شواهد موجود نشان میدهد که قیمت نفتخام یک گام تصادفی است بهطوریکه بهترین پیشبینی از قیمت در هر زمان مقدار آن در دوره قبل میباشد. اما بررسی سری زمانی روزانه قیمت نفتخام وست تگزاس اینترمدیت ((WTI، از سال 1990 الی آخر نیمه اول سال 2005 نشان میدهد که این سری دارای نوسان خوشهای است که بهطور معمول نمیتوان آن را در پیشبینیها نادیده گرفت و یا حذف نمود. به همین دلیل مسأله اصلی در این تحقیق پیشبینی بیثباتی (واریانس شرطی) قیمت نفتخام میباشد. برای این منظور از خانواده مدلهای اتورگرسیو واریانس ناهمسان شرطی (ARCH) استفاده نمودیم که با استفاده از معیارهای عملکرد پیشبینی مورد ارزیابی قرار گرفتند. با توجه به نتایج بهدست آمده مدلهای GARCH)) و (TGARCH) عملکرد بهتری نسبت به سایرمدلهای واریانس شرطی در رابطه با پیشبینی بیثباتی قیمت نفتخام دارند. بهعلاوه پدیده موسوم به اثرات اهرمی در بازار نفت مشاهده میشود.
روش تحلیل پوششی دادهها، از طریق مقایسه نسبی بخشهای اقتصادی و براساس مقادیر دادهها و ستانده های آنها به برآورد مقادیر کارایی و بهره وری می پردازد. در این روش به کمک دادههای ارائه شده، مرزی به نام ”مرز کارائی“ در نظر گرفته می شود که تمام بخشهای مورد بررسی، با این مرز بهینه مقایسه می شوند. با استفاده از آمار های مربوط به ارزش افزوده، بهره وری بخشهای مختلف اقتصادی محاسبه می شود. نتایج نشان می دهد که اگر چه در مجموع روند بهره وری اقتصادی کشور با روند خفیفی افزایش یافته است لیکن عملکرد کلی بسیاری از فعالیتهای اقتصادی با توجه به منابع مادی و انسانی قابل توجهی که در اختیار داشته اند قابل توجیه نمی باشد. در این زمینه بخش خدمات بهدلیل گسترگی دامنه فعالیتها و خیل عظیم نیرو های شاغل، از مشکلات بیشتری رنج می برد. رشد مداوم و پویایی بخش خدمات، مشخصه عمده نظامهای اقتصادی موفق و توسعه یافته در دنیای معاصر می باشد. بنابراین بی توجهی به مسائل و مشکلات این بخش نظیر پایین بودن بهره وری نسبی علاوه بر اینکه بسیاری از فرصت های رشد و توسعه اقتصادی را سلب می نماید می تواند زمینه ساز بسیاری از مشکلات و مسائل اجتماعی، سیاسی و فرهنگی در آینده باشد.
ین مقاله به بررسی مقایسه ای توان شبکه های عصبی مصنوعی و سری های زمانی خودبازگشت در پیش بینی ایستای نرخ تورم ایران می پردازد. در یک بررسی، با استفاده از 37 سال داده های تاریخی نرخ تورم ایران، مدل شبکه عصبی مصنوعی در پیش بینی آینده نزدیک در مقایسه با سری های زمانی خودبازگشت، بهطور متوسط از عملکرد بهتری برخوردار است. در این بررسی، مزایای روش توقف زودهنگام در مرحله یادگیری شبکه عصبی برای پیش بینی سری های زمانی نشان داده شده است.