درخت حوزه‌های تخصصی

صیادی در منابع آبی جنوب کشور و حوزه خلیج فارس اهمیت زیادی برای این مناطق و اقتصاد کشور دارد. حرفه صیادی، فرصت های اشتغال و درآمدی متنوعی را برای اهالی منطقه ایجاد نموده و نقش مهمی را در تامین پروتئین و تغذیه بسیاری از خانوارها در مناطق روستایی و شهری ایجاد می نماید. بیش از 40 نوع ماهی تجاری همراه با میگو در حوزه ی خلیج فارس صید می شود. به منظور حفظ پایداری در منبع آبزی و حصول اهداف متعدد اقتصادی، بیولوژیکی، اجتماعی و سیاستی، مدیریت منسجم و برنامه ریزی در منابع آبزی، امری اجتناب ناپذیر به نظر می رسد. در این مطالعه نتایج تخمین مدل های برنامه ریزی در دو سناریوی کوتاه مدت و بلندمدت به دست آمده است. به طورکلی نتایج در سناریوی کوتاه مدت و بلندمدت حاکی از کاهش فعالیت و تعداد شناورهای متعلق به ناوگان های بزرگ 50-20 تن و نیز 50 تن به بالا و جایگزینی آن با شناورهای ناوگان های رده اول و دوم(قایق و لنج 50-20 تن) می باشد. اما نکته ی مهم آن است که در سناریوی بلندمدت نتایج معنادارتر از سناریوی کوتاه مدت بوده و تغییرات شدیدتری را نسبت به سناریوی پایه نشان می دهد.

پیش بینی پدیده های اقتصادی ساختاری فراهم می کند تا مدیران و مسؤلان اقتصادی را در گرفتن تصمیم های درست یاری دهد. هدف اصلی این مطالعه پیش بینی مقدار تولید آبزیان دریایی در ایران است. برای این منظور از روش های سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA)[1] و شبکه عصبی مصنوعی[2] استفاده می شود. در این مطالعه سه ساختار گوناگون شبکه عصبی شامل شبکه عصبی پیشرو[3]، تابع پایه شعاعی[4] و المن[5] بکار گرفته می شوند. در این مقاله از آمار سال 1374 تا 1390 استفاده شده است. بمنظور انجام بررسی، داده های سالانه به داده های ماهانه تبدیل شدند. نتایج مطالعه نشان دادند که از نظر معیار MAPEمقدار تابع خطا برای مدل ARIMA،0771/0بیش ترین مقدار خطا و مدل شبکه عصبی RBF با خطای 5-10× 9328/7 کم ترین خطا و بهترین مدل سازی را دارد. افزون بر این، با روش RBF ،دقیق ترین روش شناخته شده این پژوهش، پیش بینی تولید آبزیان دریایی برای دو سال آینده انجام شد.

توجه به ثبات نسبی و پیش بینی قیمت، می تواند نقش مهمی در کنترل ناپایداری قیمت ها و درنهایت کاهش ریسک بازار داشته باشد. در موضوع پیش بینی، مهم ترین بخش مقایسه ی روش های مختلف است. در این پژوهش با مقایسه ی قدرت پیش بینی دو روشARMA و شبکه ی عصبی مصنوعی و با انتخاب روش بهتر، قیمت های هفتگی خرده فروشی و عمده فروشی ماهی قزل آلا پیش بینی می شود. در این مطالعه از شبکه ی پیش خور که از نوع شبکه های پس انتشار (Back Propagation) است، استفاده می شود. داده های مورد استفاده در مطالعه شامل قیمت های هفته ی اول فروردین 1388 تا هفته ی آخر شهریور 1390 می باشد. قبل از استفاده از روش های پیش بینی تصادفی یا غیرتصادفی بودن داده ها مورد بررسی قرار گرفت. بر اساس آزمون های تصادفی بودن والد-ولفویتز، والیس-مور و دوربین-واتسون هر دو سری قیمت غیرتصادفی و قابل پیش بینی هستند. بر اساس آزمون ایستایی داده ها (دیکی-فولر تعمیم یافته) سری ها در سطح ایستا می باشند. نتایج پیش بینی نشان می دهد که مدل ARMA در مقایسه با مدل شبکه عصبی مصنوعی، بر اساس چهار معیار ارزیابی دقت پیش بینی، میزان خطای کمتری دارد در نتیجه قدرت بالاتری در پیش بینی قیمت ماهی قزل آلا دارد. در مدل شبکه عصبی 80% داده ها برای آموزش شبکه و 20% برای داده های آزمایشی در نظر گرفته شد. نتایج آزمون برابری دقت دو روش (MGN) نشان می دهد مدل ARMA در پیش بینی قیمت خرده فروشی و قیمت عمده فروشی نیز به طور معنی داری بهتر از مدل شبکه عصبی است.