تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > دراسة التقلبات الموسمية في أسع...>الوصف

دراسة التقلبات الموسمية في أسعار وكميات الطماطم الواردة إلى سوق العبور باستخدام النماذج المتحركة

العنوان بلغة أخرى: Seasonality Study of Tomato Prices and Quantities in Eloboor Wholesale Market Using Dynamic Models
المصدر: المجلة المصرية للإقتصاد الزراعي
الناشر: الجمعية المصرية للإقتصاد الزراعي
المؤلف الرئيسي: زيدان، فاتن محمد الهادي (مؤلف)
المؤلف الرئيسي (الإنجليزية): Zedan, Faten Mohamed El-Hady
المجلد/العدد: مج27, ع2
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2017
الشهر: يونيو
الصفحات: 713 - 726
ISSN: 1110-6832
رقم MD: 1473483
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
التقلبات الموسمية | النماذج المتحركة | سوق العبور | محصول الطماطم
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون
حفظ في:
المستخلص: ترتكز غالبية طرق الضبط الموسمي على نماذج السلاسل الزمنية وحيدة المتغير، وذلك لسهولتها ولإمكانية استخدامها بدون معرفة متخصصة في هذا المجال. وتحاول هذه الطرق جميعها تقدير الآلية المتولدة للمشاهدات تحت الفروض البسيطة التي توضح أن السلسلة تتكون من جزء منتظم يحدد جيدا دالة الزمن، وجزء عشوائي يخضع لقانون الاحتمالات، ويفترض في العنصر العشوائي أن يكون توزيعه معتدلا، ومتوسط وتباين ثابت، وارتباط داخلي مساويا للصفر. هذا ويمكن تجميع طرق تقدير هذه المكونات في مجموعتين كبيرتين هما طرف الانحدار وأساليب المتوسط المتحرك والذي يطلق عليها أيضا أساليب التمهيد الخطي. حيث تفترض طرق الانحدار أن الموسمية والمكونات المنتظمة الأخرى دوال حتمية على المدى الكلي للسلسلة، أما أساليب المتوسط المتحرك أو التمهيد الخطي المنقح فتفترض أنها متغيرات تصادفيه. وتنحصر مشكلة الدراسة في قصور نماذج التحليل الزمني المستخدمة في التعرف الجيد على مكونات السلسلة الزمنية وبالتالي إمكانية التنبؤ المستقبلي بالظاهرة محل الدراسة. وهذا القصور ملازم لجميع أساليب التمهيد الخطي سواء طرق الانحدار أو الأوساط المتحركة. وبسبب هذا فأن تقدير المشاهدات الجارية يجب تعديلها طالما كانت هناك بيانات أخرى يمكن إضافتها إلى السلسلة الأصلية. إلا أن التعديلات المتكررة تربك مستخدم بيانات الضبط الموسمي خاصة إذا كانت التعديلات كثيرة نسبيا أو إذا سببت تغيرا في اتجاه الحركة العامة للسلسلة المعدلة. لذلك هدفت الدراسة إلى تحليل السلاسل الأصلية بتكامل عملية الانحدار الذاتي للأوساط المتحركة باستخدام أسلوب إحصائي جديد لتحليل التحركات السعرية يوفق ويتنبأ جيدا بالسلسلة الأصلية سواء كان تنبؤ للأمام أو تنبو للخلف، حيث تضبط موسمية السلسلة الأصلية بمتوسطات متحركة متعددة الأشكال. وتتلخص نتائج الدراسة فيما يلي: أولا: الأسعار: ۱- اختبار (ف) لوجود الموسمية في السلسلة بفرض ثباتها: اتضح عدم وجود موسمية ثابتة بين الأشهر عند مستوى معنوية 1% حيث بلغت قيم (ف) المحسوبة ٢,٥٧٦ أي توجد موسمية متحركة. 2- اختبار (ف) لوجود الموسمية في نسبة SI النهائية بفرض ثباتها: اتضح وجود موسمية بين الأشهر عند مستوى معنوية 1% وقد بلغت قيمة (ف) ٧,٣٥٢. 3- اختبار Kruskal-Wallis لوجود الموسمية في نسبة SI بفرض ثباتها: وهذا اختبار غير قياسي (Nonparametric) حيث اتضح وجود موسمية أيضا عند مستوى معنوية 1% حيث بلغت قيمة الدليل الإحصائي ٤١,٦٢% عند درجات حرية ١١. بمستوى احتمالي ۰,۰۰۲. 4- اختبار الموسمية المتحركة بين السنوات: أوضح اختبار الموسمية بين السنوات عدم وجود موسمية متحركة بين السنوات حيث بلغت قيم (ف) المحسوبة بين السنوات ٠,١٥٧ وذلك عند مستوى معنوية 5%. 5- التغيرات من سنة إلى أخرى في المكونات العرضية والموسمية ونسبة الموسمية المتحركة حيث معدل التحرك الموسمي قد بلغ أقصاه في أشهر أغسطس وفبراير وديسمبر وأبريل حيث بلغت ٤٠,٩٢٣، 24.240، ۱۹,۷۹۱، 19.255 على الترتيب في حين كانت أدناها في أشهر أكتوبر وسبتمبر ومارس حيث بلغت ۳,۰۸۹، ٤,٠٥٤، ٥,٩٥٠ على التوالي.

