مشیری (۱۳۸۰) با هدف پیش ­بینی تورم در ایران بر اساس داده ­های سال­های۱۳۷۷-۱۳۳۳، از مدل­های ساختاری تورم، مدل­های سری­زمانی و شبکه­ های عصبی مصنوعی استفاده کردند. نتایج حاصله حاکی از آن بود که شبکه­ های عصبی در زمینه­ پیش ­بینی تورم نسبت به سایر مدل­ها عملکرد بهتری دارند.

توفیقی (۱۳۸۱)با توجه به ماهیت داده ­های سری­زمانی طی دوره ۱۳۷۸-۱۳۳۸ ثبات در مدل تقاضای واردات در ایران را با بهره گرفتن از الگوی خود رگرسیون برداری مورد بررسی قرار داد نتایج حاکی از آن بود که درآمد­های نفتی و تولید ناخالص داخلی بدون نفت، اثری مثبت و قیمت­های نسبی (نسبت قیمت کالاهای وارداتی به کالاهای تولید شده در داخل) اثر منفی بر تقاضای واردات کل (کل ، واسطه ای، سرمایه­ای و مصرفی) دارند.

عباسیان و کرباسی (۱۳۸۲) با توجه به اهمیت پیش ­بینی در سرعت بخشیدن به تصمیم­گیریها به بررسی و تحلیل سری زمانی تولید تخم مرغ و قیمت عمده این محصول پرداختند.

رمضانی (۱۳۸۳) به مقایسه عملکرد پیش ­بینی در الگوهای شبکه عصبی مصنوعی و روش ARIMA درمورد تقاضای ماهیانه برق در ایران پرداخته است. با بهره گرفتن از معیارهای RMSE و MAPE نتیجه حاصل شد ه است که الگوهای شبکه عصبی مصنوعی در پیش ­بینی تقاضای برق ماهیانه از الگوهای ARIMA عملکرد بهتری داشته است.

شایگان و دیگران (۱۳۸۴) در پژوهشی با عنوان پیش‌بینی میزان واردات برنج و ذرت با بهره گرفتن از روش شبکه عصبی مصنوعی که این مطالعه با هدف پیش‌بینی واردات برنج و ذرت، از روش شبکه عصبی و ARIMA استفاده شده و نتایج حاصل مورد مقایسه قرار گرفته است. به منظور انجام این بررسی، داده های گمرک ایران در خصوص واردات برنج و ذرت برای سال‌های ۱۳۶۰ تا ۱۳۸۳ مبنای محاسبه قرار گرفته است. نتایج مطالعه نشان دهنده آن است که روش شبکه عصبی دارای عملکرد بهتری در مقایسه با روش ARIMA است. و قادر است میزان واردات برنج و ذرت را دقیق تر پیش‌بینی کند.

عمرانی و بخشوده (۱۳۸۴) قدرت پیش ­بینی روش­های مختلف مانند میانگین متحرک، هموار سازی نمایی یگانه و دوگانه و روش ARIMA را در برآورد قیمت محصولات کشاورزی مورد بررسی قرار دادند.

نجفی و همکاران(۱۳۸۵) در مطالعه­ ای اقدام به پیش ­بینی میزان صادرات پسته­ی ایران بر اساس داده ­های سال­های ۱۳۰۴ تا ۱۳۸۲ با بهره گرفتن از روش­های ARIMA و شبکه­ عصبی مصنوعی کردند. نتایج این مطالعه نشان داد که شبکه­ عصبی پیشخور در مقایسه با سایر شبکه­ های عصبی و مدل ARIMA عملکرد بهتری در پیش‌بینی میزان صادرات پسته در ایران دارد.

بیات کشکولی و همکاران ( ۱۳۸۶) با بهره گرفتن از روش روند و معادله رگرسیونی به نخمین روند آینده صادرات و واردات چوب و محصولات چوبی در ایران پرداختند. یافته ­های محققان نشان می‌دهد که داده ­های پیش ­بینی حتی با توجه به زیاد بودن در صد خطا اکثر داده ­ها به خاطر مناسب بودن میانگین انحراف و مطلق برخی از آن­ها و ضریب تبیین معادلات قابل استناد ‌می‌باشد و پیش ­بینی با روش روند دقت بیشتری دارد، همچنین روند میزان و مبلغ پیش ­بینی شده برای اکثر گروه ­های چوبی در سال های ­آینده افزایشی ‌می‌باشد، مانند کل واردات و صادرات چوب و محصولات چوبی و چوب.

فخرایی (۱۳۸۶) از تکنیک شبکه­ های عصبی و همچنین الگوهای ساختاری و سری­های زمانی به­منظور پیش ­بینی تقاضای آب در شهر تهران استفاده نمود. مقایسه نتایج پیش ­بینی حاصل از شبکه عصبی با سایر روش­های پیش ­بینی انجام شده در این مطالعه نشان می‌دهد که شبکه عصبی بر حسب معیار های مختلف (MSE،RMSE ،MAE و MAPE) عملکرد بهتری در زمینه­ پیش ­بینی تقاضای آب نسبت به الگو های ساختاری و سری­­زمانی داشته است.

