تعیین عوامل اجتماعی-اقتصادی موثر بر پیش‌بینی مصرف بنزین و نفت‌گاز (گازوئیل) در ایران توسط شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، دانشکده مدیریت دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران

2 استادیار، دانشکده مدیریت دانشگاه بین‌المللی امام خمینی (ره)، قزوین، ایران

3 استاد، دانشکده مهندسی شیمی دانشگاه تهران، تهران، ایران

4 مربی، گروه مدیریت بازرگانی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران

چکیده

با توجه به ماهیت پیچیده‌ی داده‌های مربوط به تقاضا و مصرف حامل‌های انرژی به ویژه سوخت‌های فسیلی از قبیل بنزین و گازوئیل و اهمیت بررسی این موضوع، در پژوهش حاضر به تعیین اجتماعی-اقتصادی عوامل تاثیرگذار بر پیش‌بینی تقاضایِ بنزین و نفت‌گاز با داده‌های سالیانه‌ی موجود در دوره‌ی زمانی سال 1346 تا 1394 توسط شبکه‌های عصبی مصنوعی پرداخته می‌شود. برای این منظور از شبکه پرسپترون چند لایه (MLP) استفاده شده است. نتایج حاصل بیانگر قابلیت پیش‌بینی بالای شبکه عصبی برای مصرف بنزین و نفت گاز دارد بدین‌ترتیب که در مصرف بنزین به ترتیب عوامل 1- جمعیت 2- قیمت 3- نرخ شماره‌گذاری خودرو سبک 4- تولید ناخالص داخلی 5- فرهنگ رانندگی 6- ناوگان حمل‌و‌نقل عمومی شامل مترو، راه‌آهن، اتوبوس و سایر خودروهای سنگین مسافری و باری 7- نرخ مصرف CNG و در مصرف نفت‌گاز عوامل 1- جمعیت 2- قیمت 3- نرخ شماره‌گذاری خودرو 4- تولید ناخالص داخلی 5- واردات و صادرات غیر نفتی 6- همپوشانی مصرف با سایر سوخت‌ها (نفت‌کوره، گاز‌‌طبیعی و گاز‌مایع) 7- راه‌آهن قدرت تبیین بالاتری در پیش‌بینی مصرف سوخت دارند.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

Determination of Social-Economic Indicators for Gasoline and Petroleum Consume Prediction Using Artificial Neural Network (ANN) In Iran

نویسندگان [English]

  • S. M. A. Khatami 1
  • S. M. Elahi 2
  • A. Vatani 3
  • M. Zakipour 4
1 Master of Science, Faculty of social science, Management Department, Imam Khomeini International University, Qazvin, Iran
2 Assistant Professor, Faculty of Social science, Management Department, Imam Khomeini International University, Qazvin, Iran
3 Full Professor, Faculty of Engineering, University of Tehran, Tehran, Iran
4 Department of Business Management, Qazvin Branch, Islamic Azad University, Qazvin, Iran
چکیده [English]

Due to various changes in Gasoline and petroleum consumption, it is difficult to model it with conventional methods. This paper illustrates an Artificial Neural Network (ANN) approach based on supervised multi-layer perceptron (MLP) network for the electrical consumption forecasting.  The objective of this study is to propose prediction models of Gasoline and petroleum, using ANN based on social-economic indicators In Iran.  The study develops a feed-forward neural network models, using social-economic indicators to make more accurate predict of the energy consumption and correct investments in Iran.  In this study, two different models for each energy carrier demand were used in order to train the ANN. In order to train the neural network, economic and energy data for last 44 years between years 1347 and 1390 (1969-2012) are used in network for all models. The aim of used different models is to demonstrate the effect of economic indicators on the estimation of energy carrier demand.  The proposed approach can be useful in the effective implementation of energy policies, since accurate predictions of energy consumption affect the capital investment, the environmental quality, the revenue analysis, the market research management, while conserve at the same time the supply security.
 
 

کلیدواژه‌ها [English]

  • prediction
  • Gasoline­
  • Petroleum
  • Social-Economic Indicators
  • Artificial neural network (ANN)

-اصفهانیان، م.، (1382)، “ارائه‌ی یک مدل شبکه عصبی برای پیش‌بینی قیمت نفت خام”، پایان‌نامه‌ی دوره‌ی کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکده فنی مهندسی، بخش مهندسی صنایع.

