جستجو در   
امکانات

پیش بینی نرخ رشد و نرخ تورم در بخش کشاورزی ایران
پدیدآورنده : خلیلیان، صادق-سام دلیری، احمد
بازدید : 1241
تاریخ درج : 1387/6/3
منبع :

 
دانشنامه پرتال علوم انسانی و اسلامی :: فقه و اصول :: رشد :: پیش بینی نرخ رشد و نرخ تورم در بخش کشاورزی ایران

پیش بینی نرخ رشد و نرخ تورم در بخش کشاورزی ایران


چکیده

امروزه، در موضوعات اقتصادی- بازرگانی، پیش بینی، به عنوان یکی از مهم ترین شاخه های علمی مطرح شده است و روز به روز، توسعه و پیشرفت می کند. مدیران بخش های مختلف اقتصادی و بازرگانی، به دلیل وجود انبوه متغیرهای تأثیرگذار، ترجیح می دهند مکانیزمی را در اختیار داشته باشند، که بتواند آن ها را در امور تصمیم گیری یاری کند. بخش کشاورزی، به عنوان بخش تولیدکنندة محصولات راهبردی(استراتژیک) و تامین کنندة مواد غذایی مورد نیاز جمعیت رو به رشد جامعه، تاثیر زیادی در بسیاری از تصمیم گیری های اقتصادی، اجتماعی و سیاسی دارد.

با توجه به اهمیت بخش کشاورزی در اقتصاد کشور و نیز وجود عوامل تاثیر گذار متفاوت و غیرقابل کنترل ، تجزیه و تحلیل متغیرهای نرخ رشد و نرخ تورم در بخش کشاورزی و آگاهی از روند آن ها در آینده و نیز شناخت الگوهای زیر ساختی تولید این داده ها، می تواند راه گشای برنامه ریزان و سیاست مداران برای اتخاذ تصمیمات مناسب باشد.

در این تحقیق، سعی بر انتخاب مدل مناسب، برای پیش بینی مقادیر رشد و تورم در بخش کشاورزی ایران شده است. به این منظور، از مدل های هموارسازی نمایی هالت وینترز و مدل ARIMA استفاده شده است. داده های ماهانه مربوط به نرخ تورم (PPI ,WPI)، برای دورة 1383-1338 و داده های فصلی مربوط به نرخ رشد برای دورة 1383-1368 جمع آوری شده اند. به منظور مقایسة دقت پیش بینی مدل های خطی و غیرخطی، به طراحی یک مدل شبکة عصبی مصنوعی(ANN)، مبتنی بر متغیرهای مدل رگرسیون و مدلARIMA پرداخته شد.

نتایج نشان داند که مدل هموارسازی نمایی هالت-وینترز، دارای دقت پیش بینی بالاتری از مدل ARIMA و شبکة عصبی بوده و با داده های رشد و تورم در بخش کشاورزی ایران سازگاری بیشتری دارد. این مدل، متوسط نرخ رشد در بخش کشاورزی برای سال های برنامه چهارم توسعه را، 7% و متوسط نرخ تورم در بخش کشاورزی را، 5/10% پیش بینی کرده است.

طبقه بندیJEL : H12.

کلید واژه : بخش کشاورزی، مدل های پیش بینی، رشد، تورم.

________________________________

* دانشجوی کارشناسی‎ارشد.

** استادیار گروه اقتصاد کشاورزی دانشگاه تربیت مدرس.

1- مقدمه

دستیابی به رشد و توسعة اقتصادی، از جمله خواست های همة ملت ها و حکومت ها به شمار می رود. این خواسته، در کشورهای جهان سوم که میان خود و کشورهای توسعه یافته شکاف چشم گیری احساس می کنند، به مراتب بیشتر است. کشورهای، درحال توسعه، کوشیده اند، تا برخلاف روند رویدادهایی که در جهان پیشرفت هایی را در پی داشته اند، با پیروی از برخی نظریه های مطرح در جوامع پیشرفته، از راهی میان بر به این هدف دست یابند.

کشورهای درحال توسعه، بر اساس هدف های خود در پیروی از نظریه های رشد و توسعه، راه های گوناگونی را برگزیده و بر مبنای آن عمل کرده اند. تجربة شکست و موفقیت آن ها پس از گذشت سه سده از وقوع انقلاب صنعتی، نشان می دهد که دستیابی به رشد و توسعة اقتصادی، نیازمند اجرای برخی ساز و کارهای خاص در عرصه های اجتماعی، فرهنگی و اقتصادی است (شیوا، 1375).

بخش کشاورزی، به عنوان بخش محوری در رشد و توسعة اقتصادی و بخش راه بردی در تامین نیازهای غذایی جمعیت رو به رشد کشور، از اهمیت زیادی در برنامه های توسعه برخوردار می باشد. این بخش، حدود پانزده درصد تولید ناخالص داخلی و یک پنجم کل شاغلان کشور را در بردارد و هشتاد درصد محصولات غذایی مورد نیاز داخلی را تامین می کند. به رغم این واقعیت ها در گذشته شاهد تحول چندان چشم گیری در این بخش اقتصادی نبوده ایم. پس از انقلاب و به دنبال تحولات به وجود آمده در شرایط اقتصادی و سیاسی کشور، توجه به بخش کشاورزی بیش از پیش شد، ولی در مجموع عملکردهای نسبی این بخش در برنامه های توسعة بعد از انقلاب، چندان منطبق با ظرفیت های بالقوه آن نبوده است.

بررسی برنامه های توسعه نشان می دهد، هرچند که در برخی از زیر بخش های کشاورزی عملکرد به دست آمده بیش از مقدارهدف تعیین شده بوده است، ولی در برخی از زیر بخش های آن نیز، فاصلة بین عملکرد و هدف بسیار

زیاد بوده و اقدامات انجام گرفته در چهارچوب برنامه ها، نتوانسته است هدف های مورد نظر را محقق سازد. این نتیجه، به طور عمده، از محدودیت ها و ضعف های ساختاری ناشی می شود. (حکیمی پور، 1383).

از اجزای اصلی و مهم هر برنامه، توسعه، پیش بینی متغیرهای کلان اقتصادی در سطح ملی و نیز در بخش های مختلف اقتصادی می باشد. رشد اقتصادی و تورم، از مهم ترین شاخص های کلان اقتصادی بوده و آگاهی از روند آیندة این متغیرها، گامی مهم در برنامه ریزی و توسعة ملی و منطقه ای می باشد.

در این تحقیق، سعی بر انتخاب بهترین مدل موجود برای پیش بینی مقادیر رشد و تورم شده و به این منظور، از مدل های ARIMA، هموارسازی نمایی و شبکه های عصبی استفاده شده است.