پریزن و اسماعیلی (۱۳۸۷)در پژوهشی برروی مقایسه روش­های کمی در پیش ­بینی واردات ادویه­جات دریافتند که واردات زردچوبه تصادفی و پیش-بینی­ناپذیر است. بعلاوه مقایسه روش­های مختلف آشکار می‌سازد که در پیش ­بینی واردات دارچین و هل روش ARIMA برتری دارد. هم­چنین نتایج نشان می­دهد که واردات دارچین نوسان­های بیشتری نسبت به هل دارد.

فرج زاده و شاه ولی (۱۳۸۷) در پژوهش خود بر روی پیش ­بینی قیمت پنبه و برنج وزعفران ‌به این نتیجه رسیدند که ‌بر اساس کمترین معیار خطای پیش ­بینی، الگوی ARIMA سری­های قیمت اسمی برنج و زعفران را بهتر از سایر روش­ها پیش ­بینی می­ کند. بهترین روش پیش ­بینی برای سری­های قیمت اسمی و واقعی پنبه نیز به ترتیب با بهره گرفتن از الگوی شبکه عصبی مصنوعی و هار مونیک به دست آمد.

طیبی (۱۳۸۸) پژوهش خود را با عنوان پیش ­بینی قیمت تخم مرغ در ایران: مقایسه روش های ARCH و شبکه­ های عصبی مصنوعی که در این تحقیق‌ قیمت تخم مرغ برای‌ افق­های زمانی یک ماهه،شش ماهه و دوازده ماهه پیش‌بینی گردید. داده های مورد استفاده شامل متغیر قیمت تخم‌مرغ و دوره مورد مطالعه شامل‌ سال­های ۱۳۷۱-۸۵ است. در این راستا این فرضیه‌ که شبکه عصبی مصنوعی در پیش‌بینی قیمت تخم‌مرغ کارایی بیشتری از روش ARCH دارد بررسی شد. نتایج نشان می‌دهد که شبکه های عصبی مصنوعی در بیشتر افق­های‌ زمانی پیش‌بینی‌های دقیقتری در مقایسه با روش ARCH ارائه می‌کند؛ازاین‌رو استفاده از روش­های پیش‌بینی قیمتی که عمدتاً متکی بر شبکه های عصبی مصنوعی است می‌تواند به تأثیر سیاست‌گذاری قیمتی و حتی تنظیم بازار از طریق پیش‌بینی نوسان­های مختلف کمک کند.

اسماعیل پور( ۱۳۸۸) پژوهش خود با عنوان پیش‌بینی قیمت تخم مرغ با روش های ARIMA ، شبکه عصبی مصنوعی و هالت وینترز که در این پژوهش قیمت تخم مرغ با به­ صورت ماهانه پیش‌بینی شد. بر اساس نتایج پژوهش که از داده ­های سری زمانی ازفروردین ۸۰ تا پایان اسفند ۸۷ استفاده کرده بود. و پیش‌بینی با روش شبکه عصبی مصنوعی به واقعیت نزدیکتر است و نسبت به دو روش دیگر برتری داشت.

دشتی (۱۳۸۹ ) پژوهش خود را با عنوان پیش‌بینی قیمت گوشت مرغ و تخم مرغ با بهره گرفتن از شبکه عصبی مصنوعی در ایران که در این مطالعه با هدف پیش‌بینی قیمت اسمی و واقعی گوشت مرغ و تخم مرغ طی دوره ۱۳۴۶ تا ۱۳۸۴ انجام شده است .پس از بررسی ایستایی سر ی­های مورد استفاده برای بررسی تصادفی بودن متغیرها از دو آزمون ناپارامتریک والد- ولفویتز و پارامتریک دوربین- واتسون استفاده شد. ‌بر اساس نتایج این آزمون ها، تمام سری قیمت اسمی و واقعی محصولات یاد شده به عنوان سری های غیرتصادفی و و ARIMA قابل پیش ­بینی ارزیابی شدند. الگوهای مورد استفاده برای پیش ­بینی شامل الگوهای ARIMA شبکه عصبی مصنوعی می‌باشد. یافته های مطالعه نشان دهنده برتری کامل الگوی پیش ­بینی قیمت اسمی محصولات منتخب است. درخصوص سری­های قیمت واقعی محصولات نیز روش شبکه عصبی مصنوعی برتری نسبی داشت. اما با وجود این مشخص شدکه ‌در مورد سری­های واقعی منتخب بهتر است که از هر دو روش به صورت همزمان استفاده شو د.

ب) تحقیقات انجام شده در خارج کشور