49-72 1391 بهار 62 شماره بازرگانی پژوهشنامه فصلنامه عصبي شبكه ARIMA از استفاده با تخممرغ قيمت پيشبيني 1 وینترز هالت هموارسازي و مصنوعي ** پرمه زورار * کهنسال محمدرضا دکتر **** قاسمي عبدالرسول دكتر *** پور اسماعيلي الهام 90/8/2 پذیرش: 88/10/1 دریافت: تخممرغ / وینترز هالت هموارسازي / عصبي شبكه / ARIMA / قيمت پيشبيني چكيده است بازار آتي قيمتهاي مناسب پيشبيني عدم داخلي بازار تنظيم مهم مشكالت از يكي اين بر کند. اتخاذ بازار نوسانات كنترل برای منسجمي سياست نتواند دولت میشود باعث كه هك است این نكته مهمترین اما دارد. ويژهاي اهميت بازار تنظيم در كاالها قيمت پيشبيني اساس تصميمگيرندگان و مديران به بهينه تصميم اعمال در ميتواند پيشبيني روشهاي از كداميك روش سه از استفاده با مقاله اين در بنابراین كند. كمك بازرگاني و اقتصادي بخشهاي پيشبيني تخممرغ ماهانه قيمت مصنوعي عصبي شبکه و ARIMA وینترز هالت هموارسازي به عصبي شبكه روش از حاصله نتايج پيشبيني روش سه اين بين از نتايج براساس میشود. دهد. ياري را سياستگذاران مناسب تصميمهای ارائه در ميتواند و است نزديكتر واقعيت.C53, E37, Q11 :JEL طبقهبندی پژوهشهاي و مطالعات مؤسسه در كه است پروتئيني«مواد قيمت و تقاضا»پيشبيني پژوهشي طرح از برگرفته مقاله اين 1. است. شده انجام بازرگاني مشهد. فردوسی دانشگاه کشاورزی دانشکده کشاورزی اقتصاد گروه دانشیار *. permeh@gmail.com مشهد. فردوسی داشنگاه کشاورزی اقتصاد دکترای دوره دانشجوی **. بازرگانی. پژوهشهای و مطالعات مؤسسه پژوهشگر ***. طباطبائي. عالمه اقتصاد دانشكده علمي هیأت عضو ****. مکاتبات. مسئول پرمه زورار
50 پژوهشنامه بازرگانی مقدمه پيشبيني يكي از مهمترين اهداف ساخت مدلهاي اقتصادي است كه برخالف بسياري از بازارهاي مهم بازار محصوالت كشاورزي از عرصه تحقيقات نوين پيشبيني به دور مانده به گونهاي كه مطالعات انجام شده نيز غالبا بر پايه روشهاي اقتصادسنجي استوار است. همچنين پيشبيني صحيح قيمت بازار محصوالت كشاورزي آثار مهمي در سياستگذاري و برنامهريزيهاي اقتصادي اين بخش دارد كه اين مهم با بهكارگيري روشهاي عصبي مصنوعي ميتواند عالوه بر ايجاد زمينه توسعه روشهاي نوين پيشبيني سياستگذاران اين بخش را در تصميمگيريهاي آتي ياري رساند. 1 عالوه بر اين متأسفانه قیمت مواد پروتئيني که جزو كاالهاي مهم سبد مصرفي خانوارها هستند نوسانهای فراواني دارد. اين نوسانها به معناي فقدان پيشبيني مناسب از قيمتهاي آتي بازار است كه موجب شده دولت نتواند برای كنترل این نوسانها سياست منسجمي اتخاذ کند. بر اين اساس پيشبيني قيمت كاالها در تنظيم بازار اهميت ويژهاي دارد. از سوي ديگر در بخش توليد محصوالت كشاورزي نيز بهدليل ريسكهاي فراوان نوسانهای بااليي در درآمد كشاورزان مشاهده میشود. ريسك موجود در فعاليتهاي كشاورزي ممكن است در اثر شرايط آبوهوايي نوسانهای قيمت توليد و سياستهاي اتخاذشده دولت باشد. بر اين اساس پيشبيني دقيق قيمت از طريق كاهش نوسانهای قيمتي ميتواند موجب انتخاب نوع محصول و سطح زيركشت مناسب آن تخصيص بهينه منابع افزايش كارايي افزايش مطلوبيت كشاورزان و در نهايت افزايش درآمد آنها شود. 2 اهميت پيشبيني قيمت محصوالت كشاورزي عالوه بر كمك به كشاورزان و دولت كمك فراواني به عوامل بازاريابي ميکند. پيشبيني بهعنوان يكي از مهمترين شاخههاي علمي مطرحشده در موضوعهای اقتصادي بازرگاني بوده که روزبهروز توسعه و پيشرفت میکند. مديران بخشهاي مختلف اقتصادي و بازرگاني بهدليل وجود انبوه متغيرهاي تأثيرگذار ترجيح ميدهند مكانيزمي در اختيار داشته باشند كه بتواند آنها را در تصميمگيري ياري دهد به همين دليل میکوشند 1. فهيميفرد و همكاران )(. 2. نجفي و همكاران )1386(.