-حیدری، الف.،(1384)، "پیش بینی تقاضای انرژی در اقتصاد ایران بر اساس روش تجزیه"، تحقیقات اقتصادی، شماره‌ی 69، ص.27-56.

-احمدی قراچه، الف.، (1385)، "ارائه یک مدل شبکه عصبی برای پیش بینی قیمت ماهانه نفت خام با در نظر گرفتن شوک‌های نفتی"، پایان‌نامه‌ی دوره‌ی کارشناسی ارشد، دانشگاه تربیت مدرس، دانشکده فنی مهندسی، بخش مهندسی صنایع.

-بغزیان، الف. و نصر‌آبادی، الف.، (1385)، «پیش‌بینی مصرف فرآورده‌های نفتی: مقایسه سامانه معادلات اقتصاد‌سنجی و شبکه‌های عصبی»، فصلنامه مطالعات اقتصاد انرژی، سال سوم، شماره‌ی 10، ص.47-67.

-رضازاده، س.، (1387)، "انتخاب مدل مناسب برای پیش‌بینی مصرف سوخت فسیلی با استفاده از رویکرد شبکه‌های عصبی"، پایان‌نامه دوره‌ی کارشناسی ارشد، دانشگاه تهران، دانشکده مدیریت، گروه مدیریت صنعتی.

-موسوی، س.ن.الف.، مختاری، ز. و فرج زاده، ذ.، (1389)، "پیش بینی مصرف حامل­های انرژی در بخش کشاورزی ایران با الگو‌های ARCH و ARIMA"، فصلنامه مطالعات اقتصاد انرژی، سال هفتم، شماره‌ی 27، ص.181-195 

-بابایی میبد، ح.، (1390)، "پیش‌بینی مصرف انرژی ایران با استفاده از شبکه‌های عصبی مصنوعی"، پایان‌نامه دوره‌ی کارشناسی ارشد، دانشگاه یزد، گروه مدیریت صنعتی.

-صادقی، ح.، ذوالفقاری، م. و الهامی‌نژاد، م.، (1390)، "مقایسه‌ی عملکرد شبکه‌های عصبی و مدل ARIMA در مدل‌سازی و پیش‌بینی کوتاه‌مدت قیمت سبد نفت خام اپک
(با تاکید بر انتظارات تطبیقی)"، فصل‌نامه‌ی مطالعات اقتصاد انرژی، سال هشتم، شماره 28، ص. 25-47.

-مهناج، م. ب.، (1389)،" مبانی شبکه های عصبی، جلد 1، تهران، انتشارات دانشگاه صنعتی امیر کبیر،چاپ هفتم.

-Assareh, E., Behrang, M., Assareh, R., & Hedayat, N. (2011), "Integration of Artificial Neural Network and Intelligent optimization techniques on world electricity consumption estimation". World Academy of Science, Engineering and Technology, 73(1), pp.690-694.

-Assareh, E., Behrang, M., Assari, M., & Ghanbarzadeh, A. (2010), "Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran". Energy, 35(12), pp.5223-5229.­

-Azadeh, A., Ghaderi, S., & Sohrabkhani, S. (2007), "Forecasting electrical consumption by integration of neural network, time series and ANOVA". Applied Mathematics and Computation, 186(2), pp.1753-1761.

-Azadeh, A., Ghaderi, S., & Sohrabkhani, S. (2008), "A simulated-based neural network algorithm for forecasting electrical energy consumption in Iran". Energy policy, 36(7), pp.2637-2644.­

-Ekonomou, L. (2010), "Greek long-term energy consumption prediction using artificial neural networks". Energy, 35(2), pp.512-517.

-Limanond, T., Jomnonkwao, S., & Srikaew, A. (2011), "Projection of future transport energy demand of Thailand". Energy policy, 39(5), pp.2754-2763.­

-Sözen, A., & Arcaklioglu, E. (2007), "Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey", Energy policy, 35(1) pp.4992-4981.