پیش‎بینی قیمت جهانی گندم و صرفه‎جویی ارزی در ایران

نوع مقاله: علمی پژوهشی

نویسندگان

1 دانشیار دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران

2 کارشناس ارشد، برنامه ریزی سیستم‌های اقتصادی، دانشکده اقتصاد و حسابداری، واحد تهران مرکزی، تهران، ‌ایران

چکیده

این مطالعه با هدف پیش‏بینی قیمت جهانی گندم و تشخیص زمان مناسب واردات گندم در جهت صرفه‏جویی ارزی صورت گرفت. جامعه آماری تحقیق حاضر اطلاعات سری زمانی ماهانه قیمت گندم طی بازه زمانی ژانویه 2000 تا دسامبر 2014 است و پیش‎بینی قیمت جهانی گندم برای دوره زمانی ژانویه 2016 تا دسامبر 2017 انجام شده است. همچنین جهت بررسی میزان واردات گندم به کشور ایران داده‎های ماهانه سال 1393- 1388در نظر گرفته شده است. در این مطالعه از مدل ARIMA به‎عنوان پیشتاز مدل‎های سری زمانی کلاسیک برای پیش‎بینی  قیمت جهانی گندم استفاده گردید.  نتایج تخمین مدل ARIMA و مشاهده روند زمانی متغیر قیمت جهانی گندم  نشان می دهد که در سال‎های اخیر با کاهش قیمت مواجه هستیم و در سال‎های 2016 و 2017 شاهد افزایش تدریجی قیمت جهانی گندم خواهیم بود. همچنین با بررسی وضعیت واردات گندم ایران در سال های مذکور، این نتیجه حاصل شد که واردات گندم  در بعضی سال‌ها، در زمان مناسبی انجام نشده است، در سال‎هایی مانند سال 1391که قیمت جهانی افزایش داشته است ایران نیز افزایش واردات گندم داشته است.
 
Abstract
This study forecasts the global price of wheat and wheat imports to recognize the right time in order to save foreign exchange took place. The population of study time series of monthly wheat prices during the period January 2000 to December 2014 and forecast global wheat prices for the period January to December 2017 was conducted.In order to evaluate the country's wheat imports in years 1393- 1388 Monthly data are considered. ARIMA model as a pioneer in the study of classical time series models were used to forecast global wheat prices. ARIMA model and view the results of the variable when global wheat prices shows that in recent years, faced with falling prices and in the years 2016 and 2017 will see a gradual increase in global wheat prices. Also, check the status of Iran's wheat imports in the year, it was concluded that wheat imports in some years, been done at the right time, in years such as 1391 when the world price increased Iran's imports of wheat.

کلیدواژه‌ها


 

پیشبینی قیمت جهانی گندم و صرفهجویی ارزی در ایران

 

 

شهریار نصابیان

تاریخ دریافت: 22/07/1396             تاریخ پذیرش: 25/09/1396

[1]

شهاب الدین قشقایی[2]

 

 

چکیده

این مطالعه با هدف پیش‏بینی قیمت جهانی گندم و تشخیص زمان مناسب واردات گندم در جهت صرفه‏جویی ارزی صورت گرفت. جامعه آماری تحقیق حاضر اطلاعات سری زمانی ماهانه قیمت گندم طی بازه زمانی ژانویه 2000 تا دسامبر 2014 است و پیش‎بینی قیمت جهانی گندم برای دوره زمانی ژانویه 2016 تا دسامبر 2017 انجام شده است. همچنین جهت بررسی میزان واردات گندم به کشور ایران داده‎های ماهانه سال 1393- 1388در نظر گرفته شده است. در این مطالعه از مدل ARIMA به‎عنوان پیشتاز مدل‎های سری زمانی کلاسیک برای پیش‎بینی  قیمت جهانی گندم استفاده گردید.  نتایج تخمین مدل ARIMA و مشاهده روند زمانی متغیر قیمت جهانی گندم  نشان می دهد که در سال‎های اخیر با کاهش قیمت مواجه هستیم و در سال‎های 2016 و 2017 شاهد افزایش تدریجی قیمت جهانی گندم خواهیم بود. همچنین با بررسی وضعیت واردات گندم ایران در سال های مذکور، این نتیجه حاصل شد که واردات گندم  در بعضی سال‌ها، در زمان مناسبی انجام نشده است، در سال‎هایی مانند سال 1391که قیمت جهانی افزایش داشته است ایران نیز افزایش واردات گندم داشته است.

 

واژه‌های کلیدی: پیش‎بینی، قیمت جهانی گندم، صرفه‎جویی ارزی، مدل ARIMA.

