توسط : قیمت نهادههای دامی و غلات در ایران و جهان فقط «بالا و پایین» نمیشود؛ خیلی وقتها الگوی تکرارشونده دارد: فصل برداشت و عرضه، دورههای اوج تقاضا، زمانهای محدودیت حملونقل، و حتی ریتمهای اداری و سیاستی. همین فصلی بودن باعث میشود بسیاری از پیشبینیها یا بیش از حد به آخرین شوک واکنش نشان دهند، یا برعکس، تغییرات واقعی را دیر بفهمند. در دانشدانه این موضوع را از زاویه انتخاب مدل پیشبینی بررسی میکنیم: وقتی داده واقعاً فصل دارد، آیا ETS (هموارسازی نمایی) انتخاب بهتری از ARIMA است؟
در عمل، مدیر خرید نهاده یا کارشناس تغذیه و برنامهریزی تولید، به یک عدد «تقریباً درست» نیاز ندارد؛ به پیشبینیای نیاز دارد که در کنار دقت، رفتارش قابل توضیح باشد و در مواجهه با تغییرات فصل به فصل، پایدار عمل کند. این مقاله با رویکرد تحلیلی–مقایسهای نشان میدهد منطق ETS چیست، ARIMA چه زمانی قویتر است، و با چه معیارهای ساده و اجرایی میتوان بین آنها انتخاب کرد.
فصلی بودن قیمت نهادهها: چرا مدل اشتباه هزینهساز میشود؟
فصلی بودن یعنی بخشی از تغییرات قیمت با دوره ثابت (مثلاً ماهانه/فصلی/سالانه) تکرار میشود. در بازار نهادهها، این الگو میتواند از تقویم تولید (برداشت در کشورهای صادرکننده)، چرخه واردات و ترخیص، ظرفیت حمل دریایی و زمینی، یا حتی برنامهریزی مصرف دامداریها و مرغداریها ناشی شود. اگر این جزءِ تکرارشونده را جدی نگیریم، پیشبینیها معمولاً دو خطا میکنند: (۱) در فصل اوج، قیمت را کمتر از واقع برآورد میکنند و خرید دیر انجام میشود؛ (۲) در فصل افت، قیمت را بالاتر میزنند و موجودی گران در انبار میماند.
در فضای ایران، یک لایه دیگر هم اضافه میشود: شوکهای ارزی و سیاستی میتوانند روی فصلها «سوار» شوند. نتیجه این است که داده هم الگوی نرمِ فصلی دارد و هم پرشهای مقطعی. انتخاب مدل باید بتواند بین این دو تعادل ایجاد کند: فصل را ببیند، ولی اسیر نویز نشود.
- اگر فصل را نادیده بگیرید: مدل در ماههای تکرارشونده خطای سیستماتیک میدهد.
- اگر به هر نوسان کوتاهمدت بیش از حد وزن بدهید: پیشبینی ناپایدار و تصمیم خرید عصبی میشود.
پس مسئله اصلی فقط «دقت عددی» نیست؛ پایداری تصمیمپذیری و فهمپذیری خروجی هم مهم است، بهویژه وقتی خروجی قرار است وارد سیاست موجودی، زمانبندی خرید و حتی طراحی جیره اقتصادی شود.
مدلهای فصلی ETS چگونه کار میکنند؟ (منطق سطح، روند، فصل)
ETS مخفف Error, Trend, Seasonal است و خانوادهای از مدلهاست که سری زمانی را به سه جزء قابل تفسیر میشکند: سطح (Level)، روند (Trend) و فصل (Seasonal). ایده اصلی «هموارسازی نمایی» است: به دادههای جدید وزن بیشتری میدهد، اما بهصورت کنترلشده و با پارامترهایی که سرعت واکنش مدل را تعیین میکنند. این رویکرد معمولاً برای دادههایی که الگوی فصل مشخص و قابل تکرار دارند، بسیار طبیعی و پایدار عمل میکند.
در ETS، میتوان فصل را جمعی (Additive) یا ضربی (Multiplicative) مدل کرد. تفاوت مهم اینجاست:
- فصل جمعی: دامنه نوسان فصلی تقریباً ثابت است (مثلاً هر سال حدود ۸۰۰ تومان بالا/پایین).
- فصل ضربی: دامنه نوسان با سطح قیمت بزرگتر میشود (مثلاً هر سال حدود ۱۰٪ بالا/پایین).
