مقایسه توان پیش‌بینی مدل عصبی- فازیِ ANFIS با مدل شبکه عصبیِ ANN و خود رگرسیونیِ ARIMA مطالعه موردی قیمت هفتگی تخم‌مرغ

نوع مقاله : مقاله پژوهشی

نویسندگان

چکیده

  از آنجاکه پیش‌بینی صحیح قیمت در بازار محصولات کشاورزی تأثیر مهمی در سیاستگذاریهای این بخش دارد، به‌کارگیری مدلهای کاراتر از جمله مدلهای عصبی- مصنوعی می‌تواند سیاستگذاران و برنامه‌ریزان این بخش را برای تصمیم‌گیری‌های آتی یاری رساند؛ لذا در این مطالعه توان پیش‌بینی مدل جدید عصبی- فازیِ ANFIS با مدل شبکه عصبیِ ANN و خودرگرسیونیِ ARIMA در پیش‌بینی سریهای زمانی مقایسه شد. به عنوان کاربرد تجربی، قیمت تخم‌مرغ برای سه افق زمانی به‌وسیله مدلهای مذکور پیش‌بینی و از معیارهای ارزیابی کارایی جهت بررسی قدرت پیش‌بینی مدلها استفاده شد. به این منظور از داده‌های هفتگی دوره 1387:4-1381:1 استفاده شد. نتایج نشان داد که مدلهای ANFIS و ANN در مقایسه با مدل ARIMA و مدل ANFIS در مقایسه با مدل ANN در همه افقهای زمانی از کارایی بیشتری در پیش‌بینی قیمت تخم‌مرغ برخوردارند و بنابراین پیشنهاد می‌شود که روشهای نوین پیش‌بینی از جمله روشهای مختلف شبکه عصبی به‌منظور برنامه‌ریزی دقیقتر در این حوزه گسترش یابد.     طبقه‌بندی JEl : C22, C8, L66      

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of ANFIS, ANN and ARIMA Models Performance to Forecasting Case study: Weekly Egg Price

چکیده [English]

  As the precise price forecasting in agricultural economic productions has the main effect on policy making in this sector, using more effective models such as Artificial-Neural models can contribute the policy makers of this sector in future decision making. Therefore in this study the utilization of new ANFIS model for forecasting, was compared with ANN and ARIMA models. As an empirical application, the various forecasting performance of mentioned models for three horizons of weekly egg price were compared via common forecast performance measures. Also, the required data for the period 2002:3-2008:6 was obtained from the website of Iran State Livestock Affairs Logistics. Results showed that ANFIS and ANN models outperform ARIMA model, and ANFIS model outperforms ANN model for all three forecasts.     JEL Classification : C22, C8, L66