تعیین الگوی مناسب پیش‌بینی قیمت محصولات زراعی مطالعه موردی گندم، سیب‌زمینی و یونجه

الموضوعات : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

حامد قادرزاده ¹ , خالد احمدزاده ² , سوسن گنجی ³

1 - استادیار گروه اقتصادکشاورزی دانشگاه کردستان.
2 - دانشجوی دکتری اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شیراز.
3 - استادیار گروه اقتصادکشاورزی دانشگاه کردستان.

تاريخ الإرسال : 12 الأحد , ربيع الأول, 1438 تاريخ التأكيد : 06 الثلاثاء , ذو القعدة, 1440 تاريخ الإصدار : 24 الإثنين , محرم, 1441

الکلمات المفتاحية: کشاورزی, ARIMA, خودتوضیح, میانگین متحرک,

ملخص المقالة :

نوسانات قیمت محصولات کشاورزی همواره به‌عنوان یکی از مسائل اصلی فراروی تولیدکنندگان و سیاست‌گذاران این بخش به‌ویژه در کشورهای در حال توسعه بوده است. در این راستا پیش‌بینی قیمت، می‌تواند نقش مهمی در کنترل ناپایداری قیمت‌ها و کاهش ریسک بازار داشته باشد. هدف این مطالعه انتخاب الگوی مناسب برای پیش‌بینی قیمت محصولات عمده‌ی زراعی استان کردستان(سیب‌زمینی، گندم و یونجه) و پیش‌بینی قیمت محصولات منتخب می‌باشد. داده‌های مورد استفاده مربوط به قیمت خرده‌فروشی محصولات گندم، یونجه و سیب‌زمینی طی دوره 1392-1380 به صورت شش ماهه می‌باشد. پس از بررسی ایستایی سری‌های مورد استفاده با استفاده از آزمون دیکی- فولر با یک مرتبه تفاضل‌گیری، سری ایستا و قابل پیش‌بینی گردید. الگوهای مورد استفاده در این تحقیق شامل الگوی ARIMA ، میانگین متحرک (MA) و خودتوضیح (AR) می‌باشد. نتایج پیش‌بینی نشان داد که از میان سه الگوی مورد نظر، الگوی ARIMA براساس معیارهای ارزیابی دقت پیش‌بینی، میزان خطای کم‌تری داشته و در نتیجه قدرت بالاتری در پیش‌بینی قیمت محصول منتخب دارد.

المصادر:

 

- بریم نژاد، م و بکشلو، م. (1392). پیش‌بینی قیمت گوجه فرنگی: مقایسه روش‌های تلفیقی شبکه عصبی- خودرگرسدونی و ARIMA. اقتصاد کشاورزی و توسعه، 21 (83): 89- 103.

- بی‌نام (1393). سازمان جهاد کشاورزی استان کردستان، معاونت برنامه ریزی و امور اقتصادی اداره آمار و فناوری اطلاعات.

- زارع مهرجردی، محمدرضا و سمانه نگارچی(1390). مقایسه الگوهای میانگین متحرک خود رگرسیون انباشته، رگرسیون فازی و رگرسیون انباشته فازی به منظور پیش‌بینی قیمت گوشت گوسفند، نشریه اقتصاد و توسعه کشاورزی، جلد 25، شماره 1، صفحات:100-108.

- طرازکار، م. (1384). پیش بینی قیمت برخی از محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی، پایان‌نامه دوره  کارشناسی ارشد، دانشگاه شیراز.