2- پیشینة نگاشته ها

مدل های اتورگرسیو (AR)، اولین بار توسط یول در سال 1929، معرفی شدند. سپس، اسلاتسکی در سال 1937، با معرفی مدل های میانگین متحرک (MA)، به تکمیل این مدل ها پرداخت. به هرحال، ولد در سال 1938، با ترکیب مدل های خود رگرسیون و میانگین متحرک، به معرفی مدل های (ARMA) پرداخت و نشان داد که این مدل ها می توانند برای ردة وسیعی از سری های زمانی ایستا، به کار روند. سرانجام، باکس و جنکینز در سال 1978، با معرفی مدل های (ARIMA)، نسخة تکمیل شده ای را ارائه کردند که امروزه، در بسیاری از پیش بینی های مختلف به کار می رود.[1]

میلر و همکاران، با به کارگیری مدل های سری زمانی، به پیش بینی نرخ تورم در ایرلند پرداختند. در این تحقیق، دوروش جایگزین، برای تشخیص مدل هایARIMA بررسی شده اند: روش باکس -جنکینز و روش توابع تنبیه هدف. این تحقیق، بر افزایش خوبی برازش در نمونه و کاهش خطای پیش بینی در خارج

________________________________

.(Makridikis, 1997)-[1]

از نمونه تأکید می کند.

در این مقاله، از 6 سری زمانی استفاده شده است که مربوط به شاخص های وزنی قیمت مصرف کننده درحالت های مختلف (بدون مواد غذایی، همراه با مواد غذایی، بدون انرژی و...) می باشد. در نهایت، یک مدل (1,0,1) ARIMAانتخاب شده است. ارزیابی توان پیش بینی داده های خارج از نمونة مدل، به صورت حفظ تعدادی از مشاهدات انتهایی نمونه که در تخمین مدل استفاده نشده اند، انجام شده است و نیز، از یک روش تخمین بازگشتی مدل (Recursively) و پیش بینی تعداد خاصی از مشاهدات بعدی، استفاده شده است.[1]

دن ریجر و ولار در سال 2003، در تحقیقی، به توضیح روش هایی برای پیش بینی ماهیانة تورم در هلند، با استفاده از دو مدل VAR و VECM پرداخته اند. محدودیت هایی چون تعداد متغیرهای مدل و هم چنین، حداکثر مقدار طول وقفه(معمولاً12)، در این تحقیق به صراحت پذیرفته شده اند. برای تعیین طول وقفه در مدل VAR، از آماره های AIC،SIC وHQIC استفاده شده است

در این تحقیق، متغیرهایی چون شاخص قیمت کالاهای وارداتی، نرخ ارز مؤثر اسمی، شکاف تولید(x)، قیمت های خدمات، حجم نقدینگی و نرخ بهرة اسمی کوتاه مدت، به عنوان متغیرهای توضیحی با وقفه، وارد مدل VAR شده و به توضیح نرخ تورم (CPI) پرداخته اند. نتیجه این که قیمت های خدمات و نرخ بهرة کوتاه مدت، به عنوان ابزار هایی برای جنگ با تورم شناخته شدند. هم چنین، دستمزدها و نرخ ارز، به صورت متغیرهایی برونزا پیش بینی شدند.[2]

مطالعة دیگر، پژوهش سوانسون و وایت (1997) است، که در آن، روش های مختلفی برای پیش بینی 9 متغیر کلان اقتصاد آمریکا، با استفاده از معیارهای مختلف با یکدیگر مقایسه شدند. روش های مورد استفاده در این مطالعه، عبارت اند از: مدل اتورگرسیو، مدل اتورگرسیو برداری، شبکه های عصبی پیش خور،

________________________________

.(Mayler& et al, 1998)-[1]

.(Reiger & Valaar, 2003)-[2]

پیش بینی های حرفه ای بر اساس اجماع نظر کارشناسان و یک مدل خطی غیرتطبیقی. نتیجه آن که، اگرچه شبکه های عصبی عملکرد معقولی داشته اند، اما در مجموع، مدل های خطی چند متغیره، اندکی بهتر از مدل شبکه های عصبی می باشند.[1]

پژوهش چارچ و کارام (1996)، مطالعه ای است که در آن، شبکه های عصبی، برای پیش بینی متغیرهای کلان اقتصادی، نتایج دقیق تری از مدل های خطی ارائه نکردند. آن ها، دقت شبکه های عصبی را، با دقت برخی از مدل های خطی، برای پیش بینی متغیر مصرف جمعی در ایالات متحدة امریکا، طی دهة 80 مقایسه کردند.

نتیجه آن که، با استفاده از متغیرهای توضیحی مشابه در مدل های خطی، شبکه های عصبی، پیش بینی های مناسبی ارائه کردند، اما نتایج آن ها بهتر از مدل های خطی نبود. پژوهش گران دریافتند که صرف نظر از نوع مدل تخمینی، انتخاب متغیرهای توضیحی، نقش اصلی را در دقت پیش بینی ها ایفا می کند.

خشکه باری، در مطالعه ای، از مدل های رگرسیونی، مدل VAR و مدل ARIMA، برای پیش بینی نرخ تورم در ایران استفاده می کند. داده های این مطالعه، مربوط به آمارهای فصلی CPI سال های1340 تا1380 می باشد. او محدویت های موجود برای تخمین مدل را، احتمال شکست ساختاری در قبل و بعد از انقلاب و نیز جنگ دانسته و لذا، از متغیرهای تاشناخته ای نیز استفاده می کند. مدل های (1,2,4) ARIMAو (4,1,4) ARIMA، به عنوان بهترین مدل ها انتخاب می شوندو در نهایت، نتیجه می گیرد که چنان چه تغییر رویة سیاستی در جامعه رخ ندهد و با فرض ثبات تمامی شرایط موجود در سال های آتی و ادامة روند فعلی تورم، در طول برنامة چهارم توسعه، شاهد تورمی با میانگین 15 درصد خواهیم بود (خشکه باری، 1383).

مشیری و قدیمی (1381)، در مطالعه ای تحت عنوان (مدل سازی و پیش بینی

________________________________

.(Swanson & White, 1997)-[1]

رشد اقتصادی در ایران، با استفاده از شبکه های عصبی مصنوعی[1] ( ANN)، به پیش بینی نرخ رشد اقتصادی ایران توسط آمار سال های 1380-1315 پرداختند.

برای این منظور، ابتدا یک مدل خطی رگرسیون رشد و سپس یک مدل شبکة عصبی، تخمین زده شده و کارایی دو مدل مورد ارزیابی قرارگرفته است، در این مطالعه، از متغیرهای توضیحی چون نرخ رشد حجم تجارت، تغییرات نرخ سرمایه گذاری، رشد سرمایة انسانی و بی ثباتی سیاسی استفاده شده است که به ترتیب، در سطوح5، 6، 8، 5 درصد معنی داراند: متغیر نرخ تورم نیز، در سطح 12 درصد معنی دار است.

در طراحی شبکة عصبی نیز، از متغیرهای ورودی مشابه مدل رگرسیون خطی با یک لایة پنهان و تابع تانژانت هیپربولیک در لایه پنهان و نرون خروجی استفاده شد و با استفاده از الگوریتم پس انتشارخطا، مقادیر برای دورة مشابه رگرسیون تخمین زده شد (1374-1380). در نهایت، قدرت پیش بینی دو مدل، با استفاده از معیارهای مختلف، با یکدیگر مقایسه شد. نتایج این مطالعه، کارایی بالاتر مدل شبکه های عصبی مصنوعی را، نسبت به مدل رگرسیون خطی نشان می دهند.

2- هدف ها و فرضیه های تحقیق

به طور خلاصه، در اهداف زیر این تحقیق دنبال می شوند:

1. پیش بینی مقادیر آیندة متغیرهای نرخ رشد و نرخ تورم در بخش کشاورزی ایران.

