پیش بینی مصرف کاغذ چاپ و تحریر در ایران با استفاده از روش های کلاسیک و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته دکترای تخصصی، گروه صنایع چوب و کاغذ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

2 دانشیار، گروه صنایع چوب و کاغذ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

3 دانشیار، گروه صنایع چوب و کاغذ ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

4 استادیار، گروه صنایع چوب و کاغذ ، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران

5 دانشیار، گروه صنایع چوب و کاغذ، دانشگاه آزاد اسلامی واحد کرج

چکیده

هدف از این تحقیق پیش بینی روند مصرف کاغذ چاپ و تحریر در ایران طی یک دوره زمانی 5 ساله با استفاده از روشهای کلاسیک و نوین پیش بینی است. به منظور انجام این پیش بینی، در ابتدا پیش بینی پذیر بودن سری زمانی با استفاده از آزمون های دوربین- واتسون و گردش مورد بررسی قرار گرفت. سپس به مقایسه مدل شبکه عصبی مصنوعی (پرسپترون چندلایه (MLP)) و مدل های کلاسیک تک متغیره و چندمتغیره از قبیل مدل های تک متغیره هموارسازی نمایی ساده (SES)، هموارسازی نمایی دوبل (DES)، هموارسازی نمایی هالت- وینترز (HWES)، باکس- جنکینز (ARIMA) و مدل اقتصادسنجی چندمتغیره بر حسب معیارهای استاندارد آماری پرداخته شد. در نهایت، پیش بینی مصرف کاغذ چاپ و تحریر در ایران تا سال 1396 با استفاده از مناسب ترین مدل صورت گرفت. نتایج هر دو آزمون پارامتریک دوربین- واتسون و آزمون غیر پارامتریک گردش نشان دادند که سری مصرف کاغذ چاپ و تحریر، غیرتصادفی و قابل پیش بینی می باشد. نتایج مقایسه روش های مختلف پیش بینی نیز نشان دادند که مدل شبکه عصبی مصنوعی از صحت پیش بینی بالاتری نسبت به مدل های کلاسیک برخوردار می باشد و برای پیش بینی طی یک دوره زمانی 5 ساله مناسب تر می باشد. همچنین نتایج پیش بینی مصرف کاغذ چاپ و تحریر با استفاده از مدل شبکه عصبی (MLP) نشان دادند که مصرف کاغذ چاپ و تحریر در ایران با 5/3 درصد افزایش از حدود 375 هزار تن در سال 1391 به 420 هزار تن در سال 1392 خواهد رسید ولی در طول دوره پیش بینی از 5/3 درصد در سال 1392 به 0/07 درصد در سال 1396 افت خواهد نمود.

کلیدواژه‌ها

موضوعات


 

-Anandhi, V., Manicka Chezian, R. and Parthiban, K.T., 2012. Forecast of demand and supply of pulpwood using artificial neural network. International Journal of Computer Science and Telecommunications, 3(6): 35-38.

-Biglari, M., Tajdini A., Roohnia, M. and Borimnejad, V., 2010. Estimation of writing and printing paper demand function in Iran. Journal of Sciences and Techniques in Natural Resources, 5(1):39-53. (In Persian)

-Billah, B., King, B.M., Synder, R.D. and Koehler, A.B., 2006. Exponential smoothing model selection for forecasting. International Journal of Forecasting, 22(2): 239-247.

-Chakra borty, K., Mehrotra, K. and Mohan, C.K., 1992. Forecasting the behavior of multivariate time series using neural networks. Neural Networks, 5(6): 961-970.

-Chio, J., Adams, T., Bahia, M. and Hussain, U., 2004. Pavement roughness modeling using back-propagation neural networks. Computer-Aided Civil and Infrastructure Engineering, 19(4): 295-303.

Demuth, H. and Beale, M., 2000. Neural network toolbox user's guide. Version4. The Math Works, Inc. Copyright (1992-2002).

-Emang, D., Shitan, M., Ghani, A.N.A. and Noor, K.M., 2010. Forecasting with univariate time series models: A case of export demand for peninsular Malaysia's moulding and chipboard. Journal of Sustainable Development, 3(3):157-161.

-FAO .1997. Provisional outlook for global forest products consumption, production and trade to 2010. FAO Forestry, Policy and Planning Division, Rome.

-Gujarati, D.N., 2004. Basic Econometrics (4th Edition). McGraw-Hill, New York, 1002pp.

-Gupta, M., Corrie, K., Hug, B. and Burns, K., 2013. Preliminary long-term forecasts of wood product demand in Australia. Australian Government, Department of Agriculture, Fisheries and Forestry, Canberra, 69p. 

