پیش بینی دقیق قیمت های محصولات کشاورزی وارداتی می تواند ضمن کمک به برنامه ریزی مطلوب در خصوص زمان مناسب واردات به صرفه جویی در منابع ارزی کشور نیز بیانجامد. از پر کاربرد ترین الگوهای پیش بینی سری زمانی طی سه دهه ی اخیر، الگوهای خطی سری زمانی شامل آریما، گارچ و ای گارچ می باشند. مطالعات اخیر در زمینه ی پیش بینی با شبکه عصبی مصنوعی نشان می دهد که شبکه ی عصبی مصنوعی می تواند دقت پیش بینی الگوهای خطی سنتی را بهبود بخشد. حال آنکه الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی از محدودیت جدی برخوردار بوده و آن اینکه الگوهای خطی توانایی الگوسازی روابط غیر خطی را نداشته و شبکه ی عصبی مصنوعی به تنهایی قادر به شناسایی و بررسی هر دو الگوی خطی و غیر خطی نمی باشد. از این رو با ترکیب الگوهای سری زمانی خطی و شبکه ی عصبی مصنوعی و طراحی الگوی تلفیقی روابط موجود در داده ها با دقت بیشتری الگوسازی می گردد. در مطالعه ی حاضر، الگوی تلفیقی الگوهای سری زمانی آریما، گارچ، ای گارچ و شبکه عصبی مصنوعی طراحی و نتایج پیش بینی با نتایج الگوهای رقیب مقایسه گردیده است. در این مطالعه جهت مقایسه ی دقت پیش بینی علاوه بر معیارهای مقایسه متداول نظیر RMSE، MAE، MAPE و Theil C با معرفی آماره گرنجر و نیوبولد معنی داری تفاوت دقت پیش بینی ها نیز بررسی شده است. نتایج پیش بینی قیمت های جهانی روزانه برای دوره 1/4/2008 تا 2/2/2012 در خصوص سه محصول وارداتی گندم، ذرت و شکر حاکی از آن است که الگوی تلفیقی به طور معنی داری دقت پیش بینی به دست آمده از الگوهای انفرادی را افزایش می دهد. بر این اساس، به کارگیری الگوهای تلفیقی در پیش بینی قیمت محصولات کشاورزی(به ویژه محصولات استراتژیک) توصیه می شود تا با انتخاب زمان مناسب خرید محصولات وارداتی از خروج بیهوده ارز جلوگیری به عمل آید.