- ﻋﺒﺎﺳﻴﺎن، م. و ﻛﺮﺑﺎﺳﻲ، ع. (1382). ﻛﺎرﺑﺮد روﺷﻬﺎی ﻛﻤﻲدر ﭘﻴﺶ‌ﺑﻴنی ﻣﺘﻐﻴﺮﻫﺎی اﻗﺘﺼﺎدی ﻣﻄﺎﻟﻌﻪ ﻣﻮردی : ﺗﻮﻟﻴﺪ و ﻗﻴﻤﺖ ﻋﻤﺪه ﻓﺮوشی تخمﻣﺮغ. ﻣﺠﻤﻮﻋﻪ ﻣﻘﺎﻻت ﭼﻬﺎرﻣﻴﻦ ﻛﻨﻔﺮاﻧﺲ دو ﺳﺎﻻﻧﻪ اﻧﺠﻤﻦ اﻗﺘﺼﺎد ﻛﺸﺎورزی ایران، داﻧﺸﮕﺎه ﺗﻬﺮان، داﻧﺸﻜﺪه ﻛﺸﺎورزی.

- عبدالهی عزت‌آبادی، م. (1381). مطالعه نوسانات درآمدی پسته‌کاران ایران به سوی سیستمی از بیمه محصول و ایجاد بازار آتی و اختیار معامله. پایان‌نامه دوره دکتری، دانشگاه شیراز.

- ابریشمی، ح. (ترجمه). ( 1378). مبانی اقتصادسنجی. دامودار گجراتی. جلد دوم، انتشارات دانشگاه تهران، تهران.

- گیلان‌پور، الف. و کهزادی، ن. (1376). پیش بینی قیمت برنج در بازار بی نالمللی با استفاده از، الگوی خود رگرسیونی میانگین متحرک. فصلنامه اقتصاد کشاورزی و توسعه، 8 (2): 200- 189.

- لهراسبی، ز. (1385). تاریخچه تحقیقات گندم، فصل­نامه ‍‍پژوهش­های غلات، 8 (9): 15-37.

- محمدی، ح.، فرجزاده، ز.، دهباشی، و.، شهرکی، الف. و انصاری نیک، ح. (1392). انتخاب الگوی پیش‌بینی قیمت فراورده های دامی. اقتصاد کشاورزی و توسعه، 81 (21): 101-130.

- مجاوریان، م. و امجدی، الف. (1378). مقایسه روشهای معمول با تابع مثلثاتی در قدرت پیش بینی سری زمانی قیمت محصولات کشاورزی همراه با اثرات فصلی: مطالعه مورد . 62 – مرکبات. فصلنامه اقتصاد کشاورزی و توسعه، 25: 43-57

- مرتضوی، سید ابوالقاسم و سعید حسنلو(1392)،پیش‌بینی قیمت خرده فروشی و عمده‌فروشی ماهی قزال‌آلا با استفاده از شبکه عصبی مصنوعی و مدل ARIMA. تحقیقات کشاورزی، جلد پنجم، شماره 3، صفحات: 25-47.

- مقدسی، ر. و رحیمی بدر، ب. (1388). ارزیابی قدرت الگوهای مختلف اقتصادسنجی برای پیش‌بینی قیمت گندم. پژوهشنامه اقتصاد، 9 (4): 239– 263.

Refrences

- Brandt, J.A. & Bessler, D.A. (1981). Composite Forecasting: An Application with US Hog Prices.  American Journal of Agricultural Economics No. 63: 135-140.

- Enderse, W. (2004). Applied econometrics time series, John Wiley and Sons, Inc.

- Greene, W. H. (2000). Econometric Analysis. 4th, Prentice Hall International Edition. New York University.

- Kohzadi, N.M.S. Boyd, I. Kaastra, B.S. Kermanshahi & Scuse D. (1995). Neural Networks for Forecasting: An Introduction. Canadian Journal of Agricultural Economics, No. 43:  463-474.

- Marcellinio, M.J.H. Stock & Watso, T M. W. (2006). A Comparison of Direct and Indirect and Iterated Multi Step AR Methods for Forecasting Macroeconomic Time Series.  Journal of Econometrics, No. 135:  499-526.

-Pesaran, H.M. & Pesaran, B. (1994). Working with Microfit 4. 0: An Introduction to Econometrics, Oxford University Press and Oxford.

- Portugal, N.S. (1995). Neural networks versus time series methods: A forecasting exercises, 14th international symposium on forecasting, Sweden.