-Hemmasi, A.H., Ghaffari, F., Hamidi, K. and Biranvand, A., 2006. Demand function estimation and consumption projection of newsprint in Iran. Journal of Agriculture Science, 12(3): 635-646. (In Persian)

-Hetemaki, L. and Obersteiner, M., 2002.US newsprint demand forecasts to 2020. International Inistitute for Applied Systems Analysis, University of California, Berkeley.

-Hetemaki, L., Hanninen, R. and Toppinen, A., 2004. Short-term forecasting models for the Finnish forest sector: Lumber exports and sawlog demand. Forest Science, 50(4): 461- 472.

-Hetemaki, L. and Mikkola, J., 2005. Forecasting Germany's printing and writing paper imports. Forest Science, 51(5): 483-493.

-Hornik, K., Stinchcombe, M. and White, H., 1989. Multilayer feedforward networks are universal approximators. Neural Networks, 2(5): 359-366.

-Hosseini, M.H., Safaei Ghadikolaey, A.H. and Alavinezhad, S., 2010. Introducton of fuzzy back-propagation network for sales forecasting of newsprint. Journal of Industrial Management Studies, 19: 217-238. (In Persian)

-Hujala, M. and Hilmola, O.P., 2009. Forecasting long-term paper demand in emerging markets. Foresight, 11(6): 56-73.

-Kangas, k. and Baudin, A., 2003. Modeling and projections of forest products demand, supply and trade in Europe. Geneva Timber and Forest Discussion Papers, Timber Section, Geneva, Switzerland.

-Kayacan, B., Sengün Ucal, M., Öztürk, A., Bali, R., kocer, S. and Kaplan, E., 2012. Modeling and forecasting the demand for industrial roundwood in Turkey: A primary econometric approach. Journal of Food, Agriculture & Environment, 10(2):1127-1132.

-Kisi, O., 2004. Multilayer perceptions with levenberg- marquardt training algorithm for suspended sediment concentration prediction and estimation. Hydrol Science Journal, 49(6): 1025-1040.

-Kuan, C.M. and White. H., 1994. Artificial neural networks: An econometric perspective. Econometric Reviews, 13(1): 1-91.

-Lachtermacher, G. and Fuller, J.D., 1995. Back propagation in time-series forecasting. Journal of Forecasting, 14(4): 381-393.

-Luo, J., 2003. Chinese newsprint and printing & writing paper industry. School of Economics, Georgia Institute of Technology, Atlanta.

-Malaty, R., Toppinen, A. and Vitanen, J., 2007. Modeling and forecasting Finnish pine sawlog stumpage prices using alternative time-series methods. Canadian Journal of Forest Research, 37(1): 178-187.

-Marcellinio, M., Stock, J.H. and Watson, M.W., 2006. A comparison of direct and indirect and iterated multi step AR methods for forecasting macroeconomic time series. Journal of Econometrics, 135(1-2): 499-526.

-Mohammadi Limaei, S., Heybatian, R., Heshmatol Vaezin, S.M. and Torkman, J., 2011. Wood import and export and its relation to major macroeconomics variables in Iran. Forest Policy and Economics,13(4): 303-307.

-Moshiri, S. and Comeron, N. 2000. Neural network versus econometric models in forecasting inflation. Journal of Forecasting, 19(3): 201-217.

-Newaz, M.K., 2008. Comparing the performance of time series models for forecasting exchange rate. BRAC University Journal, 5(2): 55-65.

- Pacelli, V., Bevilacqua, V. and Azzollini, M., 2011. An artificial neural network model to forecast exchange rates. Journal of Intelligent Learning Systems and Applications, 3(2): 57-69.

-Pesaran, H.M. and Pesaran, B., 1997. Working with Microfit 4.0: An introduction  to  econometrics. Oxford University Press, Oxford.

-Pindyck, R.S. and Rubinfeld, D.L., 1998. Econometric Models and Economic Forecasts (4th Edition). McGraw-Hill, New York, 634p.

-Swanson, N. and White, H., 1997. A model selection approach to real-time macroeconomic forecasting using linear models and artificial neural networks. The Review of Economics and Statistics, 9(4): 540-550. 

-Tavakkoli, A., 2015. Comparison of different methods to forecast the demand of most important lignocellulosic products using econometric, time series and artificial neural network (ANN) methods. Ph.D. thesis, Department of Wood and Paper Science, Tehran Science and Research Branch, Islamic Azad University, Tehran, 310p. (In Persian)

-Tavakkoli, A., Hemmasi, A.H., Talaeipour, M., Bazyar, B. and Tajdini, A., 2015. Forecasting of particleboard consumption in Iran using univariate time series models. BioResources, 10(1): 2032-2043.

-Yürekli, K., Kurunc, A. and Öztürk, F., 2005. Testing the residuals of an ARIMA model on the Çekerek stream watershed in Turkey. Turkish Journal of Engineering and Environmental Sciences, 29: 61-74.

-Zhang, G.P., 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50: 159-175.