طبقه بندی JEL: C22، C51، C53، Q11

1- مقدمه

ذات آدمی، همانگونه که ادوار مختلف تاریخی گواهی بر آن است، مایل به درک و رمزگشایی از پدیده‌های پیرامونی است تا بدین ترتیب بتواند به پیش‌بینی رفتار آن پدیده‌ها پرداخته، و متناسب با آنچه می‌پندارد در آینده رخ دهد واکنش نشان دهد. ذهن منطقی انسان در تمام ابعاد زندگی بشری همواره از ابهام و ناتوانی در توصیف پدیده‌ها گریزان بوده و تلاش در تبیین ابعاد آن‎ها داشته است. روشن است که در عرصه‌های اقتصادی این مسأله بیشتر به چشم می‌خورد و چه انسان را "موجودی عاقل اقتصادی" بدانیم، چه نه، نمی‌توان به منکر تلاش وی برای پاسخگویی صحیح به پیچیدگی‌ها و مسائل و ابهامات عرصه اقتصادی شد. یکی از اساسی‌ترین مسائل مورد توجه در اقتصاد ایران بحث واردات کالاهای اساسی و مقدار ارزی است که برای این واردات هر ساله دولت در نظر می‎گیرد؛ اقتصاد کشور ایران در زمینه محصولات کشاورزی، به ویژه کالاهای اساسی نظیر غلات (گندم، برنج، جو) و شکر به شدّت وابسته به واردات است و بخش قابل توجهی از مصرف داخلی این اقلام از طریق واردات صورت می‎گیرد. گندم عمده‏ترین محصول زراعی جهان است و به‏عنوان عنصر محوری و کلیدی کشاورزی جایگاه مهم و ویژه‏ای در تولید و مصرف مواد غذایی ملل جهان دارد. بیش‏ترین سطح زیر‏کشت و بالاترین میزان مصرف جهان را به خود اختصاص داده و به‏عنوان ماده اصلی غذایی در الگوی غذایی خانوارها مطرح است، بنابراین با توجه به اهمیت این کالا و با توجه به آن که تولیدات گندم در ایران پاسخگوی نیازهای جامعه نمی‏باشد ایران ناگزیر به واردات گندم است که با روند افزایشی هر ساله ارز بیشتری از کشور خارج شده و به جای آن‎که منابع ارزی صرف سرمایه‎گذاری در زمینه‏های زیربنایی گردد، صرف هزینه واردات می‎گردد. محصول گندم به‎عنوان محصول استراتژیک در تمام دنیا بویژه کشورهای در حال توسعه نظیر ایران، به لحاظ تولید و مصرف مهم‏ترین محصول کشاورزی بوده و افزایش واردات آن روز به روز مورد توجه قرار گرفته و از نظر اقتصادی و بلأخص از نظر تأمین منابع ارزی برای این مهم، از اهمیت بسیاری برخوردار است. پیش‏بینی وقایع آینده در فرایند تصمیم‏گیری، نقش عمده‏ای ایفا می‏کند؛ در بین متغیرهای اقتصادی، قیمت اهمیت بیش‎تری دارد، چراکه قیمت‏ها از نظر اقتصادی نقش راهنما را برای اتخاذ تصمیمات اقتصادی کارآمد ایفا می‎کند.

ایران سالانه میلیون‏ها تن محصولات کشاورزی، به‏خصوص گندم وارد می‏کند و به دنبال آن هر ساله چندین میلیارد دلار هزینه خرید گندم با قیمت‏های مختلف می‎نماید. در نهایت با عنایت به این مسأله که با توجه به شرایط کنونی اجتناب از واردات گندم امکان‌پذیر نمی‎باشد و از آنجایی که قیمت جهانی گندم و به تبع آن میزان واردات آن در ماه‏های مختلف متفاوت است  این پژوهش در صدد پاسخگویی به این سؤال است که آیا با پیش‎بینی قیمت جهانی گندم می‏توان زمان مناسب جهت خرید گندم را مشخص نمود تا بتوان در زمینه واردات این کالای استراتژیک صرفه‎جویی ارزی کرد؟ به بیان دیگر آیا با پیش‎بینی قیمت جهانی گندم می‏توان گامی در جهت صرفه جویی ارزی در ایران برداشت؟

 

2- چارچوب نظری و پیشینه پژوهش

نگاهی به پژوهشهای اقتصادی در ارتباط با پیش بینی قیمت، دامنه وسیعی از مدل‏ها و روش‏ها را منعکس می‏نماید. به‏طوریکه این دامنه مدل‏های بسیار ساده قیاسی و سری زمانی با روش‏های پیچیده معادلات ساختاری و شبیه‏سازی را در برمی‏گیرد. ولیکن از میان مدل‎های سنجی در این زمینه پیش‏بینی قیمت، نتایج پژوهش‎ها مؤید برتری الگوی سری زمانی ARIMA برای پیش‎بینی قیمت است. لذابا توجه به آنکه در این پژوهش پیش‎بینی قیمت جهانی گندم مدنظر می‎باشد، از مدل خودرگرسیون و میانگین متحرک انباشته (ARIMA) بهره گرفته خواهدشد.

مطالعات بسیاری در زمینه‎های مختلف براساس مدل ARIMA صورت گرفته است که در ادامه به آن‎ پرداخته می‎شود.