برای بسیاری از قیمتها که با تورم و تغییر سطح عمومی بالا میروند، فصل ضربی اغلب منطقیتر است؛ البته فقط اگر داده نشان دهد که دامنه فصل واقعاً با سطح رشد میکند. نکته کاربردی این است که ETS از ابتدا «بهدنبال فصل» میگردد و آن را به شکل ساختاری وارد پیشبینی میکند؛ بنابراین اگر فصل پایدار باشد، ETS معمولاً از مدلهایی که اول نیازمند تفاضلگیری و ایستاسازی سنگین هستند، قابلاتکاتر میشود.
ETS معمولاً وقتی میدرخشد که شما میخواهید فصل را مستقیماً مدل کنید و پیشبینیهای نرم، پایدار و قابل توضیح برای تصمیم عملیاتی داشته باشید.
ARIMA و SARIMA: قدرت در ساختار وابستگی، حساسیت به تنظیم
ARIMA (و نسخه فصلی آن SARIMA) خانوادهای از مدلهای کلاسیک است که بهجای تفکیک سطح/فصل، «وابستگی» بین مقادیر گذشته و خطاهای گذشته را مدل میکند. این مدلها معمولاً با ایستاسازی (تفاضلگیری) شروع میشوند تا سری زمانی پایدارتر شود، سپس مؤلفههای خودرگرسیو (AR) و میانگین متحرک (MA) تنظیم میشوند. اگر فصل هم وجود داشته باشد، بخش فصلی (S) اضافه میشود.
مزیت مهم ARIMA این است که وقتی ساختار دینامیکی داده پیچیده است (مثلاً الگوهای همبستگی خاص در وقفههای مختلف)، میتواند بسیار دقیق شود. اما هزینهاش هم بالاست: حساسیت به انتخاب پارامترها، حساسیت به شکست ساختاری، و نیاز به پایش مداوم با تغییر رژیم بازار. در بازار نهادهها که هم فصل داریم و هم شوکهای سیاستی/ارزی، گاهی ARIMA اگر درست تنظیم نشود یا داده بهطور ناگهانی رژیم عوض کند، «به گذشتهای که دیگر تکرار نمیشود» بیش از حد تکیه میکند.
نکته کاربردی: اگر شما تیم داده قوی و چرخه بازتنظیم منظم دارید، ARIMA میتواند گزینه خوبی باشد؛ اما اگر هدف پیشبینی عملیاتی با نگهداری کم است، ETS اغلب دردسر کمتری دارد.
ETS چه زمانی از ARIMA بهتر است؟ (شرایط برتری به زبان تصمیمگیری)
پاسخ دقیق همیشه «وابسته به داده» است، اما چند شرط تکرارشونده وجود دارد که در آنها ETS معمولاً عملکرد بهتری نسبت به ARIMA نشان میدهد، مخصوصاً در پیشبینیهای کوتاهمدت تا میانمدت.
۱) فصل پایدار و قابل تکرار دارید
اگر داده ماهانه/هفتگی شما الگوی فصلی مشخصی دارد که هر سال تقریباً تکرار میشود (حتی با تغییر سطح قیمت)، ETS بهصورت طبیعی آن را جذب میکند و پیشبینی را با فصل همراستا نگه میدارد.
۲) به پیشبینی «نرم» و کمنوسان نیاز دارید
برای تصمیم خرید، موجودی، و قراردادهای تامین، خروجیای که با هر موج کوتاهمدت تغییر جهت ندهد ارزشمند است. ETS معمولاً در برابر نویز کوتاهمدت مقاومتر از ARIMAِ بدتنظیم است.
۳) داده کوتاه یا کیفیت متوسط است
در بسیاری از کسبوکارها، تاریخچه منظم طولانی نداریم (تغییر واحد، تغییر روش ثبت، وقفههای داده). ETS غالباً با دادههای کوتاهتر بهتر کنار میآید و تنظیمات کمتری میخواهد.
۴) تغییرات سطحی زیاد است، اما فصل «نسبی» ثابت میماند
اگر قیمتها با تورم/ارز بالا میروند اما الگوی درصدی فصل ثابت است، ETS ضربی میتواند فصل را بهتر از مدلهای مبتنی بر تفاضلگیری شدید نگه دارد.
ARIMA چه زمانی جلو میافتد؟ (سناریوهای مناسبتر برای ARIMA/SARIMA)
ARIMA الزاماً «ضعیفتر» نیست؛ در برخی شرایط دقیقاً انتخاب حرفهایتر است. مهم این است که بدانیم چه زمانی پیچیدگی ARIMA ارزشش را دارد.
- وابستگیهای چندوقفهای پیچیده: اگر نمودارهای خودهمبستگی نشان میدهند چند وقفه مختلف نقش دارند، ARIMA میتواند بهتر از ETS این ساختار را بگیرد.
- سری زمانی نزدیک به ایستا پس از تفاضلگیری: اگر با یک یا دو تفاضل، سری به رفتار پایدار میرسد و فصل هم خیلی قوی نیست، ARIMA ساده میتواند دقیق و شفاف باشد.
