چکیده

پیشبینی رفتار متغیرهای اقتصادی یکی از الزامات برنامهریزی برای آینده است، در بین متغیرهای اقتصادی قیمت از اهمیت بیشتری برخوردار است به این دلیل که قیمت از نظر اقتصادی نقش راهنما را برای اتخاذ تصمیمات تولیدی و مصرفی ایفا می کند، و در بین محصولاتی که مبادرت به پیشبینی قیمت آنها میگردد محصولات استراتژیک از جایگاه ویژهتری برخوردار هستند، بنابراین با توجه به اهمیت محصول گندم در کشور در این مطالعه، اقدام به پیشبینی قیمت گندم در ایران شده است.

الگوهای استفاده شده در این تحقیق شامل الگوهای اتورگرسیو (AR)، میانگین متحرک (MA) ، ARIMA،ARCH/GARCH

و شبکه عصبی مصنوعی بودند و از داده های سالانه شامل سالهای ۱۳۵۵-۱۳۹۳ استفاده گردید. بر اساس معیار حداقل خطای پیشبینی از میان الگوهای مورد استفاده الگوی شبکه عصبی مصنوعی در مقایسه با سایر الگوهای مورد استفاده در این مطالعه خطای پیشبینی کمتری داشت و برای پیشبینی قیمت در دوره ی خارج از نمونه (۱۳۹۴-۱۳۹۶) مورد استفاده قرار گرفت.

کلمات کلیدی: پیشبینی، قیمت، گندم، AR، MA، ARIMA، ARCH/GARCH، شبکه عصبی مصنوعی.

مقدمه:

کارآیی نهایی هر تصمیم، به طبیعت یک دنباله از حوادث بستگی دارد که در پی آن تصمیم رخ می دهد. اگر بتوان جنبههای غیرقابل کنترل این حوادث را قبل از تصمیمگیری حدس زد، امکان تصمیم گیری بهتری به وجود می آید ( فاطمی قمی، .(۱۳۷۵ بنابراین، چون حوادث آینده در فرآیند تصمیمگیری نقش عمدهای را ایفا میکند، پیشبینی حوادث حائز اهمیت است و هر تصمیم گیری آگاهانه نیاز به پیشبینی دارد. در یک تعریف کلی، گمانه زنی در مورد شرایط و حوادث آینده را پیشبینی و چگونگی انجام این عمل را پیش بینی کردن مینامند. در تجزیه و تحلیلهای کمی علمیغالباً، پیشبینی به صورت استفاده از اطلاعات حال و گذشته در قالب الگوی یک معادلهای، الگوی چند معادلهای، الگوی سریهای زمانی یا دیگر الگوها و به کار بردن الگوی مورد نظر برای دورههای بعدی است. از این رو، می توان گفت که پیش بینی عبارت از برآورد احتمالی وقایع آینده بر اساس اطلاعات حال و گذشته است (کیانیان، .(۱۳۷۰

تولیدکنندگان محصولات زراعی و باغی همیشه با خسارتهای برخاسته از پدید آمدن حوادث پیشبینی نشده و بلایای طبیعی روبرو هستند و زندگی اقتصادی آنها در برابر خطرهای جدی قرار دارد. در کنار این عوامل کنترل ناپذیر، میتوان به نوسانهای تقاضا و عرضه برآمده از شرایط بازار نیز، اشاره کرد، به گونه ای که این مسائل موجب می شود، کشاورزان و دامداران، همواره نگران باز پرداخت هزینه های مختلف تولید و حتی هزینه های ضروری زندگی و معاش خود باشند. (رحیمی، .(۱۳۷۹
تولید فرآیندی زمانبر است و تصمیمگیری در خصوص اندازهی تولید و سرمایهگذاری بـه انتظارات تولیدکنندگان از درآمدها و هزینههایشان بستگی دارد. هر چه این انتظارات با اطمینان بیشتری شکل بگیرد، اعتماد به فضای کسب و کار افزایش مییابد و تمایل به سـرمایهگـذاری تقویت میشود. به عبارت دیگر، وجود اطمینان نسبی در خصوص درآمدها و هزینه های کسب و کار، افزایش تمایل به سرمایه گذاری را در پـی دارد، چـرا کـه وقتـی یـک سـرمایهگـذار بـه هزینههای یک فرآیند تولیدی و درآمدهای حاصل از آن بیاعتماد است، نمـیتوانـد انتظـارات خود را از سود مورد نظر از اجزای طرحهای تولیدی به درستی شکل دهد. بیثباتی قیمتها با افزایش بی اطمینانی به سوددهی طرح های تولیدی، تمایل به سرمایه گذاری را تضعیف میکنـد. بنابراین نوسان قیمتها هم تمایل سرمایهگذاران به سرمایهگذاری جدید یا توسعهی واحدهای تولیدی را کاهش می دهد، و هم با فرستادن علامتهای نادرست به عوامل اقتصـادی، مـانع از شکل گیری سطوح بهینهی موجودی سرمایه در بخشهای مختلف می شود. دولت نیز به نوبهی خود از نوسانات قیمت زیان می بیند. بیشتر دولـتهـا در کشـورهای در حـال توسـعه، بـه درآمدهای حاصل از