مره و همکاران (2011)[i] به پیش‎بینی قیمت روز بعد سهام با تکنیک‎های ARIMA و شبکه عصبی پرداختند. نتایج تحقیق بر بالاتر بودن کارایی ARIMA در پیش‎بینی قیمت سهام نسبت به شبکه عصبی دلالت دارد. Wong و همکاران(2010) [ii]مطالعه‎ای مقایسه‎ای بین مدل‌های سری زمانی فازی و مدل‌های  ARIMA انجام دادند. این مطالعه که بر روی داده‎های مقدار صادرات کشور تایوان صورت گرفت. وانخاد و همکاران (2010) [iii] اقدام به پیش‎بینی محصول نخود فرنگی هند با استفاده از مدل ARIMA پرداختند. در تحقیق آن‎ها‎ از روش باکس – جنکینز استفاده شد. لین (2010)[iv] به بررسی پیش‎بینی قیمت طلا با استفاده از مدل‌های ARIMAپرداخت. فرناندز (2005)  [v]به بررسی پیش‎بینی قیمت کالاهای نفت خام و قیمت گاز پرداخته است. وی در تحقیق خود از مدل شبکه هوش مصنوعی، مدل برداری و ARIMA برای پیش‎بینی استفاده نمود. دولی و لنیهان (2005) [vi]  به ارزیابی مدل‎های سری زمانی برای پیش‎بینی قیمت فلزات پرداختند. در این تحقیق از دو مدل ARIMA و مدل قیمت آتی وقفه داده شده برای پیش‎بینی قیمت فلزات روی و سرب استفاده شد. نتایج تحقیق آن‎ها‎ نشان داد که مدل ARIMA در مقایسه با مدل قیمت آتی با وقفه، پیش‎بینی بهتری ارائه می‎دهد. کونتراس و همکاران (2003) [vii]  به بررسی مدل ARIMA برای پیش‎بینی روزانه قیمت برق پرداختند. آن‎ها از تکنیک ARIMA برای تحلیل کردن داده‎های سری زمانی استفاده کردند. بروسسان و لیما (2002) [viii]  به بررسی کاربردی از مدل‌های سری زمانی به‎عنوان بک ابزار تصمیم‌گیری ‎برای خرید و فروش قراردادهای آتی گوشت در بازار برزیل پرداختند. مدل استفاده شده در تحقیق آن‎ها مدل ARIMA ، شبکه عصبی و مدل خطی پویا است. پرتوگال (1995) [ix] در مطالعه‎ای پیش‎بینی تولید ناخالص بخش صنعت در برزیل را با استفاده از روش‎های شبکه عصبی و ARIMA مورد مقایسه قرار داد. نتایج مطالعه حاکی از آن بود که فرآیند ARIMA ، عملکرد بهتری در مقایسه با مدل شبکه عصبی. در ایران  چیذری و عبداللهی (1393) در تحقیق خود جهت پیش‎بینی قیمت سهام کشاورزی در بورس اوراق بهادار از مدل ARIMA استفاده کرده‎اند. محمدی و همکاران (1390) ، مطالعه‎ای‎ را با هدف انتخاب الگوی مناسب برای پیش‎بینی قیمت اسمی و واقعی محصولات دامی انجام دادند. الگوهای مورد استفاده برای پیش‎بینی شامل الگوهای ARIMA و شبکه عصبی مصنوعی بوده است. علی احمدی و احمدلو (1389)  جهت پیش‎بینی قیمت قرارداد آتی سکه طلا در بورس کالای ایران از روش ARIMA براساس متد باکس-جنکینز پرداختند. فرخ زاده و شاه ولی (1387)، مطالعه‎ای‎ با هدف پیش‎بینی قیمت اسمی و واقعی محصولات کشاورزی شامل پنبه و زعفران و برنج برای دوره 1350-84 انجام دادند. الگوهای مورد استفاده برای پیش‎بینی شامل ARIMA، تعدیل نمایی یگانه، تعدیل نمایی دوگانه، هارمونیک، ARCH و الگوی شبکه مصنوعی است  مقدسی و رحیمی بدر (1386)  در تحقیق خود جهت ارزیابی الگوهای مختلف اقتصادسنجی برای پیش‎بینی قیمت گندم، ضمن  تصریح و انتخاب الگوی مناسب، به پیش‎بینی قیمت این محصول در دوره 90-1388 پرداخته‏اند. موسوی (1386)طی مطالعه‎ای‎ تحت عنوان تحلیل بر خودکفایی در تولید گندم، به منظور ایجاد یک دیدگاه تحلیل در مورد پایداری خودکفایی تولید گندم و امکان‎سنجی صادرات آن، مقدار تولید این محصول برای سال‎های آتی مورد پیش‎بینی قرار داده است. در این مطالعه، آمار سری زمانی تولید با استفاده از روش ARIMA مدل‎سازی شده است و تولید گندم برای سال های 1386 تا 1400 مورد پیش‎بینی قرار گرفته است. نتایج مطالعه عمرانی و بخشوده (1384)  نشان‏دهندة برتری مدل‌های ARIMA نسبت به روش‎های میانگین متحرک، هموارسازی نمایی ساده (یگانه) و دوگانه از نظر قدرت پیش‎بینی برای قیمت‎های پیاز و سیب زمینی در سال 1384 بوده است. گیلان پور وکهزادی (1376) قیمت برنج تایلندی را با استفاده از مدل  ARIMAپیش بینی نمودند.

در مطالعات مختلف انجام شده موضوعات اقتصادی، مالی و بازرگانی، این روش‎ها جواب‏های متعددی داده‏اند. نتایج بعضی از این تحقیقات، شبکه‎ها‎ی عصبی خطاهای کمتری نشان داده و در بعضی نتایج دیگر، روش‎های کلاسیک از جمله روش‎های باکس – جنکینز یا اقتصادسنجی جواب‌های بهتری داده‏اند. با توجه به به‏کارگیری مدل‌های مختلف پیش‎بینی در تحقیقات اخیر و نتایج گوناگون حاصله، هنوز قطعیت برتری هیچ یک از مدل‌های پیش‎بینی نسبت به یکدیگر مشخص نیست. لذا در این تحقیق برآنیم تا با استفاده از مدل ARIMA به پیش‎بینی قیمت جهانی گندم بپردازیم به این دلیل که طبق پیشینه ارائه شده این نتیجه حاصل می‎شود که مدل ARIMA برای پیش‌بینی‏های کوتاه‎مدّت و همچنین پیش‎بینی قیمت محصولات کشاورزی نتایج بهتری را ارائه می‎دهد. وجه تمایز این مطالعه با مطالعه های پیشین این است که تا کنون به پیش‎بینی قیمت جهانی گندم پرداخته نشده است و در این مطالعه علاوه بر پیش‏بینی قیمت جهانی گندم با استفاده از مدل ARIMA، به بررسی اثر آن بر واردات گندم، بررسی روند آماری واردات گندم و به تبع آن صرفه‏جویی ارزی می‏پردازد.

