نوع مقاله : مقاله پژوهشی

نویسندگان

• محمد رضا زارع مهرجردی ¹
• حسین مهرابی بشر آبادی ²
• حسین نظام آبادی پور ³
• امیرحسین توحیدی ⁴

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

• قیمت صادرات
• شبکه عصبی مصنوعی
• پیش بینی

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

⁴

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