2. تعیین مدل مناسب پیش بینی، با دقت قابل قبول، برای پیش بینی کوتاه مدت متغیرها.

فرضیه هایی که در این تحقیق مورد آزمون قرارمی گیرند عبارت اند از:

1. مقادیر پیش بینی شده برای نرخ رشد بخش کشاورزی، از مقادیر پیش بینی شده در برنامة چهارم توسعه کمتراند.

________________________________

[1]- Artificial Neural Network.

2. مقادیر پیش بینی شده برای نرخ تورم، از مقادیر پیش بینی شده در برنامة چهارم توسعه بیشتراند.

3. روش سری زمانی تک متغیرةخطی، برای پیش بینی مقادیر آیندة سری های نرخ رشد و نرخ تورم در بخش کشاورزی ایران مناسب است.

3- رشد و تورم در بخش کشاورزی

تاثیرپذیری قیمت محصولات کشاورزی و غذایی از سیاست های کلان، به نحو وسیعی، در ادبیات اقتصادی، مورد توجه اقتصاددانان قرار گرفته است. قیمت محصولات کشاورزی و غذایی به طور مستقیم، از طریق سیاست های خاص بخش کشاورزی مانند سیاست قیمت گذاری محصولات کشاورزی و غذایی و یا به طور غیرمستقیم، از طریق سیاست های کلان، تحت تاثیر قرار می گیرد.

سیاست های مالی، از طریق تغییرات یارانه یا مالیات بر موادغذایی، به طور مستقیم، و از طریق پرداخت یارانه بر نهاده های کشاورزی به طور غیرمستقیم، قیمت این مواد را تحت تاثیر قرار می دهند. هم چنین، سیاست های اعتباری، از طریق تغییرات هزینة سرمایه گذاری در بخش کشاورزی و سیاست های ارزی، که به منظور واقعی کردن نرخ ارز اجرا می شوند، از طریق تاثیر بر قیمت واردات مواد خوراکی و یا مواد اولیة مورد نیاز تولیدکنندگان، قیمت مواد خوراکی را تحت تاثیر خود قرار می دهند.

به طورکلی، اتخاذ سیاست های قیمت گذاری محصولات کشاورزی، اهدافی چون تثبیت قیمت ها به منظور کاهش ریسک تولید و نیز حمایت از مصرف کننده، افزایش درامد تولیدکنندگان، دستیابی به خودکفایی، افزایش درامد دولت از طریق تعرفه های صادراتی، کمک به افزایش ذخایر ارزی از طریق کاهش واردات و ایجاد شبکة مطمئن برای تامین نیاز های بخش صنعت به مواد اولیه را دنبال می کند.

وجه اشتراک سیاست های قیمت گذاری در کشور های مختلف، نزدیک تر

کردن قیمت های مصرف کننده و تولیدکننده به سطوح واقعبینانه تر می باشد. مطالعات تجربی نشان می دهند که واکنش تولیدکل به قیمت(کشش)، نقش مهم قیمت ها را تایید می کند. و در کنار قیمت، وجود زیرساخت های اقتصادی نیز برای افزایش تولید لازم است. استریتن، عوامل غیر قیمتی مؤثر بر بازار را شامل پنج عامل سرمایه گذاری، اختراعات، قوانین و مقررات، اطلاعات و انگیزه، می داند.[1]

به طور عمده، محصولات کشاورزی، از انحراف نامطلوب قیمت، آسیب دیده اند، به طوری که، ضریب حمایت واقعی بیشتر محصولات کشاورزی در کشور های در حال توسعه، منفی می باشد(خادم آدم،1373).

تا پایان قرن 19، تقریبا همة افزایش تولیدات کشاورزی به خاطر استفاده از زمین های جدید بوده اند، اما در قرن20 این فزایش، به استفاده از علم و تکنولوژی مربوط می شود. امروزه، با توجه به درامدها و تجارت های جهانی، رشد کشاورزی به 4 تا 6 درصد رسیده است، یعنی 50 درصد بیش از آن چه که سه دهة قبل تصور می شد. طی دهه های گذشته، نرخ رشد کشاورزی، سالانه 3/4% بوده است، در حالی، که نرخ رشد بقیه بخش ها 6/2% بوده و نیز کمک بخش کشاورزی به GDP، همیشه از کمک بخش صنعت بزرگ تر بوده است.[2]

مدل های توسعة کشاورزی برای تفسیر و تحلیل منابع رشد، به شرح زیر می باشند:

1- الگوی بهره برداری از منابع: توسعة نواحی کشت شده، پیدایش قاره های جدید، اجرای مقررات مربوط به آیش و... .

2- الگوی حفاظت: جلوگیری از فرسایش خاک و تقویت ساختمان شیمیایی و فیزیکی خاک، تشکیل سرمایة کاربر به صورت زه کشی، آبیاری تحت فشار و بهینه سازی استفاده از منابع آب و خاک.

3- الگوی موقعیت (وون- تانن): نزدیکی زمین های کشاورزی به مراکز

________________________________

.(Norton, 2004)-[1]

.(Norton, 2004)-[2]

تقاضا(شهر ها)، سبب رشد بالاتر و ارزش بیشتری می شود.

4- الگوی نشر: به طور عمده، بر استفاده از روش های بهتر کشاورزی، بر اساس مشاهدات تجربی تکیه دارد.

5- الگوی نهاده های پربازده: به طور عمده، بر تحقیقات تاکید دارد.

6- مدل توسعة انگیز ه ای یا مدل نوآوری القایی: این مدل، توسط هیامی و روتن ارائه شده و در پی آن است که کشاورزی مبتنی بر منابع طبیعی را، به سمت کشاورزی مبتنی بر دانش سوق دهد. این مدل، تغییرات تکنولوژیکی را به عنوان یک متغیر درون زا در نظرمی گیرد. و در پی توضیح چگونگی رخداد آن است (کوپاهی، 1378).

4- روش تحقیق

در این قسمت، به معرفی سه روش پیش بینی استفاده شده در این تحقیق(روش آریما، روش هموارسازی، روش شبکه های عصبی)، پرداخته خواهد شد.

5- روش ARIMA

انجام یک پیش بینی، عبارت است از استنباط توزیع احتمالی یک مشاهدة آینده از جامعه، به شرط معلوم بودن یک نمونه(مثلz) از مقادیر گذشته(نیرومند، 1372). برای انجام این کار، به راه های توصیف فرایندهای تصادفی[1] و سری های زمانی می باشد، و هم چنین به رده ای از مدل های تصادفی که استعداد توصیف وضعیت هایی که در عمل اتفاق می افتند را دارا باشند نیاز است. یک ردة مهم از فرایندهای تصادفی، فرایندهای ایستا اند. فرایندهای تصادفی ایستای خاصی که از لحاظ تعیین مدل سری های زمانی ارزشنداند. عبارتند از، فرایندهای اتورگرسیو، میانگین متحرک و فرایندهای مخلوط اتورگرسیو میانگین متحرک.

________________________________

[1]- Stochastic or Random process.

مدل ARIMA، در واقع، شکل خلاصه شده ای از مدل های برداری بوده و در صورت وجود داده های کافی، می تواند، به همان خوبی مدل های برداری، سریهای زمانی را پیش بینی کند.