 

3- اهمیت موضوع پژوهش

محصول گندم به عنوان محصول استراتژیک در تمام دنیا بویژه کشورهای در حال توسعه نظیر ایران، به لحاظ تولید و مصرف مهم‏ترین محصول کشاورزی بوده و افزایش واردات آن روز به روز مورد توجه قرار گرفته و از نظر اقتصادی و بلأخص از نظر تأمین منابع ارزی برای این مهم، از اهمیت بسیاری برخوردار است. پیش‏بینی وقایع آینده در فرایند تصمیم‏گیری، نقش عمده‏ای ایفا می‏کند؛ در بین متغیرهای اقتصادی، قیمت اهمیت بیش‎تری دارد، چراکه قیمت‏ها از نظر اقتصادی نقش راهنما را برای اتخاذ تصمیمات اقتصادی کارآمد ایفا می‎کند.

این پژوهش با توجه به نقش انکارناپذیر قیمت در میزان واردات گندم، و همچنین ضرورت مدیریت واردات گندم در جهت صرفه‏جویی ارزی در ایران درصدد پیش‎بینی قیمت جهانی این محصول است تا بتواند زمان مناسب جهت واردات گندم را مشخص نماید و به هدف موردنظرکه صرفه‏جویی ارزی می‏باشد، دست یابد تا بتوان با این صرفه‎جویی ارزی، منابع ارزی کشور را به سرمایه‎گذاری در زمینه‎های زیربنایی اختصاص داد و گامی اساسی در جهت توسعه اقتصادی برداشت.

 

4- فرضیه پژوهش

با پیش‏بینی قیمت جهانی گندم و تشخیص زمان مناسب واردات گندم می‏توان به صرفه‏جویی ارزی در کشور ایران دست یافت.

 

5- روش‌شناسی پژوهش

 جامعه آماری تحقیق حاضر اطلاعات سری زمانی ماهانه قیمت گندم طی بازه زمانی ژوئن 2000 تا می 2014 است و پیش بینی قیمت جهانی گندم برای دوره زمانی 2015 تا 2017 انجام می شود که داده های مربوط به قیمت جهانی گندم از اطلاعات سری زمانی دپارتمان کشاورزی و اقتصاد ایالات متحده آمریکا استخراج و جمع آوری شده است. همچنین جهت بررسی میزان واردات گندم به کشور ایران از داده های ماهانه سال 1393- 1388مربوط به گمرک جمهوری اسلامی ایران- متناظر با ماه های قیمت جهانی گندم- استخراج شده است.

در انجام این تحقیق از آمار و اطلاعات موجود استفاده می‏گردد، و نیازی به نمونه‏گیری نمی‏باشد.

در این مطالعه جهت پیش‎بینی قیمت جهانی گندم، از تحلیل آماری به روش اقتصادسنجی و یکی از محبوبترین مدل‌های پیش‎بینی سری زمانی به‌نام مدل ARIMA که تحت عنوان متدولوژی باکس-جنکینز شهرت یافته است، استفاده می‎گردد.

با توجه به مباحث نظری موضوع و با درنظر گرفتن مطالعات تجربی صورت گرفته در خصوص پیش‎بینی قیمت جهانی گندم و بررسی اثر آن بر صرفه‎جویی ارزی در کشور ایران الگوی تجربی تحقیق به شکل مدل خودرگرسیون با میانگین متحرک انباشته ARIMA به صورت زیر ارائه می‎شود:

 

WP: در مطالعه حاضرقیمت جهانی گندم می‏باشد.

 

6- نتایج و بحث

6-1- آزمونهای مانایی  (Unit root Test)

در اغلب مطالعات سری‎های زمانی، وجود ریشه واحد در متغیرهای سری‎های زمانی ممکن است منجر به برآورد رگرسیون کاذب شود و از این رو نتایج به دست آمده قابل اتکا نباشد. به این منظور از دو آزمون متداول دیکی- فولر تعمیم یافته (ADF)[x] و فیلیپس-پرون (PP)[xi] استفاده شده است. نتایج هر دو آزمون نشان می‎دهد متغیر قیمت جهانی گندم با یکبار تفاضل‎گیری مانا می‎شوند، درنتیجه متغیر مورد بررسی جمعی از درجه یک می‎باشد. خلاصه نتایج این آزمون‎ها در جدول (1) ارائه شده است.

 

جدول 1- آزمون ریشه واحد دیکی  فولر تعمیم یافته و فیلیپس  پرون

آماره آزمون PP

متغیرها

درجه جمعی

تفاضل مرتبه اول

در سطح

I(1)

-8.439063

-1.849703

WP

آماره آزمون ADF

متغیرها

درجه جمعی

تفاضل مرتبه اول

در سطح

I(1)

-8.439063

-2.22149

WP

ماخذ: یافته‌های پژوهشگر

6-2- نتایج تخمین مدل ARIMA

در این مطالعه ابتدا برای استفاده از مدل ARIMA باید با بکارگیری آزمون‎های ریشه واحد، وضعیت مانایی و درجه جمعی متغیر به‎صورت دقیق مورد بررسی قرار می‎گیرد که نتایج آزمون‎های مانایی نشان از مانایی متغیر قیمت جهانی گندم با یکبار تفاضل‎گیری می‎باشد. سپس با مشاهده correlogram و با نگاهی به وضعیت Partial correlation (AR) و AutoCorrelation (MA) و نقاط بیرون زده از محدوه؛ مقدار AR و MA های خارج از میانگین را به‎دست آوریم که در ساختن مدل ARIMA مورد استفاده قرار می‎گیرد که با توجه به مقادیر AR و MA و همچنین با بررسی مقادیر آکائیک و شوارتز (AIC و SC) (معیار ارزش‎گذاری بر اساس کوچک بودن این مقادیر می‎باشد) می‎توانیم ARIMAی مناسب را برای مطالعه مشخص کنیم.

