بررسی تابع تقاضا معکوس و شبکه عصبی مصنوعی در پیش‌بینی قیمت محصولات زراعی، مطالعه موردی شبکه آبیاری دشت قزوین

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه بین المللی امام خمینی

2 علوم و مهندسی آب،دانشکده کشاورزی و منابع طبیعی،دانشگاه بین المللی امام خمینی (ره)

چکیده

پیش‌بینی قیمت محصولات کشاورزی همواره یکی از مهم‌ترین دغدغه‌های کشاورزان بوده است. کشاورزان به عنوان یک فعال اقتصادی، به منظور حفظ معیشت خود سعی در افزایش بهره‌وری و کاشت محصولات با صرفه اقتصادی بالاتر را دارند و اگر در این امر موفق نشوند به منظور حفظ معیشت خود اقدام به تولید محصول بیشتر و مصرف بیشتر منابع آب خواهند نمود. با توجه به فاصله زمانی میان تصمیم تولیدکنندگان به تولید محصول و عرضه آن به بازار، قیمت محصولات کشاورزی ثابت نمانده و بر اساس مقدار عرضه به بازار دستخوش تغییر می‌شود. پیش‌بینی قیمت محصولات کشاورزی علاوه بر استفاده بهینه از منابع به منظور تولید محصولات با بازده اقتصادی بالاتر، موجب حفظ معیشت کشاورزان و همچنین جلوگیری از تخلیه منابع آب زیرزمینی می‌شود. در این پژوهش به پیش‌بینی قیمت محصولات شبکه آبیاری دشت قزوین پرداخته‌شده است. برای پیش‌بینی قیمت محصولاتی که قیمت آن‌ها تابعی از مقدار عرضه است از دو روش سیستم تقاضا معکوس و شبکه عصبی مصنوعی استفاده شده است و برای پیش‌بینی قیمت خرید محصولاتی مانند گندم، جو، چغندرقند و کلزا که از خرید تضمینی برخوردار هستند، روش‌های رگرسیون غیرخطی و شبکه عصبی مصنوعی استفاده شده است. مقایسه میانگین قدرمطلق خطا و جذر میانگین مربعات خطای روش‌های پیش‌بینی قیمت محصولاتی که قیمت آن‌ها تابع مقدار عرضه به بازار است، نشان داد هرچند که شبکه عصبی مصنوعی از میانگین قدرمطلق خطا و جذر میانگین مربعات خطای بهتری نسبت به تابع تقاضا معکوس برخوردار است، اما قیمت‌های پیش‌بینی‌شده به این روش، وابستگی چندانی به مقدار عرضه ندارد. با توجه به اهمیت تأثیر مقدار عرضه در قیمت محصول، استفاده از شبکه عصبی مصنوعی، علیرغم برتری در شاخص‌ها، برای پیش‌بینی قیمت محصولات کشاورزی قابل توصیه نیست.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of the ability of inverse demand function and artificial neural network to predict crop prices, Case Study of Qazvin Plain Irrigation Network

نویسندگان [English]

  • Hamed Mazandarani Zadeh 1
  • seyed marzieh hosseini 2
1 Faculty member, water eng. group, Imam Khomeini International University
2 Department of Water Science and Engineering, Faculty of Agriculture and Natural Resources, Imam Khomeini International University, Qazvin, Iran.
چکیده [English]

The occurrence of climate change and its impact on water resources such as reduction of surface water flows has led to vulnerability and instability of farmers' livelihoods. Currently, Qazvin plain is one of the regions of the country that is facing water crisis and severe water shortage.The reduction of water allocated from Taleghan Dam to Qazvin plain has led farmers to take unauthorized harvesting of water from wells in order to provide their livelihoods (Hosseini and Mazandarani Zadeh, 2022). Despite farmers draining groundwater aquifers, most of their livelihoods still face problems due to crop price fluctuations. Therefore, in this study, with the aim of providing livelihood to farmers and preserving groundwater resources, the price of agricultural products has been predicted using Inverse demand function, Artificial Neural Network and nonlinear regression methods. The Inverse demand function and Artificial Neural Network methods were used to predict the price of products without guaranteed purchase price and Artificial Neural Network and nonlinear regression were used to predict the price of products with guaranteed purchase price including wheat, barley, sugar beet and rapeseed.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Equilibrium
  • Guaranteed purchase
  • Inverse demand function
  • Supply

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 15 مرداد 1403
  • تاریخ دریافت: 02 دی 1402
  • تاریخ بازنگری: 09 مرداد 1403
  • تاریخ پذیرش: 15 مرداد 1403
  • تاریخ انتشار: 15 مرداد 1403