رهيافت شبكه‌ي عصبي مصنوعي (ANN)و روش‌هاي هم‌جمعي (ARDL و جوهانسون- جوسيليوس) در پيش‌بيني قيمت گوشت مرغ در ايران

Artificial Neural Network (ANN) and Co-integration Methods (ARDL & Johansen-Juselius) Approach for Price Forecasting of Chicken in Iran

پيش‌بيني دقيق قيمت طيور و فرآورده‌هاي آن از طريق توجه به كاهش نوسانات باعث تخصيص بهينه‌ي منابع، افزايش كارايي و سرانجام افزايش درآمد مرغداران مي‌شود. با توجه به اهميت پيش‌بيني قيمت گوشت مرغ، در اين تحقيق قيمت اين محصول با استفاده از روش‌هاي هم‌جمعي ARDL، جوهانسون- جوسيليوس و روش شبكه‌هاي عصبي مصنوعي براي افق‌هاي زماني يك ماهه، شش ماهه و دوازده ماهه پيش‌بيني شد و اين فرضيه كه شبكه‌ي عصبي مصنوعي در پيش‌بيني قيمت گوشت مرغ از كارايي بيش‌تري نسبت به ديگر مدل‌هاي اقتصادسنجي برخوردار است، بررسي شد. داده‌هاي مربوط به متغيرهاي تاثيرگذار بر قيمت گوشت مرغ براي دوره‌ي زماني فروردين‌ماه 1371 تا بهمن‌ماه 1384 از شركت پشتيباني امور دام كشور جمع‌آوري شده است كه از داده‌هاي فروردين 1371 تا بهمن 1384 براي تخمين مدل‌ها و آموزش شبكه‌ي عصبي و از مابقي داده‌ها (اسفند 1384 تا بهمن 1385) براي بررسي قدرت پيش‌بيني مدل‌هاي مختلف استفاده شده است. نتايج به دست آمده حاكي از آن بود كه روند پيش‌بيني شده به وسيله‌ي شبكه‌ي عصبي المان سه لايه با هشت نرون در لايه‌ي ورودي، سه نرون در لايه‌ي مخفي و تابع فعال‌سازي زيگموييدي (براي افق زماني دوازده ماهه) و شبكه‌ي المان سه لايه شامل هشت نرون ورودي و هفت نرون در لايه‌ي مخفي با تابع فعال‌سازي تانژانت هيپربوليك (براي افق زماني يك ماهه) از كارايي بيش‌تري در كمينه كردن خطاي پيش‌بيني، نسبت به روش‌هاي هم‌جمعي، برخوردارند؛ اما در افق زماني شش ماهه، مدل ARDL دقيق‌تر از شبكه‌ي عصبي المان عمل مي كند. از اين ديدگاه، استفاده از روش نوين پيش‌بيني قيمت همانند شبكه‌هاي عصبي مصنوعي، مي‌تواند به تاثير سياست‌گذاري قيمتي و حتي تنظيم بازار از طريق پيش‌بيني نوسان‌هاي مختلف كمك كند.

Regarding the importance of price forecasting of the protein products including chicken, this research uses methods of ARDL, Johnson-Juselius and ANNs to forecast the chicken price in Iran for the various time paths consisting of one month, six months and twelve months. Accordingly, the main hypothesis relies on the more efficiently of the ANNs than those of the other econometric methods. Monthly data are collected for the domestic resources related to the agricultural sector for the period March-1991 to February-2006. The data from March-1991 to February-2005 is used for models estimating and networks training and the rest data is used to past prediction power evaluating. The empirical results obtained confirm that the performance of the three layers Elman ANN with eight neurons in input layers, three neurons in hidden layers and sigmoid activation function (for the time path of twelve months) and a three layers Elman ANN including seven neurons in hidden layers with hyperbolic tangent activation function (for the time path of one month) in forecasting has been more precise than that of the Co-integration methods. But in the time path of six months, ARDL method is more precise than that of the Elman ANN. Implication is that the use of modern methods such as ANNs in prediction of the chicken price is able to affect policymakers in the poultry industry toward making better decisions in the market.