51 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا و نزديك واقعيت به تخمينها آنها بهواسطه كه کنند استفاده روشهایی از پيشبيني برای باشد. كم بسيار خطايشان و مصنوعي عصبي شبكههاي روش قبيل )از پيشبيني در نوين روشهاي به توجه بعضي در است. شده پيشبيني علم در ديگري چالشهاي ايجاد سبب فازي( الگوريتمهاي روشهاي شده انجام متغيره چند يا يك زماني سري دادههاي از استفاده با كه مطالعات مدلهاي بعضي در اما است گذاشته اختيار در مناسبتري جواب عصبي شبكه پيشبيني رويكردهاي میآید. بهدست بهتري جوابهاي اقتصادسنجي مانند كالسيك روشهاي ديگر هب اشاره ميبرند بهره عصبي شبكههاي و كالسيك مدلهاي نوع دو هر مزاياي از كه تركيبي داد كاهش را آن خطاي ميتوان پيشبيني مختلف روشهاي تركيب با كه دارند موضوع اين رد برد. بهكار را روشها اين از تركيبي پيشبيني روش يك از منحصربهفرد استفاده بهجاي و است پروتئيني مهم کاالهاي از که تخممرغ کاالي قيمت ترکيبي روش از استفاده با مقاله اين قيمت روند مقدمه از پس است. شده تشكيل بخش شش از حاضر مقاله میشود. پیشبینی مروري میشود. بررسي تحقيق متدولوژي آن از بعد است. شده بررسی ايران در تخممرغ از حاصل نتايج ارائه به سپس و میدهد تشكيل را مقاله بعدي بخش انجامشده مطالعات بر است. شده جمعبندی مقاله پایان در و شده پرداخته مختلف روشهاي ايران در تخممرغ قيمت بررسي 1. ويژگيهاي از اقتصادي ديگر بخشهاي و كشاورزي بخش در دولتها دخالت امروزه رسيده ممكن حداقل به توسعهيافته كشورهاي در دخالت اين است. مختلط اقتصادهاي اساسي نيز و اقتصادي توسعه برای برنامهريزي ضرورت بهدليل درحالتوسعه كشورهاي در ولي است ميخورد. چشم به بيشتر دارد وجود كشورها اين بازار و اقتصادي نظام در كه ضعفهايي مسائل حل در بهتنهايي قيمت سازوكار آزاد اقتصاد بر مبتني اقتصادي نظامهاي در حتي دليل همين به نمیشود. موفق درآمد متعادل توزيع و منابع صحيح اختصاص بهويژه اقتصادي بازارها و اقتصادي مختلف امور در غيرمستقيم و مستقيم بهطور و مختلف راههاي از دولت 1 سازد. برطرف حدودي تا را بازار بر مبتني اقتصادي نظام كمبودهاي تا ميكند دخالت ميشود. مشاهده جهان در اخير مالي بحران در دخالتها اين بارز نمونه 1.
بازرگانی پژوهشنامه 52 اين است. بوده دخالتها بيشترين شاهد كه است بخشهايي جمله از كشاورزي بخش توليدات برخالف كشاورزي بخش در توليد برميگردد. بخش اين در توليد ماهيت به امر و آب شرايط از توليد تأثيرپذيري همين است. هوايي و آب شرايط تابع صنعتي بخش سيكلهاي ديگر سوي از است. شده بخش اين در توليد سيكلهاي ايجاد موجب هوايي كوتاهمدت نوسانهای حسب بر را عرضه مقدار نتواند كشاورزي بخش شده باعث توليد درآمد نوسان از جلوگيري و ريسك كاهش براي دولتها رو اين از کند. تنظيم بازار میکنند. مدیریت را بازار بازار در بيثباتي و توليدكنندگان هدمآ )1( نمودار در 1380-87 سالهای در تخممرغ ماهانه خردهفروشي قيمت روند در مشخص ماه يك در يا و سال يك مختلف ماههاي در ميتوان جدول اين براساس است. کرد. بررسي را قيمتها وضعيت مختلف سالهاي كيلوگرم / ريال قيمت ماهها 1380-87 سالهای در تخممرغ خردهفروشي قيمت 1 نمودار ره ازاي به ريال 5.112 از درصد 12/1 رشد با دوره اين در تخممرغ خردهفروشي قيمت يافته افزايش ماهه( هفت )ميانگين 1387 سال در ريال 14,312 به 1380 سال در كيلوگرم خردهفروشي قيمتهاي كه است آن بيانگر سال يك مختلف ماههاي در قيمت بررسي است. هب قيمت افزايش بيشترين داشتهاست. افزايشي روند سالها بقيه در 1384 سال در بهجز درصد 4/07 ماهانه رشد با سال اين در خردهفروشي قيمت و دارد اختصاص 1385 سال كيلوگرم هر ازاي به ريال 10,712 به ماه فروردين در كيلوگرم هر ازاي به ريال 6,905 از
53 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا بيشترين 1385 سال از پس سال(. كل در افزايش درصد )55 است رسيده ماه اسفند در 2/99 درصد 3/08 با 1381 و 1382 1383 1380 1387 سالهاي در بهترتيب قيمت رشد تنها شد اشاره كه همانگونه است. بوده درصد 1/45 و درصد 2/24 درصد 2/60 درصد رشد نرخ با قيمت و داشته نزولي روند تخممرغ خردهفروشي قيمتهاي رشد 1384 سال در رسيده ماه اسفند در ريال 6,735 به ماه فروردين در ريال 7,660 از درصد 1/16 منفي ماهانه بهار ماهه سه و ماه اسفند در كه ميدهد نشان مختلف سالهاي در ماهانه قيمت بررسي است. دارد. وجود قيمت رشد بيشترين تحقيق متدولوژي 2. انجام چگونگي و شده ناميده پيشبيني آينده حوادث و شرايط پيشگويي تعريف طبق هتشذگ از بهدستآمده اطالعات با پيشبينيكننده ميشود. تعريف كردن پيشبيني عمل اين پايه روش اين میکند. آماده آينده براي تعميم قابل الگويي دادهها اين تحليل و تجريه و. 1 میشود استفاده پيشبيني روشهاي اغلب در آينده در بهدستآمده الگوي ادامه فرض با كلي حالت در دارد. وجود زماني سري متغيرهاي پيشبيني براي مختلفي روشهاي کرد. تقسيمبندي غيررگرسيوني و رگرسيوني دسته دو به را پيشبيني روشهاي ميتوان انواع و 3 متحرك ميانگين روشهاي 2 ساده ميانگين روش شامل غيررگرسيوني روشهاي مدل به ميتوان نيز رگرسيوني روشهاي جمله از است. و... 4 نمايي تعديل روشهاي واريانس با خودرگرسيو مدل و )ARCH( 5 شرطي ناهمساني واريانس با خودرگرسيو روشهاي پركاربردترين حال اين با کرد. اشاره )GARCH( 6 تعميميافته شرطي ناهمساني موازات به امروزه اما هستند ARMA و ARIMA فرآيند شامل رگرسيوني پيشبيني شبكه رويكرد به كه شده ابداع پيشبيني براي نيز جديدتري روش ذكرشده روشهاي است. معروف عصبي )1385(. طرازكار محمدحسين و بهاءالدين نجفي 1. 2. Simple Average. 3. Moving Average. 4. Exponenial Smoohing. 5. Auo-Regressive Condiionally Heeroscedasic. 6. Generalized Auo-Regressive Condiionally Heeroscedasic.