 

جدول2- مشاهده مقادیر correlogram برای به دست آوردن AR و MA های مناسب

 

ماخذ: یافته‌های پژوهشگر

 

با نگاهی به وضعیت Partial correlation (AR) و AutoCorrelation (MA) می‎توان مشاهده کرد که AR(1)، AR(2)، AR(4)، AR(12)، AR(26) و MA(1)، MA(5)، MA(6)، MA(8)،  MA(9) وMA(26)  از محدوده میانگین تعیین شده خارج شده‎اند. همچنین در جدول بالا، از AC برای تعیین وقفه q (Moving Average (MA)) استفاده می‎کنیم، که در واقع q از جایی آغاز می‎شود که AC شروع به کاهش کند (خودهمبستگی). و از PAC برای تعیین وقفه P (Auto regressive (AR)) استفاده می‎کنیم که در واقع p از جایی آغاز می‎شود که PAC شروع به کاهش می‎کند (خودهمبستگی جزئی).

حال معادله لازم را طبق وقفه‎های AR و MA می‎سازیم که بهترین معادله بر اساس کمترین مقدار AIC و SC معادله Ls WP c AR(1) AR(2) MA(5) MA(6) می‎باشد.

 

جدول 3- معادله مناسب براساس AR و MA برای پیش‌بینی مدل ARIMA

Ls WP c AR(1) AR(2) MA(5) MA(6)

Prob

آماره t

انحراف معیار

ضریب

متغیر

0.0000

6.889059

28.54629

196.6571

C

0.0000

20.02306

0.068700

1.375588

AR(1)

0.0000

-6.047418

0.068404

-0.413666

AR(2)

0.0870

1.720995

0.076125

0.131011

MA(5)

0.0416

2.052845

0.076110

0.156242

MA(6)

0.973067

Adjusted R- squared

7.723

Akaike info criterion

7.812

Schwarz criterion

1626.84

F - statistic

0.0000

Prob(F-statistic):

ماخذ: یافته‌های پژوهشگر

 

معادله جدول 3 بر طبق انواع وقفه‎های AR و MA دارای کمترین مقدار آکائیک و شوارتز (AIC و SC) می‎باشد که البته در اینجا بهترین حالت در جدول بالا ارائه شده است. بنابراین بعد از به دست آوردن بهترین حالت در ادامه White noise بودن جمله پسماند باید مورد بررسی قرار گیرد که در صورت عدم بیرون‎زدگی Partial correlation وAutoCorrelation  می‎توان به این نتیجه رسید که مدل ARIMA دچار مشکل پسماند نمی‎باشد.

بر طبق نتایج جدول 4 مشاهده می‎شود که مقدار  Partial correlation وAutoCorrelation   در هیچ نقطه‎ای دچار بیرون‎زدگی از میانگین نمی‎باشد و همچنین مقدار سطح احتمال برای تمامی مقادیر بالای 5% می‎باشد که نشان از قبول نتایج می‎باشد.

پس از به دست آوردن ARIMA مناسب می‎توانیم در ادامه از نتایج جدول 4 برای پیش‎بینی در مدل ARIMA استفاده کنیم.

 

جدول4- آزمون جمله پسماند برای پیشبینی مدل ARIMA مناسب

 

ماخذ: یافته‌های پژوهشگر

 

 

نمودار 1- مقادیر پیشبینی قیمت جهانی گندم بر اساس پیش‎بینی ایستا برای سال‎های 2014-2000

 

نمودار 2- مقادیر واقعی قیمت جهانی گندم برای سال‎های 2014-2000

 

نتایج جدول 1 و 2 که مقادیر پیش‎بینی قیمت جهانی گندم برای سال‎های 2014-2000  و بر اساس مقادیر واقعی قیمت جهانی و با استفاده از پیش‎بینی ایستا صورت گرفته است، نشان از درستی مراحل سپری شده در بالا می‎باشد و می‎توانیم با اتکاء بر نتایج بالا پیش‎بینی لازم را برای سال‎ها‎ی 2016:1-2017:12 انجام دهیم.

 

 

نمودار 3- مقادیر پیشبینی قیمت جهانی گندم بر اساس پیش‎بینی ایستا برای سال‎های 2017-2000

 

6-3- بررسی وضعیت واردات گندم کشور ایران

با توجه به هدف اصلی پژوهش که پیش‏بینی قیمت جهانی گندم و تشخیص زمان مناسب واردات گندم در جهت صرفه‏جویی ارزی می‎باشد، ضروری می‎نماید تا با توجه به آمار واردات گندم ایران در سال‎های اخیر، به بررسی این نکته پرداخته شود که آیا ایران در زمان مناسب واردات گندم داشته است یا خیر؟ با بررسی آمار واردات اداره گمرک جمهوری اسلامی ایران برای سال‎های 1393- 1388 به صورت ماهانه و مقایسه با ماه‎های متناظر با داده‎های قیمت جهانی گندم در این سال‎ها، این نتیجه حاصل می‎شود که واردات گندم در زمان مناسبی انجام نشده است، به‎عبارت دیگر، دقیقاً در ماه‎هایی که قیمت جهانی‎گندم افزایش داشته است ایران نیز افزایش واردات گندم داشته و این به معنای از دست دادن منابع ارزی کشور است.