الگوهای سری زمانی، بر خلاف الگوهای اقتصاد سنجی، که از اطلاعات مربوط به نظریه های اقتصادی و داده های آماری سود می برند، فقط از اطلاعات مربوط به داده های آماری استفاده می کنند. الگوهای سری زمانی ای که فقط مقادیر فعلی یک متغیر را، به مقادیر گذشتة آن و مقادیر خطای حال و گذشته ارتباط می دهند، الگوهای سری زمانی تک متغیره نامیده می شوند. این الگوها عبارتند از، فرایندهای خود توضیح(AR)، فرایندهای میانگین متحرک (MA)، فرایندهای خود توضیح میانگین متحرک(ARMA) و فرایندهای خود توضیح جمعی میانگین متحرک(ARIMA) (نوفرستی، 1378).

روش ARIMAیا همان متدولوژی باکس- جنکینز(BJ)[1]، چهار مرحلة زیر را شامل می شود:

1- مرحلة تشخیص یا شناسایی آزمایشی[2]: اگر یک سری زمانی پس از d مرتبه تفاضل گیری مرتبة اول، ساکن شود و سپس آن را توسط فرایندARMA(p,q) مدل سازی کنیم، در این صورت، سری زمانی اصلی ARIMA(p,d,q)، می باشد. در این مرحله، به دنبال تعیین مقادیر واقعیp,d,q بوده و برای این منظور، از ابزار نمودار همبستگی استفاده می کنیم. اگررا در مقابل k(وقفه ها) رسم کنیم، نمودار به دست آمده، نمودار همبستگی سری زمانی خواهد بود.

خود همبستگی نمونه (SAC) با k وقفه، عبارت است از:

(1)

________________________________

[1]-Box and Jenkins.

[2]- tentative identification.

در این فرمول:

: ضریب خود همبستگی

Z: سری زمانی ایستا از مرتبةb

b: تعداد مراحل تفاضل گیری برای ایستایی سری زمانی

k: تعداد وقفه ها و n: تعداد مشاهدات.

خود همبستگی جزئی (SPAC) نمونه باK وقفه، عبارت است از:

(2)

در این فرمول :

: ضریب خود همبستگی جزئی

از آن جایی که هریک از فرایندهای استوکاستیک، الگوی خاصی از SAC و SPAC را نشان می دهند و با توجه به حالت الگوی مورد بررسی(نمایی نزولی، موج سینوسی نزولی یا ترکیبی از هردو) و شمارة وقفه هایی از SAC وSPAC که دارای نقطة اوج می باشند، می توانیم فرایند سری زمانی مزبور را تشخیص دهیم(شیوا، 1375).

نقطة اوج و انقطاع: می گوییم SAC یا SPAC در وقفه هایی دارای نقطه اوج اند که مقدار آمارة t مربوط به درآن وقفه ها، از حد بحرانی مربوطه بزرگ تر باشد(جدول 1). هم چنین می گوییم، SAC و یا SPACبعد از وقفة k منقطع می شوند، اگر برای وقفه های بزرگ تر از k، هیچ نقطة اوجی در SAC و یا SPAC وجود نداشته باشد.

وقفه های 1و2و احتمالا 3 را وقفه های پائین غیرفصلی و وقفه های 4,5,...(L= طول دوره فصلی)را، وقفه های بالای غیرفصلی گویند(شیوا، 1375).

جدول1. مقادیر بحرانی t به منظور تشخیص نقاط اوج در تابع خود همبستگی

[به تصویر صفحه مراجعه شود.]

افول: SAC وSPAC به طرف پایین افول خواهند کرد، اگر منقطع نشده و در عوض با حالتی یکنواخت کاهش یابد.

2. مرحلة تخمین: بعد از مرحلة تشخیص، به تخمین پارامترهای مدل پرداخته می شود. برای تخمین، از روش حداقل مربعات معمولی (ols) و نرم افزار Eviews استفاده خواهد شد.

3.کنترل تشخیصی[1]: در این مرحله، با انجام آزمون ایستایی در دربارة باقی مانده های مدلARIMA، مدل از لحاظ خوبی برازش کنترل می شود. درصورتی که باقیمانده ها اختلال سفید باشند، مدل انتخابی پذی رفته می شود، در غیر این صورت، مدل رد شده و مراحل قبل تکرار می شوند..

4.پیش بینی: در این مرحله، با استفاده از مدل نهایی به دست آمده، به پیش بینی کوتاه مدت سری های زمانی مورد بررسی پرداخته خواهد شد. در بسیاری از موارد، پیش بینی های حاصل از مدل های ARIMA، به ویژه برای کوتاه مدت است و بیش از روش مدل سازی سنتی اقتصاد سنجی قابل اطمینان می باشد.(ابریشمی، 1378).

________________________________

[1]- Diagnostic checking.

6- روش هموارسازی

سری های زمانی بسیاری وجود دارند، که نمی توانند به وسیلة یک چند جمله ای به طور مناسب مدل بندی شوند. مثلا یک سری زمانی با تغییرات فصلی یا سیکلی را، نمی توان به آسانی به وسیلة یک مدل چند جمله ای معرفی کرد. در این قسمت، روش هموارسازی، برای تجزیه و تحلیل داده های سری زمانی فصلی بیان می شود:

- مدل فصلی ضرب پذیر

این روش، برای پیش بینی سری زمانی فصلی نتیجة کار هالت[1] و وینترز[2] است و اغلب روش وینترز نامیده می شود.

(3)

:یک عامل فصلی ضرب پذیر است.

مدل فصلی ضرب پذیر، برای سری زمانی ای مناسب است که در آن دامنه یا ارتفاع الگوی فصلی، متناسب با سطح متوسط سری باشد. به عبارت دیگر، اندازة اثر فصلی، با میانگین نسبت مستقیم دارد. در این روش، به طور دوره ای، تخمین پارامترهای مدل، مورد تجدیدنظر قرار می گیرد. در انتهای پریود جاریT، پس از مشاهدة رخداد برای آن دوره، محاسبات زیر انجام می شود:

1. اصلاح تخمین مولفة ثابت:

(4)

که در آن، ثابت هموارسازی است. تقسیم بر، که تخمین عامل فصلی برای دورةT بوده که یک فصل قبل(L دوره قبل) محاسبه شده است، داده را از فصلی بودن خارج می کند به نحوی که، در فرایند اصلاح،فقط مولفة روند و مقدار قبلی مولفة ثابت وارد می شوند. این کار،

________________________________

[1]- holt.

[2]-Winters.

مبدا زمان را به انتهای دورة جاری منتقل می کند.

2. اصلاح تخمین مولفه روند:

(5)

که در آنثابت هموارسازی دوم است.

3. اصلاح تخمین عامل فصلی برای دورة T:

(6)

که در آن ثابت هموارسازی سوم است.

4. پیش بینی مشاهدة هر دورة آینده :

(7)

توسعة سیستم پیش بینی، با استفاده از روش وینترز، نیاز به مقادیر اولیة پارامترهایبه ازای دارد. برای این منظور، وینترز روش زیر را پیشنهاد می کند:

(8)

مولفة روند و، مولفة ثابت را در شروع اولین دوره تخمین می زنند.m، تعداد فصل ها می باشد وL، طول فصل است(مثلا برای داده های ماهانه که برای دو سال جمع شده اند L=12وm=2 می باشد). مقادیر ، به صورت اختیاری تعیین می شوند (فاطمی قمی،1373).