- نیاز به مدلسازی شوکها/مداخله: وقتی میخواهید اثر یک رویداد را جداگانه وارد کنید (مثلاً وقفه واردات، تغییر سیاستی)، چارچوبهای مبتنی بر ARIMA برای تحلیل مداخله (Intervention) گزینههای شناختهشدهتری دارند.
- تیم تحلیل و نگهداری مدل: اگر سازمان شما فرآیند بازبینی مدل، تشخیص شکست ساختاری و بازکالیبراسیون را دارد، ARIMA میتواند مزیت ایجاد کند.
بهطور خلاصه، ARIMA زمانی میدرخشد که داده «قواعد آماری قابل اتکا» دارد و شما توان نگهداری و بازتنظیم را دارید؛ در غیر این صورت، ریسک خطای تنظیم بالا میرود.
راهنمای انتخاب مدل: از آزمون روی داده تا معیارهای مقایسه
برای انتخاب بین ETS و ARIMA، بهترین کار این است که بهجای بحث نظری، یک فرآیند انتخاب مدل داشته باشید. در بازار نهادهها، هدف معمولاً پیشبینی کوتاهمدت (چند هفته تا چند ماه) برای تصمیم خرید و پوشش ریسک است؛ پس باید ارزیابی را هم بر همان افق انجام دهید.
گامهای پیشنهادی (اجرایی و کمهزینه)
- داده را همفاصله کنید (مثلاً هفتگی یا ماهانه) و با حداقل دستکاری، کیفیت را چک کنید (نقاط گمشده، پرشهای ثبت).
- فصل را با نگاه ساده بررسی کنید: نمودار سالبهسال و میانگین ماهها/هفتهها.
- دو مدل رقیب بسازید: ETS فصلی (جمعی/ضربی) و SARIMA (در صورت وجود فصل).
- اعتبارسنجی پسنگر انجام دهید: ۱۲ تا ۱۸ ماه آخر را به چند پنجره تقسیم کنید و هر بار چند گام جلوتر را پیشبینی کنید.
- مدل را با معیارهای خطا و همچنین «پایداری» مقایسه کنید (جهت، نوسان، واکنش به شوک).
معیارهای خطا: فقط یک عدد کافی نیست
بهجای تکیه بر یک معیار، ترکیبی از معیارها را ببینید:
- MAE: خطای متوسط مطلق؛ ساده و قابل تفسیر برای واحد پول.
- RMSE: خطاهای بزرگ را بیشتر جریمه میکند؛ مهم وقتی جهش قیمت حساس است.
- MAPE/SMAPE: خطای نسبی؛ وقتی سطح قیمت تغییر میکند مقایسهپذیرتر است (با احتیاط در مقادیر نزدیک صفر).
جدول تصمیم سریع: ETS یا ARIMA؟
| شرط داده/کاربرد | انتخاب غالب | چرایی |
|---|---|---|
| فصل واضح و تکرارشونده (ماهانه/سالانه) | ETS فصلی | مدلسازی مستقیم فصل با خروجی پایدار |
| داده کوتاه یا ثبت نامنظم | ETS | پارامترهای کمتر و حساسیت پایینتر |
| وابستگیهای پیچیده در وقفههای مختلف | ARIMA/SARIMA | توان توضیح ساختار همبستگی و دینامیک سری |
| نیاز به تحلیل اثر مداخله/شوک مشخص | ARIMA (تحلیل مداخله) | چارچوب استانداردتر برای مدلسازی رویداد |
| هدف تصمیم عملیاتی با نگهداری کم | ETS | سادگی، پایداری و تفسیرپذیری بهتر |
برای نگاه بازارمحور و تصمیمساز، میتوانید تحلیلهای مرتبط را در صفحه تحلیل قیمت نهادهها دنبال کنید تا انتخاب مدل به داده و زمینه واقعی بازار گره بخورد.
چالشهای رایج در بازار ایران و راهحلهای عملی (مدل تنها کافی نیست)
حتی بهترین مدل، اگر روی داده نامناسب یا با تعریف مسئله اشتباه اجرا شود، خروجی گمراهکننده میدهد. چند چالش رایج در پیشبینی قیمت نهادهها (بهخصوص در ایران) و راهحلهای کمهزینه:
۱) شکست ساختاری بهدلیل سیاست/ارز
وقتی رژیم ارزی یا سیاست واردات تغییر میکند، روابط گذشته ممکن است بشکند. راهحل: ارزیابی rolling (پنجرههای متحرک) و کاهش وزن دادههای خیلی قدیمی؛ ETS با وزندهی نمایی در بسیاری موارد کمک میکند، اما باید بهصورت دورهای بازبینی شود.