در نمودارهای زیر، قیمت جهانی گندم و میزان واردات ایران در ماه های متناظر مقایسه شده است.

 

 

نمودار 4- مقایسه قیمت جهانی گندم و واردات ماهانه گندم برای سال‌های 1388-1393

منبع: اداره گمرک جمهوری اسلامی ایران

 

همانطور که در نمودار 4 ملاحظه می‎شود، به تعداد ماه‎های کمی میان قیمت جهانی گندم و واردات گندم تناسب وجود دارد. در اوایل سال 1388 با وجود کاهش قیمت، با کاهش واردات روبرو هستیم. از ماه پنجم سال 1389 تا ماه پنجم سال 1391 واردات تقریباً به شکل مناسب مدیریت شده است ولیکن در ماه‎های باقی سال 1391 این روند ادامه نمی‎یابد و با وجود افزایش زیاد قیمت جهانی گندم، واردات به بالاترین میزان رسیده است که با مقایسه واردات گندم در ماه‎های متناظر مشاهده می‎شود که ایران واردات گندم را نسبت به ماه‎های قبل افزایش داده است. در ماه‎های آخر سال 1392و در ماه‎های ابتدایی سال‎ 1393، قیمت جهانی گندم با توجه به اینکه کاهش کم و غیرقابل ملاحظه‎ای داشته است ولی همانطور که ملاحظه می‎شود، واردات افزایش چشمگیری داشته است. به عبارت دیگر کاهش قیمت به میزانی نبوده است که افزایش واردات به این میزان به مصلحت باشد و نسبت به سال‎های گذشته افزایش قابل توجهی داشته است و در ماه‌های بعدی سال 1393به درستی عمل شده است و نشان از بهبود روند مدیریت واردات دارد.

در نمودار 5 میانگین واردات گندم و قیمت جهانی به صورت سالانه بررسی شده است و همانطور که ملاحظه می‌شود، نتایج و تفاسیر مذکور به‎صورت میانگین سالانه، نیز قابل حصول است.

 

 

نمودار 5- میانگین قیمت جهانی گندم- میانگین ارزش واردات به دلار برای سال های 1388-1393

منبع: اداره گمرک جمهوری اسلامی ایران

 

همانطور که بیان گردید، در میان سال‎های مورد بررسی، در سال 1391، علی‎رغم آن‎که قیمت جهانی گندم به بالاترین میزان خود رسیده است، ولیکن کشور ایران، بالاترین میزان واردات را داشته است.

 

7- نتایج و پیشنهادات

نتایج تخمین مدل ARIMA و مشاهده روند زمانی متغیر قیمت جهانی گندم که در سال‎های اخیر با کاهش قیمت مواجه شده است، در سالهای 2016 و 2017 شاهد افزایش تدریجی قیمت جهانی گندم خواهیم بود. بنابراین ارائه راهکارهایی در کشورهای در حال توسعه و تصمیمات سیاسی و اقتصادی به‎خصوص در کشورهای پرجمعیت مبین این است که تأمین نیازهای اضافی گندم با تکیه بر واردات به مصلحت آن‎ها‎ نیست و قطعاً کشور ما نیز بایستی با اتخاذ این سیاست‎ها و با ایجاد اراده سیاسی توأم با تدوین و اجرای مستمر برنامه‎های جامع و راهبردی تحقیقاتی و اجرایی و افزایش عملکرد و بهینه کردن مصرف گندم کشور، نعمت بزرگ خودکفایی این محصول استراتژیک را حفظ نموده و با عرضه مطمئن گندم با تکیه بر تولید داخلی، امنیت غذایی جامعه را نیز تحکیم و تضمیین نماید. تحقق این آرمان ملی با توسعه همه جانبه تحقیقات و سرمایه‌گذاری کافی توأم با اتخاذ سیاست‌های مناسب اقتصادی قابل دستیابی می‎باشد.

با توجه به هدف اصلی تحقیق که پیش‏بینی قیمت جهانی گندم و تشخیص زمان مناسب واردات گندم در جهت صرفه‏جویی ارزی می‎باشد، در قسمت برآورد مدل، داده‎های قیمت جهانی گندم و داده‎های واردات گندم کشور ایران در ماه‎های متناظر و همچنین به‎صورت میانگین سالانه، مورد مقایسه و تجزیه و تحلیل قرار گرفت.

با بررسی آمار واردات اداره گمرک جمهوری اسلامی ایران برای سال‎های 1393- 1388 به صورت ماهانه و مقایسه با ماه‎های متناظر با داده‎های قیمت جهانی گندم در این سال‎ها، این نتیجه حاصل شد که واردات گندم  در بعضی سال‌ها، در زمان مناسبی انجام نشده است، در سال‎هایی مانند سال مانند سال 1391که قیمت جهانی افزایش داشته است ایران نیز افزایش واردات گندم داشته و علت این عدم مدیریت، می‏تواند به دلایلی همچون وجود تقاضای زیاد، سوء تدبیر مسئولین و یا وجود رانت در زمینه واردات گندم باشد که در نهایت، متأسفانه منجر به از دست دادن منابع ارزی می‎شود، در صورتی که می‎توان این منابع را صرف سرمایه‌گذاری‎های زیربنایی کشور نمود. با توجه به تفاسیر مذکور، فرضیه تحقیق مبنی بر اینکه آیا با پیش‎بینی قیمت جهانی گندم و تشخیص زمان درست واردات آن می‏توان به صرفه جویی ارزی رسید تأیید می‎گردد و پژوهش به هدف خود رسیده است.

