ARCH

انرژی به عنوان یک نهادهی مهم و کلیدی در تولید بخش های مختلف اقتصاد و از جمله بخش کشاورزی به شمار میرود. در سال های اخیر به دنبال بالا رفتن بار مالی یارانه های حامل های انرژی، هدفمندی این یارانه ها مورد توجه قرار گرفته است. با توجه به اثرگذاری سیاست هدفمندی بر روی مصرف انرژی، مطالعهی حاضر به پیش بینی مصرف حامل های انرژی (فرآورده های نفتی و برق) در بخش کشاورزی، با استفاده از الگوهای ARIMA و ARCH پرداخته است. دورهی مورد مطالعه شامل سال های 1384 - 1347 میباشد که داده های 3 سال آخر برای سنجش توان پیش بینی الگوها استفاده شد. نتایج نشان دهندهی حاکی از افزایش اندک مصرف حامل های انرژی در بخش کشاورزی بود. خطای پیش بینی حاصل از فرایند ARIMA، به جزء مصرف فرآورده های نفتی در سایر سری ها کم تر از الگوی ARCH به دست آمد.

هدف کلی مطالعه حاضر، پیش بینی شاخص های تولید چغندرقند(سطح زیر کشت، تولید و قیمت) در ایران است. برای این منظور الگوهای خودرگرسیون، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، شبکه عصبی و خودرگرس یون ب ا واری انس ناهمسانی شرطی برآورد و بهترین الگو انتخاب شد. بررسی آزمون تصادفی بودن (دوربین واتسون) سری های سطح زیرکشت، تولید و قیمت چغندرقند مبین غیرتصادفی متغیرها بود. براساس نتایج حاصل از محاسبه معیار کمترین خطای پیش بینی، مناسب ترین الگو برای پیش بینی سری های سطح زیرکشت، تولید و قیمت چغندرقند به ترتیب الگوهای شبکه عصبی، ARMA و ARIMA می باشند. لذا استفاده از روش های مذکور به شرط ثابت بودن شرایط، نتایجی با کمترین خطا به دست خواهد داد. نتایج همچنین نشان داد هر سه شاخص تولید چغندرقند(شامل: سطح زیر کشت، تولید و قیمت) طی دوره 1392 -99 روند افزایشی داشته با این ملاحظه که روند افزایشی سطح زیرکشت و تولید بسیار ملایم تر از روند افزایشی قیمت چغندرقند بوده است. طبقه بندی JEL: Q11,D12,C32,C22

پیش بینی رفتار متغیرهای اقتصادی یکی از الزامات برنامه ریزی برای آینده است. در بین محصولاتی که مبادرت به پیش بینی قیمت آن ها می شود، پیش بینی قیمت گندم به لحاظ استراتژیک بودن آن برای کشورمان دارای اهمیتی ویژه است. تاکنون مطالعاتی که در حوزه پیش بینی قیمت گندم انجام گرفته است، مطالعاتی بوده اند که با استفاده از الگوهای کمی انجام گرفته و از روش های کیفی استفاده نشده است. در این پژوهش از هر دو گروه روش های کمی و کیفی استفاده شد است. در این پژوهش از داده ها، در طی دوره 1393-1355 استفاده شده است. نتایج این مطالعه نشان دهنده آن است که معیار RMSE برای مدل های کمیEGARCH, ARMA و ANN به ترتیب برابر 68/37625، 91/39373 و 073/24258 می باشد و معیار MAPE برای مدل های یاد شده به ترتیب برابر 21/27866، 55/23034 و 89/18712 می باشد. از سوی دیگر، میانگین درصد تفاوت بین پیش بینی به روش ANN و روش دلفی 08/0 است. این مطالعه بیانگر این است که الگوی شبکه عصبی مصنوعی در مقایسه با روش های دیگر دارای خطای پیش بینی کم تری است و در پیش بینی قیمت آینده در مقایسه با روش کیفی (مدل دلفی) دارای تفاوتی اندک است که بیانگر اهمیت استفاده از روش های کیفی در کنار روش های کمی برای پیش بینی متغیرهای اقتصادی میباشد.

آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق و اعمال سیاستگذاری های لازم، امری ضروری است.  از این رو، پیش بینی تقاضای آن، برای بخش های مختلف اقتصادی حائزاهمیت است.  در این مقاله به مطالعه ی تطبیقی روش های غیرخطی شبکه های عصبی مصنوعی و تبدیل موجک- شبکه ی عصبی و فرایند خطی  ARMAدر پیش بینی تقاضای روزانه برق در بازه ی زمانی یک تا ده گام به جلو پرداخته شده است.  نتایج حاصل از به کارگیری معیارهای سنجش RMSE و MAPE نشان داد که مدل های غیرخطی تبدیل موجک و شبکه ی عصبی پیشخور، نسبت به مدل ARMA،در پیش بینی روزانه تقاضای برق کشور از دقت بالایی برخوردار است.