چکیده:
در این تحقیق، رویکرد پیشبینی ترکیبی در مدلهای اقتصادی مورد توجه قرار گرفته
است.این رویکرد، در حدود دو دهه ست که مطرح گردیده و تحقیقات انجام شده در این
زمینه نشاندهنده کاهش بسیار زیاد خطاهای پیشبینی مقادیر آتی است.برای انجام این
تحقیق، در ابتدا با استفاده از چندین روش مختلف، پیشبینی انجام شده است که در این
مطالعه، آنها روشهای فردی نامیده شدهاند.مدلهای پیشبینی فردی، شامل روشهای
هموارسازی نمائی، تحلیل روند، باکس جنکینز، تحلیلهای علی و مدل شبکه عصبی
میباشند.نتایج این روشهای فردی(که از بین روشهای مختلف برگزیده شدهاند و از نظر آماری
مدل آنها معنادار میباشد)با استفاده از رویکرد شبکه عصبی مصنوعی(در این ترکیب، روش
فردی پیشبینی عصبی وارد نشده است)و روش رگرسیون چند متغیره(با لحاظ تمام روشها و
نیز با عدمواردنمودن پیشبینیهای فردی شبکه عصبی مصنوعی)با یکدیگر ترکیب و مقایسه
شده است.دادههای مورد استفاده، شامل تقاضای نفت کشور اوپک از سال 1960 تا 2002 به عنوان
متغیر وابسته و قمیت، درآمد، تقاضای سایر انرژیها، جمعیت و ارزش افزوده در بخش صنعت
به عنوان متغیرهای مستقل میباشند.در روشهای تک متغیره، فقط متغیر مستقل(با متغیر
وابسته زمان).جهت پیشبینی مورد استفاده قرار گرفته است.ولی در روشهای علی و شبکه عصبی، تمام
متغیرهای بیان شده وارد شدهاند.دادههای مورد استفاده برای تمام متغیرها از سال
1960 تا 1996 و دادههای آزمایش از سال 1996 تا 2002 بودهاند.معیارهای اصلی mse و
mapeمحاسبه شده برای مقادیر پیشبینی، بیانگر کاهش قابل ملاحظه خطای روشهای ترکیبی
نسبت به روشهای فردی است و روش ترکیبی مناسب در این مطالعه، به ترتیب روش شبکه عصبی
و رگرسیون چند متغیره بوده است.
In this research، combined forecasting is considered. This model is a new approach that is used in two recent decades and indicates considerable error reduction in forecasted numbers. In this study، at first، forecasting was done with some different methods that named individual methods.
These models consist of exponential smoothing methods، trend analysis، box-jenkins، causal analysis and neural network model. The results of these individual، forecasting methods (some selected model) are combined and compared with artificial neural network and multiple regression models. Used data consist of OPEC oil demand from 1960 to 2002 as dependent variable، price، GDP، other energy demand، population and added value in industry as independent variables. In mono-variable methods only dependent variable is entered. Data of 1960-1996 are used for all variables and testing. The data is put under observation between 1996 to 2002. Computed MSE، MAPE، CAPE indexes show considerable reduction in errors of forecasting.
خلاصه ماشینی:
"نتایج این روشهای فردی(که از بین روشهای مختلف برگزیده شدهاند و از نظر آماری مدل آنها معنادار میباشد)با استفاده از رویکرد شبکه عصبی مصنوعی(در این ترکیب، روش فردی پیشبینی عصبی وارد نشده است)و روش رگرسیون چند متغیره(با لحاظ تمام روشها و نیز با عدمواردنمودن پیشبینیهای فردی شبکه عصبی مصنوعی)با یکدیگر ترکیب و مقایسه شده است.
4-نتایج تحلیلی تحقیق و مقایسه کارایی نتایج مدلهای ترکیبی با روشهای فردی پیشبینی در رابطه با رویکردهای مختلف ترکیبی و بررسی تفاوتهای روشهای نوین و کلاسیک، نتایج زیر به دست میآید: 1-در بین روشهای مختلف فردی بررسی شده با استناد به معیار خطای rmse، پیشبینی شبکه عصبی مصنوعی، نتایج بهتری را ارایه داده است؛لازم به ذکر است که دادههای تقاضای نفت و دادههای آماری متغیرهای اقتصادی و بازرگانی از نوع دادههای نامنظم هستند و به دلیل توانایی بالای روش شبکه عصبی مصنوعی در آموزش دادهها و اختصاص اوزان مناسب به این دادهها، شبکه عصبیمصنوعی نتایج با خطای پایینتری را نسبت به سایر روشها داده است.
در این تحلیل ترکیبی، میانگین موزون به عنوان یک روش ترکیبی خوب عمل نکرده است و کاهش میزان خطای mse آن قابل ملاحظه نمیباشد و مدلهای آماری باکس- جنکینز و هموارسازی نمائی بسیار بهتر از آن به عنوان روشهای فردی عمل کردهاند؛به هر حال، نتایج کلی این تحقیق در موارد فوق بیان شده و کاربرد مدلهای ترکیبی پیشبینی را برای متغیرهای اقتصادی توصیه مینماید."