چکیده:
در تحقیق حاضر، پیشبینی تغییرات قیمت نفت خام به عنوان منبع مهم انرژی بر تولید ناخالص داخلی کشورهای آمریکا (به عنوان بزرگترین مصرف کنندهی نفت) و انگلستان (به عنوان تولید کنندهی نفت) بررسی میشود. در این مطالعه با استفاده از شبکه عصبی GMDH و شبکه عصبی MLFF (به عنوان مدلهای غیرخطی) به پیشبینی GDP آمریکا و انگلیس با 2 الگو شامل: 1) وقفههای قیمت نفت و GDP و 2) فقط وقفهای GDP، پرداخته میشود. نتایج حاصله با مدل ARIMA (به عنوان مدل خطی) مقایسه میشود. دادهای مورد استفاده به صورت سالانه از سال 1952 تا سال 2010 میباشند. نتایج نشان میدهد که شبکه عصبی GMDH، با لحاظ وقفههای GDP و وقفههای نفت، بهترین عملکرد پیشبینی را در مورد هر دو کشور آمریکا و انگلستان به خود اختصاص داده است.
خلاصه ماشینی:
"جدول )12: ( میزانRMSE ، MAEو درصد تغییر آنها نسبت به بهترین پیشبینی در آمریکا معیارهای خطای پیش بینی روشهای مختلف پیشبینی RMSE %RMSEΔ MAE % MAEΔ GMDH(با وقفههای GDP و نفت) 00352/0 ------ 00310/0 ------ GMDH (با وقفههای GDP) 00368/0 54/4 00338/0 9/0 ARIMA 00450/0 84/27 00345/0 29/11 MLFF (با وقفههای GDP و نفت) 00458/0 11/30 00400/0 03/29 MLFF (با وقفههای GDP) 00471/0 80/33 00401/0 35/29 منبع: یافتههای تحقیق از نتایج به دست آمده مشخص میشود که روش GMDH با لحاظ وقفههایGDP و وقفههای نفت، کمترین خطای پیشبینی و روش MLFF با لحاظ وقفههای GDP دارای بیشترین میزان خطاست و سایر روشها در بین این دو طیف قرار میگیرند.
نتایج در مورد آمریکا نشان میدهد که شبکه عصبی GMDH با لحاظ وقفههایGDP و وقفه های نفت، کمترین خطای پیشبینی و شبکه عصبی MLFF با لحاظ وقفههای GDP دارای بیشترین میزان خطا است و سایر روشها در بین این دو طیف قرار میگیرند.
در مورد انگلستان نیز نتایج نشان میدهد که شبکه عصبی GMDH با لحاظ وقفههایGDP و وقفههای نفت و روش ARIMA کمترین خطای پیشبینی و شبکه عصبی MLFF تنها با لحاظ وقفههای GDP دارای بیشترین میزان خطا است و میزان خطای سایر روشها در بین این دو روش قرار میگیرد."