۲) دادههای قیمت ترکیبی (کیفیتها و مبادی مختلف)
اگر سری زمانی شما گاهی قیمت یک گرید کیفی متفاوت یا مبدا متفاوت را ثبت کرده باشد، مدل هر دو خانواده را سردرگم میکند. راهحل: تعریف دقیق «قیمت مرجع» (مشخصات کیفی، مبدا، اینکوترمز) و ساخت سریهای جداگانه برای اقلام کلیدی.
۳) فصلنمایی کاذب ناشی از کمبود داده
گاهی با دو سال داده، یک الگو «فصلی» به نظر میرسد اما پایدار نیست. راهحل: حداقل سه چرخه کامل فصل (مثلاً ۳ سال داده ماهانه) ایدهآل است؛ اگر ندارید، افق پیشبینی را کوتاهتر کنید و عدم قطعیت را جدی بگیرید.
۴) هدفگذاری غلط: پیشبینی برای تصمیم اشتباه
گاهی بهجای پیشبینی قیمت نقطهای، باید «بازه» یا سناریو ساخت (خرید مرحلهای، حد سفارش، سطح موجودی امن). راهحل: خروجی مدل را به تصمیم تبدیل کنید؛ اگر از پیشبینی برای کاهش ریسک تامین استفاده میکنید، پیوندش با برنامه موجودی و تامین را روشن کنید. برای زمینه گستردهتر، صفحه راهنمای جامع بازار و قیمت نهادههای دامی در ایران میتواند چارچوب تحلیلی مکمل بدهد.
جمعبندی تحلیلی: انتخاب بین ETS و ARIMA در یک جمله، اما با شرطها
اگر داده شما فصل روشن و نسبتاً پایدار دارد و هدف، پیشبینی عملیاتیِ کوتاهمدت با نگهداری کم و خروجی قابل توضیح است، مدلهای فصلی ETS غالباً انتخاب امنتر و کارآمدتری از ARIMA هستند. ETS فصل را بهصورت ساختاری مدل میکند و معمولاً پیشبینیهای نرمتری میدهد؛ چیزی که برای زمانبندی خرید و مدیریت موجودی نهادهها ارزش دارد. در مقابل، اگر ساختار وابستگی سری زمانی پیچیده است، داده کیفیت بالایی دارد و تیم شما میتواند مدل را مرتب بازتنظیم و شکستهای ساختاری را پایش کند، ARIMA/SARIMA میتواند دقت بیشتری ارائه دهد و برای تحلیل اثر شوکها مناسبتر باشد.
نتیجه عملی این است: بهجای انتخاب بر اساس محبوبیت، یک رقابت منصفانه روی داده خودتان برگزار کنید (اعتبارسنجی پسنگر، چند افق پیشبینی، چند معیار خطا)، و سپس مدل برنده را به زبان تصمیم ترجمه کنید: «این خروجی دقیقاً قرار است چه تصمیمی را بهتر کند؟» برای مطالعه مطالب مرتبط، بخشهای دیگر دانشدانه را ببینید.
سوالات متداول
۱. ETS برای چه افق زمانی بهتر جواب میدهد؟
ETS معمولاً برای پیشبینی کوتاهمدت تا میانمدت در دادههای دارای فصل پایدار، خروجی نرمتر و قابل اتکاتری میدهد.
۲. آیا ARIMA همیشه به ایستا بودن داده نیاز دارد؟
در ARIMA معمولاً با تفاضلگیری سری را به وضعیت نزدیک به ایستا میرسانند؛ بدون این مرحله، ریسک بدبرازش بالا میرود.
۳. فصل جمعی را انتخاب کنم یا فصل ضربی؟
اگر دامنه نوسان فصلی با سطح قیمت بزرگتر میشود، فصل ضربی مناسبتر است؛ اگر دامنه ثابت میماند، فصل جمعی منطقیتر است.
۴. با شوکهای ارزی و سیاستی چه کنم؟
بهترین کار ارزیابی پنجرهای و بازبینی دورهای مدل است؛ همچنین بهتر است افق پیشبینی را کوتاهتر و عدم قطعیت را جدیتر بگیرید.
۵. معیار انتخاب مدل فقط کمترین خطا است؟
خیر؛ علاوه بر MAE یا RMSE، پایداری پیشبینی و تناسب آن با تصمیم عملیاتی مثل خرید مرحلهای یا سطح موجودی نیز مهم است.
International Institute of Forecasters (2022). Forecasting: Principles and Practice (3rd ed.).
Hyndman, R.J. & Athanasopoulos, G. (2021). Forecasting: principles and practice. OTexts.
