پیش‌بینی و بررسی نوسانات ‌قیمت چوب گونه‌های اصلی جنگل‌های خزری

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی دکتری علوم جنگل و جنگلداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، ایران

2 معاون آموزشی دانشکده منابع طبیعی دانشگاه گیلان

3 دانشیار و مدیر گروه جنگلداری

چکیده

سابقه و هدف: قیمت‌گذاری و پیش‌بینی قیمت چوب نقش مهمی در بازاریابی و فروش محصولات چوبی دارد و اخیرا مورد توجه مدیران بوده است. هدف از این تحقیق، استفاده از سری‌های زمانی قیمت گونه‌های مختلف جنگل‌های خزری جهت پیش‌بینی میانگین قیمت مورد انتظار آن‌ها و بررسی روند تغییرات آن‌ها در گذشته است.

مواد و روش‌ها: به‌این منظور، داده‌های تاریخی قیمت چوب سرپا گونه‌های اصلی جنگلی برای دوره 24 ساله از سال 1373 تا سال 1396 گردآوری شدند. برای حذف اثر تورم، همه قیمت‌ها نسبت به سال پایه، 1391 تعدیل شد. سپس برای تعیین قیمت چوب سرپا، هزینه‌های بهره‌برداری متغیر تبدیل شده از قیمت واقعی گرده‌بینه کسر شدند. بررسی مانایی سری‌های تصادفی زمانی توسط آزمون دیکی فولر تعمیم یافته از آزمون‌های ریشه واحد، در نرم افزارEVIWS 10 انجام شد. سپس اعتبار مدل‌های رگرسیونی توسط رگرسیون خطی چندگانه در نرم‌ افزار SPSS23 بررسی شد. در نهایت میانگین قیمت مورد انتظار برای گونه‌های مختلف توسط پارامترهای مدل‌های خودکاهشی برآورد شده است.

یافته‌ها: نتایج نشان داد که قیمت‌های واقعی در دوره‌های زمانی گذشته دارای نوسانات تصادفی بوده‌اند و فرضیه نامانایی سری‌های زمانی براساس 1= βدر آن‌ها رد می‌شود زیرا در تمام آن‌‌ها 1> β >0 می‌باشد. هم‌چنین با توجه به پارامترهای مدل‌های رگرسیونی بدست آمده، متوسط قیمت‌های چوب سرپا براساس فرایندهای خودکاهشی مرتبه اول تخمین زده شده برابر 75/253، 89/141، 42/252، 88/231، 73/165 و 123 (ده هزار ریال / متر مکعب) به‌ترتیب برای گونه‌های مورد مطالعه،

راش (Fagus orientalis Lipsky) ،ممرز(Carpinus betulus L.) ، افرا (Acer velutinum Boiss) ، توسکا. (Alnus subcordata C.A.M.) ، بلوط (Quercus castanifoli C.A.M.) و انجیلی (Parrotia persica (DC) C.A.M.) بوده است.

نتیجه‌گیری: انجام این تحقیق نشان داد که پیش‌بینی قیمت مورد انتظار گونه‌ها و کنترل و آگاهی از تغییرات قیمت‌ها و عوامل وابسته آن برای برنامه ریزان و مدیران جنگل جهت مدیریت بهینه آن ضروری است.

سابقه و هدف: قیمت‌گذاری و پیش‌بینی قیمت چوب نقش مهمی در بازاریابی و فروش محصولات چوبی دارد و اخیرا مورد توجه مدیران بوده است. هدف از این تحقیق، استفاده از سری‌های زمانی قیمت گونه‌های مختلف جنگل‌های خزری جهت پیش‌بینی میانگین قیمت مورد انتظار آن‌ها و بررسی روند تغییرات آن‌ها در گذشته است.

مواد و روش‌ها: به‌این منظور، داده‌های تاریخی قیمت چوب سرپا گونه‌های اصلی جنگلی برای دوره 24 ساله از سال 1373 تا سال 1396 گردآوری شدند. برای حذف اثر تورم، همه قیمت‌ها نسبت به سال پایه، 1391 تعدیل شد. 1391 تعدیل شد. 1391 تعدیل شد. 1391 تعدیل شد. 1391 تعدیل شد. شد

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting and investigation of wood price fluctuations in major species of Caspian forests

نویسندگان [English]

  • Nishtman Hatami 1
  • Soleiman Mohammadi Limaei 2
  • Mohamadhadi Moayeri 3
1 PhD student of Forestry, Department of forestry, Faculty of Forest Science, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran
2 Associate Professor, Department of Forestry, Faculty of Natural Resources, University of Guilan
3 Associate Professor of Department of Forestry
چکیده [English]

Background and objectives: Pricing and wood price prediction has an important role in the marketing and sales of wood products, and has recently been of interest for managers. The aim of this research was to use price time series of different species to predict the expected average price and investigating of their price trends in the past in the Caspian forests.

Materials and methods: First of all, historic stumpage price data on main species were collected for the period of 24 years from 1993 to 2016. Then, to determine the real stumpage price the adjusted variable costs were deducted from the real price beside forest roads. Consumer price Index (CPI) in base year 2012 was used for deflation of stumpage price. Investigation of stationary stochastic process of time series was tested by generalized Dickey Fuller test from unit root tests using EVIWS 10 software. Then validity of regression models was investigated by multiple regression analysis using SPSS23 software. Finally, the mean expected price of different species was estimated by the parameters of the autoregressive models.