- مدل فصلی جمع پذیر

این مدل، برای سری زمانی ای مناسب است که دامنة الگوی فصلی، مستقل از سطح متوسط سری باشد. رابطة زیر را برای این سری تعریف می کنیم:

(9)

در واقع، با افزایش سطح متوسط سری، بزرگی تغییرات فصلی ثابت می ماند.

فرض کنیم تخمین های مولفة روند و عوامل فصلی، به صورتدر انتهای پریودT مشخص شوند، مولفة ثابت نیز بر مبنای مبدا جاری تخمین زده و به وسیلةمشخص می شود. روش کار به صورت زیر است:

1. به روز درآوردن تخمین مولفه ثابت:

(10)

تفریقاز ، مشاهدة جاری را از فصلی بودن خارج می کند، به نحوی که، فرایند تجدیدنظر برای مولفة ثابت، فقط مبتنی بر تخمین قبلی مولفة ثابت و مولفة روند خواهد بود. در این جا نیز، مانند مدل ضرب پذیر، مبدا زمان به انتهای دورة جاری منتقل شده است..

2. به روز درآوردن تخمین مولفة روند:

(11)

3. به روز درآوردن تخمین عامل فصلی:

(12)

در این جا، ملاحظه می شود که رویة تجدید، نظر تغییر فصلی مشاهده شدة جاری را، با تخمین عامل فصلی دورةT کهL دورة قبل محاسبه شده است، ممکن می کند تا تخمین به روز درآمده ای از عامل فصلی برای دوره جاری به دست آید.

4. برای پیش بینی هر دورة زمانی آینده :

(13)

پیش بینی، یک پیش گویی راجع به رویدادهای آینده در اختیار می گذارد. اگر پیش بینی به وسیلة گسترش یک مدل سری زمانی به دست آمده باشد، محقق فرض می کند که در طول افق پیش بینی، فرایند همان رفتار را خواهد داشت که در گذشتة نزدیک رفتار کرده است. به ویژه در حال انجام این فرض، که شکل مدل صحیح است و مقادیر واقعی پارامترها تغییر نمی کنند. درآن حالت، تخمین پارامترهای مدل که از داده های تاریخی محاسبه می شوند، پیش بینی های دقیقی را ارائه می دهند.

اما در بیشتر موارد، این فرضیات دقیقا صحیح نمی باشند و فرایند تحت بررسی، با زمان تغییر می کند، از این نظر انتظار داریم، به میزانی که افق طرح ریزی افزایش می یابد، دقت پیش بینی، نیز کاهش یابد. لذا در پیش بینی، علاوه بر خطای ناشی از جزء تصادفی موجود در مدل، خطای ناشی از تغییر فرایند مدل(و تغییر پارامترها) نیز وجود دارد (فاطمی قمی، 1373).

7- روش شبکه های عصبی

یک شبکة عصبی مصنوعی، مجموعه ای از نرون های متصل به هم در لایه های مختلف اند، که اطلاعاتی را برای هم ارسال می کنند. ساده ترین شکل شبکه، فقط دو لایه دارد: لایة ورودی و لایة خروجی. شکل (1)، نمایش نموداری استاندارد یک شبکة عصبی را نشان می دهد. هر نرون، با یک دایره و ارتباط بین نرون ها با یک فلش نشان داده شده است. خروجی y و ورودی ها (همان رگرسورهای مدل رگرسیون) بردارهای اند که در آن،تعداد مشاهدات است.

[به تصویر صفحه مراجعه شود.]

شکل 1-8 شبکة عصبی با دولایة ورودی و خروجی

ارتباط میان یک ورودی و خروجی، توسط یک وزن، که بیانگر اهمیت نسبی ورودی مذکور در محاسبة ارزش خروجی است، مشخص می شود. بنابراین:

(14)

سپس نرون خروجی، ارزش به دست آمده را، با استفاده از یک تابع تبدیل یا فعال سازی[1](محرک)، که با نشان داده می شود، پردازش می کند. ساده ترین شکل تابع فعال سازی،است. بنابراین:

(15)

معمولا یکی از ورودی ها برای تمام مشاهدات، دارای ارزش یک است و جملة اریب نامیده می شود. اگر جملة اریب باشد:

(16)

همان طور که مشاهده می شود، یک شبکة عصبی پیش خور[2] (حرکت اطلاعات از ورودی به خروجی)، با دو لایه و تابع فعال سازی خطی، مشابه مدل رگرسیون چند متغیره است. نرون های ورودی، همان متغیر های مستقل اند و نرون خروجی، همان براورد متغیر وابسته است. وزن های شبکه نیز، مشابه پارامترهای مدل رگرسیون اند. در صورتی که وقفه های متغیر وابسته را، به مجموعة ورودی اضافه کنیم، در آن صورت، به شبکه ای مشابه مدل اتورگرسیو خطیAR دست می یابیم (قدیمی،1381).

تابع فعال سازی باید پیوسته، مشتق پذیر و یکنواخت باشد. رایج ترین تابع فعال سازی مورد استفاده، تابع توزیع تجمعی لجستیک است:

(17)

که مقدار آن در محدودة صفر و یک قرار دارد. اگر متغیری که قصد پیش بینی آن را داریم، بتواند مقادیر منفی را نیز اخذ کند، بهتر است از تابع فعال سازی تانژانت هیپربولیک استفاده کنیم:

(18)

مقدار این تابع، در محدودة 1 و 1- تغییر می کند. دو تابع فعال سازی معروف

________________________________

[1]-Transfer or activiti function.

[2]- Feedforward neural network.

دیگر، تابع گوسینو تابع آستانه ایاگر و در غیر این صورت، است (البرزی، 1380). وجود لایه های پنهان، توانایی شبکه را در پیش بینی افزایش خواهد داد. می توان ثابت کرد که شبکه های عصبی پیش خور با یک لایة پنهان، تابع فعال سازی لجستیک در لایة پنهان، تابع فعال سازی خطی در نرون خروجی و تعداد نرون های کافی در لایة پنهان، قادرند هر تابعی را به دقت دلخواه تقریب بزنند.

واحدهای پنهان، هیچ مفهومی را نشان نمی دهند و صرفاً، یک نتیجة میانی در فرآیند محاسبة ارزش خروجی اند و در نتیجه، هیچ معادلی در ادبیات اقتصادسنجی ندارند. واحد های پنهان، شبیه واحد های خروجی عمل می کنند، آن ها، مجموع موزونی از متغیرهای ورودی را محاسبه(فرمول12)و سپس با استفاده از یک تابع فعال سازی (معمولا لجستیک)، نتیجه را پردازش می کنند (شکل2).

[به تصویر صفحه مراجعه شود.]

[به تصویر صفحه مراجعه شود.]