بازرگانی پژوهشنامه 54 وینترز هالت هموارسازي روش سه از تخممرغ قيمت پيشبيني براي تحقيق اين در هريک مختصر شرح به ادامه در که است شده استفاده مصنوعي عصبي شبکه و ARIMA شد. خواهد پرداخته روشها اين از وينترز 1 هالت هموارسازي 1 2. بهطور چندجملهاي يك بهوسيله نمیتوانند كه دارند وجود بسياري زماني سريهاي هب نميتوان را سيكلي يا فصلي تغييرات با زماني سري يك مثال شوند. مدلبندي مناسب زا فصلي زماني سري پيشبيني براي كرد. معرفي چندجملهاي مدل يك بهوسيله آساني ميشود. ناميده وينترز روش اغلب که میشود استفاده»وينترز«و»هالت«كار نتيجه x =(a 1 +b 2 )C +ε مربعات ترين كم روش با كه است نامعلوم پارامتري b و ضربپذير فصلي عامل يك C شد. خواهد تخمينزده الگوي ارتفاع يا دامنه آن در كه است مناسب سريزماني براي ضربپذير فصلي مدل نسبت ميانگين با فصلي اثر اندازه بهعبارتي باشد. سري متوسط سطح با متناسب فصلي قرار تجديدنظر مورد مدل پارامترهاي تخمين دورهاي بهطور روش اين در دارد. مستقيم زير محاسبات x( ( دوره آن براي رخداد مشاهده از پس T جاري دوره انتهاي در ميگيرد. ميشود: انجام شود. اصالح ثابت مولفه تخمين 1( [ a ( T 1) + b ( 1) ] xt a ( T ) = α + (1 α) 1 2 T C ( T L) 1 T C T عامل تخمين كه ( T 1) بر x T تقسيم است. هموارسازي ثابت 1>a>0 آن در كه را داده است شده محاسبه قبل( پريود قبل) L فصل يك كه بوده T پريود براي فصلي و روند مؤلفه تنها a ( ) اصالح فرآیند در كه بهنحوي ميكند خارج بودن فصلي از 1 T 1. Hol-Winers.
55 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا منتقل جاري پريود انتهاي به را زمان مبدأ كار اين ميشوند. وارد ثابت مولفه قبلي مقدار ميكند. شود. اصالح روند مؤلفه تخمين 2( b2 ( T ) = β [ a1( T ) a1( T 1) ] + (1 β ) b2 ( T 1) است. دوم هموارسازي ثابت 1>β>0 آن در كه x T CT ( T ) = γ + (1 γ ) CT a ( T ) x T 1 شود. اصالح T پرپود براي فصلي عامل تخمين 3( ( T L) [ a ( T ) + b ( T ) τ ] C ( T + ) + τ ( T ) = 2 T + τ τ 1 L است. سوم هموارسازي ثابت 1>γ>0 آن در كه T τ+ آينده سیکل هر مشاهده پيشبيني 4( پارامترهاي اوليه مقادير به نياز وينترز روش از استفاده با پيشبيني سيستم توسعه ^ را زير روش وينترز منظور اين براي دارد. = 1,2,3,..., L بهازاي a ( T ), b 2 ( T ), C (0) 1 ميكند: پيشنهاد b2 (0) = xm x1 ( m 1) L L a1( 0) = x1 b2 (0) 2 C (0) = C L L C = 1 m ميزنند. تخمين پريود اولين شروع در را ثابت مؤلفه a 1 0) ) و روند مؤلفه b 2 0) ) جمع سال دو براي كه ماهانه دادههاي براي )مثال است فصل طول L و است فصلها تعداد. 1 ميشوند تعيين اختياري بهصورت α γ β مقادير است(. 2=m و L 12= شدهاند )1384(. خليليان و سامدليري 1.
بازرگانی پژوهشنامه 56 y ARIMA 2 2. نوشت: زير رابطه بهصورت ميتوان را x متغير براي ARIMA (p,d.q) فرآیند آن: در كه p φi y i + θ jε j + = f ( ) + i= 1 q j ε d d y = x = ( 1 d) x اقتصادي متغيرهاي اكثر در ميكند. برآورد y در وجود صورت در را زماني روند f() و.f()=α+δ درنتيجه ياd=0 و f()=µ بنابراين و 1=d معموال مرتبه خودرگرسيو جمالت تعداد بيانگر بهترتيب p d q ARIMA(p d (q فرآیند در فرآیند شود برابر صفر با d درصورتيكه است. متحرك ميانگين جمالت تعداد و تفاضلگيري روش از فوق الگوهاي تخمين براي معموال شد. خواهد تبديل ARMA فرآیند به ARIMA است: مرحلهاي چهار تكرار روش يك بر مبتنی كه ميشود استفاده جنكيز باكس بوده وقفهها واقعي مقادير تعيين بهدنبال مرحله اين در تشخيص: يا 1 آزمايشي شناسایي 1( ميشود. استفاده جزئي همبستگي و همبستگي نمودار از كار اين براي و اول مرحله در كه مدلي پارامترهاي تخمين برای گذشته به مربوط دادههاي تخمين: 2( ميرود. بهكار است شده تعيين آزمايشي بهطور شناسایيشده مدل كفايت مرحله اين در تشخيصي(: )كنترل 2 برازش دقت تشخيص 3( میشود. پيشنهاد بهتري مدل نياز صورت در و ميشود كنترل يرس آينده مقادير پيشبيني برای آمد بهدست نهایي مدل اينكه محض به پيشبيني: 4( رفت. خواهد بهكار زماني )ANN( مصنوعي عصبي شبکههاي 3 2. و وروديها ميان رابطه قادرند که هستند محاسباتي مدلهاي عصبي شبكههاي 1. Tenaive Idenificaion. 2. Diagnosic Checking.
57 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا متصلاند هم با همگي كه گرههایی از شبكهاي توسط را فيزيكي سيستم يك خروجيهاي تنظيم تاريخي اطالعات توسط اتصالها اين از هريك فعاليت ميزان آن در كه کنند تعيين وروديها ميان مرتبط قوانين بود خواهد قادر مدل نهايت در و يادگيري( )فرآيند ميشود عصبي شبکه يک باشند. پيچيده و غيرخطي قوانين اين هرچند کند كشف را خروجيها و است. وابسته اعضا بين ارتباط به نيز شبکه رفتار. 1 است وزنها و اليهها سازنده اجزای شامل دارد: وجود نروني اليه نوع سه عصبي شبکههاي در کلي حالت در است. شده تغذيه شبکه به که خامي اطالعات دريافت ورودي: اليه 1( نيب ارتباط وزن به باتوجه و وروديها بهوسيله پنهان اليههاي عملکرد پنهان: اليههاي 2( تعيين پنهان و ورودي واحدهاي بين وزنهاي ميشود. تعيين پنهان اليههاي و آنها شود. فعال پنهان واحد يک باید زماني چه در که ميکند وزن بر مبتني و پنهان واحد فعاليت به بسته خروجي واحد عملکرد خروجي: اليه 3( است. خروجي و پنهان واحد بين ارتباط رد مييابند. ارتباط هم با اتصاالت واقع در و وزنها بهوسيله شبکه يک از اليه دو هر دارد. وجود وزني پيوند يا و اتصال نوع چند عصبي شبکههاي آن كمك به كه است صعودي تابع )محرك( 2 فعالسازي تابع عصبي شبكههاي در در تابع اين گرفت. نظر در اشباع مقدار يك و آستانه مقدار يك نرون براي ميتوان مسأله خاص نياز براساس و ميكند تعيين را نرون آن خروجي و است پردازش نرونهاي براي متداول فعالسازي تابع نوع دو شود. انتخاب غيرخطي يا خطي بهصورت ميتواند 1. Kohzadi and e al. (1995). 2. Acivaion or Transfer Funcion.