Results:The results showed that real prices in past periods had random fluctuations, and the nonstationary hypothesis of time series was rejected based on β = 1, since there was 0

کلیدواژه‌ها [English]

  • Price prediction
  • stationary processes
  • Caspian forests
  • optimal forest management

مراجع

1- Adeli, K., Saeedi, S.S., Namdari, S., Mohammadi Samani, K., and Yosefi, B. 2017. Financial maturity of Popolus deltoides Marsh (Case study: Shalyshel village, Kurdistan province). Iranian Journal of Forest and Poplar Research, 24(4): 601-616. (In Persian)
2- Armstrong, J.S. 2002. Principles of forecasting: A Handbook for researchers and practitioners. University of Pennsylvania the Wharton School Philadelphia, Pennsylvania USA, 862p.
3- Bidram, R. 2002. Eviews with econometrics. Manshour Bahrevari Press, 192p. (In Persian)
4- Box, G.E., Jenkins, G. M., Reinsel, G. C., and Ljung, G. M. 2015. Time series
analysis: forecasting and control, 5th Edition. Wily, 712p.
5- Buongiorno, J., Kolbe, A., and Vasievich, M. 2000. Economic and ecological effects of diameter-limitand BDq management regimes: simulation results for northern hardwoods. Silva Fennica, 34: 223–235.
6- Central Bank of the Islamic Republic of Iran. 2013. Consumer price index report (www.cbi.ir).
7- Cram, T. 2006. The Art of Smarter Pricing. Market Leader, spring, 58p.
8- Ebrahimpour Kasmani, J., Nemati, M., and Samariha, A. 2011. Study of price changes of major forest products in Northern Forests of Iran during 13-Years Period (1997-2009) and its forecast for 5-Year Period. Journal of
Applied Environmental and Biological Sciences, (1):12. 660-665.
9- Forests, Range and Watershed Management Organization of Iran. 2005.
Iran natural resources; yesterday, today, tomorrow. Livestock, Agriculture and Industry Publication, 151p. (In Persian)
10- Forests, Range and Watershed Management Organization of Iran. 2014. National forest plan. 47p (In Persian).
11- Gong, P. 1990. Price timber price prediction expectations. Swedish university of agricultural sciences.
Umea, Sweden report, 126: 44p.
12- rMeM in asaH, S 2007. Sustainable management of forest and optimal operation (Case study: Northern Forests of Iran). Second National Conference on Ecological Agriculture of Iran, Gorgan, Iran, 20p. (In Persian)
13- Howard, A.F. 1995. Price trends for stumpage and selected agricultural products in Costa Rica. Forest Ecology and Management, 75: 101-110.
14- Jourgholami, M., Majnounian, B., and Eghtesadi, A. 2012. Traditional wood processing (Lumber) method in forest; production, costs and value loss (Case study: Namkhaneh District). Journal of Wood and Forest Science and Technology, 18(4): 111-130. (In Persian)
15- Judge, G. G., Hill, R., Griffiths, W., Lutkepohl, H., and Lee, T. 1988. Introduction to the Theory and Practice of Econometrics. 2nd ed., New York, Wiley, 1024p.
16- Kwarteng, K.C., Donkor, J., and Acheampong, S. 2016. Determinants of wood prices: analysis of wood retailers in Kumas. Open Journal of Business and Management, 4: 36-44.
17- Lancioni, L. 2005. Pricing issues in industrial marketing. Industrial Marketing Management, 34: 111 – 114.
18- Linden, M., Uusivuori, J. 2000. Modeling timber price forecasts and stumpage market expectation in Finland 1900-1995. Journal of Forest Economics, 6(2): 131-149.
19- Lohmander, P. 1987. The economics of forest management under risk. Ph.D
thesis, Department of Forest Economics, Swedish University of Agricultural Sciences, Report No 79, Umeå, Sweden.
20- Lotfalain, M. 2012. Logging. Aeeizh press, 488p.
21- Marvi-Mohadjer, M. R. 2005. Silviculture. University of Tehran Press, 387pp.
22- Moftakhar Jouybari, M., and Heshmatol vaezin, S.M. 2015. Seasonal fluctuations assessment of log and lumber prices using Multiple Regression Analysis (Case study: Azarood Forest, Mazandaran). Forest and Wood Products, 68(2): 371-382. (In Persian)
23- Mohammadi Limaei, S.2011. Economics optimization of forest management; economically optimal values and decisions in Iranian forest management. Lap Lambert Academic Publication, Germany, 140 p.
24- Mohammadi Limaei, S. 2017. Sustainable forest management in Iranian Caspian Forests, opportunities and challenges. National Conference on the Caspian forests of Iran, Past, Current, Future. University of Guilan, Rasht, Iran, April 26-27, 2017. (In Persian)
25- Mohammadi Limaei, S., and Lohmander, P. 2007. Stumpage Prices in the Iranian Caspian Forests. Asian Journal of Plant Sciences, 6(7): 1027-1036.
26- Namdari, S., Adeli, K., Soosani, J., and Ostakh, E. 2017. An estimation of the rotation age using autoregressive price model and trunk analysis data: Results for Pinus Brutia ten. Applied Ecology and Environmental Research, 16(1):281-290.
27- Neter, J., Kurter, M. H., Nachtsheim C. J., and Wasserman, W. 1996. Applied Linear Statistical Models. McGraw Hill, Chicago, 1415p
28- Parajuli, R., Tanger, S., Joshi, O., and Henderson, J. 2016. Modeling prices for saw timber stumpage in the South-Central United States. Forests, 7(148): 1-11.
5931 )
29- Sagheb Talebi, Kh., Sajedi, T., and Pourhashemi, M. 2013. Forests of Iran. Springer, 152p.
30- Turner, A.T., Buongiorno, J., and Zhu, S. 2006. An economic model of international wood supply, forest stock
and forest area change. Scandinavian Journal of Forest Research, 21: 73 -86.
31- Tzanova, P. 2017. Time series analysis for short-term forest sector market forecasting. Austrian of Forest Journal, 1: 205-230.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار