نمودار ۴-۱ تخمین واردات برنج برای ۵ سال آینده با روش هالت وینترز

نمودار ۴-۲ تخمین واردات برنج برای ۵ سال آینده با روش ARMA(1.1)

۴-۶ انتخاب بهترین روش پیش ­بینی

مطالعات مختلفی در زمینه ارزیابی عملکرد روش­های پیش ­بینی انجام شده است. هدف از انجام این پژوهش­ها تعیین بهترین روش یا معیار ارزیابی عملکرد این روش­ها بوده است. بر این اساس، معیارهای متنوعی برای بررسی دقت روش­های مختلف پیش ­بینی وجود دارد که رایج­ترین آن­ها معیار ریشه میانگین مجذور خطاهای پیش ­بینی(RMSE^[53]) است. در این پژوهش نیزاز معیار RMSE جهت ارزیابی عمکرد استفاده می­ شود که ارزیابی عملکرد بر اساس کمترین مقدار معیار یا کمترین خطای پیش ­بینی است.

پس از این­که پیش ­بینی را با روش­های رگرسیونی (باکس جنکینز) و غیررگرسیونی (هالت وینترز) انجام شد. در مرحله آخر بهترین روش پیش ­بینی را بر مبنای مقادیر مربوط به کمترین مقدار معیار ارزیابی (RMSE)، روش مناسب جهت پیش ­بینی میزان واردات برنج انتخاب می شود. در جدول­ (۴-۵) معیار RMSE برای سری واردات برنج و برای روش­های رگرسیونی و غیر رگرسیونی پیش ­بینی آورده شده است. اکنون بر اساس کمترین میزان RMSE بهترین روش پیش ­بینی انتخاب می­ شود.

جدول (۴-۵) معیار ارزیابی روش­های پیش ­بینی

نوع مدل

معیار RMSE

هموار سازی هالت وینترز

۱۹۷۱۶۰

ARMA(1. 1)

۱۴۱۶۰۹

با توجه به داده ­های جدول و کمترین مقدار معیار RMSE برای سری زمانی واردات برنج، مربوط به روش پیش ­بینی ARMA(1.1) است. ‌بنابرین‏ روش منتخب برای پیش ­بینی سری زمانی واردات برنج ARMA(1.1) است.

۴-۷ پیش ­بینی

پس از انتخاب بهترین روش پیش ­بینی بر اساس حداقل خطای پیش ­بینی بر اساس معیار RMSE به پیش ­بینی میزان واردات بر اساس Fob و بر حسب تن طی سال­های آینده می­پردازیم که در جدول (۴-۶) آورده شده است.

جدول (۴-۶) پیش ­بینی واردات برنج با روش منتخب

نام محصول

مدل پیش‌بینی

۱۳۹۲

۱۳۹۳

۱۳۹۴

۱۳۹۵

۱۳۹۶

برنج

ARMA(1.1)

۱۱۰۵۷۹۷

۱۱۰۷۲۳۳۳

۱۱۷۲۳۳۳۹

۱۲۳۸۸۸۱

۱۳۰۵۴۲۳

بر اساس داده ­های جدول مقدار ارزش واردات برنج در ۵ سال آینده روند صعودی ملایمی خواهد داشت.

فصل پنجم

نتیجه ­گیری و ارائه پیشنهادها

۵-۱ مقدمه

ازآن­جا که پیش­گویی وقایع آینده در فرایند تصمیم ­گیری نقش عمده­ای ایفا می­ کند، ‌بنابرین‏ پیش ­بینی برای بسیاری از سازمان­ها و نهادها حائز اهمیت است. به­علاوه پیش ­بینی متغیرها­ی اقتصادی نقش مؤثری در سیاست­های دولت دارد، چرا که دولت سیاست­های خود را نه فقط بر اساس وضع موجود، بلکه بر مبنای پیش ­بینی کوتاه و بلندمدت از متغیرهای کلیدی اقتصادی تدوین می­ کند و به مورد اجرا می­ گذارد. ‌بنابرین‏ دقت پیش ­بینی این متغیرها، صرف­نظر از درستی و تناسب سیاست­ها با وضع موجود، از جمله رموز موفقیت این سیاست­ها به­شمار می­آیند.

در این فصل بر اساس نتایج تفصیلی ارائه شده در فصول قبل، نتایج حاصل از محاسبات انجام شده، نتایج آزمون فرضیه ­های پژوهش، تفسیر و مقایسه آن با نتایج پژوهش­های پیشین، نتایج مبتنی بر پژوهش و پیشنهادهایی جهت پژوهش­های آتی ارائه می­ شود.

۵-۲ نتایج آزمون فرضیه ­های پژوهش، تفسیر و مقایسه آن با نتایج پژوهش­های پیشین

بر اساس یافته ­های این پژوهش که در فصول قبل ارائه شد. سری زمانی ارزش سری­ زمانی واردات برنج بر اساس آزمون تصادفی بودن والد ولفویتز غیرتصادفی و پیش ­بینی پذیر ‌می‌باشد.

