پيش بيني صادرات غير نفتي ايران تحت تاثير تغييرات نرخ ارز با استفاده از مدل شبكه ي پرسپترون چند لايه (MLP

Forecasting Iranʹʹs Non-Oil Exports Affected by the Exchange Rate Volatility Using Multilayer Perceptron (MLP) Model

اهميت روز افزون استقلال از درآمدهاي نفتي به دليل نوسانات قيمت نفت و تقاضاي جهاني آن كه درآمدهاي دولت و اقتصاد كشور را به شدت تحت تاثير قرار مي دهد، باعث شده است تا نقش صادرات غير نفتي فراتر از ابزاري براي كسب درآمدهاي ارزي مطرح شود. به همين دليل نظر بسياري از صاحب نظران و پژوهشگران اقتصاد به سمت تحليل وضعيت موجود صادرات غير نفتي معطوف شده است. دورنمايي صادرات غير نفتي امكان بررسي و برنامه ريزي دقيق تر را براي اقتصاد ايران فراهم مي-نمايد. در اين مطالعه به منظور پيش بيني صادرات غير نفتي ايران طي دوره (1389 – 1338)، از روش هاي شبكه عصبي مصنوعي (شبكه هاي پرسپترون چند لايه MLP) و توضيحي جمعي ميانگين متحرك (ARIMA) استفاده شد. داده هاي مورد نياز 1389 از بانك مركزي ايران اخذ گرديد. به منظور مقايسه دقت پيش بيني روش ها از معيارهاي ميانگين قدر مطلق انحراف، ريشه ميانگين مربع خطا و ضريب تعيين استفاده شد. نتايج نشان داد كه شبكه هاي پرسپترون چند لايه MLP داراي خطاي پايين تري جهت پيش بيني صادرات غير نفتي است و به طور معني داري از مدل ARIMA دقيق تر است. به منظور بررسي تغييرات نرخ دلار در بازار داخلي و تاثير آن بر صادرات، به پيش بيني صادرات غير نفتي براي سال هاي 1390 و 1391 تحت سناريوي افزايش 50% نرخ دلار توسط مدل برتر(MLP) پرداخته شد كه نتايج دلالت بر تاثير قابل توجه نرخ دلار بر ارزش صادرات و درآمد ملي دارد. به‌كارگيري روش هاي شبكه عصبي مصنوعي، مي تواند علاوه بر ايجاد زمينه براي توسعه روش هاي نوين پيش بيني، سياست گذاران بخش صادرات به خصوص صادرات غير نفتي را در تصميم گيري هاي آتي، ياري رساند. در نتيجه به نظر مي رسد سياست نرخ دلار مديريت شده در كشور ما سياست كارايي است، به شرط آنكه اين نرخ همواره در بلندمدت ثابت نباشد

The growing importance of independence from oil revenues due to oil price fluctuations and global demand that severely affect on the government revenues and the economy has led to role of non-oil exports be raised beyond a tool for earning exchange revenues. Thatʹs why many economic experts and researchers focus on the analysis of current situation of the non-oil exports. The perspective of the non-oil exports provide the possibility of more accurate survey and planning for Iranian economy. In this study, Artificial Neural Network (Multilayer Perceptron MLP) and Autoregressive Integrated Moving Average (ARIMA) has been used to predict the non-oil exports of Iran during the period 1959- 2010. The needed data has been obtained from the Central Bank of Iran. In order to compare the accuracy of the prediction method several measures (including the mean of absolute deviation, root of mean square error and determination coefficient) has been used. Results showed that Multilayer Perceptron has a lower error in forecasting the non-oil exports and also it significantly was more accurate than ARIMA model. ANN method in addition to create a context for development the new methods of the forecasting, can also help the policy makers of export sector, especially non-oil export sector in the future decisions. Finally, it seems that the managed dollar rate policy in the country is an efficient policy, provided that this rate be not always fixed in the long run.