خلاصة:
انرژی در کنار سایر عوامل تولید، عامل موثری در رشد و توسعه اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش چشمگیری ایفا می کند. ازاین رو، مسوولان کشور باید تلاش کنند تا با پیش بینی دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف ، پارامترهای عرضه و تقاضای انرژی را به نحوی مطلوب کنترل کنند. هدف از این مقاله ، بررسی کارایی مدل های نروفازی ، شبکه عصبی و رگرسیون چندمتغیره در پیش بینی مصرف انرژی کشور است . مطالعه موردی این تحقیق مربوط به انرژی مصرفی در بخش حمل ونقل ایران است . ازاین رو، برای بررسی حاضر، از داده های سالانه مصرف انرژی بخش حمل ونقل کشور، به عنوان متغیر خروجی مدل های پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شد. در پایان ، نتایج پیش بینی مدل های مختلف با استفاده از شاخص های 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 مدل ها دارای بالاترین دقت در پیش بینی مصرف انرژی کشور است .
ملخص الجهاز:
بررسی کارایی مدل های نروفازی ، شبکه عصبی و رگرسیون چندمتغیره در پیش بینی مصرف انرژی کشور حمید بابایی میبدی ، محمدحسین طحاری مهرجردی و روح الله تقی زاده مهرجردی تاریخ دریافت : ٤/٢٨ /١٣٩٠ تاریخ پذیرش :١٣٩٠/١٢/٦ انرژی در کنار سایر عوامل تولید، عامل مؤثری در رشد و توسعه اقتصادی تلقی می شود و در عملکرد بخش های مختلف اقتصادی نقش چشمگیری ایفا می کند.
در این پژوهش ، سعی بر آن است تا با استفاده از روش های نروفازی ، شبکه عصبی مصنوعی و رگرسیون چندمتغیره ، مصرف انرژی بخش حمل ونقل کشور پیش بینی شود تا در نهایت ، بتوان میزان کارایی این روش ها را در پیش بینی مصرف انرژی مقایسه کرد.
جدول ١- پارامترهای آماری داده های استفاده شده در مدل نروفازی ، شبکه عصبی و رگرسیون چندمتغیره پارامتر آماری تعداد خودرو جمعیت (هزار نفر) تولید ناخالص داخلی (میلیارد ریال ) مصرف نهایی انرژی بخش حمل ونقل (میلیون بشکه نفت خام ) بیشترین 8819366 70496 446880 270/414 کمترین 19254 27208 99001 13/382 میانگین 2766281 47965/452 240067/77 101/822 انحراف معیار 2215571/9 14235/208 84434/538 73/204 بیشترین 5898617 67315 379838 220/823 کمترین 120008 29484 139278 19/685 میانگین 3169633/9 52765/75 243319/88 116/497 انحراف معیار 1634721/9 12804/083 82481/093 67/109 ٦-٢- نتایج رگرسیون چندمتغیره خطی برای تعیین رگرسیون چندمتغیره پارامتر مورد مطالعه ، رابطه رگرسیونی مربوط با استفاده از داده های آموزش تعیین شد (معادله ٩).
Malik, F; & Nasereddin, M (2006), Forecasting Output Using Oil Prices: A Cascaded Artificial Neural Network Approach, Journal of Economics and Business, 58.