Designing hybrid models between neural networks and multiple linear regression to predict the impact of energy carrier prices on the food costs of living for Syrian families
الملخص
The research aims to build hybrid models by combining the multiple regression model and the neural network model to predict the impact of energy carrier prices on the food costs of living for the Syrian family. The neural network model is one of the methods capable of learning and adapting to any model, and does not require assumptions about the nature of the time series.
The researcher used data on the monthly prices of diesel, gas, and gasoline and the monthly food cost of living calculated for the Syrian family for the period extending from (1/2020 - 5/2023), and by processing the data in the statistical program SPSS, the researcher arrived at building four hybrid models between the two methods, and through comparison between Hybrid models Using the evaluation criteria MSE, RMSE, MAE, MAPE, the researcher concluded that the hybrid model C was superior using previous observations and residuals and the estimated values of the multiple linear regression model compared to the hybrid models.
Based on the hybrid model C, the monthly food costs of living for the Syrian family were predicted for the next 12 months, from June 2023 to May 2024, which showed an increase in the monthly food costs of living for the Syrian family in the coming periods
References
1- جمالي، علي شنشول. (2012). دراسة تحليلية لواقع وافاق دور مصادر الطاقة الناضبة والمتجددة في التنمية الاقتصادية عامة وفي العراق خاصة. مجلة الإدارة والاقتصاد، 306-303.
2- الحسيني، هدى؛ المعموري، علي. (2015). استخدام الشبكات العصبية الاصطناعية في تطوير دور مراقب الحسابات في اكتشاف الاخطاء الجوهرية: بحث تطبيقي في الشركة العامة للصناعات الكهربائية وشركة نصر العامة للصناعات الميكانيكية. مجلة دراسات محاسبية ومالية، العراق، 31(74) ،121-10.
3- حاجي، فطيمة. (2014). إشكالية الفقر في الجزائر في ظل البرامج التنموية للجزائر للفترة 2014-2005.رسالة دكتوراه، كلية العلوم الاقتصادية والتجارية وعلوم التسيير، جامعة محمد خيضر بسكرة: الجزائر.
4- زكي، عزة حازم؛ رشاد، ندوى خزعل. (2010). استخدام الشبكات العصبية الاصطناعية في تحليل الانحدار الخطي المتعدد. مجلة تنمية الرافدين، العراق،32 (99)، 1-33.
5- طارق، فيلالي. (2017). التنبؤ بتعثر المقترضة باستعمال نماذج الشبكات العصبية الاصطناعية: دراسة حالة بنك الجزائر الخارجي. مجلة التنظيم والعمل، الجزائر، 6(3)، 95-113.
6- العجال، عدالة. (2010). نمذجة التنبؤ بالمبيعات باستخدام الشبكات العصبية دراسة حالة الشركة الوطنية للصناعات الميكانيكية ولواحقها. مجلة العلوم الاجتماعية والانسانية، الجزائر، (22)، 175-222.
7- عكيلة، عز الدين. (2013). أثر مستوى المعيشة على الخدمات الصحية والتعليمية في محافظات غزة. رسالة ماجستير. كلية الأداب، الجامعة الإسلامية: غزة.
8- كاظم، صفاء. (2009). المقارنة بين تقديرات معالم نموذج الانحدار الخطي المتعدد باستخدام أسلوب OLS وأسلوب برمجة الأهداف الخطية. مجلة الإدارة والاقتصاد، (77) , 213-200.
9- محمد، مراس؛ صباح، غربي؛ سفيان، بن عبد العزيز. (2020). فعالية النماذج الذكية في بناء وتطوير الأنظمة التنبؤية في مجال التسيير، استخدام نماذج الشبكات العصبية الاصطناعية ANN للنمذجة والتنبؤ. مجلة البشائر الاقتصادية، الجزائر، 6(2)، 1-16.
10- مرعي، كهلان. (2019). أثر ارتفاع أسعار المشتقات النفطية على مؤشرات مستوى المعيشة في سورية. مجلة جامعة طرطوس للبحوث والدراسات العلمية، سورية، 8، (1)،146-127.
11-المبحوح، مهدي ناهض شعبان. (2018). دراسة مقارنة بين نموذجي ARFIMA وANNفي التنبؤ بأسعار البترول الخام. كلية الاقتصاد والعلوم الادارية، جامعة الأزهر غزة: فلسطين.
12- بن محاد، سمير. (2009). استهلاك الطاقة في الجزائر دراسة تحليلية وقياسية. رسالة ماجستير. كلية العلوم الاقتصادية والعلوم التجارية وعلوم التسيير، جامعة الجزائر: الجزائر.
13- يوسف، مناهل. (2010). دراسة مقارنة بين الشبكات العصبية الاصطناعية (تمييز الأرقام الانكليزية المطبوعة). مجلة التربية والعلم، الموصل،23 (2)، 73-90.
ثانياً: المراجع الأجنبية:
1- Negnevitsky, M. (2011). Artificial intelligence, A Guide to intelligent systems.3rd, USA: Addison-wesley longman publishing co,Inc.
2- Pino-Mejías, R; Pérez-Fargallo, A; Rubio-Bellido, C; & Pulido-Arcas, J. A. (2018). Artificial neural networks and linear regression prediction models for social housing allocation: Fuel Poverty Potential Risk Index. Energy, 164, 627-641.
3- Al shabbani, Y, A, Emaan. (2017). A Comparison between spectral analysis and artificial neural networks to determine the best prediction model with application. Doctoral dissertation, College of Computer of sciences & Mathematics, University of AL-Qadisiya: Iraq.
4- Sun, Y. (2005). Exchange rate forecasting with an artificial neural network model: can we beat a random walk model? Doctoral dissertation, Lincoln University: England.
5- Yuan, Chaoqing; Liu, Sifeng; & Wu, Junlong. (2010). The relationship among energy prices and energy consumption in China. Energy Policy, 38(1), 197-207.
ثالثاً: المواقع الالكترونية
1-> http//www. moaar.gov.sy< "التعريف بمفهوم حوامل الطاقة وتحديد عوامل الطاقة في الوزارة – وزارة الزراعة"