۵-۲-۱ تفسیر فرضیه اول

روش­های رگرسیونی پیش ­بینی واردات در مقایسه با روش­های غیر رگرسیونی از دقت بیشتری برخوردارند.

تفسیر آماری نتیجه آزمون

برای سری زمانی ارزش واردات برنج با توجه به کمترین میزان معیار RMSE روش پیش ­بینی ARMA به­عنوان بهترین روش پیش ­بینی انتخاب شد، از آن­جا که ARMA یک روش رگرسونی است، پس این سری فرضیه اول را تصدیق می­ کند. یعنی برای سری زمانی ارزش واردات برنج روش­های رگرسیونی پیش ­بینی نسبت به روش­های غیر رگرسونی از دقت بیشتری برخوردار است.

مقایسه با نتایج قبلی:

فرج زاده و شاه ولی (۱۳۸۷) در پژوهش خود بر روی پیش‌بینی قیمت پنبه و برنج وزعفران ‌به این نتیجه رسیدند که ‌بر اساس کمترین معیار خطای پیش ­بینی، الگوی ARIMA سری­های قیمت اسمی برنج و زعفران را بهتر از سایر روش­ها پیش ­بینی می­ کند . بهترین روش پیش ­بینی برای سری­های قیمت اسمی و واقعی پنبه نیز به ترتیب با بهره گرفتن از الگوی شبکه عصبی مصنوعی و هار مونیک به دست­آمد .

در پژوهش دیگری بسلر(۱۹۸۰) به­مقایسه میان توزیع ذهنی برآورد شده توسط کشاورزان از عملکرد محصول و مدل­های پیش ­بینی در ایالت کالیفرنیا به­ طور توام پرداخت. نتایج مطالعه وی نشان داد که در زمینه برآورد میانگین سری مدل ARIMA با نتایج برآورد شده کشاورزان سازگاری بیشتری دارد.

پریزن و اسماعیلی (۱۳۸۷)در پژوهشی برروی مقایسه روش­های کمی در پیش ­بینی واردات ادویه­جات دریافتند که واردات زردچوبه تصادفی و پیش ­بینی ناپذیر است. به­علاوه مقایسه روش­های مختلف آشکار می­سازد که در پیش ­بینی واردات دارچین و هل روش ARIMA برتری دارد. هم­چنین نتایج نشان می‌دهد که واردات دارچین نوسان­های بیشتری نسبت به هل دارد.

صبور و ارشاد الحق (۱۹۹۳) نوسان­های روند زمانی، فصلی و سیکلی قیمت­های عمده فروشی در بنگلادش را با بهره گرفتن از مدل ARIMA و هارمونیک برای پیش ­بینی قیمت­های آینده مورد استفاده قرار دادند. از میان روش­های معمول موجود برای پیش ­بینی سری­های زمانی، مدل ARIMA از کاربرد گسترده­تری برخوردار بوده است.

۵-۲-۲ تفسیرفرضیه دوم

با توجه به روند روبه رشد تقاضا، میزان واردات برنج در آینده افزایش می­یابد.

تفسیر آماری نتیجه آزمون

برای سری زمانی ارزش واردات برنج با توجه به انتخاب بهترین روش پیش ­بینی بر اساس کمترین میزان RMSE و انتخاب مدل ARMA به­عنوان بهترین روش و با توجه به داده ­های جدول (۵-۱) ارزش واردات برنج در سال­های آینده افزایش پیدا خواهد کرد، پس یعنی سری زمانی ارزش واردات برنج فرضیه دوم را تأیید می­ کند.

جدول (۵-۱) پیش ­بینی ارزش واردات برنج بر اساس مدل منتخب

مدل منتخب

۱۳۹۲

۱۳۹۳

۱۳۹۴

۱۳۹۵

۱۳۹۶

ARMA(1.1)

۱۱۰۵۷۹۷

۱۱۰۷۲۳۳۳

۱۱۷۲۳۳۳۹

۱۲۳۸۸۸۱

۱۳۰۵۴۲۳

۵-۲-۳ تفسیر فرضیه سوم

با توجه به حداقل خطای پیش ­بینی روش­های سری زمانی تک متغیره ARMA و ARIMA برای پیش ­بینی مقادیر آینده ارزش واردات برنج مناسب­تر است.

تفسیر آماری نتیجه آزمون:

برای سری زمانی ارزش واردات برنج با توجه به حداقل خطای پیش ­بینی که در جدول (۵-۲) آمده بهترین روش پیش ­بینی روش ARMA(1.1) است. پس سری زمانی ارزش واردات برنج فرضیه سوم را تصدیق می­ کند.