نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مدیریت صنعتی، دانشگاه یزد، پست الکترونیکی

2 کارشناس ارشد مدیریت صنعتی، جهاد دانشگاهی یزد

3 دانشجوی دکتری دانشگاه تهران و عضو هیأت علمی دانشگاه یزد

چکیده

انرژی در کنار سایر عوامل تولید، عامل مؤثری در رشد و توسعه اقتصادی تلقی می­شود و در عملکرد بخش­های مختلف اقتصادی نقش چشمگیری ایفا می­کند. ازاین­رو، مسؤولان کشور باید تلاش کنند تا با پیش­بینی دقیق­تر مصرف انرژی و برنامه­ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به­نحوی مطلوب کنترل کنند. هدف از این مقاله، بررسی کارایی مدل‌های نروفازی، شبکه عصبی و رگرسیون چندمتغیره در پیش­بینی مصرف انرژی کشور است. مطالعه موردی این تحقیق مربوط به انرژی مصرفی در بخش حمل­ونقل ایران است. ازاین­رو، برای بررسی حاضر، از داده­های سالانه مصرف انرژی بخش حمل‌ونقل کشور، به­عنوان متغیر خروجی مدل‌های پیش­بینی و از داده­های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو به­عنوان متغیرهای ورودی مدل‌های پیش‌بینی استفاده شد. در پایان، نتایج پیش­بینی مدل‌های مختلف با استفاده از شاخص­های خطای استاندارد نسبی (RSE) و میانگین خطا (ME) و مجذور میانگین مربعات خطا (RMSE) ارزیابی شدند. نتایج ارزیابی نشان داد که مدل نروفازی (ANFIS)، نسبت به سایر مدل­ها دارای بالاترین دقت در پیش­بینی مصرف انرژی کشور است.

کلیدواژه‌ها

آذر، عادل و امیر افسر (1385)، مدل­سازی پیش‌بینی قیمت سهام با رویکرد شبکه‌های عصبی فازی، پژوهشنامه بازرگانی، شماره 40.
آذری، احمد، مجتبی شریعتی نیاسر، محمود البرزی و افشین بختیاری (1387)، برآورد میزان بار گاز مصرفی شهر تهران با استفاده از فناوری شبکه‌های عصبی، نشریه دانشکده فنی، دوره چهل و دوم، شماره 8.
ابریشمی، حمید، حجت­الله غنیمی‌فرد، مهدی احراری و منیژه رضایی (1389)، پیش‌بینی قیمت گازوییل خلیج فارس، مبتنی‌بر تحلیل تکنیکی و شبکه‌های عصبی، فصلنامه مطالعات اقتصاد انرژی، سال هفتم، شماره 24.
احمدی قراچه، احسان (1385)، ارایه یک مدل شبکه عصبی مناسب برای پیش‌بینی قیمت نفت با در نظر گرفتن شوک‌های نفتی، دانشگاه تربیت مدرس، پایان­نامه کارشناسی ارشد.
البرزی، محمود (1380)، آشنایی با شبکه عصبی، انتشارات علمی ‌شریف.
پورکاظمی، محمدحسین و محمدباقر اسدی (1388)، پیش‌بینی پویای قیمت نفت خام با استفاده از شبکه‌های عصبی مصنوعی و با به­کارگیری ذخیره­سازی‌های نفتی کشورهای OECD، مجله تحقیقات اقتصادی، دوره چهل و چهار، شماره 88.
شکیبایی، علیرضا، حسین نظام­آبادی­پور و سیدجعفر حسینی (1388)، پیش‌بینی عرضه نفت خام در یازده کشور تولیدکننده با استفاده از شبکه‌های عصبی و رگرسیون خطی، مجله دانش و توسعه، سال شانزدهم، شماره 27.
صادقی، حسین، مهدی ذوالفقاری و مجتبی الهامی‌نژاد (1390)، مقایسه عملکرد شبکه‌های عصبی و مدل  ARIMAدر مدل­سازی و پیش‌بینی کوتاه­مدت قیمت سبد نفت خام اوپک (با تأکید بر انتظارات تطبیقی)، فصلنامه مطالعات اقتصاد انرژی، سال هشتم، شماره 28.
فضل­زاده، علیرضا و مینا تجویدی (1387)، مدیریت انرژی در صنایع ایران: مطالعه موردی: رابطه علی بین مقدار برق مصرفی و ارزش­افزوده صنایع کوچک، فصلنامه مطالعات اقتصاد انرژی، سال پنجم، شماره 19.
کاظمی، عالیه، محمدباقر منهاج، محمدرضا مهرگان و امین کامیاب مقدس (1384)، طراحی مدل رتبه­بندی پالایشگاه‌های نفت کشور به روش تحلیل پوششی داده‌های فازی، اولین کنگره سیستم‌های فازی و خبره، دانشگاه فردوسی مشهد.
مبینی دهکردی، علی، حامد حوری جعفری و عطیه حمیدی­نژاد (1388)، بررسی وضعیت شاخص‌های مدیریت انرژی، فصلنامه راهبرد، سال هجدهم، شماره 51.
منهاج، محمدباقر (1384)، مبانی شبکه‌های عصبی، انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم.
منهاج، محمدباقر، عالیه کاظمی، حامد شکوری گنجوی، محمدرضا مهرگان و محمدرضا تقی­زاده (1389)، پیش‌بینی تقاضای انرژی بخش حمل‌ونقل با استفاده از شبکه‌های عصبی: مطالعه موردی در ایران، مجله مدرس علوم انسانی، دوره چهاردهم، شماره 2.
Gorr, W. L., & Nagin, D (1994), Comparative Study of Artificial Neural Network and Statistical Models for Predicting Student Grade Point Averages. International Journal of Forecasting, 10.
Jang, J (1993), ANFIS: Adaptive-Network-based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics. 23.
Jang, J., Sun, C., & Mizutani, E (1997), Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligance, Prentice Hall, Upper Saddle River, New Jersey, USA.
Javadpour, R and Knapp, GM, (2003), A Fuzzy Neural Network Approach to Machine Condition Monitoring, J Computers and Industrial Engineering, 45.
Jebaraj, S. & Iniyanb, S (2006), A Review of Energy Model, Renewable and Sustainable Energy Reviews, 10.
Malik, F; & Nasereddin, M (2006), Forecasting Output Using Oil Prices: A Cascaded Artificial Neural Network Approach, Journal of Economics and Business, 58.
Murat, Y & Ceylan, H (2006), Use of Artificial Neural Networks for Transport Energy Demand Modeling, Energy Policy, 34.
Nasr, G.E, Badr, E.A, & Joun, C (2003), Backpropagation Neural Networks for Modeling Gasoline Consumption, Energy Conversion and Management, 44.
Sozen, A & Arcaklioglu, E (2007), Prediction of Net Energy Consumption Based on Economic Indicators (GNP and GDP) in Turkey, Energy Policy, 35.
Yu, L., Wang, S. & Lai, K. K (2008), Forecasting Crude Oil Price with an EMD-Based Neural Network Ensemble Learning Paradigm. Energy Economics, 30.
Zhang, G.P (2003), Time Series Forecasting Using a Hybrid ARIMA and Neural Network Model, Neurocomputing, 50.
Zhang, G., & Hu, M.Y (1998), Neural Network Forecasting of The British Pound/US Dollar Exchange Rate, Omega, The International Journal of Management Science, 26..