پیش‌ بینی قیمت دو گونه از محصولات شیلات جنوب ایران با تاکید بر روش‌های نوین اقتصاد‌سنجی

شیلات ایران به عنوان یکی از زیربخش‌های حوزه کشاورزی و منابع طبیعی، سهم قابل توجهی در اقتصاد کشور دارد. بروز نوسانات شدید قیمتی طی دوره‌های اخیر، سرمایه‌گذاری و برنامه‌ریزی را در این بخش با مشکل مواجه نموده است. هدف از انجام این تحقیق، تعیین مناسب‌ترین مدل پیش‌بینی قیمت محصولات شیلات با استفاده از مدلهای سری زمانی خودرگرسیون میانگین متحرک انباشته، شبکه عصبی مصنوعی با وقفه زمانی و الگوی ترکیبی از دو روش مذکور است. داده‌های مورد استفاده در این تحقیق مربوط به قیمت عمده فروشی دو محصول ماهی شیر و ماهی حلوا سیاه از فروردین‌ماه 1380 لغایت شهریور‌ماه 1397 می‌باشد. بر اساس یافته‌های تحقیق، مدل خودرگرسیون میانگین متحرک انباشته در مقایسه با روش شبکه عصبی مصنوعی و روش ترکیبی، عملکرد ضعیفی در پیش‌بینی قیمت هر دو محصول از خود نشان داد. در کل نیز روش ترکیبی نسبت به دو روش خودرگرسیون میانگین متحرک انباشته و شبکه عصبی مصنوعی عملکرد بهتری در پیش‌بینی قیمت محصولات داشت. بر همین اساس لازم است تا در بررسی و پیش‌بینی قیمت این محصولات از روش‌های غیر خطی استفاده نمود. همچنین با توجه به بهبود عملکرد پیش‌بینی مدل ترکیبی با افزایش افق پیش‌بینی، می‌توان از این مدل در برنامه‌ریزی‌های بلند‌مدت استفاده نمود.

Forecasting the price of two species of fishery products in southern of Iran with emphasis on new econometric methods

As one of the subsectors of agriculture and natural resources, Iranian fisheries has a significant contribution in the economy of the country. Recently, planning and investment in the fisheries sector have been difficult duo to the sharp fluctuations in price of products. This paper aims at determine and choosing the most appropriate fishery product price prediction model using autoregressive integrated moving average, timedelayed artificial neural network and combined pattern of the two abovementioned methods. The data used in this research is related to the wholesale price of two products of the fishery (Seer fish and Black Pomfret fish), from April 2001 to September 2018. It was found that the ARIMA model showed a weak performance in predicting the price of both products in comparison with the artificial neural network method. And also, the hybrid method was more effective in forecasting the price of products than the other two methods. In conclusion, it is necessary to use nonlinear methods to forecast the prices of fishery products. Also, hybrid model can be used in longterm planning due to improved performance prediction with increasing forecast horizon.