پيش‌بيني نرخ رشد بخش كشاورزي ايران (مقايسه‌ي روش‌هاي تك متغيره و چند متغيره)

Forecasting the growth rate of Iranian agricultural sector (a comparison of univariate and multivariate methods)

سياست‌گزاران و برنامه‏ريزان اقتصادي در تلاش اند تا متغيرهاي موثر بر رشد بخش كشاورزي را مدل‌سازي كنند و از اين مدل ها در فرآيند پيش بيني استفاده نمايند. امروزه پيش بيني به عنوان يك ابزار مهم برنامه ريزي براي سياست‌گزاران اقتصادي به شمار مي‏رود و روش‌هاي متنوعي براي پيش بيني متغيرهاي اقتصادي مورد استفاده قرار مي گيرد. اين پژوهش نرخ رشد بخش كشاورزي ايران را پيش بيني و دقت روش‌هاي تك متغيره و چند متغيره را در پيش بيني اين متغير مقايسه مي‏كند. روش‌هاي مورد استفاده در اين تحقيق عبارت است از هموارسازي نمايي منفرد با روند، هموارسازي نمايي دوگانه با روند، الگوريتم هالت-وينترز تجمعي، الگوريتم هالت-وينترز ضربي، الگوي خودتوضيح جمعي ميانگين متحرك، الگوي خودتوضيح برداري و شبكه هاي عصبي مصنوعي تك متغيره و چند متغيره. بر اساس يافته هاي پژوهش، شبكه هاي عصبي مصنوعي، هموارسازي نمايي منفرد و دوگانه با روند در مقايسه با ديگر تكنيك هاي تك متغيره‌ي به كار گرفته شده در اين تحقيق بهترين پيش بيني را ارايه داد. سرانجام در روش‌هاي چند متغيره نيز دقت و كارآيي پيش بيني شبكه هاي عصبي مصنوعي در مقايسه با الگوي رقيب خودتوضيح برداري بهتر بود.

The policy makers and economic strategists are trying to model the factors affecting the agricultural sector growth and to use them in the growth forecasting process. Today forecasting is regarded as an important instrument for economic policymakers. There are different methods used to forecast the economic variables. In this paper, the growth rate of Iranian agricultural sector is forecasted and the forecasting accuracies of univariate and multivariate methods are compared. The methods used in this paper include single exponential smoothing with trend, double exponential smoothing with trend, Holt-Winters additive algorithm, Holt-Winters multiplicative algorithm, auto-regressive integrated moving average process, vector auto-regressive approach and artificial neural networks. For univariate models, it was found that the artificial neural networks model, single exponential smoothing with trend and double exponential with trend have marginally better forecasting performance than those of the other methods in this group. Furthermore, for multivariate models the artificial neural networks forecast is more accurate than vector auto-regressive model