مقایسه قدرت پیش‌بینی الگوهای تلفیقی و متداول (مطالعه موردی قیمت‌های جهانی گندم، ذرت و شکر)

پیش‌بینی دقیق قیمت‌های محصولات کشاورزی وارداتی می­تواند ضمن کمک به برنامه­ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر‌کاربرد‌‌ترین الگوهای پیش‌بینی سری زمانی طی سه دهه­ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می‌باشند. مطالعات اخیر در زمینه­ی پیش‌بینی با شبکه عصبی مصنوعی نشان‌می‌دهد که شبکه­ی عصبی مصنوعی می‌تواند دقت پیش‌بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه­ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر‌خطی نمی‌باشد. از این‌رو با ترکیب الگوهای سری زمانی خطی و شبکه­ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده‌ها با دقت بیشتری الگوسازی می‌گردد. در مطالعه­ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش‌بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه­ی دقت پیش‌بینی علاوه بر معیارهای مقایسه متداول نظیر RMSE، MAE، MAPE و Theil C با معرفی آماره گرنجر و نیوبولد معنی‌داری تفاوت دقت پیش‌بینی‌ها نیز بررسی شده است. نتایج پیش‌بینی‌ قیمت‌های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به­طور معنی‌داری دقت پیش‌بینی به­دست آمده از الگوهای انفرادی را افزایش می‌دهد. بر این اساس، به­کارگیری الگوهای تلفیقی در پیش‌بینی قیمت محصولات کشاورزی(به­ویژه محصولات استراتژیک) توصیه می‌شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به­عمل آید. طبقه­بندیJEL:C19,C59