بازرگانی پژوهشنامه 58. 2 هيپربوليك تانژانت و 1 زگموئيد توابع از عبارتاند زماني سري پيشبيني مدلهاي چنانچه ميشوند. طبقهبندي اطالعات جريان مسير به توجه با عصبي شبكههاي بهطوركلي 3 پیشخور شبكه آن به باشد داشته جريان خروجي به ورودي از مسير يك در اطالعات شبكهاي مطالعه( اين در استفاده )مورد )BPN( خطا انتشار پس عصبي شبكه ميگويند. جريان شبكه در حلقههايي توسط مسير دو هر در اطالعات درصورتيكه اما است. پیشخور پويایی شبكههاي شبكهها اين میگويند. 4 بازگشتي عصبي شبكههاي آنها به باشد داشته. 5 است متغير پيوسته تعادل نقطه يك به رسيدن زمان تا وضعيتشان و هستند )xi تا نرون) x1 به وروديهاي که است شکل بدين عصبي شبكههاي در محاسبات نحوه در اعمال از پس ورودي هر از حاصل نتايج مجموع و شده ضرب )wi تا )w1 وزنهاي در مدل و درآمده نمايش به زير شكل در که )nej( ميدهد تشكيل را نرون خروجي تابع يك است: زير رابطه بهصورت آن رياضي ne j = n i=1 w ij x j افزوده نيز 6 اريب وزن نام به فوق رابطه بهعبارت نرون هر در ثابتي مقدار موارد بعضي در درميآورد: زير بهصورت را آن که ميشود ne j = n i=1 w ij x j +b i اطالعات ورود جهت به توجه با که دارند مختلفي مدلهاي مصنوعي عصبي شبكههاي 8 بازگشتي شبکههاي 7 پیشخور عصبي شبکههاي جمله از مختلفی انواع به آنها پردازش و تحقيق اين در میشوند. تقسيم 10 چنداليه پرسپترون شبکههاي و 9 شعاعي پايه توابع شبکههاي 1 1. Sigmoid: f ( x) = 1 x. + e x x e e 2. hyperbolic angen: f ( x) = x x. e + e 3. Feed Forward. 4. Recurren Neural Neworks. 5. Kuan, C. M. and H. Whie (1994). 6. Bias Weigh. 7. Feed-Forward Neural Neworks. 8. Recurren Neworks. 9. Radial Basis Funcion Neworks. 10. Mulilayer Percepron Neworks.
59 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا كاربرديترين پیشخور عصبي شبكههاي است. شده استفاده پیشخور عصبي شبکههاي از شبكههاي كرد ثابت ميتوان زیرا هستند پيشبيني در مصنوعي عصبي شبكههاي نوع فعالسازي تابع پنهان اليه در لجستيك فعالسازي تابع پنهان اليه يك با پیشخور عصبي دقت با را تابعي هر قادرند پنهان اليه در كافي نرونهاي تعداد و خروجي اليه در خطي از كه تعميميافته رگرسيون و پرسپترون شبكه از مطالعه اين در لذا. 1 بزنند تقريب دلخواه است. شده استفاده هستند پیشخور شبكههاي انواع 3 آزمون و 2 آموزشي مجموعه دو به موجود دادههاي کل عصبي شبکههاي در معموال و شبکه وزنهاي تخمين براي يادگيري توسط آموزشي مجموعه ميشوند. طبقهبندي میشوند. استفاده آموزشديده شبکه پيشبيني دقت ارزيابي جهت آزمون مجموعه مدل پيشبيني قدرت بررسي 4 2. استفاده زير معيار سه از است مدل بهترين انتخابي مدل آيا كه نكته اين بررسي برای ميشود: )RMSE( 4 خطا مربع ميانگين ريشه يا )MSE( خطا مربع ميانگين معيار 1( MSE = RMSE = ( y y ) n n 2 ( y y ) 2 )MAPE( 6 خطا درصد قدرمطلق ميانگين يا )MAD( 5 انحراف قدرمطلق ميانگين معيار 2( MAD = y n y 2. Training Se. 3. Tesing Se. 4. Mean Squared Error or Roo Mean Squared Error. 5. Mean Absolue Deviaion. 6. Mean Absolue Percenage Error. )1386(. همكاران و نجفي 1.
