پیش‌بینی مصرف انرژی با تأکید بر ویژگی‌های جمعیتی: مقایسه چشم‌انداز مصرف انرژی ایران با سایر کشورهای عضو اکو

نوع مقاله: علمی-پژوهشی

نویسندگان

چکیده

پیش‌بینی میزان مصرف انرژی موضوع مهمی در مدیریت مصرف و پاسخگویی به نیازهای انرژی است. هدف این مقاله پیش‌بینی روندهای آتی مصرف انرژی در ایران طی سال‌های 2013 تا 2030 میلادی و مقایسه آنها با کشورهای عضو اکو است. برای این منظور از داده‏های شبکه آماری اکو و بخش جمعیت سازمان ملل و روش شبکه عصبی مصنوعی استفاده شده، که در مدل‌سازی آن از شاخص‌های جمعیتی (جمعیت کل و نسبت جمعیت شهرنشین) و اقتصادی (تولید ناخالص داخلی سرانه) بهره گرفته است. برای بررسی تأثیر جمعیت بر روند مصرف انرژی، پیش‌بینی‌ها بر مبنای سه سناریوی جمعیتی جایگزین صورت گرفته است. پیش‌بینی‌های حاصل نشان می‌دهد که تا سال 2030، سطح مصرف انرژی در ایران به شکل قابل توجه‌ای افزایش خواهد یافت. البته در هر یک از سناریوها، الگوی رشد مصرف انرژی متفاوتی تجربه خواهد شد. اگرچه مصرف انرژی در سایر کشورهای اکو، به‌ویژه پاکستان و ترکیه، نیز افزایش خواهد یافت، ولی رشد مصرف آنها به ‌مراتب کمتر از ایران خواهد بود.

کلیدواژه‌ها


بغزیان، آلبرت و ابراهیم نصرآبادی (1385)، پیش‌بینی مصرف فراآورده‌های نفتی: مقایسۀ سیستم معادلات اقتصادسنجی و شبکه‌های عصبی، مطالعات اقتصاد انرژی، مؤسسه مطالعات بین‌المللی انرژی، شمارۀ 10: 67-47.

حیدری، ابراهیم (1384)، پیش‌بینی تقاضای انرژی در اقتصاد ایران بر اساس روش تجزیه،مجلۀ تحقیقات اقتصادی، دانشکده اقتصاد دانشگاه تهران، شمارۀ 69: 56-27.

شرزه‌ای، غلامعلی، مهدی احراری و حسن فخرایی (1387)، پیش‌بینی تقاضای آب شهر تهران با استفاده از الگوهای ساختاری، سری‌های زمانی و شبکةه‌ی عصبی نوع GMDH، مجلۀ تحقیقات اقتصادی، دانشکده اقتصاد دانشگاه تهران، شمارۀ 84: 175-151.

عیسی‌زاده، سعید و جهانبخش مهرانفر (1389)، تأثیر مهاجرت داخلی بر الگوی مصرف انرژی در اقتصاد ایران، راهبرد یاس، مرکز پژوهشی مطالعات راهبردی توسعه، شمارۀ 22:  237- 218.

فرجام‌نیا، ایمان، ناصری، محسن ناصری  و سیدمحمد‌مهدی احمدی (1386)، پیش‌بینی قیمت نفت به دو روش ARIMA و شبکه‌های عصبی مصنوعی، فصلنامۀ پژوهش‌های اقتصادی ایران، دانشکده اقتصاد دانشگاه علامه طباطبایی، شمارۀ 32:  183-161.

فطرس، محمدحسن و حامد منصوری‌گرگری (1389)، مقایسۀ مدل لجستیک و مدل‌های هارودی در پیش‌بینی مصرف برق ایران، مطالعات اقتصاد انرژی، مؤسسه مطالعات بین‌الملل انرژی، شمارۀ 24: 89-63.

قنبری، علی، امین گلوانی، امین و فرشید جوادنژاد (1391)، بررسی رابطۀ بین مصرف انرژی و شهرنشینی در ایران با به‌کارگیری روش ARDL، فصلنامۀ مطالعات اقتصاد انرژی، مؤسسه مطالعات بین‌الملل انرژی، شمارۀ 35:  119-101.

