الگوسازی سری های زمانی برای پیش بینی مصرف و قیمت گندم در ایران
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان - دانشکده اقتصاد و علوم اداری
- نویسنده سمیرا امیرزاده مرادآبادی
- استاد راهنما احمد اکبری مصیب پهلوانی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1390
چکیده
پیش بینی رفتار متغیرهای اقتصادی یکی از الزامات برنامه ریزی برای آینده است، که اغلب با استفاده از تکنیک های سری زمانی انجام می شود. اما انتخاب نوع الگوی سری زمانی بر دقت پیش بینی اثر گذار است. در این تحقیق، ضمن تصریح و انتخاب الگوی مناسب و با به کارگیری داده های سالانه 1353 تا 1389، اقدام به پیش بینی مصرف و قیمت گندم در ایران طی سال های 1395-1390 نمودیم. پژوهش حاضر، میزان مصرف سرانه گندم تا سال 1395 با استفاده از الگوهای سری زمانی vecm وarima ، پیش بینی شد. برای مقایسه قدرت پیش بینی الگوهای مورد نظر از معیارهای میانگین قدرمطلق خطا (mae)، درصد قدر مطلق میانگین خطا (mape) و ریشه میانگین مجذور خطای پیش بینی (rmse) استفاده شد. نتایج نشان داد که الگویarima با میزان خطای 05/3 درصد، مناسب ترین پیش بینی را برای مصرف سرانه گندم دارد. بر اساس پیش بینی مصرف سرانه تا سال 1395 روند کاهشی خواهد داشت و به میزان 04/138 کیلوگرم خواهد رسید. برای پیش بینی قیمت گندم از الگوهای خود توضیح (ar)، میانگین متحرک (ma)، خود توضیح هم انباشتگی میانگین متحرک (arima) و خود توضیح ناهمسانی شرطی (arch) استفاده شد. بر اساس معیار حداقل خطای پیش بینی از میان الگوهای مورد استفاده، الگوی arima در مقایسه با سایر الگوها خطای کمتری داشت. بر این اساس، پیش بینی شد که قیمت گندم تا سال 1395 روند افزایشی خواهد داشت و به 4499257 ریال به ازای هر تن خواهد رسید. پیش بینی قیمت و مصرف گندم در ایران می تواند به دولت و وزارت جهاد کشاورزی جهت اتخاذ سیاست های مناسب به منظور افزایش تولید این محصول برای تأمین نیاز داخل و کاهش واردات کمک زیادی کند
منابع مشابه
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...
متن کاملکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملپیش بینی قیمت جوجه یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدل های سری زمانی
متن کامل
کاربرد قواعد کشفی و الگوریتم ژنتیک در ساخت مدل ARMA برای پیش بینی سری زمانی
برای پیشبینی سری زمانی ابتدا باید مدل مناسبی از آن ساخته شود. تعیین ابعاد و تخمین پارامترهای مناسب برای مدل ARMA سری زمانی، چالشی است که علاوه بر روشهای متداول آماری، از طریق محاسبات هوشمند نیز به آن توجه شده است. در این مقاله استفاده از الگوریتم ژنتیک برای تخمین پارامترهای مدل ARMA و قواعد کشفی برای تعیین ابعاد مدل ارائه میشود. قواعد کشفی براساس ویژگیهای سری زمانی استخراج میشوند. داده...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه سیستان و بلوچستان - دانشکده اقتصاد و علوم اداری
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023