با توجه به نتیجه ی به دست آمده از پژوهش، جهت بهبود روند وضعیت تولید و به خصوص واردات گندم، به مسئولین توصیه می‎شود علاوه بر پیش‎بینی وضعیت آب و هوایی و در نظر گرفتن شرایط کنونی، و با توجه به این موضوع که کشور ایران در سال های آتی به سمت خشکسالی می‎رود و امکان خودکفا شدن در تولید این محصول دور از انتظار است، به پیش‎بینی دقیق قیمت جهانی گندم بپردازند تا چنانچه قیمت در حال افزایش بود از تولید داخلی مصرف شود و چناچه در حال کاهش بود بتواند در زمان مناسب واردات گندم داشته باشد و پاسخگوی نیازهای مصرف کنندگان باشند.

همچنین توصیه می‌شود اقداماتی جهت افزایش سیلو و مخازن گندم، انجام پذیرد تا در صورت واردات گندم بتوان برای مدت زمان بیشتری گندم را نگهداری نمود.

مسأله مورد توجه دیگر این است که گاهی مسئولین مربوطه که وظیفه خرید گندم را بر عهده دارند، از زمان تصمیم برای خرید گندم تا اجرای تصمیم، زمان زیادی را صرف می‌کنند، که متأسفانه این امر خود موجب تغییر قیمت می‌شود و شاید بخشی از منابع ارزی که صرف خرید گندم با قیمت بالا می‌شود، ناشی از همین تأخیر زمانی باشد؛  لذا به مسئولین مربوطه توصیه می‎گردد مدت زمان تصمیم خرید تا انجام آن را به حداقل برسانند.

 

7-1- پیشنهادات برای پژوهش‌های آتی

مواردی را می‎توان برای آزمودن و پیشرفت مدل این پژوهش و همچنین موضوع مورد بحث نام برد که در ذیل اشاره می‎گردد:

1)   با توجه به این موضوع که مدل‎های متفاوتی جهت پیش‎بینی قیمت، مانند: سری‎های زمانی فازی و مدل ترکیبی FARIMA و ... وجود دارد، لذا می‎توان جهت دستیابی به نتایج گسترده‎تر به پیش‎بینی قیمت جهانی گندم از روش‎های نامبرده استفاده نمود و به مقایسه این روش‎ها و همچنین ارزیابی قدرت هرکدام پرداخت.

2)   با توجه به این مسأله که در این پژوهش فقط قیمت به‎عنوان مهمترین متغیر در پیش‎بینی در نظر گرفته شده است، پیشنهاد می‎شود در پژوهش‌های آتی متغیرهای تأثیرگذار دیگر، همچون دما و میزان بارش هم مورد پیش‌بینی و آزمون قرار گیرد

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 



1- دانشیار دانشکده اقتصاد و حسابداری، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران ( نویسنده مسئول) ، sh_nessabian@iauctb.ac.ir

2- کارشناس ارشد، برنامه ریزی سیستم‌های اقتصادی، دانشکده اقتصاد و حسابداری، واحد تهران مرکزی، تهران، ‌ایران shahab.gh2000@aol.com Foreca



[i] Merh, N.,& Saxena, V., &Pardasani, K

[ii] Wang et al

[iii] Wankhade,R, Suvarna,M, Sonal,G & V.M. Bodade

[iv] Lin,J

[v] Fernandez,v

[vi] Dooley, G., and H. Lenihan

[vii] Contreras,J,Rosario,E, Francisco,J, & Antonio

[viii] Bressan and Lima

[ix] Portugal, N. S.

[x] The augmented Dickey – Fuller Unit Root Test

[xi] Phillips & Perron

فهرست منابع

1)        آذر، عادل و رجب زاده، علی (1382). «ارزیابی روش های ترکیبی: با رویکردهای شبکه های عصبی، کلاسیک در حوزه اقتصاد»، مجله تحقیقات اقتصادی، شماره 63، پاییز و زمستان 1382.

2)        ابریشمی، ح.، مهرآرا، م.(1381)، اقتصاد سنجی کاربردی (رویکردهای نوین). چاپ اول. انتشارات دانشگاه تهران.

3)        ابویی مهریزی، امیر (1385). «پیش بینی قیمت سهام با استفاده از شبکه های فازی و (ANFIS)»، پایان نامه کارشناسی ارشد، مدیریت صنعتی، دانشگاه تربیت مدرس.

4)    پناهیان، حسین (1379). «استفاده از شبکه های عصبی برای پیش بینی روند شاخص سهام بورس اوراق بهادار تهران طی سال های 1372-1369»، رساله دکتری مدیریت، دانشگاه آزاد اسلامی واحد علوم و تحقیقات.

5)        چیذری، امیرحسین و عبداالهی، مهرنوش، (1393).«پیش‎بینی قیمت سهام کشاورزی در بورس اوراق بهادار تهران (مطالعه موردی شرکت کشاورزی و دامپروری مگسال)»، اقتصاد کشاورزی، ویژه‎نامه، صص.243-233

6)        خالوزاده، حمید و خاکی صدیق، علی (1382).«ارزیابی ارزیابی پیش بینی پذیری قیمت سهام و تعیین میزان قابلیت پیش بینی در بازار بورس تهران»، فصلنامه مدرس علوم انسانی، دوره 7، شماره 3، پاییز 1382.