هذا وقد بلغت نسبة التغيرات العرضية/ الدورية النهائية للسلسلة ٢,٥٧ في حين بلغت نسبة التغيرات العرضية/ الموسمية ٩,٤٢. 6- اختبار وجود الموسمية في البواقي (Residuals): (أ) اتضح عدم وجود موسمية في البواقي على المدى الكلي للسلسلة عند مستوى معنوية 1% حيث بلغت قيمة (ف) المحسوبة 0.81. (ب) اتضح عدم وجود موسمية في البواقي في الثلاث سنوات الأخيرة حيث بلغت قيمة (ف) ٠,٩٦ وذلك عند مستوى معنوية 1%. 7- النسبة المئوية للمشاركة النسبية للمكونات العرضية والدورية والموسمية في السلسلة الأصلية: حيث اتضح أن التغيرات العرضية قد بلغت حدها الأقصى في أشهر يناير ومايو وديسمبر حيث بلغت نسبتها ۳٨,٥٨% و۳۳,۸۸% و۳۲,۸۸% ثم أخذت في الانخفاض التدريجي حتى بلغت حدها الأدنى شهر سبتمبر بنسبة ۱۱,۱۸%. أما بالنسبة للتغيرات الدورية- الاتجاه العام فقد كان هناك ارتفاع تدريجي بالنسبة خلال أشهر السنة أدناه في شهر يناير بنسبة ۲,۲۱% وأقصاه في شهر ديسمبر بنسبة ٦٧,٠٦%. أما التغيرات الموسمية فقد اتضح أن التأثير الموسمي كنا متذبذبا بين الارتفاع والانخفاض خلال العام حيث تزايد من يناير إلى أبريل ثم انخفض في شهر مايو وهكذا إلى نهاية العام حيث بلغ أدناه في شهر ديسمبر حيث بلغت ٠.٠٦% ثانيا: الإنتاج: 1- اختبار (ف) لوجود الموسمية في السلسلة بفرض ثباتها: اتضح عدم وجود موسمية ثابتة بين الأشهر عند مستوى معنوية 1% حيث بلغت قيمة (ف) المحسوبة 0.829. ۲- اختبار (ف) لوجود الموسمية في نسبة SI النهائية غير المعدلة بفرض ثباتها: اتضح عدم وجود موسمية ثابتة بين الأشهر عند مستوى معنوية 1% حيث بلغت قيمة (ف) ۲,۰۱۳. 3- اختبار Kruskal-Wallis لوجود الموسمية في نسبة SI بفرض ثباتها المحسوبة موسمية عند مستوى معنوية 1%. وهذا اختبار غير قياسي (Nonparametric) حيث اتضح وجود موسمية عند مستوى معنوية 1% حيث بلغت قيمة الدليل الإحصائي ٢٥,٥٣٣% عند درجات حرية ۱۱ ومستوى احتمالي ٠,٧٦١%. 4- اختبار الموسمية المتحركة بين السنوات: أوضح اختبار الموسمية بين السنوات عدم وجود موسمية متحركة بين السنوات عند مستوى معنوية 5% حيث بلغت قيمة (ف) المحسوبة بين السنوات ٢,٤٣٢. 5- التغيرات من سنة إلى أخرى في المكونات العرضية والموسمية ومعدل التحرك الموسمي. لوحظ إن معدل التحرك الموسمي في الإنتاج قد بلغ أقصاه في شهر نوفمبر حيث بلغ ٤٧,٥٣٢ يليه أشهر فبراير ومارس ويونيو حيث بلغ ۱۸,۱۰، 17.341، ١٤,٤٠٨ في حين كانت أدناها في أشهر أكتوبر ويوليو وأغسطس وأبريل ويناير حيث بلغت 1.857، ۳,۱۳۱، ٣,١٤٦، ٣,٤٩٢ على الترتيب.

