Comparison of forecasting ability of artificial neural network with other forecasting methods: case of sugar beet price

Subject Areas : Agroecology Journal

Hamid Mohammadi ¹ , Farshid Kafilzadeh ² , Mohammad Naghshinehfard ³ , Siyamak Pishbin ⁴

1 - Scientific Board of Islamic Azad Unoversity, Jahrom Branch
2 - Scientific Board of Islamic Azad Unoversity, Jahrom Branch
3 - Scientific Board of Islamic Azad Unoversity, Jahrom Branch
4 - Scientific Board of Islamic Azad Unoversity, Jahrom Branch

Received: 2007-10-22 Accepted : 2008-06-25 Published : 2009-01-20

Keywords: Artificial Neural Network, Harmonic, forecasting, ARIMA, Sugar beet, ARCH, Price, Exponential smoothing,

Abstract :

The aim of this study was to forecast nominal and real price of sugar beet and to compare forecasting ability of artificial neural network method with other forecasting methods. The stationary of the series was tested and then, in order to investigate whether series are stochastic, nonparametric test of Vald-Wulfowitz and parametric test of Durbin-Watson were applied. Based on the above tests results, nominal price of sugar beet were recognized non-stochastic and predictable, while the real price series was found stochastic. The study period covers 1971-2005. The models used for forecasting were autoregressive, moving average, ARIMA, Single and Double exponential smoothing, harmonic, ARCH and artificial neural network. Based on the lowest forecasting error criterion, harmonic model forecasted nominal price of sugar beet with lowest forecasting error. The amount of nominal series forecasted by different models was at range of 344000-396000 and 398000-448504 rials per ton for 2004 and 2005, respectively. The happened values of nominal price series for 2004 and 2005 were 387200 and 447000 rials per ton, respectively.

References:

1-  عباسیان، م. و ع. کرباسی. 1382. کاربرد روش‏های کمی در پیش‌بینی متغیرهای اقتصادی (مطالعه موردی: تولید و قیمت عمده فروشی تخم‏مرغ). مجموعه مقالات چهارمین کنفرانس دوسالانه انجمن اقتصاد کشاورزی ایران، دانشکده کشاورزی دانشگاه تهران، صفحه 36.

2-  عبدالهی­عزت‌آبادی، م. 1385. مطالعه نوسانات درآمدی پسته‌کاران ایران: به‏سوی سیستمی از بیمه محصول و ایجاد بازار آتی و اختیار معامله. پایان­نامه دوره دکتری. دانشگاه شیراز، 200 صفحه.

3-  طرازکار، م. ح. 1384. پیش‏بینی قیمت برخی از محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی. پایان­نامه دوره کارشناسی ارشد دانشگاه شیراز، 180 صفحه.

4-  گیلان­پور، ا. و ن. کهزادی. 1376. پیش‏بینی قیمت برنج در بازار بین‏المللی با استفاده از الگوی خود رگرسیونی میانگین متحرک. فصل‏نامه اقتصاد کشاورزی و توسعه، 8:  200 - 189.

5-  مجاوریان،‌ م. و ا. امجدی. 1378. مقایسه روش‏های معمول با تابع مثلثاتی در قدرت پیش‏بینی سری زمانی قیمت محصولات کشاورزی همراه با اثرات فصلی: مطالعه مورد مرکبات. فصل‏نامه اقتصاد کشاورزی و توسعه، 25: 62-43.

6-  مشیری، س. 1380. پیش‏بینی تورم ایران با استفاده از مدل‏های ساختاری، سری زمانی و شبکه‏های عصبی. مجله تحقیقات اقتصادی، 58: 184-147.

7-  منهاج، م. ب. 1377. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر حسابی، تهران، 150 صفحه.

8-  گجراتی، د. 1998. مبانی اقتصادسنجی، جلد دوم، ترجمه حمید ابریشمی. انتشارات دانشگاه تهران، 350 صفحه.

1. Brandt, J. A. and D. A. Bessler. 1981. Composite forecasting: an application with US. hog prices. American Journal of Agricultural Economics 63: 135-140.

10.Church, K. B. and S. P. Curram. 1996. Forecasting consumers expenditure: a comparison between econometric and neural network models. International Journal of Forecasting 12: 255-267.

11. Day, R. H. 1965. Probability distributions of field crop yields. Journal of Farm Economics 47: 713-741.

12.Dillon, J. L. and J. B. Hardaker. 1993. Farm management research for small farmer development. FAO, Rome.

13.Engle, R. F. 1982. Autoregressive conditionally heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrics 50: 987-1007. 

14.Hill, T., M. Oconnor, and W. Remus. 1996. Neural network models for time series forecasts. Management science 42: 1082-1092.

15.Heravi, S., D. R. Osborn, and C. R. Birchenhall. 2004. Linear versus neural network forecasts for European industrial production series. International Journal of Forecasting 20: 435-446.

16.Kohzadi, N., M. S. Boyd, I. Kaastra, B. S. Kermanshahi, and D. Scuse. 1995. Neural networks for forecasting: an introduction. Canadian Journal of Agricultural Economics 43: 463-474.

17.Marcellinio, M., J. H. Stock, and M. W. Watson. 2006. A comparison of direct and indirect and iterated multi step AR methods for forecasting macroeconomic time series. Journal of Econometrics 135: 499-526.

18.Pesaran, H. M. and B. pesaran. 1994. Working with Microfit 4.0: An Introduction to econometrics. Oxford University Press, Oxford.

19.Pindych, R. S. and D. L. Rubinfeld. 1998. A computer handbook using eviews. Fourth Edition, McGraw-Hill.

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

21.Sadorsky, P. 2006. Modeling and forecasting petroleum futures volatility. Energy Economics 28: 467-488.

22.Wu, SH. I. 1995. Artificial neural networks in forecasting, neural networks world, 2, IDG VSP, PP: 199-220.

23.Wu, SH. I. and R. P. Lu. 1993. Combining artificial neural networks and statistics for stock-market. Forecasting 257-264.