بازرگانی پژوهشنامه 60 MAPE = y n y y تايل u آماره 3( ريشه نسبت بهصورت و است RMSE براساس اندازهگيري معيار يك تايل u آماره ابتدايي مدل يك خطاي مجذور ميانگين ريشه به پيشبيني مدل خطاي مجذور ميانگين پيشبيني بنابراين ميشود. محاسبه نمیکند تغيير پيشبيني مورد متغير ارزش ميپذيرد كه ميكند. ارائه را قبل دوره واقعي ارزش ساده بهصورت بعد دوره U = ( y y ) n ( Y Y ) n 2 2 زا كوچكتر ارزشهاي معموال است. بهتر باشد نزديكتر صفر به U آماره اندازه هر رد زيرا ميشوند رد باشد يك از بزرگتر آنها آماره كه مدلهايي قبولاند. مورد 0/55 است. بدتر هم ابتدايي مدل يك از مدل پيشبيني حالت اين 1 انجامشده مطالعات بر مروري 3. در )ANN( مصنوعي عصبي شبکههاي رهيافت از )1386( آذربايجاني و بياري استفاده ايران در تخممرغ( و مرغ )گوشت پروتئيني محصوالت برخي قيمت پيشبيني و مرغ گوشت پروتئيني محصوالت قيمت است شده سعي حاضر تحقيق در کردهاند. رگرسيون روشهای همچنين و مصنوعي عصبي شبکههاي جديد روش براساس تخممرغ ARIMA و ARDL مدلهای جوسيليوس جوهانسون همجمعي روش معادلهاي تک شود. پيشبيني مصنوعي عصبي شبکههاي براساس پيشبيني بهويژه پيشبيني مدلهاي از استفاده اخير سالهاي در است ذکر به الزم 1. میشود. اشاره آنها از تعدادي به تنها مطالعه اين در که است شده رايج ايران در
61 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا از استفاده با را فارس استان زراعي محصوالت برخي قيمت )1386( همكاران و نجفي مصنوعي عصبي روش مطالعه اين نتايج براساس کردهاند. پيشبيني مصنوعي عصبي شبكه زا آماري لحاظ از آتي ماه سه پيشبينيهاي در و بوده قيمت پيشبيني برای قدرتمندي ابزار رد آتي ماه شش پيشبينيهاي در هرچند روشها ساير مقابل در است. برتر روشها ساير نيست معنيدار تفاوت اين اما دارند كمتري خطاي مصنوعي عصبي شبكه روش با مقايسه بهخوبي را منتخب محصوالت آينده ماه شش قيمت است قادر مصنوعي عصبي شبكه و کند. پيشبيني روشها ساير از بهتر نه اما قيمت پرداختهاند. ژاپن در تخممرغ قيمت پيشبيني به )1992( 1 همكاران و اوگوري تمام بين در حتی و داشته زيادي نوسان ژاپن كشور در تخممرغ روزانه و ماهانه ساالنه قيمت پيشبيني و قيمتگذاري بنابراين دارد. را نوسان باالترين كشاورزي محصوالت هدف است. ريسك از اجتناب و قيمتها تثبيت برای مسائل مهمترين از يكي تخممرغ است. تخممرغ قيمت پيشبيني روشهاي پيرامون بحث و قيمت دقيق پيشبيني مطالعه اين استفاده مطالعه اين براي 1986-90 دوره در تخممرغ عمدهفروشي ساالنه و ماهانه قيمتهاي براي اصالحشده چندگانه رگرسيون مدل نوعي و خودرگرسیو مدل از استفاده با و شد شد. استفاده پيشبيني روشهاي و مصنوعي عصبي شبكه از استفاده با مطالعهاي در )2008( 2 بياري و طيبي قيمت است شده سعي مقاله اين در کردهاند. پيشبيني را مرغ گوشت قيمت زماني سري براي شود. پيشبيني ماهه دوازده و ماهه شش ماهه يك دورههاي در ايران در مرغ گوشت 2005 ژانويه تا 1991 مارس دادههاي از 2006 ژانويه تا 2005 فوريه پيشبيني براي کار این شبكههاي روش دو از شد اشاره باال در همانطوركه کار این براي است. شده استفاده مقايسه براي ARDL و ARIMA مدلهاي شامل زماني سري مدلهاي و مصنوعي عصبي سنجي مدلهاي با مقايسه در مصنوعي عصبي مدلهاي مجموع در است. شده استفاده نتايج دارند. دقيقتري قیمت پيشبيني با ايران كشاورزي منتخب محصوالت قيمت پيشبيني به )( همكاران و فهيميفرد 1. Oguri, K.e.al. (1992). 2. Tayebi.S.K and L.Bayari (2008).
بازرگانی پژوهشنامه 62 ارزيابي نتايج پرداختهاند. برونزا وروديهای با خودرگرسيوني عصبي شبكه تلفيقي روش قيمت پيشبيني در خودرگرسيوني عصبي شبكه غيرخطي مدل كه داد نشان مدلها كارايي خطي مدل با مقايسه در بررسي مورد زماني افقهاي و كشاورزي محصوالت خردهفروشي است. كاراتر ARIMA آمريكا در تخممرغ قيمت پيشبيني مطالعهايروشهاي در )2006( 1 ماريانو و احمد روش دو از آمريكا در تخممرغ قيمت پيشبيني براي مطالعه اين در کردهاند. مقایسه را مدلهاي که میدهد نشان نتايج است. شده استفاده عصبي شبكههاي مدل و اقتصادسنجي است. گذاشته اختيار در بهتري نتايج پيشخور آمريكا در تخممرغ قيمت مصنوعي عصبي شبكه از استفاده با )2001( 2 همكاران و احمد جمله از مصنوعي عصبي شبكه مختلف روشهاي نيز مقاله اين در کردهاند. پيشبيني را شبكه مدل كه است آن بيانگر تحقيق اين نتايج است. شده مقایسه GRNN و BPNN شبكه زا مناسبي پيشبينيهاي و شده شناخته كاراتر الگوي بهعنوان پیشخور مصنوعي عصبي ميكند. ارائه تخممرغ قيمت بحث و نتايج 4. مانايي فرض بر مبتني تجربي كارهاي براي اقتصادسنجي سنتي روشهاي از استفاده بسياري درمورد فرض اين كه ميدهد نشان زمينه اين در انجامشده بررسيهاي است. متغيرها مطابق بنابراين هستند. نامانا متغيرها اين اغلب و بوده نادرست اقتصادي زماني سريهاي از حاصل اطمينان متغيرها پايايي از تا است ضروري نوين اقتصادسنجي در همجمعي نظريه با شد. استفاده متغيرها مانايي براي تعميميافته فولر ديكي آزمون از منظور اين براي كرد. فرضيه بنابراين هستند. نامانا دادهها سطح در متغيرها تمامي كه داد نشان آزمونها نتايج متغيرها تمامي اما نميشود. رد متغيرها از هيچيك براي واحد ريشه وجود بر مبني صفر همه تعميميافته فولر ديكي آزمون براساس پس میشوند مانا تفاضلگیری بار يك از پس هستند. )1(I درجه از الگوها در موجود متغيرهاي 1. H. A. Ahmad and M. Mariano. 2. Ahmad.H. A, G.V. Dozier, and D.A.Rolad (2001).