فروش کالاها متکیانـد. بـه عـلاوه، منبـع دیگـر درآمـدهای دولـت (در کشورهای توسعه یافته) مالیات است که به طور مستقیم به سطح درآمد و فعالیتهـای اقتصـاد بستگی دارد. در بسیاری از کشورهای در حال توسعه (به ویژه کشورهای نفت خیز)، دولت خود از مصرف کنندههای عمدهی کالا و خدمات است، بنابراین نوسان قیمت کالاها هزینههای دولت را نیز متأثر میکند. اثرهای مخرب نوسان قیمتها بر تولیدکنندگان و مصرفکنندگان، منجر به افزایش منابع مالی مورد نیاز برای اعمال سیاستهای حمـایتی و تحمیـل فشـار مضـاعف بـر بودجهی دولت می شود. بنابراین نوسان قیمتها، بی ثباتی در منابع و مصارف، بی انضباطی مالی و در نهایت کسری بودجهی دولت را به همراه دارد. در این میان سهم بخش کشاورزی از آثار زیان بار نوسانات قیمت، به علت نداشتن انعطافپذیری در برابر تغییرات پی درپـی قیمـتهـا، بیشتر از دیگر بخشها خواهد بود.((Apergi, and Rezitis,2011

بنابراین می توان ارائه پیشبینی را ابزاری مفید برای برنامهریزیهای بلندمدت و کوتاهمدت تلقی کرد. در کوتاه مدت یک کشاورز، به اطلاع از قیمت برای تعیین سرعت و حجم فروش خود برای بهینه سازی تولید محصولات کشاورزی نیاز دارد و اما در بلند مدت اطلاع از روند قیمت به کشاورز کمک میکند که به تدوین و فرموله کردن یک طرح سرمایهگذاری در مزرعه خود نایل آید .(Vishal and Talwar, 2010)

با توجه به مطالب بیان شده و نظر به اینکه پیشبینی قیمت گندم از اهمیت و جایگاه ارزشمندی برخوردار است. زیرا در حال حاضر گندم از اقلام وارداتی کشور محسوب میشود و سازماندهی تولید و بازار آن به منظور تامین نیاز داخل میتواند به ویژه از منظر صرفهجویی ارزی از اهمیت زیادی برخوردار باشد. چنین سازماندهی و برنامهریزی بدون داشتن اطلاع از وضعیت قیمت آن جامع نخواهد بود. بنابراین در این تحقیق مدل های مختلف را جهت پیشبینی قیمت این محصول استراتژیک مورد بررسی و مقایسه قرار داده و با استفاده از مدل برتر قیمت گندم، برای دوره ی ۱۳۹۴-۱۳۹۶پیش بینی می شود.

مطالعات انجام شده:

ابونوری و خدادادی((۱۳۹۱، مقایسه عملکرد مدل های رگرسیونی ۱ARIMA و شبکه عصبی با الگوریتم ژنتیک(۲(GMDH در پیشبینی قیمت نفت خام ایران را در مطالعهای انجام دادند. این پژوهش باهدف معرفی یک الگوی مناسب جهت پیشبینی قیمت نفت خام سنگین ایران صورت پذیرفته است. دادههای مورداستفاده دراین پژوهش به صورت هفتگی و شامل بازهی زمانی هفته

۱- Autoregressive Integrated Moving Average 2- Group Method of Data Handling

سوم ۲۰۰۲/۴ الی هفته چهارم ۲۰۱۱/۷ که مشتمل بر ۴۸۵ مشاهده بوده که جهت مجزاسازی پیشبینیهای داخل نمونهای وخارج از نمونه استفاده شده است. یافتههای این پژوهش نشان میدهد که مدل شبکه عصبی مبتنی برالگوریتم درپیشبینیهای خارج ازنمونه براساس معیارهای محاسبه خطای پیشبینی میانگین مجذور خطا ۱(MSE) و نیز معیار جذر میانگین مجذور خطا

۲( RMSE) دارای عملکرد بهتری نسبت به مدل رگرسیونی خطی ARIMA می باشند.