هذا وقد بلغت نسبة التغيرات العرضية/ الدورية النهائية للسلسلة الزمنية ٢,٢٤ والتغيرات العرضية/ الموسمية ٦,٣٠. 6- اختبار وجود الموسمية في البواقي: (أ) اتضح عدم وجود موسمية في البواقي على المدى الكلي لسلسلة عند مستوى معنوية 1% حيث بلغت قيمة (ف) المحسوبة 0.19. (ب) اتضح عدم وجود موسمية في البواقي في الثلاث سنوات الأخيرة حيث بلغت قيمة (ف) المحسوبة ٠.٧٤ عند مستوى معنوية 1%. 7- النسبة المئوية للمشاركة النسبية للمكونات العرضية والدورية والموسمية للكميات الموردة في السلسلة الأصلية. حيث اتضح أن التغيرات العرضية قد بلغت حدها الأقصى في أشهر من يناير إلى يوليو حيث بلغت نسبتها ٥٥,٥٤% و٥٠,١٠% و٤٦,٠١% و٤٠,٨٥% و٥٠,٩٩% و٤٢,٥١ على الترتيب ثم أخذت في الانخفاض التدريجي حيث بلغت ٢٦,٥٦% في شهر سبتمبر. أما بالنسبة للتغيرات الدورية- الاتجاه العام فقد كان هناك اتجاه للارتفاع تدريجي خلال أشهر السنة اعتبارا من يناير إلى ديسمبر. أما التغيرات الموسمية فقد اتضح أن التأثير الموسمي كان أقصاه من يناير إلى أبريل حيث تراوحت نسبته بين ٤٢,٩٣% و39.75% ثم أخذ في الانخفاض المتذبذب اعتبارا من شهر مايو إلى نهاية العام حيث بلغ أدناه في شهر ديسمبر ٠,٠٨ التنبؤ بأسعار وكميات الطماطم بسوق العبور: يتوقع أن يرتفع المتوسط العام للأسعار عام ۲۰۱۸ عما كانت عليه عام ۲۰۱۷ بنحو ٢٥,٦% وفي عام ۲۰۱۹ بنحو ۲۹٫٤% عن عام ۲۰۱۸ وبنحو ٦٢,٥% خلال ثلاث سنوات التوقع. كما يتوقع زيادة المتوسط العام للكميات الموردة عام ۲۰۱۸ عما كانت عليه عام ۲۰۱۷ بنحو ۱۸,۱% وفي عام ۲۰۱۹ بنحو ۱۷٫۹% عما كانت عليه ۲۰۱۸ وبنحو ۳۹٫۲% خلال ثلاث سنوات التوقع. هذا ويلاحظ من جدولي ٦ و٧ أن الزيادة في الأسعار تفوق الزيادة في الكميات الموردة حيث بلغت خلال سنوات التوقع ٦٢,٥% مقابل ۳۹٫۲% والذي يعني وجود تدهور في المساحة المخصصة للطماطم مما يستدعي العمل على تشجيع المزارعين على تخصيص مساحات إضافية على مستوى العروات الثلاثة بخفض تكاليف الإنتاج وخاصة الأسمدة وتوفير هامش ربح مناسب للمزارع.

The majority of the seasonal adjustment methods so far developed are based on univariate time series models. They are selected mainly for their simplicity and can be applied without specialized knowledge in a subject matter field. A few attempts have been made to estimate seasonal factors based on causal explanations but none of them reached further than the experimental stage. Univariate time series methods of seasonal adjustment try to estimate the generating mechanism of the observations under the simple assumption that the series is composed of a systematic part, which is well determined function of time, and a random part, which obeys a probability law. The random element is assumed to be identically distributed with constant variance and zero auto-correlation. The method of estimation of the components of a time series can be grouped into two categories, regression methods and moving average techniques also called linear smoothing procedures. The problem lays in the lack of an explicit model applies to the whole range of the time series components, but the assumptions are valid only within the span of the set of weights of the moving average. So the study aimed to decomposition the original time series by the autoregressive integrated moving average (X-12-ARIMA) method, which fit and extrapolate well with the original time series and adjust the series by multi-forms of moving average. The results summarize in: (1) Tomatoes wholesale price 1- Seasonality presented between months in the original series at 0.1% level. 2- There was a seasonality between months in SI ratio at 0.1% level.. 3- The Kruskal-Wallis test (non-parametric) for the presence of seasonality assuming stability in the ratio of SI indicated that there is a seasonal factors at the 1% level. at d.f. 11. 4- There was a moving seasonality from year to year at 1% level. 5- There was no residual seasonality in the entire series at 1% level and in the last three years. 6- The irregular changes in the price of Tomato was max. in January, May and December then it takes regular decrease to the end of the year. As for the cycle – trend changes it gradually increased from January to December. As for the seasonal changes, it was zigzagged along the year. 7- There were expectation of price increase with about 25.6%,29.4%between 2017,2018 and 2018,2019 and by 62.5% through the whole three years

(2) Tomatoes Quantity 1- There was a seasonality between months in the original series at 0.1% level. 2- There was a seasonality between months in the SI ratio at 0.1% level. 3- The Kruskal-Wallis test (non-parametric) for the presence of seasonality assuming stability in the ratio of SI indicated that there is a seasonal factors at the 1% level. at d.f. 11. 4- There was a moving seasonality from year to year at 5% level. 5- There was no residual seasonality in the entire series at 1% level and in the last three years. 6- The irregular changes in the quantity of tomatoes was max. in January and min. in September. As for the cycle – trend changes it were gradually increased within the months of the year. As for the seasonal changes, increased gradually from January, to June and decrease from July to the end of the year. 7- There were an expected increase of quantity reached to Eloboor market with about 18.1%, 17.9% between 2017, 2018 and 2018,2019 and by 39.2% through the whole three years.
ISSN: 1110-6832

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.