63 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا تعميميافته فولر ديكي آزمون نتايج 1 جدول درصد 10 ADF آماره موردنظر متغير مبدا از عرض و روند وجود بحراني مقادير درصد 5 درصد 1-3/16-3/47-4/09-3/6 دو هر CPE هموارهسازي روش با پيشبيني 1 4. رد شد اثبات يك سطح در تخممرغ خردهفروشي قيمت متغير مانايي اينکه از بعد به مصنوعي عصبي شبکه و ARIMA وینترز هالت مدلهاي از استفاده با بعد قسمت مبناي بر روشي يكنواختسازي يا نمايي هموارسازي ميشود. پرداخته قيمت پيشبيني سري به مربوط اطالعات از تنها روش اين در است. خودرگرسيوني آماري مدل يك نمايي هموارسازي روشهاي مدل اين از استفاده منظور به ميشود. استفاده پيشبيني مورد تجمعي وینترز هالت غيرفصلي وینترز هالت دوگانه نمايي هموارسازي انفرادي به توجه با نهايي مدل نهايت در و 2( )جدول شدند آزمون و برازش ضربي وینترز هالت است. شده انتخاب RMSE معيار 1380-85 پيشبيني براي هموارسازي روش پنج برازش نتايج 2 جدول متغير موردنظر بهينه پارامترهاي مدل بهترين λ β α 5 مختلف روشهاي RMSE 4 3 2 1 4 0 0 0/78 472/86 468/66 628/21 720/15 669/516 CPE است مستقل سري متوسط سطح از فصلي الگوي دامنه CPE زماني سريهاي در مقادير است. مناسب شده انتخاب RMSE معيار توسط كه جمعپذير فصلي مدل لذا سالهاي در تخممرغ خردهفروشي و عمدهفروشي قيمت به مربوط پيشبينيشده قابل )3( جدول در تجمعي( وینترز )هالت هموارسازي روش منتخب مدل با 1385-1390 است. مشاهده
64 پژوهشنامه بازرگانی جدول 3 مقادير پيشبينيشده CPE توسط روش هالت وینترز تجمعي بهصورت ماهانه )ريال/كيلوگرم( 1390 1389 1387 1386 1385 13024/65 12234/12 11443/59 10653/05 9862/519 فروردين 6091/871 13353/49 12562/95 11772/42 10981/89 10191/35 ارديبهشت 7054/961 13499/82 12709/29 11918/75 11128/22 10337/69 خرداد 7592/895 13204/49 12413/95 11623/42 10832/89 10042/35 تير 7292/963 13699/32 12908/79 12118/25 11327/72 10537/19 مرداد 7609/201 14296/32 13505/79 12715/25 11924/72 11134/19 شهريور 8229/445 14648/32 13857/79 13067/25 12276/72 11486/19 مهر 8917/286 14699/65 13909/12 13118/59 12328/05 11537/52 آبان 9082/279 15109/15 14318/62 13528/09 12737/55 11947/02 آذر 9832/43 15447/32 14656/79 13866/25 13075/72 12285/19 دي 11685/06 15411/65 14621/12 13830/59 13040/05 12249/52 بهمن 11579/14 14505/82 13715/29 12924/75 12134/22 11343/69 اسفند 9989/901 14241/67 13451/13 12660/6 11870/07 11079/53 متوسط ساليانه 8746/453 منبع: يافتههای تحقيق 2 4. پيشبيني قيمت خردهفروشي تخممرغ )CPE( به روش ARIMA برای پيشبيني قيمتهاي موردنظر با روش ARIMA پس از آزمون ايستايي متغيرها نمودارهاي خودهمبستگي بررسی شده و با توجه به نقاط اوج اين نمودارها و اشكال خاص افول آنها مدل آزمايشي اوليه برای پيشبيني شناسايي میشود. سپس به تخمين پارامترهاي مدل پرداخته و با آزمون ايستايي اجزاي باقيمانده كفايت مدل بررسی ميشود. مدل نهايي انتخابشده برای پيشبيني استفاده خواهد شد. در اين قسمت از دادههاي ماهانه قيمت خردهفروشي تخممرغ كه مطابق آزمون ديكي فولر در سطح يك است استفاده ميشود. دادهها مربوط به سالهای 1380 تا 1385 است که برای تعيين دقت مدل در پيشبيني دادههاي سال آخر )1385( بهعنوان مجموعه آزمون در نظر گرفته ميشود. بنابراین برای تخمين مدل از دادههاي سالهاي 1380-1384 يعني 60 مشاهده استفاده میشود.
65 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا رگرس زمان روي بر را سري روند حذف برای CPE متغير آينده مقادير پيشبيني در است( بوده ايستا روند درصد ده سطح در CPE سري فولر ديكي آزمون )در کرده زير معادله ميشود. بررسی رگرسيون اين باقيماندههای خودهمبستگي نمودار سپس و میدهد: نشان را روند روي بر CPE سري رگرسيون LOG (CPE)=7.229+0.01133*@TREND F=142 DW=0/5 R 2 =0/7 )2( نمودار در باال معادله باقيماندههای جزئي خودهمبستگي و خودهمبستگي مقادير و کرده افول SAC ميشود مشاهده نمودار اين در كه همانگونه است. شده داده نشان ميشود. منقطع سپس و دارد اوج نقطه P وقفه تا SPAC فوق معادله باقيماندههای جزئي خودهمبستگي و خودهمبستگي 2 نمودار