محمدینژاد و همکاران (۱۳۹۰)، پیشبینی قیمت جوجهی یکروزه گوشتی در ایران با استفاده از شبکه عصبی مصنوعی و مدلهای سری زمانی را انجام دادند در این مطالعه به منظور پیشبینی قیمت عمده فروشی جوجه یکروزه گوشتی در ایران برای افق زمانی یک، سه و شش ماه آتی از روش شبکه عصبی مصنوعی و فرآیند خود رگرسیو میانگین متحرک انباشته استفاده شد. به منظور مقایسه خطای پیشبینی این دو روش، از معیارهای میانگین خطا، میانگین قدرمطلق خطا، میانگین مجذور خطا و معیار درصد میانگین مطلق خطا بهره گرفته شد. دادههای مورد نیاز برای این مطالعه از دوم فروردین ۱۳۸۰ تا اسفند ۱۳۸۸ به صورت ماهانه جمعآوری شده است. از دادههای دوره فروردین ۱۳۸۰ تا شهریور ۱۳۸۸ به منظور مقایسه روشها، و از دادههای شش ماه آخر جهت بررسی قدرت پیشبینی بهره گرفته شده است. نتایج این مطالعه حاکی از آن است که شبکه عصبی مصنوعی دارای خطای پایینتری جهت پیشبینی قیمت جوجه یکروزه گوشتی در افقهای زمانی یک، سه و شش ماه آینده برخوردار است و به طور معنیداری از روش فرآیند خود رگرسیو میانگین متحرک انباشته دقیقتر است.گردآورندگان این مطالعه با توجه به توانایی بالاتر شبکههای عصبی مصنوعی در پیشبینی قیمت محصولات کشاورزی در مقایسه با مدلهای سری زمانی، به متولیان و برنامهریزان این امر، استفاده از شبکه های عصبی برای پیشبینی قیمت را توصیه می کنند.

طیبی، آذربایجانی و بیاری (۱۳۸۸)، تحقیقی را با عنوان مقایسهی مدلهای شبکههای عصبی مصنوعی۳ و سریهای زمانی برای پیشبینی قیمت گوشت مرغ در ایران را به انجام رساندند. با توجه به اهمیت پیشبینی قیمت گوشت مرغ، در تحقیق حاضر قیمت این محصول با استفاده از روش ARIMA و شبکههای عصبی مصنوعی برای افقهای زمانی یک ماهه، شش ماهه و دوازده ماهه پیشبینی گردید و این فرضیه که شبکهی عصبی در پیشبینی قیمت گوشت مرغ از کارایی بیشتری نسبت به مدل های سری زمانی برخوردار است، مورد بررسی قرار گرفت. داده های مربوط به این متغیر برای دوره ی زمانی ۱۳۷۱:۱ تا ۱۳۸۵:۱۱ بوده و از

۱ – Mean Square Errorn 2 – Root Mean Square Errorn
3 – Artificial Neural Network

شرکت پشتیبانی امور کشور جمعآوری شده است. نتایج حاکی از آن است که شبکههای پس انتشار در تمام افقهای زمانی دقیقتر از روشARIMA عمل میکنند. شبکه المان نیز در افق زمانی یک ماهه و دوازده ماهه از کارایی بیشتری در مقایسه با مدلARIMA از خود نشان می دهد. بدین لحاظ استفاده از روشهای پیشبینی قیمت کهعمدتاً متکی بر شبکههای عصبی قرار میگیرند، می تواند به تأثیر سیاستگذاری قیمتی و حتی تنظیم بازار از طریق پیشبینی نوسانهای مختلف کمک کند. با توجه به نتایج این تحقیق میتوان بیان داشت که با توجه به توانایی بالای شبکه های عصبی در پیشبینی قیمت گوشت مرغ، می توان به دستگاههای مسؤول پیشبینی متغیرهای اقتصادی پیشنهاد کرد تا از این مدل ها در کنار سایر روشهای متداول پیشبینی استفاده کنند. هم چنین بر این اساس توصیه میشود کارشناسان و متخصصان در این فعالیت اقتصادی ضمن آموزش، مجهز به تکنیک های متنوع ANN شوند.