مدل سازی و پیش بینی ضایعات نان با استفاده از مدل های سری زمانی و شبکه های عصبی مصنوعی

Authors

میترا ژاله رجبی

ناصر شاهنوشی

محمود دانشور

علی فیروز زارع

سیاوش دهقانیان

abstract

دراین مطالعه به منظور بررسی عوامل مؤثر بر ضایعات نان و تعیین روابط کوتاه مدت، بلندمدت و ضریب تصحیح خطا بین ضایعات نان و متغیرهای مستقل مؤثر برآن طی سال های 1385-1357 و پیش بینی ضایعات نان از الگوی سری زمانی چند متغیره ardl استفاده شده است. بر اساس الگوی ardl ضایعات نان در بلندمدت تابعی مستقیم از تولید ناخالص ملی و رشد شهرنشینی می باشد و قیمت نان و ضریب جینی بر ضایعات نان اثر معکوس دارند. در کوتاه مدت نیز تولید ناخالص ملی و رشد شهرنشینی اثر مثبت و معنی داری بر ضایعات نان دارند و تأثیر قیمت و ضریب جینی در کوتاه مدت نیز بر ضایعات منفی است. به منظور پیش بینی مقادیر آتی از الگوی ardl و شبکه عصبی مصنوعی استفاده شد. نتایج مقایسه الگوهای ardl و ann نشان داد که شبکه عصبی مبتنی برardl پرسپترون چند لایه (با سه لایه) با ساختار انتخاب شده دارای دقت بالاتری بوده و بر اساس پیش بینی ضایعات نان با شبکه عصبی منتخب در افق پیش بینی (سال 1390) ضایعات نان بیش از 181/3 میلیون تن خواهد بودکه با توجه به قیمت جهانی گندم در سال 1385 مبلغی معادل 1145 میلیون دلار در اثر ضایعات نان از چرخه اقتصادی کشور حذف می شود. طبقه بندی jel : c45,q13

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

پیش بینی تورم ایران با استفاده از مدل های ساختاری ، سری های زمانی و شبکه های عصبی

امروزه ، پیش بینی متغیر های کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحد های اقتصادی برخوردار است. در نتیجه ، دردهه های اخیر ، مدل های پیش بینی گوناگونی توسعه یافته و به رقابت با یکدیگر پرداخته اند. اخیراً به موازات مدل های متداول قبلی مانند مدل های ساختاری و سری زمانی ، مدل های دیگری تحت عنوان شبکه های عصبی مصنوعی در زمینه پیش بینی متغیر های مالی و پولی بکار گرفته شده اند. این م...

full text

مقایسه ی مدل های شبکه های عصبی مصنوعی و سری های زمانی برای پیش بینی قیمت گوشت مرغ در ایران

     با توجه به اهمیت پیش بینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکه های عصبی مصنوعی برای افق های زمانی یک ماهه، شش ماهه و دوازده ماهه پیش بینی گردید و این فرضیه که شبکه ی عصبی در پیش بینی قیمت گوشت مرغ از کارایی بیشتری نسبت به  مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیّر برای دوره ی  زمانی1371:1 تا 1385:11 بوده و  از شر...

full text

مدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک

دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی...

full text

My Resources

Save resource for easier access later


Journal title:
تحقیقات اقتصاد و توسعه کشاورزی ایران

Publisher: پردیس کشاورزی و منابع طبیعی دانشگاه تهران

ISSN 2008-4838

volume 42

issue 2 2012

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023