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

Authors

Abstract:

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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

ارزیابی مدلهای شبکه عصبی مصنوعی ایستا و پویا در پیش بینی قیمت سهام

پیشبینی آینده در عرصه پویای اقتصاد و بازارهای مالی از جمله بازار بورس به یکی از مهمترین مسائل درعلوم مالی ارتقاء یافته است. همچنین، در دههی اخیر مدلهای شبکه عصبی به علت عملکرد واقع بینانهتر اینمدلها مورد توجه محققین قرار گرفته و از انواع مختلف آنها برای پیشبینی استفاده شده است. اکنون این سئوالمطرح است که، کدام یک از این مدلها قدرت بالاتری برای تبیین فرآیندهای آتی بورس را دارا میباشد؟ در( همین ر...

full text

پیش بینی صادرات غیر نفتی ایران: الگوهای رگرسیونی و شبکه عصبی مصنوعی

در نوشتار حاضر از الگوهای شبکه عصبی مصنوعی و SARIMA برای پیش بینی مقادیر صادرات غیرنفتی ایران استفاده شده است. برای این منظور سری زمانی ماهیانه ارزش صادرات غیرنفتی طی سال‌های 1380 تا 1388 مورد استفاده قرار گرفته است. مقایسه قدرت پیش بینی دو الگوی فوق به کمک معیارهای خطای میانگین، ریشه دوم میانگین خطا، میانگین خطای مطلق، میانگین درصد خطا و میانگین درصد خطای مطلق انجام شد. مقدار MAPE برابر با 44/...

full text

ارزیابی عملکرد مدل هیبرید شبکه عصبی مصنوعی-ﺧﻮد ﺗﻮﺿﻴﺢ ﺟﻤﻌﻲ ﻣﻴﺎﻧﮕﻴﻦ ﻣﺘﺤﺮک (ARIMA-ANN) در پیش‌بینی صادرات زعفران ایران

زعفران ایران از لحاظ کمی و کیفی از جایگاه نمایانی در سطح بین­المللی برخوردار است و با بهره­گیری از ظرفیت موجود می­توان درآمدهای صادراتی حاصل از آن را به­طور قابل ‌ملاحظه‌ای افزایش داد. از سوی دیگر، پیش­بینی فروش بر اساس تجزیه ‌وتحلیل سری زمانی یک عنصر بسیار مهم در طراحی و اجرای استراتژی­های بازاریابی در عرصه­ی بین­المللی است. اما رویکرد­های متداول پیش­بینی با نادیده گرفتن ساختار خطی یا غیرخطی د...

full text

پیش بینی صادرات غیر نفتی ایران: الگوهای رگرسیونی و شبکه عصبی مصنوعی

در نوشتار حاضر از الگوهای شبکه عصبی مصنوعی و SARIMA برای پیش بینی مقادیر صادرات غیرنفتی ایران استفاده شده است. برای این منظور سری زمانی ماهیانه ارزش صادرات غیرنفتی طی سال‌های 1380 تا 1388 مورد استفاده قرار گرفته است. مقایسه قدرت پیش بینی دو الگوی فوق به کمک معیارهای خطای میانگین، ریشه دوم میانگین خطا، میانگین خطای مطلق، میانگین درصد خطا و میانگین درصد خطای مطلق انجام شد. مقدار MAPE برابر با 44/...

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

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 12  issue 3

pages  95- 116

publication date 2015-09-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023