پيش بيني نرخ رشد و نرخ تورم در بخش كشاورزي ايران
سام دليري احمد,خليليان صادق
چکیده:
سام دليري احمد,خليليان صادق
چکیده:
امروزه، در موضوعات اقتصادي - بازرگاني، پيش بيني، به عنوان يكي از مهم ترين شاخصه هاي علمي مطرح شده است و روز به روز، توسعه و پيشرفت مي كند. مديران بخش هاي مختلف اقتصادي و بازرگاني، به دليل وجود انبوه متغيرهاي تاثيرگذار، ترجيح مي دهند مكانيزمي را در اختيار داشته باشند، كه بتواند آن ها را در امور تصميم گيري ياري كند. بخش كشاورزي، به عنوان بخش توليد كننده محصولات راهبردي (استراتژيك) و تامين كننده مواد غذايي مورد نياز جمعيت رو به رشد جامعه، تاثير زيادي در بسياري از تصميم گيري هاي اقتصادي، اجتماعي و سياسي دارد.
با توجه به اهميت بخش كشاورزي در اقتصاد كشور و نيز وجود عوامل تاثير گذار متفاوت و غير قابل كنترل، تجزيه و تحليل متغيرهاي نرخ رشد و نرخ تورم در بخش كشاورزي آگاهي از روند آن ها در آينده و نيز شناخت الگوهاي زير ساختي توليد اين داده ها، مي تواند راه گشاي برنامه ريزان و سياست مداران براي اتخاذ تصميمات مناسب باشد.
در اين تحقيق، سعي بر انتخاب مدل مناسب، براي پيش بيني مقادير رشد و تورم در بخش كشاورزي ايران شده است. به اين منظور، از مدل هاي هموار سازي نمايي هالت وينترز و مدل ARIMA استفاده شده است. داده هاي ماهانه مربوط به نرخ تورم (PPI,WPI)، براي دوره 1383-1338 و داده هاي فصلي مربوط به نرخ رشد براي دوره 1383-1368 جمع آوري شده اند. به منظور مقايسه دقت پيش بيني مدل هاي خطي و غير خطي، به طراحي يك مدل شبكه عصبي مصنوعي (ANN)، مبتني بر متغيرهاي مدل رگرسيون و مدل ARIMA پرداخته شد.
نتايج نشان داد كه مدل هموارسازي نمايي هالت - وينترز، داراي دقت پيش بيني بالاتري از مدل ARIMA و شبكه عصبي بوده و با داده هاي رشد و تورم در بخش كشاورزي ايران سازگاري بيشتري دارد. اين، مدل، متوسط نرخ رشد در بخش كشاورزي براي سال هاي برنامه چهارم توسعه را، 7% و متوسط نرخ تورم در بخش كشاورزي را، %10.5 پيش بيني كرده است.
با توجه به اهميت بخش كشاورزي در اقتصاد كشور و نيز وجود عوامل تاثير گذار متفاوت و غير قابل كنترل، تجزيه و تحليل متغيرهاي نرخ رشد و نرخ تورم در بخش كشاورزي آگاهي از روند آن ها در آينده و نيز شناخت الگوهاي زير ساختي توليد اين داده ها، مي تواند راه گشاي برنامه ريزان و سياست مداران براي اتخاذ تصميمات مناسب باشد.
در اين تحقيق، سعي بر انتخاب مدل مناسب، براي پيش بيني مقادير رشد و تورم در بخش كشاورزي ايران شده است. به اين منظور، از مدل هاي هموار سازي نمايي هالت وينترز و مدل ARIMA استفاده شده است. داده هاي ماهانه مربوط به نرخ تورم (PPI,WPI)، براي دوره 1383-1338 و داده هاي فصلي مربوط به نرخ رشد براي دوره 1383-1368 جمع آوري شده اند. به منظور مقايسه دقت پيش بيني مدل هاي خطي و غير خطي، به طراحي يك مدل شبكه عصبي مصنوعي (ANN)، مبتني بر متغيرهاي مدل رگرسيون و مدل ARIMA پرداخته شد.
نتايج نشان داد كه مدل هموارسازي نمايي هالت - وينترز، داراي دقت پيش بيني بالاتري از مدل ARIMA و شبكه عصبي بوده و با داده هاي رشد و تورم در بخش كشاورزي ايران سازگاري بيشتري دارد. اين، مدل، متوسط نرخ رشد در بخش كشاورزي براي سال هاي برنامه چهارم توسعه را، 7% و متوسط نرخ تورم در بخش كشاورزي را، %10.5 پيش بيني كرده است.