شکل2- شبکة عصبی با سه لایة ورودی، پنهان و خروجی

اگر ارتباط مستقیمی از ورود ی ها به خروجی برقرار شود، به مدل جدید دیگری می توان دست یافت. در این ساختمان که به شبکه عصبی بهبود یافته[1] معروف است، ورودی ها، به طور مستقیم به خروجی وصل می شوند. اگر تابع فعال سازی خطی را برای نرون خروجی بپذیریم، شبکة عصبی بهبود یافته، مدل، رگرسیون خطی را نیز در بر می گیرد. لذا این مدل رایج ترین ساختمان برای پیش بینی متغیرهای اقتصاد کلان با استفاده از شبکه های عصبی است. خروجی یک شبکه بهبود یافته:

(22)

8- نتایج و بحث

نتایج روش هموارسازی نمایی

هموارسازی نمایی یا یکنواخت سازی، روشی بر مبنای یک مدل آماری خودرگرسیونی می باشد. در این روش، فقط از اطلاعات مربوط به سری مورد پیش بینی استفاده می شود. به منظور استفاده از این مدل، روش های زیر مورد برازش و آزمون قرار گرفتند و در نهایت، مدل نهایی، با توجه به معیار

________________________________

[1]- Augmented neural networks.

RMSEانتخاب شد (جدول 2).

روش های هموارسازی نمایی عبارتند از:

1) هموارسازی نمایی انفرادی 2) هموارسازی نمایی دوگانه 3) هالت- وینترز غیر فصلی 4) هالت- وینترز تجمعی 5) هالت- وینترز ضربی

آمارهای مربوط به WPI، در بخش کشاورزی به صورت ماهانه بوده و از سال 1338 تا 1383 موجود می باشد. لذا این سری، دارای 552 مشاهده است. میانگین سالانة این سری، عدد مربوط به آن سال را به دست می دهد و نرخ رشد اعداد متوسط سالانه، نرخ تورم نامیده می شود.

جدول(2)- نتایج برازش 5 روش هموارسازی برای پیش بینی

[به تصویر صفحه مراجعه شود.]

ماخذ: یافته های تحقیق

آمارهای مربوط به PPI ، در بخش کشاورزی به صورت ماهانه بوده و از سال1369 تا 1383 موجود می باشد. لذا این سری دارای180 مشاهده می باشد.

آمارهای مربوط به AV(ارزش افزوده) بخش کشاورزی، به صورت فصلی از سال 1367 تا 1383 موجود می باشد، که در این جا، به علت نیاز به سری با تکرار بیشتر، از داده های فصلی استفاده شده است. این سری، به دو صورت قیمت های ثابت سال 1376 و نیز قیمت های جاری، مورد پیش بینی قرار گرفته است و دارای68 مشاهده می باشد.

مقادیر پیش بینی شدة مربوط به نرخ رشد و نرخ تورم، با روش هموارسازی و برای سال های برنامة چهارم، در جدول 3 قابل مشاهده است. این مدل، متوسط نرخ رشد را 7% و متوسط

نرخ تورم را 5/10% پیش بینی کرده است.

جدول(3)- مقادیر پیش بینی شدة نرخ رشد و تورم در بخش کشاورزی با روش هموارسازی نمایی

[به تصویر صفحه مراجعه شود.]

*برحسب قیمت های ثابت سال 1376

ماخذ: یافته های تحقیق

مقادیر واقعی مربوط به RWPIو RPPI در سال 1383، برابر 47/13و 93/17 می باشند که به مقادیر پیش بینی شده توسط مدل بسیار نزدیک اند.

از آن جا که دامنة سری زمانی ارزش افزودة بخش کشاورزی، متناسب با سطح متوسط سری می باشد (اندازة اثر فصلی با میانگین نسبت مستقیم دارد)، مدل هالت وینترز ضربی برای پیش بینی مناسب تر است . این موضوع، توسط معیار RMSE به دست آمده به وسیلة روش های مختلف، در جدول 2 مورد تایید می باشد. هم چنین، در سری زمانی نرخ تورم، دامنة الگوی فصلی، مستقل از سطح متوسط سری می باشد، لذا، مدل فصلی جمع پذیر مناسب بوده، که توسط معیارRMSE نیز این مدل انتخاب شده است.

نتایج روش ARIMA

به منظور پیش بینی مقادیر رشد و تورم در بخش کشاورزی به روش

ARIMA، پس از آزمون ایستایی متغیرها، به بررسی نمودارهای خود همبستگی پرداخته و با توجه به نقاط اوج موجود در این نمودارها و اشکال خاص افول آن ها، مدل آزمایشی اولیه برای پیش بینی، شناسایی می شود. سپس، به تخمین پارامترهای مدل پرداخته و با آزمون ایستایی اجزای باقیمانده، به بررسی کفایت مدل پرداخته می شود. مدل نهایی انتخاب شده،برای پیش بینی استفاده خواهد شد.

پیش بینی تورم

در این قسمت، از داده های ماهانة RWPI وRPPI، که مطابق آزمون دیکی فولر، ایستا می باشند، استفاده می شود. به منظور پیش بینی مقادیر آیندة متغیر RWPI، برای حذف نوسانات فصلی، میانگین متحرک مرتبة 12(طول اثرات فصلی) سری را به دست آورده و سپس، به بررسی نمودار خودهمبستگی آن (MOVRWPI) پرداخته می شود. همان گونه که در نمودار (1) مشاهده می شود، SAC افول کرده و SPAC تا وقفة P دارای نقطة اوج بوده و سپس منقطع می شود.

لذا، عمل کنندة اتورگرسیو غیرفصلی از درجة P، که نقاط اوج SPAC، شکل آن را تعیین می کنند، بهترین مدل را ایجاد خواهد کرد. دست خواهد. نقاط اوج، در وقفه های اول، دوم، دوازدهم و سیزدهم وجود داشته، لذا مدل انتخاب شده به صورت زیر به دست آمد:

MOVAV(RWPI,12)=0.63+0.79*DUM1+0.47*DUM2+[AR(1)=0.81,AR(2)=0.12,AR(12)=-0.48,AR(13)=0.42]

(2.07) (3.23) (1.78) (20.22) (3.07) (-12.05) (10.71)

(23) F=411.6

متغیرهای DUM1و DUM2، به ترتیب، اثر انقلاب اسلامی و جنگ تحمیلی را نشان می دهند.

با توجه به نمودار خود همبستگی مربوط به متغیر MOVRPPI(نمودار2)، مدل زیر به عنوان بهترین مدل به دست آمد:

MOVAV(RPPI,12)=1.39+[AR(1)=1.06,AR(5)=-0.0829,MA(12)=-0.88]

(4.3 ) (37.62) (-2.82) (-5116.05)

(24) F=782

همان گونه که در نمودار(2) مشاهده می شود، عمل کنندة AR، از مرتبة 3،8 ،11و13 نیز وارد مدل شده، که به علت عدم معنی داری ضرایب، از مدل حذف شده اند. عمل کنندة MA(12) نیز، به علت افزایش در توضیح دهی، وارد مدل شده است. انجام آزمون دیکی- فولر، بر اجزای اخلال معادلات 23 و 24، نشان دهندة پایایی اجزای اخلال و انتخاب صحیح مدل می باشد.

[به تصویر صفحه مراجعه شود.]

نمودار(1)- تابع خود همبستگی movrwpi

[به تصویر صفحه مراجعه شود.]