7)        ژاله رجبی، میترا و مقدسی، رضا. «به کارگیری الگوهای رگرسیونی شامل داده‎های مختلط در مدلسازی و پیش‎بینی ارزش واردات گندم ایران (روش ARDL تعمیم یافته مبتنی بر OLS)»، نشریه اقتصاد کشاورزی، جلد 28، شماره2، تابستان 1393، ص. 148-138.

8)        شریف، مصطفی. « بررسی آثار تعیین قیمت گندم بر تولید آن در ایران»، نشریه اقتصاد کشاورزی و توسعه، سال دوازدهم، شماره 46، تابستان 1383.

9)        شیوا، رضا؛ پیش بینی سری های زمانی، صص 18-17.

10)    عمرانی، محمد و بخشوده، محمد. «مقایسه روش‏های مختلف پیش‎بینی: مطالعه موردی قیمت پیاز، سیب‎زمینی در ایران»، چهارمین کنفرانس دوسالانه اقتصاد کشاورزی، (1384).

11)    فرجام نیا،ایمان. «پیش بینی قیمت نفت با دو روش ARIMA و شبکه های مصنوعی»، فصلنامه پژوهش های اقتصادی ایران، سال نهم، شماره 32، پاییز 1386، صص 161-183.

12)    فلاح شمسی، میرفیض و دلنواز اصغری، بیتا (1388).«پیش بینی شاخص بورس اوراق بهادار تهران با استفاده از شبکه های عصبی»، مجله فراسوی مدیریت، شماره 9، تابستان 1388.

13)    گیلان پور، امید و کهزادی، نوروزی. «پیش‎بینی قیمت برنج در بازار بین‎المللی با استفاده از الگوی خودرگرسیونی میانگین متحرک»، فصلنامه اقتصاد کشاورزی و توسعه، سال سوم، شماره 8، 1376.

14)    محمدی، حسین و فکاری سردهایی، بهزاد (1392).«عوامل مؤثر بر قیمت گندم در بورس کالای ایران»، نشریه اقتصاد و توسعه کشاورزی، جلد 27، شماره 2، تابستان 1392، ص. 102-95.

15)    مشیری، سعید (1380).«پیش بینی تورم ایران با استفاده از مدل های ساختاری سری های زمانی و شبکه های عصبی»، مجله تحقیقات اقتصادی، شماره 58، بهار و تابستان 1380.

16)    مشیری، سعید و مروت، حبیب (1385). «پیش بینی شاخص کل بازدهی سهام تهران با استفاده از مدل های خطی و غیرخطی»، فصلنامه پژوهش های بازرگانی، شماره 41، زمستان 1385.

17)    مقدسی، رضا و رحیمی بدر، بیتا (1386). « ارزیابی قدرت الگوهای مختلف اقتصاد سنجی برای پیش‎بینی قیمت گندم». پژوهشنامه اقتصادی، سال نهم، شماره چهارم، زمستان 1388.

18)    منجزی، مریم و قبادی، صغری و افقه، سید مرتضی. «بررسی اثرات کوتاه‎مدّت و بلند مدّت آزادسازی تجاری بر تابع واردات گندم ایران»، جلد 24، شماره 4، بهار 1389، ص. 526-532.

19)    موسوی، حبیب الله. «تحلیلی بر خودکفایی در تولید گندم»، ششمین کنفرانس اقتصاد کشاورزی ایران.

20)    نوفرستی، م، (1387). ریشه واحد و هم جمعی در اقتصادسنجی. چاپ اول. انتشارات رسا

21)    

22)    

23)    

24)    

25)    

26)    

27)    

28)    

29)    

30)    

31)    

32)    

33)    

34)    

35)    

36)    

37)    

38)    

39)    

40)    

41)   Box, G.P., Jenkins, G.M. (1978). Time Series analysis: Forecasting and control, revised., Holden day, San Francisco.

42)   Brandt J. A. and D. A. Bessler (1981), Composite forecasting: an application with US. hog prices, American Journal of Agricultural Economics, 63: 135-140.

43)   Bressan and Lima. (2002), the applicability of time series models as a decision tool of buy and sell orders of live cattle futures contracts. nova Economia_Belo Horizonte_12 (1)_117-140_janeiro-junho de2002.

44)   Contreras,J,Rosario,E, Francisco,J, and Antonio. (2003).ARIMA models to predict next day Electricity prices. IEEE TRANSACTIONS ON POWER SYSTEMS, VOL. 18, NO. 3, AUGUST 2003 .

45)   Dooley, G., and H. Lenihan (2005). An assessment of time series methods in metal price forecasting..Resources Policy 30, 208-217.

46)   Fernandez,v .(2005), Forecasting commodity prices by classification methods: The cases of crude oil and natural gas spot prices.

47)   Lin,J (2010), Empirical study of Gold price Based on ARIMA and GARCH.

48)   Merh, N.,& Saxena, V., &Pardasani, K. (2011). Next day stock market forecasting:An application of ANN and ARIMA. Available at www.SSRN.com.

49)   -Portugal, N. S. (1995), Neural networks versus time series methods: A forecasting exercises, 14th international symposium on forecasting, Sweden.

50)   Wu, SH. I. and R. P. Lu (1993), Combining artificial neural networks and statistics for stock-market forecasting, 257-264.

51)   Wankhade,R, Suvarna,M, Sonal,G and V.M. Bodade (2010), Use if the RIMA model for forecasting Pigeon Pea Production in india.International Review of Business and Finance.v(2)

52)   Wang C. C.(,2011), A comparison study between fuzzy time series model and ARIMA model for forecasting Taiwan export. Expert Systems with Applications 38: 9296–9304.

53)   www.FAO.org

 

 

یادداشت‌ها