66 پژوهشنامه بازرگانی لذا عملكننده خودرگرسیو از درجه P كه شكل آن را نقاط اوج SPAC تعيين ميكند بهترين مدل را بهدست میدهد. نقاط اوج در وقفههاي اول و پنجم براي AR بهترين مدل را نتيجه داده است. مدل نهايي انتخابشده برای مدلسازي متغير CPE بهصورت زير است: LOG(CPE)= 7.408+0.0101*@TREND + AR(1)= 0.7693AR(5)= -0.2338 F=89/05 DW=1/79 R 2 =0/83 جدول زير آمارههاي مربوط به دقت پيشبيني را براي دو مدل باال نشان ميدهد: جدول 4 آمارههاي دقت پيشبيني توسط مدل ARIMA در دوره 1380-85 TILLE MAPE MAE RMSE متغير مورد پيشبيني مدل انتخابي 0/062 12/18 1063/115 1181/99 ARIMA CPE منبع: نتايج تحقيق جدول 5 مقادير پيشبينيشده CPE توسط روش ARIMA بهصورت ماهانه )ريال/كيلوگرم( 1390 1389 1387 1386 1385 16438/72 14567/06 12946/95 11541/21 9912/162 فروردين 7342/512 16606/45 14719/49 13077/03 11597/56 9877/595 ارديبهشت 7865/199 16776/08 14871/82 13201/93 11658/73 9933/16 خرداد 8310/603 16947/37 15023/84 13324/12 11733/35 10067/35 تير 8849/21 17120/16 15175/68 13446/3 11826/42 10258/32 مرداد 9636/053 17294/34 15327/74 13570/87 11939/08 10482/81 شهريور 10130/31 17469/88 15480/58 13699/62 12069/22 10717/66 مهر 10408/45 17646/85 15634/78 13833/52 12212/43 10938/75 آبان 10540/87 17825/35 15790/85 13972/76 12363/18 11129/14 آذر 10538 18005/51 15494/16 14116/8 12515/89 11281/16 دي 10376/53 18187/47 16109/92 14264/66 12665/88 11395/23 بهمن 10182/36 18371/36 16273/14 14415/13 12810/02 11478/08 اسفند 10018/95 17390/8 15410/34 13655/81 12077/75 10622/62 متوسط ساليانه 9516/588 منبع: نتايج تحقيق
67 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا عصبي شبکه از استفاده با تخممرغ قيمت شاخص پيشبيني 3 4. سالهاي با متناظر دادههاي و عصبي شبكه از تخممرغ قيمت شاخص پيشبيني براي شبکه يك از دادهها مدلسازي براي است. شده استفاده ماه 205 يعني 1387 تا 1372 پردازشگر عنصر چهار پنهان اليه يک مشخصات )با میشود استفاده 1 چنداليه پرسپترون اليه در مومنتوم نرخ و پنهان اليه در Tanh Axon )محرک( انتقال تابع پنهان اليه در آوردن فراهم منظور به خروجي(. اليه در Axon )محرک( انتقال تابع و )0/70( پنهان کاال قيمت شاخص با مرتبط دادههاي شبکه تست و آموزش برای موردنياز دادههاي سريهاي مانايي Eviews نرمافزار از استفاده با منظور اين به شدهاند. پيشپردازش در انجامشده کدنويسي از استفاده با بعدي گام در شد. مشخص آنها بهينه وقفه و زماني و عصبي شبکه به ورود برای موردنظر شکل به زماني سري دادههاي MATLAB نرمافزار از آن آموزش و عصبي شبکه ايجاد برای يافتند. آرايش تعيينشده بهينه وقفه به توجه با مختلف کاالهاي قيمت شاخص پيشبيني فرآیند شد. استفاده Neuro Soluion نرمافزار میشود: تبيين و تشريح زیر گامهاي قالب در تست و آموزش خروجي ورودي دادههاي کردن مشخص اول گام )سه بهينه وقفه تعداد و داده تشکيل موردنظر متغير وقفه با مقادير را ورودي دادههاي و تعيينشده بهينه وقفه برحسب است. شده محاسبه Eviews نرمافزار از استفاده با وقفه( مابقي و آموزش دادههاي بهعنوان دادهها دوسوم پيشپردازش از پس موجود دادههاي رويکرد از تحقيق اين در همچنين است. شده استفاده موردنظر شبکه عملکرد ارزيابي برای بهعبارت شد. گرفته بهره نيز تست و آموزش بخش دو به دادهها تقسيمبندي برای تصادفي مجموعه تعيين برای تصادفي بهصورت پيشپردازش از پس اختيار در دادههاي از 2/3 ديگر آموزش ترتيب اين به شدند. مشخص تست دادههاي بهعنوان مابقي و آموزش دادههاي پذيرفت صورت مختلف زماني بازههاي در دادهها از بهرهگیری با و جامع بهصورت شبکه يافت. بهبود نيز آن يادگيري قابليت درنتيجه و 1. Muli Layer Percepron.
68 پژوهشنامه بازرگانی گام دوم ساخت شبکه عصبي موردنظر به اين منظور از شبکه عصبي بازگشتي با وقفه زماني که از قابلیت خوبی برای تشخيص الگوهاي موجود در سريهاي زماني برخوردار است استفاده شد. پارامترهاي مختلف شبکه در دفعات متعدد تغيير و مقادير بهينه آنها تعيين شد. برای این کار از آموزش مبتني بر تغيير يک پارامتر نيز بهره گرفته شد تا تعداد بهينه عناصر پردازشگر در اليه پنهان مشخص شود. گام سوم آموزش شبکه عصبي 1 برخالف يك سيستم خطي تضميني وجود ندارد كه شبكه عصبي كمينه كلي را پيدا كند. در حقيقت يك شبكه عصبي به ازای مقادير مختلف وزنهای اوليه شبكه براي يك مجموعه داده مشخص به راهحلهاي مختلف و متفاوتي دست میيابد. وزنهای اوليه شبكه تشريحكننده نقطه آغازين بر روي سطح خطا است. هنگاميكه شبكه بهصورت عمود بر سطح خطا در جهت خطاي كمينه حركت ميكند در برخي مواقع در كمينه محلي 2 گرفتار میشود. بنابراين بهمنظور توسعه يك مدل شبكه عصبي بينقص از لحاظ آماري شبكه باید چندين مرتبه آزموده شود. بدين منظور تمامي شبکههاي پيشنهادي در تحقيق پنج مرتبه و مبتني بر رويکرد»آموزش چندمرتبهاي«آزموده میشود. گام چهارم تست کردن شبکه در اين گام از دادههايي كه بهعنوان دادههاي تست برچسب خورده بودند برای ارزيابي عملكرد بهترين شبكه كه در مرحله قبلي يافت شد استفاده میشود. بهترين وزنهای شبكه بهصورت خودكار در طول فرآيند آموزش ذخيره شده و قبل از اجراي فرآيند آزمايش و تست بارگذاري خواهند شد. شاخص ارزيابي عملکرد شبکه MSE )ميانگين مربع خطا( و ضريب همبستگي در نظر گرفته شده است. 1.??? 2.???