نمودار(2)- تابع خود همبستگی movrppi

جدول 4، آماره های مربوط به دقت پیش بینی را برای دو مدل بالا نشان می دهد:

جدول4- آماره های دقت پیش بینی نرخ تورم توسط مدلARIMA

متغیر مورد پیش بینیمدل انتخابیRMSEMAEMAPETILLE
RWPIARIMA(4,0,0)8/511/45/13259/0
RPPIARIMA(2,0,1)8/38/242/36456/0

ماخذ: یافته های تحقیق

پیش بینی رشد:

در این قسمت، از داده های فصلی مربوط به ارزش افزوده استفاده می شود، که مطابق آزمون دیکی فولر ایستا می باشند. چنان چه نمودار (3) نشان می دهد،SAC مربوط به متغیرLAV (لگاریتم ارزش افزودة بخش کشاورزی به قیمت های جاری)، در وقفه های فصلی و غیر فصلی افول می کند. هم چنین، نمودار SPAC آن، در هر دو وقفه (فصلی و غیرفصلی) منقطع می شود. لذا عمل کنندة AR، که مرتبة آن را نقاط اوج SAC تعیین می کنند، مدل مناسب را به ایجاد

می کند:

LAV=16.5+[AR(1)=0.21,AR(4)=0.99,AR(5)=-0.23]

(-1.84) (1.7) (77.6) (2.9)

(25) F=2318

همان طور که از نمودار خود همبستگی پیدا است، وقفه های 1، 3، و5 نیز، دارای نقطة اوج می باشند که به علت عدم معنی دار بودن ضرایب، از مدل حذف شده اند.

از آن جا که واریانس سریAV ، با افزایش مشاهدات افزایش می یابد، لذا از لگاریتم سری که نسبت به واریانس ایستا می باشد، استفاده می شود. آزمون دیکی- فولر، ایستایی این متغیر را نشان می دهد.

به منظور انجام آزمون انگل-گرنجر و بررسی کفایت مدل، ایستایی اجزای باقیماندة معادلة(25)، با آزمون دیکی- فولر، مورد بررسی قرار گرفت. نتایج، پایایی اجزای باقیمانده(در سطح 1%) را نشان می دهند.

چنان چه از مشاهدات مربوط به ارزش افزوده به قیمت های ثابت، برای پیش بینی استفاده شود، مدل زیر به دست خواهد آمد:

AVCO=[AR(4)=1.034]

(108.29)

(26)

جدول 5، آماره های مربوط به دقت پیش بینی را برای دو مدل بالا نشان می دهد. جدول 6 نیز، مقادیر پیش بینی شدة نرخ رشد و نرخ تورم در بخش کشاورزی را، برای سال های برنامة چهارم و توسط مدل ARIMA، نشان می دهد.

[به تصویر صفحه مراجعه شود.]

نمودار(3)- تابع خودهمبستگی LAV به قیمت های جاری

جدول(5)- آماره های دقت پیش بینی نرخ رشد توسط مدلARIMA

متغیرمورد پیش بینیمدل انتخابیRMSEMAEMAPETILLE
LAV(قیمت جاری)ARIMA(3,0,0)6/289275/171217/1706/0
LAV(قیمت ثابت)ARIMA(1,0,1)4/18667/129918/13075/0

ماخذ: یافته های تحقیق

جدول(6). مقادیر پیش بینی شده توسط روش ARIMA

متغیر مورد نظرمقادیر پیش بینیمیانگین
138313841385138613871388
* نرخ رشد44/345/348/347/345/347/346/3
نرخ رشد2/196/18184/178/162/164/17
نرخ تورم(RWPI)83/1583/1583/1584/1584/1588/1583/15
نرخ تورم(RPPI)78/1676/1675/1674/1674/1673/1674/16

*بر حسب قیمت های ثابت سال 1376

ماخذ: یافته های تحقیق

نمودارهای (4) تا (6) نیز، مقادیر واقعی و پیش بینی شدة متغیرهای نرخ رشد و نرخ تورم را توسط مدل ARIMA، نشان می دهند. همان گونه که مشاهده می شود، RMSEروش هالت وینترز تجمعی، در پیش بینی نرخ تورم (RWPI)، برابر 95/2 می باشد؛ در صورتی که، در روش ARIMA، برابر 8/5 است. این معیار، در پیش بینی نرخ رشد بخش کشاورزی، توسط روش هالت وینترز ضربی، برابر 970 و در روشARIMA، برابر 4/1866 می باشد. این نتایج، برتری روش هالت وینترز (هموارسازی) بر روش آریما را در پیش بینی متغیرهای مذکور نشان می دهد.

[به تصویر صفحه مراجعه شود.]

نمودار(5)- مقادیر واقعی و پیش بینی شدة متغیر AVCO

نمودار(4)- مقادیر واقعی و پیش بینی شدة متغیر AV

نمودار(7)- مقادیر واقعی و پیش بینی شدة متغیر RPPI

نمودار(6)- مقادیر واقعی و پیش بینی شدة متغیر RWPI

نتایج مدل شبکه های عصبی مصنوعی

در این قسمت، به پیش بینی نرخ تورم بخش کشاورزی (WPI)، توسط یک مدل شبکة عصبی پرداخته خواهد شد. داده های مورد استفاده، مربوط به WPI بخش کشاورزی می باشند و دورة 1383-1338را دربر می گیرند.[1] برای طراحی مدل تورم در بخش کشاورزی ایران، یک شبکة عصبی مصنوعی پیشرونده، با الگوریتم پس انتشار خطا و با مجموعه متغیرهای ورودی گرفته شده از مدل رگرسیون و مدل ARIMA درنظر گرفته شد. در این روش، داده های دورة 1378:12-1340:1، به عنوان مجموعة آموزش و دورة 1383:11-1379:1، به عنوان مجموعه، آزمون در نظر گرفته شدند.

در هردو مدل شبکة عصبی (مبتنی بر ورود ی های مدل رگرسیون و مبتنی بر مدل ARIMA)، یک تابع فعال سازی تانژانت هیپربولیک، برای لایة خروجی و سیگموئید، برای لایة ینهان پذیرفته می شود. برای تعیین تعداد نرون های لایة پنهان، از روش آزمون و خطا استفاده شده است. نتایج تخمین مدل شبکة عصبی، در جدول 7 نشان داده شده اند.

مطابق جدول 7، هنگامی که متغیر نرخ ارز رسمی، به عنوان متغیر ورودی، به جای نرخ ارز بازار آزاد به کار می رود، کارایی مدل، با توجه به کاهش RMSE، افزایش خواهد یافت. هم چنین، در مدل شبکة عصبی مبتنی بر ARIMA نیز، با حذف AR(1) از لیست متغیرهای ورودی، کارایی مدل افزایش خواهد یافت. نتایج نشان داده شده در جدول 7، پس از آموزش مدل های مختلف شبکه و توسط متغیرهای ورودی متفاوت، به عنوان بهترین نتایج، توسط معیار RMSEانتخاب شده اند.

________________________________

[1]- از آن جا که داده های مربوط به رشد بخش کشاورزی، به صورت ماهانه موجود نمی باشند و به دلیل ناکافی بودن داده های فصلی، از پیش بینی نرخ رشد بخش کشاورزی توسط شبکه های عصبی، صرف نظر شده است.

