دانلود ترجمه مقاله پیش بینی تکنولوژی با آنالیز اثر رویه بر اساس مداخلات سری زمانی

مقدمه:
پیش بینی به شیوه ای سیستماتیک و علمی می تواند نقش مهمی در ارائه ی به موقع اطلاعات به سیاستگذاران در رابطه با کمبود یا بیش بود مواد غذایی برای مدیریت مناسب منابع غذایی ایفاء کند. این روش در مورد شرایط محیطی نامساعد از اهمیت بیشتری برخوردار است. گندم دومین محصول زراعی بعد از برنج در هند می باشد. این محصول غذای اصلی میلیون ها هندی است. بنابراین، نه تنها پیش بینی عملکرد گندم، بلکه پیش بینی فناوری مربوط به این محصول زراعی نیز برای سیاستگذاران کشور بسیار مهم است. کاربرد تکنیک کمّی یعنی مدل آماری و به ویژه مدل ARIMA به طور گسترده برای پیش بینی محصول زراعی استفاده می شود، داده های مربوط به عملکرد و یا تولید برای تولید لوبیای سودانی (ساریکا و همکاران، 2011)، تولید و بهره وری نیشکر (سارش و پریا، 2011)، تولید ذرت (بادموس و آریو، 2011)، تولید برنج (پارباکاران و سیواپراگسام، 2014) و غیره با استفاده از این روش گزارش شد. رویکرد کاربرد مدل سازی ARIMA برای پیش بینی، در کوتاه مدت نتایج بهتری را ارائه کرده، اما در بلند مدت، این روش ممکن است پیش بینی مطمئنی را ارائه نکند، چون اثرات وقایع بی سابقه آینده و یا فناوری هایی که می تواند باعث انحراف مدل شود را در نظر نمی گیرد. حوزه ی پیش بینی فناوری شامل مزایای رویکردهای کمّی و همچنین بررسی وقایع بی سابقه آینده می باشد. بنابراین، اغلب تلاش هایی به منظور ادغام رویکردهای کیفی با آن ها به منظور پیش بینی بهتر وقایع آینده صورت می گیرد. یکی از چنین رویکرد پیش بینی ترکیبی مهمی، آنالیز اثر بر روند (TIA) است (گرودون، 2003، گلن، 2003، فیرات و همکاران، 2008). TIA شامل دو مرحله است. در مرحله اول، پیش بینی مبناء، با استفاده از یک مدل آماری مناسب مبتنی بر داده های تاریخی انجام می شود. در مرحله ی دوم، مجموعه ای از وقایع آینده و اثرات آن ها با استفاده از دانش قبلی که توسط متخصصان و یا توسط جمع آوری اطلاعات با کاربرد روش های پیش بینی کیفی مانند غربال گری زیست محیطی، بررسی دلفی و غیره استخراج و یا به تایید رسیده، شناسایی گردید. این روش از کاربرد شبیه سازی مونت کارلو در الگوریتم TIA پیروی کرده که قضاوت های احتمال رویداد و اثر را با نتایج سناریوی مبناء (پیش بینی های مبتنی بر مدل) به منظور ارائه ی مجموعه ای از سناریوهای احتمالی آینده با هم ترکیب می سازد. بر اساس این سناریوها، میانه، سناریوهای صدک پنچم و نود و پنجم محاسبه شد و بنابراین، سه سناریوی واگرا مشخص گردید.

Introduction:
Forecasting in a systematic and scientific way can play a crucial role for providing timely information to policy makers on food shortages and/or surpluses for timely management of food supplies. This is more important in case of adverse environmental conditions. Wheat is the second most important food-grain crop after rice in India. It is the staple food of millions of Indians. Therefore, not only forecasting of wheat yield but also technology forecasting related to this crop is very important for policy makers of the country. The applications of quantitative technique i.e. statistical model particularly ARIMA model were used extensively for forecasting crop are, yields or production data have been reported for pigeon pea production (Sarika et al., 2011), sugarcane area, production and productivity (Suresh and Priya, 2011), maize area and production (Badmus and Ariyo, 2011), rice area and production (Prabakaran and Sivapragasam, 2014) etc. The approach of employing ARIMA modeling for forecasting provides better result for short period but for longer period this approach may not produce a reliable forecast as it does not consider the effects of unprecedented future events or technologies that could cause deviation from the model. The domain of technology forecasting not only incorporates, the benefits of quantitative approaches but also takes care of unprecedented future events. Therefore, efforts are often made to fuse qualitative approaches with them to better predict the future values. One such important hybrid forecasting approach is the Trend Impact Analysis (TIA) (Gordon, 2003; Glenn, 2003; Firat et al., 2008). TIA consists of two steps. In the first step, a baseline forecast is generated using a suitable statistical model based on historical data. In the second step, a set of future events and their impacts are identified utilizing prior knowledge which are elicited/validated from/by experts or by collecting information employing qualitative forecasting approaches like Environmental Scanning, Delphi Survey etc. This is further followed by application of Monte Carlo simulation in the TIA algorithm which combines the impact and event probability judgments with the outcomes of the baseline scenario (model-based forecasts) to generate a fan of possible future scenarios. Based on these scenarios, the median, 5th and 95th percentile scenarios are computed thus specifying three divergent scenarios.