چکیده:
وقفههای قابل پیشبینی و غیرقابل پیشبینی در انتشار دادههای حسابهای ملی در ایران ضرورت پیشبینی وضعیت کنونی اقتصاد (کنونبینی) را با استفاده از دادههای بههنگام و با تواتر بالا نشان میدهد. کنونبینی رشد بخش خدمات با توجه به سهم بالایی که این بخش در GDP دارد از اهمیت بالاتری برخوردار است. این پژوهش به دنبال پاسخ به این سوال است که آیا با استفاده از مجموعه دادههای ترددشماری وسایل نقلیه در جادههای کشور میتوان وضعیت بخش خدمات و حمل و نقل را پیشبینی کرد. در این راستا از دادههای روزانه ۲۵۹۰ نقطه از جادههای کشور از ابتدای سال ۱۳۹۴ تا شهریور ۱۴۰۰ استفاده شده است. علاوه بر بکارگیری روش تجمیعی ساده برای ساخت شاخص، از مدلهای شبکه عصبی و میانگینگیری مدل بیزین نیز به استفاده شده است. نتایج نشان میدهد که شاخصهای برآوردی مستخرج از این دادهها خطای کمتری نسبت به مدلهای معیار (ARMA) داشتهاند و میتوانند نمایانگر تغییرات هر دو بخش خدمات و حمل و نقل باشند. یافتههای پژوهش نشان میدهد که در بین روشهای مختلف ساخت شاخص، شاخص خروجی شبکه عصبی عملکرد بهتر و خطای کمتری داشته است.
Predictable and unpredictable delays in the national accounts data dissemination in Iran highlight the nowcasting of the economy’s state with using timely and high-frequency data. The large share of service sectors in GDP make forecasting of this sector more important. This paper seeks to answer the question of whether the status of the service and transportation sector can be predicted by using the vehicle traffic count dataset. In this regard, daily data on 2590 points of the country's roads from 2015 to September 2021 is used. In addition to using a simple aggregation method to construct the index, Artificial Neural Network model (ANNs) and Bayesian Model Averaging (BMA) are also used. The results show that the estimation indices extracted from these data have less forecast error than the benchmark models (ARMA) and can represent changes in both services and transportation sectors. The comparison of different methods of index construction shows the index extracted from Neural Network model has less error than other methods.
خلاصه ماشینی:
اين پژوهش به دنبال پاسخ به اين سوال است که آيا با استفاده از مجموعه داده هاي ترددشماري وسايل نقليه در جاده هاي کشور ميتوان وضعيت بخش خدمات و حمل و نقل را پيش بيني کرد.
نتايج نشان ميدهد که شاخص هاي برآوردي مستخرج از اين داده ها خطاي کمتري نسبت به مدل هاي معيار (ARMA) داشته اند و مي توانند نمايان گر تغييرات هر دو بخش خدمات و حمل و نقل باشند.
سوم اين که آيا استفاده از روش هاي مختلف پيش بيني مانند شبکه عصبي مصنوعي و 1 ميانگين گيري مدل بيزين ٢ در ساخت شاخص به هنگام بخش خدمات ميتواند به بهبود پيش بينيها کمک کند؟ در ادامه ابتدا مروري به مطالعات انجام شده در اين حوزه صورت ميگيرد.
Gnap & Varjan 4 Gao 5.
دو مورد از نوآوري اين پژوهش اين است که اولا از کلان داده تردد شماري وسايل نقليه براي کنون بيني متغير اقتصادي براي اولين بار استفاده شده است و ثانيا عملکرد مدل هاي مختلف شبکه عصبي و ميانگين گيري مدل بيزين در پيش بيني مورد ارزيابي قرار گرفته است .
براي بکارگيري اين مدل ها مراحل زير طي شده است : - تمام ترکيب هاي AR و MA و ARMA از وقفه يک تا چهار براي رشد ارزش افزوده بخش خدمات و همچنين بخش حمل و نقل برآورد ميشود.
جدول (١): نتايج ارزيابي رشد شاخص هاي تجميعي تردد وسايل نقليه مختلف در مقايسه با رشد ارزش افزوده بخش خدمات (رجوع شود به تصویر صفحه) در جدول ٢ شاخص هاي بدست آمده از روش شبکه عصبي، ميانگين گيري مدل بيزين و مدل ARMA منتخب بر اساس دو معيار معرفي شده در دو دوره درون نمونه و برون نمونه ارزيابي شده اند.