جدول7. نتایج طراحی مدل شبکة عصبی، برای پیش بینی نرخ تورم در بخش کشاورزی ایران

نوع مدلمتغیرهای ورودیقانون یادگیری شبکهتابع محرک لایه پنهانتعداد نرونهای لایه پنهانتکرارRMSE
ANN* مبتنی بر مدل رگرسیوننقدینگی و نرخ ارز رسمیدلتاسیگموئید55273/7
ANN مبتنی بر مدل رگرسیوننقدینگی و نرخ ارز بازار آزاددلتاسیگموئید155348/8
ANNمبتنی بر مدل ARIMAAR(18) AR(17) AR(1)دلتاسیگموئید65275/12
ANN*مبتنی بر مدل ARIMAAR(18) AR(17)دلتاسیگموئید653326/10

* مدل های منتخب

ماخذ: یافته های تحقیق

نمودار 8 و 9، مقادیر اصلی و پیش بینی شدة، RWPI ماهانه، توسط دو مدلANN را، برای سال های 1382و1383 نشان می دهد.

[به تصویر صفحه مراجعه شود.]

نمودار8- مقادیر واقعی(ممتد)و پیش بینی شدة RWPI، توسط مدلANN مبتنی بر مدل ARIMA

[به تصویر صفحه مراجعه شود.]

نمودار9- مقادیر واقعی(ممتد) و پیش بینی شدة RWPI، توسط مدل ANN، مبتنی بر مدل رگرسیون

10- نتیجه گیری و پیشنهاد

مهم ترین نتایجی که از این تحقیق به دست آمده اند، به قرار زیر اند:

1. روش هموارسازی نمایی هالت وینترز تجمعی، متوسط نرخ رشد بخش کشاورزی در سال های برنامة چهارم توسعه را، برابر 7% پیش بینی کرده، در صورتی که مدل ARIMA، برابر5/3% پیش بینی کرده است.

2. روش هموارسازی نمایی هالت وینترز تجمعی، متوسط نرخ تورم بخش کشاورزی در سال های برنامة چهارم توسعه را، برابر 5/10% پیش بینی کرده، در صورتی، که مدل ARIMA، برابر8/15% پیش بینی کرده است.

3. روش هالت وینترز، دارای دقت پیش بینی بالاتری بوده و آماره های مربوط به کارایی پیش بینی این روش، در برابر روشARIMA ، از مقادیر مطلوب تری برخوردارند. لذا، به منظور ارائة مدل منتخب، مقادیر پیش بینی شده در روش هالت وینترز انتخاب خواهند شد.

4. مدل منتخب برای پیش بینی، متوسط نرخ رشد سالانه (7%) در بخش کشاورزی را، کمی بیش از متوسط سالانة پیش بینی شده در برنامة چهارم (5/6%) نشان داده و متوسط نرخ تورم (5/10%) در سال های برنامه چهارم را، تقریبا یک درصد بیشتر از متوسط سالانة پیش بینی شده در برنامة

چهارم (6/9%) براورد کرده است.

5. مدل شبکه های عصبی طراحی شده برای نرخ تورم در بخش کشاورزی ایران، دارای دقت پیش بینی کم تری از مدل های ARIMA و هالت وینترز می باشد.

همان طور که نتایج این تحقیق نشان داده اند با توجه به روند های گذشته، بخش کشاورزی، پتانسیل های لازم برای دستیابی به نرخ رشدهای پیش بینی شده در برنامة چهارم(5/6 درصد) را دارا می باشد. هم چنین، هدف کاهش نرخ تورم تا سطح 6/9% نیز، چندان دور از دسترس نبوده و روندهای گذشتة نرخ تورم در بخش کشاورزی، نشان دهندة امکان دسترسی به این سطح می باشند.

فهرست منابع

1. ابریشمی، ح (1378). مبانی اقتصاد سنجی(تالیف دامودار گجراتی). چاپ دوم. جلد دوم. انتشارات دانشگاه تهران.

. البرزی، م (1380). آشنایی با شبکه های عصبی(تالیف آر.بیل و تی.جکسون)، چاپ اول. موسسة انتشارات علمی دانشگاه صنعتی شریف.

2. بانک مرکزی جمهوری اسلامی ایران (1381)، حساب های ملی ایران. اداره حساب های اقتصادی.

3. بانک مرکزی جمهوری اسلامی. ایران، گزارش اقتصادی و ترازنامة سال های مختلف.

4. حکیمی پور، ن و کریمی، ع (1383). عملکرد بخش کشاورزی ایران در سه برنامة توسعة پس از انقلاب و چالش های عمدة این بخش. فصل نامة بانک و کشاورزی. شماره پنجم،193-165.

5.خادم آدم، ن(1373). سیاست اقتصاد کشاورزی در نظام های مختلف ایران. چاپ دوم. انتشارات اطلاعات.

6. خشکه باری، م (1383). پیش بینی تورم در ایران. پایان نامة کارشناسی ارشد. دانشکدة اقتصاد. دانشگاه تهران.

7. شیوا، ر (1375). پیش بینی سری های زمانی: شناسایی-تخمین- پیش بینی. (تالیف باورمن اکانل) چاپ اول. انتشارات مؤسسة مطالعات و پژوهش های بازرگانی.

8. فاطمی قمی، م (1373).پیش بینی و تجزیه و تحلیل سری های زمانی(تالیف دوگلاس.سی.مونتگمری لینوود.ا.جانسون جان.اس.گاردینر)، چاپ اول. انتشارات نشر دانش امروز.

9. قدیمی، م(1381). پیش بینی رشد تولید ناخالص داخلی ایران، با استفاده از شبکه های عصبی و الگوریتم ژنتیک. پایان نامة دکتری. دانشکدة اقتصاد. دانشگاه علامه طباطبایی.

10.کوپاهی، م(1378). توسعة کشاورزی، یک دیدگاه بین المللی(تالیف یوجی روهایامی و ورنن روتان). چاپ اول. انتشارات سازمان تحقیقات، آموزش و ترویج کشاورزی.

11. نوفرستی، م (1378). ریشة واحد و هم جمعی در اقتصاد سنجی. چاپ اول. انتشارات رسا.

12. نیرومند، ح و بزرگ نیا، ا (1372). مقدمه ای بر تحلیل سری های زمانی(تالیف سی -چتفیلد)، چاپ اول. انتشارات دانشگاه فردوسی مشهد.

13- Church, K.and Curram S. (1996). Forecasting consumers expenditure: A comparison between econometric and neural network models. International journal of forecasting. 12:255-167

14- Kenny, G; and Mayler, A and quinn, T.(1998).Forecasting Irish inflation using ARIMA models. Research and publication department. central bank of Ireland.

15-.Makridikis, S. and Hibon, M. (1997). Arima models and the box-jenkins methodology. Journal of Forecasting, 16:147-163.

16- Norton, R.(2004). Agricultural development policy: concepts and experiences.john wiley and sons, ltd.

17- Reiger, A. H.J and Valaar, P.J.G. (2003). Forecasting Inflation in the Netherlands and the Euro Area, Reaserch Memorandum WO, No723, February 2003

18- Swanson, N. and White, H. (1997). A model selection approach to real time macroeconomic forecasting using linear models and artificial neural networks. Review of economics and statics. 79:540-550

کليه حقوق برای پرتال علوم انسانی محفوظ است