineering, Shahid Bahonar University of Kerman
چکیده [English]

In many studies, in order to predict economic variables, quantitative methods based on time series data or cross-section data are mostly used. Time series data or cross-section data do not control the heterogeneity of countries, and the possibility of obtaining the risk of biased results exists. Panel data provides more informative data and a more degree of freedom which lead to results and predictions that are more precise. In this study, while considering the significant role and proportion of dried fruits in non-oil exports, the synthetic artificial neural network-panel data method has been used to predict the price of pistachio, raisin and date exports. Then the predictions were compared, using the accuracy criteria, with the regression model (the two-way error component model). The data from ten target markets for each of the dried fruits from 1992 to 2012 were used, and the results of this study show that the new and synthetic artificial neural network-panel data method has a better performance in predicting the price of Iran’s pistachio, raisin and date exports than that of the regression method. Therefore, it is suggested that exporters, policy makers, and researchers use this method in order to predict economic variables.

کلیدواژه‌ها [English]

  • Export Prices
  • Artificial neural network
  • Prediction

زارع مهرجردی، محمدرضا و امیرحسین توحیدی. (1392). رابطه انتقالی نرخ ارز در بازارهای صادراتی پسته ایران: رویکرد داده­های تابلویی. 5، (2): 185-165.## نجفی، بهاالدین و محمدحسن طرازکار. (1385). پیش­بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی. پژوهشنامه بازرگانی، 10، (39): 214-191. ##

Adhikari, R. & R.K. Agrawal. (2014). A Combination of Artificial Neural Network and Random Walk Models For Financial Time Series Forecasting. Neural Computing and Applications, 24(6): 1441-1449. ##Areekul, P., T. Senjyu, H. Toyama & A. Yona. (2010). Notice of Violation of IEEE Publication Principles A Hybrid ARIMA and Neural Network Model for Short-Term Price Forecasting In Deregulated Market. Power Systems, IEEE Transactions on, 25(1): 524-530. ##Baltagi, B.H. (2005). Econometric Analysis of Panel Data. 3rd Edition, New York: John Wiley and Sons. ##Bildirici, M. & Ö.Ö. Ersin. (2009). Improving Forecasts of GARCH Family Models with The Artificial Neural Networks: An Application to The Daily Returns in Istanbul Stock Exchange. Expert Systems with Applications, 36(4): 7355-7362. ##Cantarella, G.E. & S.DE. Luca. (2005). Multilayer Feedforward Networks for Transportation Mode Choice Analysis: An Analysis and a Comparison with Random Utility Models. Transportation Research Part C: Emerging Technologies. 13(2): 121-155. ##Co, H.C. & R. Boosarawongse. (2007). Forecasting Thailand’s Rice Export: Statistical Techniques Vs. Artificial Neural Networks. Computers & industrial engineering. 53(4): 610-627. ##Diaz-Robles, L. A., J. C. Ortega, Fu, J.S. Reed, G.D. Chow, J.C. Watson, J.G. & J.A. Moncada-Herrera. (2008). A Hybrid ARIMA and Artificial Neural Networks Model to Forecast Particulate Matter in Urban Areas: The Case of Temuco, Chile. Atmospheric Environment, 42(35): 8331-8340. ##Faruk, D.Ö. (2010). A Hybrid Neural Network and ARIMA Model for Water Quality Time Series Prediction. Engineering Applications of Artificial Intelligence, 23(4): 586-594. ##Goldberg, P.K. & M.M. Knetter. (1997). Goods Prices and Exchange Rates: What Have We Learned?. Journal of Economic Literature. 35(3):1243-1272. ##Gujarati, D.N. (2003). Basic econometrics. 4th edition, New York: McGraw-Hill. ##Hoque, M.M. & A. Razzaque. (2004). Exchange Rate Pass-Through in Bangladesh's Export Prices: An Empirical Investigation. The Bangladesh Development Studies. 30 (1/2): 35-64. ##Jain, A. & A.M. Kumar. (2007). Hybrid Neural Network Models for Hydrologic Time Series Forecasting. Applied Soft Computing, 7(2): 585-592. ##Kaastra, I. & M. Boyd. (1996). Designing a Neural Network for Forecasting Financial and Economic Time Series. Neurocomputing, 10(3): 215-236. ##Khashei, M. & M. Bijari. (2011). A novel Hybridization of Artificial Neural Networks and ARIMA models for time series forecasting. Applied Soft Computing, 11(2): 2664-2675. ##Khashei, M., S. R. Hejazi & M. Bijari. (2008). A new Hybrid Artificial Neural Networks and Fuzzy Regression Model for Time Series Forecasting. Fuzzy Sets and Systems, 159(7): 769-786. ##Kim, K. H., J.K. Park, K.J. Hwang & S. H. Kim. (1995). Implementation of Hybrid Short-Term Load Forecasting System Using Artificial Neural Networks and Fuzzy Expert Systems. Power Systems, IEEE Transactions on, 10(3): 1534-1539. ##Lee, E.W., C. P. Lim, R.K. Yuen & S.M. Lo. (2004). A Hybrid Neural Network Model for Noisy Data Regression. Systems, Man, and Cybernetics, Part B: Cybernetics, IEEE Transactions on, 34(2): 951-960. ##Leng, G., T. M. McGinnity & G. Prasad. (2005). An approach for on-Line Extraction of Fuzzy Rules Using A Self-Organising Fuzzy Neural Network. Fuzzy Sets and Systems, 150(2): 211-243. ##Liu, Z. K. & J.Y. Xiao. (1991). Classification of remotely-Sensed Image Data Using Artificial Neural Networks. Remote Sensing, 12(11): 2433-2438. ##Ruiz-Aguilar, J.J., I.J. Turias & M.J. Jiménez-Come. (2014). Hybrid Approaches Based on SARIMA and Artificial Neural Networks for Inspection Time Series Forecasting. Transportation Research Part E: Logistics and Transportation Review, 67: 1-13. ##Tseng, C.H., S.T. Cheng, Y. H. Wang & J.T. Peng. (2008). Artificial Neural Network Model of The Hybrid EGARCH Volatility of The Taiwan Stock Index Option Prices. Physica A: Statistical Mechanics and its Applications, 387(13): 3192-3200. ##Tseng, F.M., Yu, H.C. & G.H. Tzeng. (2002). Combining Neural Network Model with Seasonal Time Series ARIMA model. Technological Forecasting and Social Change, 69(1): 71-87. ##Wooldridge, J.M. (2006). Introductory Econometrics: A Modern Approach. 3rd Edition, New York: South-Western. ##Zhang, G.P. (2003). Time Series Forecasting Using A Hybrid ARIMA and Neural Network Model. Neurocomputing, 50: 159-175. ##