مزرعتی، محمد و بامداد پرتوی (1384)، پیش‌بینی مصرف بنزین تا سال 1400 و نقش مترو تهران در کاهش مصرف آن،  مطالعات اقتصاد انرژی، مؤسسه مطالعات بین‌الملل انرژی، شمارۀ 4:  83-57.

موسوی، سید نعمت‏ الله،  زینب مختاری، زینب و ذکریا فرج‌زاده (1389)، پیش‌بینی مصرف حامل‌های انرژی در بخش کشاورزی ایران با الگوهای ARCH و ARIMA، مطالعات اقتصاد انرژی، مؤسسه مطالعات بین‌الملل انرژی، شمارۀ 27: 195-181.

یاوری، کاظم و خالد احمدزاده (1389)، بررسی رابطۀ مصرف انرژی و ساختار جمعیت (مطالعه موردی: کشورهای آسیای جنوب غربی)، فصلنامۀ مطالعات اقتصاد انرژی، مطالعات بین‌الملل انرژی، شمارۀ 25: 62-33.

Amanifard, N., N. Nariman-Zadeh, M. Borji, A. Khalkhali and A. Habibdoust (2007), Modelling and Pareto Optimization of Heat Transfer and Flow Coefficients in Microchannels Using GMDH Type Neural Networks and Genetic Algorithms, Energy Conversion and Management, 49(2): 311-325.

Atashkari, K., N. Nariman-Zadeh , M. Gölcü A. and A. Khalkhali Jamali (2007), Modelling and Multi-Objective Optimization of a Variable Valve-Timing Spark-Ignition Engine Using Polynomial Neural Networks Elsevier, 48(3): 1029-1041.

ECO Statistical Network (ECOSTAT) (2013), ECO Key Statistical Indicators available online: http://ecosn.org/ECOKSI/ECOKSI.aspx.

Gurney, K. (1997), An Introduction to Neural Network, London; Routledge.

International Energy Agency (2012), IEA Statistics, available online; http://www.iea.org/stats/index.asp.

Ivakhnenko, A. G. (1968), The Group Method of Data Handling; A Rival of the Method of Stochastic Approximation, Soviet Automatic Control, 13: 43-55.

Kankal, M. , A. Akpinar, M. I. KoMURCU and   T. Ş. Özşahin (2010),
Modelling and Forecasting of Turkey’s Energy Consumption Using Socio-Economic and Demographic Variables, Applied Energy, 88(5): 1927-1939.

Khaloozadeh, H. , S. Khaki and L. Caro (2001), Long Term Prediction of Tehran Price Index (TEPIX) Using Neural Networks, Proceeding of the 2nd Iran Armenian Workshop on Neural Networks: 139-145.

Liddle, B. and S. Lung (2010),  Age-Structure, Urbanization, and Change in Developed Countries: Revisiting STIRPAT for Disaggregated Population and Consumption-Related Environmental Impacts, Population and Environment, 31: 317-343.

Nariman-Zadeh, N. , A. Darvizeh, M. Darvizeh and H. Gharababaei (2002), Modeling of Explosive Cutting Process of Plates Using GMDH-Type Neural Network and singular Value Decomposition,  Journal of Materials Processing Technology, 128:  80-87.

Nouri, M. , M. Mohaghegh and A. Azizi (2012), A Comparative Study on the Relationship Between Energy Consumption and main Demographic and Economic Indicators among ECO Member States, Formal Report, Population studies and Research Center for Asia and the Pacific.

Tomkins, R. ,S. Avers, P. Robinson, C. Cameron and C. Groom (2008), Trading Arrangement and Risk Management in International Electricity Trade, Formal Report 336/08, Energy Sector Management Assistance Program.

United Nations Population Division – UNPD (2010), World Population Prospects: The 2010 Revision, Available online: http://esa.un.org/unpp/.

Vasechkina, E. F. and V. D. Yarin (2001), Evolving  Polynomial Neural Network by Means of Genetic Algorithm: Some Application Examples, Complexity International, Vol. 9, Paper ID: vasech01, URL: http://www.complexity.org.au/vol09/vasech01/.

World Bank (2013), World Development Indicators, Available online: http://data.worldbank.org/indicator/.

York, R. (2007), Demographic Trends and Energy Consumption in European Union Nations, 1960-2025 , Social Science Research, 36:  855-872.