پیش بینی رشد اقتصادی بخش کشاورزی ایران (مقایسه روش های ساریما و شبکه عصبی)

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,158

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IECEUS02_075

تاریخ نمایه سازی: 27 آبان 1393

چکیده مقاله:

جهت برنامه ریزی مناسب بلند مدت در اقتصاد، پیش بینی متغیرهای کلان اقتصادی از اهمیت ویژه ای برخوردار است. یکی از مهم ترین بخش های اقتصاد که اطلاع از نحوه عملکرد آن در آینده حایز اهمیت است بخش کشاورزی است. بی گمان اقتصادی مقاوم خواهد بود که مواد باشد. بخش کشاورزی ایران بخاطر نقش و تأثیری که در تولید و اشتغال دارد و همچنین بواسطه رابطه متقابلی که با سایر بخش های اقتصادی دارد دارای اهمیت ویژه ای است. به همین دلیل آگاهی از نحوه عملکرد ا ین بخش در اقتصاد ایران بسیار مهم است. در این مطالعه برای پیش بینی رشد اقتصادی بخش کشاورزی ایران از روش ساریما و از روش شبکه عصبی استفاده شده است. داده های استفاده شده مربوط به رشد بخش کشاورزی ایران طی سالهای 1389-1376 بصورت فصلی می باشد. نتایج حاصل شده نشان می دهد که با توجه به کم خطا بودن و دقت بالای روش شبکه عصبی نسبت به روش ساریما بهتر است جهت پیش بینی رشد این بخش از روش شبکه عصبی استفاده گردد.

نویسندگان

سروش کیانی قلعه سرد

دانشجوی کارشناسی ارشد اقتصاد کشاورزی دانشگاه ارومیه

محمدرضا ارسلان بد

دانشیار اقتصاد کشاورزی دانشگاه ارومیه

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آذر، عادل و علی رجب زاده .(1382) .ارزیابی روشهای پیشبینی ...
  • مدل های حالت- فضا و کاربردهای آن در اقتصاد [مقاله کنفرانسی]
  • زارع مهرجردی، محمدرضا؛ نگارچی، سمیرا. (1390)، مقایسه الگوهای میانگین متحرک ...
  • زارع مهرجردی، محمدرضا؛ جاودان، ابراهیم. (1390)، پیش‌بینی نرخ رشد بخش ...
  • صادقی، حسین؛ سهرابی وفا، حسین؛ سلمانی، یونس. (1393). هوش مصنوعی ...
  • فرجام‌نیا، ایمان؛ ناصری، محسن؛ مهدی احمدی، سیدمحمد. (1386). پیش‌بینی قیمت ... [مقاله ژورنالی]
  • صادقی، حسین؛ ذوالفقاری، مهدی.(1390). مبانی مدل‌های پیش‌بینی در علوم اقتصادی. ...
  • گجراتی، دامودار (1389)، مبانی اقتصاد سنجی، ترجمه حمید ابریشمی، انتشارات ...
  • نوفرستی، محمد. (1378). ریشه واحد و همجمعی در اقتصاد سنجی، ...
  • مشیری، سعید. (1380).پیش بینی تورم در ایران با استفاده از ...
  • Azadeh, A; Khakestani, M; Saberi, M. (2009). A flexible fuzzy ...
  • Dieng, A. (2008). Alternative forecasting techniques for vegetable prices in ...
  • Haykins, S. (1999). Neural Network A C omprehensive Foundation, Prentice- ...
  • Mirbagheri, mirnaser; Mehregan, Nader; Afsar, Amir; Abdi, Ebrahim. (2011). Analyzing ...
  • Rumelhart, D.E.; Hinton, G.; and Williams, R.(1986). Learning intenal representation ...
  • Wang, Chi-Chen. (2011). A comparison study between fuzzy time series ...
  • Wang Chi-chen (2011). A Comparison study between fuzzy series model ...
  • نمایش کامل مراجع