خلاصة:
هدف اصلی این مقاله، مدلسازی و پیش بینی میزان صادرات آبزیان دریایی در ایران بوده است. برای این منظور، از روشهای سری زمانی خود توضیح جمعی میانگین متحرک (ARIMA) و شبکهی عصبی مصنوعی استفاده شده است. بدین منظور، از دادههای ماهانه دورهی 1374:03 تا 1387:12 برای برآورد و آموزش مدل و از دادههای دوره 1388:01 تا 1390:12 به منظور بررسی قدرت پیش بینی مدلهای مختلف استفاده شده است. در این مطالعه، معیارهای ارزیابی مختلفی شامل قدر مطلق خطا (MAE)، میانگین مجذور خطا (MSE)، درصد میانگین خطا (MAPE)، جذر ریشه میانگین خطا (RMSE) و جذر ریشهی میانگین خطای نرمال شده (NRMSE) مورد استفاده قرار گرفتند. نتابج مطالعه نشان میدهد عملکرد پیش بینی مدل غیرخطی شبکهی عصبی بهتر از مدل آماری ARIMA و در ساختارهای شبکهی عصبی مورد مطالعه، شبکهی عصبی تابع پایهی شعاعی (RBF) بر حسب توابع مختلف خطا دارای بهترین عملکرد است. در انتها برای دو سال 1391 و 1392 میزان صادرات آبزیان دریایی ایران پیش بینی شده است
The main objective of this paper is to modeling and forecast exportsing of seafood in Iran. For this purpose، the method of collective self-explanatory time series moving average (ARIMA) and artificial neural networks are used. To perform the study، monthly data for the period of 1995:05 to 2008:02 estimated from model training period 2009:03 to 2011:02 data to verify the predictive power of the model. In this study، several criteria including Absolute Error (MAE)، Mean Square Error (MSE)، Average Percentage Error (MAPE)، Root Mean Square Error (RMSE) and Root Mean Square Normalized Error (NRMSE) were used .The results show better performance of the neural network predicted non-linear statistical model ARIMA models and neural network structures studied neural networks Radial Basis Function (RBF) has the best performance in terms of error functions. Finally، for the two years 2012 and 2013 the amount of Iranian seafood export is predicted.
ملخص الجهاز:
"در داخل کشور هم مطالعاتی در زمینهی پیش بینی پدیدههای اقتصادی با روشهای سری زمانی اقتصادسنجی و هوش مصنوعی صورت گرفته است، از جمله نجفی و دیگران (1386)، در مقالهای تحت عنوان پیشبینی قیمت برخی محصولات زراعی در استان فارس: کاربرد شبکهی عصبی مصنوعی به منظور پیشبینی قیمت عمده فروشی محصولات زراعی شامل گوجهفرنگی، پیاز و سیبزمینی در استان فارس، برای افق زمانی یک، سه و شش ماه آتی ضمن تقسیمبندی روشهای پیشبینی به رگرسیونی و غیر رگرسیونی، روشهای رگرسیونی را به دو قسمت علی مثلARCH 2 و روش رگرسیونی غیرعلی مثل ARIMA تقسیم میکند و سپس خارج از این تقسیمبندی به رویکرد شبکهی عصبی اشاره میکند و هدف این مطالعه مقایسهی بین دو رویکرد شبکهی عصبی و دیگر روشها میباشد.
نکتهی جالب توجه در این جدول و مقایسهی تطبیقی نتایج، نشان میدهد شبکهی عصبی تابع پایهی شعاعی (RBF از دیگر روشهای بکار گرفته شده بر حسب تمامی معیارهای خطا از کارایی بهتری برخوردار است به گونهای که میزان خطا بر اساس معیار MAPE، برای شبکه RBF برابر با 0093/0 است و نسبت به نزدیکترین خطای به آن یعنی شبکهی چند لایه پیشرو حدود 82/1 برابر کارایی بهتری دارد.
مقایسهی نتایج برحسب معیارهای MSE، RMSE و NRMSE نیز نتایجی مشابهی از نظر دقت مدلسازی در سری زمانی تولید نشان میدهد به گونهای که بیشترین خطای پیش بینی در مدل ARIMA و بهترین دقت را مدل شبکهی عصبی RBF دارد."