69 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا Desired Oupu and Acual Nework Oupu 250 200 Oupu 150 100 E E Oupu 50 0 1 7 13 19 25 31 37 43 49 55 61 67 Exemplar تخممرغ قيمت شاخص به مربوط مصنوعي عصبي شبکه تست 3 نمودار 1380-85 دادههاي تخممرغ قيمت شاخص پيشبيني خطاي 6 جدول Performance E MSE 46/45 NMSE 0/020 MAE 5/011 Min Abs Error 0/071 Max Abs Error 26/806 r 0/989 مختلف ماههاي در تخممرغ قيمت شاخص پيشبينيشده مقادير 7 جدول سال ماه فروردين ارديبهشت خرداد تير مرداد شهريور مهر آبان آذر دي بهمن اسفند شاخص ميزان 186/3178 185/2308 184/2478 184/267 184/3518 184/2765 184/1919 184/1464 184/1141 184/0832 184/0561 184/0343
بازرگانی پژوهشنامه 70 پيشبيني روشهاي مقايسه 4 4. روش بهترين میتوان اساسی کاالهای قیمت پیشبینی مدلهای برآورد از استفاده با اقالم قيمتي پيشبيني دقيقترين ارائه به و كرد شناسايي مختلف روشهاي بين از را پيشبيني اندازهگیری مختلف شاخصهای محاسباتی مقادير )8( جدول در يافت. دست موردنظر رد تخممرغ ماهانه قيمت شاخص پيشبيني مختلف روشهاي به مربوط برآورد خطای اين ماهانه پيشبيني در كه کرد استنباط ميتوان )9( جدول مالحظه با است. 1387 سال و ARIMA روشهاي به نسبت كه است مصنوعي عصبي شبكه روش روش بهترين کاال دارد. كمتري خطای مقادیر هموارسازي تخممرغ ماهانه قيمت پيشبيني در مختلف روشهاي دقت مقايسه 8 جدول مختلف روشهاي RMSE خطا اندازهگیری شاخص مصنوعي عصبي شبكه هموارسازي مدل بهترين ARIMA عصبی شبکه 4127/073 3301/54 3920/557 MAD عصبی شبکه 0/240636 0/192002 0/221792 MAPE عصبی شبکه 21920387 14718893 22368897 MSE عصبی شبکه 4681/921 3836/521 4729/577 RMSE تحقيق يافتههاي منبع: 1387 سال در تخممرغ قيمت پيشبينيشده مقادير 9 جدول )ريال/كيلوگرم( مختلف روشهاي در NEURAL NETWORK ARIMA HALT-WINTERS واقعی قیمت 10397/35 11541/21 10653/05 11534/22 فروردين 12374/39 11597/56 10981/89 12387/73 ارديبهشت 11414/92 11658/73 11128/22 13326/75 خرداد 10795/75 11733/35 10832/89 12872/59 تير 11813/69 11826/42 11327/72 13867/82 مرداد 12071/6 11939/08 11924/72 16515/95 شهريور 13356/39 12069/22 12276/72 18160/2 مهر 13673/36 12212/43 12328/05 19840/14 آبان
71 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا NEURAL NETWORK ARIMA HALT-WINTERS واقعی قیمت 13571/9 12363/18 12737/55 20167/07 آذر 14487/73 12515/89 13075/72 19261/44 دي 14734/93 12665/88 13040/05 17344/18 بهمن 13655/19 12810/02 12134/22 16678/58 اسفند تحقيق يافتههای منبع: مالحظات و جمعبندی نشان پيشبيني مختلف مدلهاي از استفاده با تخممرغ قيمت پيشبيني مطالعه نتايج قدرت از ديگر روشهاي با مقايسه در مصنوعي عصبي شبكه پيشبيني روش كه ميدهد است. برخوردار باالتري پيشبيني اساسي كاالهاي بازار تنظيم زمينه در تصميمگيرنده دستگاه بهعنوان بازرگاني وزارت كوتاهمدت زماني برهههاي در ميتواند مصنوعي عصبي شبكه پيشبيني روش از استفاده با پيش از بازار در قيمت نوسانهای براي بتواند تا کند پیشبینی را اساسي كاالهاي قيمت مواد قيمت كه مییابد فراوان اهميت زماني بهويژه امر اين دهد. انجام را الزم برنامهريزي باید كه ديگري نكته دارد. بااليي نوسان بازار در مرغ گوشت و تخممرغ بهويژه و پروتئيني روش این از میتوانند آساني به ابزار جعبه يك تهيه با سیاستگذاران کرد اشاره آن به کنند. بهرهبرداري
بازرگانی پژوهشنامه 72 منابع زماني«سريهاي پيشبيني در عصبي شبکههاي»کاربرد ) 1381 ( محمدرضا اسکوئي اصغري 12. شماره ايران اقتصادي پژوهشهاي فصلنامه در )ANN( مصنوعي عصبي شبکههاي»رهيافت ) 1386 ( آذربايجاني كريم و ليلي بياري پاياننامه ايران«در تخممرغ( و مرغ )گوشت پروتئيني محصوالت برخي قيمت پيشبيني اصفهان. دانشگاه ارشد كارشناسي علوم مجله پياز«و سيبزميني قيمت فصلي نوسانات»برآورد ) 1383 ( محمد بخشوده ٢. شماره ٣٥ جلد ايران كشاورزي بخش در تورم نرخ و رشد نرخ»پيشبيني ) 1384 ( خليليان صادق و احمد سام دليري مدرس. تربيت دانشگاه ارشد كارشناسي پاياننامه ايران«كشاورزي قيمت»پيشبيني ) ( ساالرپور ماشاءا.. و كيخا احمدعلي و سيدمحمد فرد فهيمي با خودرگرسيوني عصبي شبكه تلفيقي روش با ايران كشاورزي منتخب محصوالت 23 جلد كشاورزي( صنايع و )علوم كشاورزي توسعه و اقتصاد نشريه برونزا«وروديهاي دوم. نيمسال 2 شماره و زماني سري ساختاري مدلهاي از استفاده با ايران تورم»پيشبيني ) 1380 ( سعيد مشيري ٥٨. شماره اقتصادي تحقيقات مجله عصبي«شبكههاي پيشبيني ) 1386 ( طرازكار محمدحسن و شيخي محمدحسين زيبايي منصور بهاءالدين نجفي فنون و علوم مصنوعي عصبي شبكه كاربرد فارس: استان در زراعي محصوالت برخي قيمت طبيعي. منابع و کشاورزي كاربرد ايران: پسته صادرات ميزان»پيشبيني ) 1385 ( طرازكار محمدحسن و بهاءالدين نجفي 34. شماره بازرگاني پژوهشنامه مصنوعي«عصبي شبكه Ahmad H. A, G.V. Dozier and D.A. Rolad (2001); Egg Price Forecasing Using Neural Neworks, J.Appl. Poul. Res.10:162-171. Kohzadi, N., Boyd, M. S., Kaasra, I., Kermanshahi, B. and D. Scuse (1995); Neural Neworks for Forecasing: An Inroducion, Canadian Journal of Agriculural Economics, No. 43, pp. 463-474.
73 ینیبشیپ تمیق غرممخت ینیبشیپبشیپب تمیق غرممخت اب هدافتسا زا Kuan, C. M. and H. Whie (1994); Arificial Neural Neworks: An Economeric Perspecive, Economeric Reviews, No. 13, pp. 1-91. Oguri, K. e. al. (1992); Sudy on Egg Price Forecasing in Japon, Res.Bull. Agr, Gifu Univ. (57), pp.157-164. Tayebi. S.K and L. Bayari (2008); A Predicion of Iran s Chicken Price by he ANN and Time Series Mehods American Eurasian, J. Agric. & Environ. Sci., No. 02.