پيش بيني مقدار تقاضاي نفت خام در ايران با استفاده از شبكه هاي عصبي مصنوعي (ANN) و مدل ARMAX

Forecasting Demand for Crude Oil of Iran Using Artificial Neural Networks and ARMAX Models

هدف تحقيق مدل سازي و پيش بيني تقاضاي نفت در ايران با استفاده از روش، شبكه عصبي مصنوعي (ANN)، مي‌باشد. در مقاله تلاش شده تا يافته‌هاي تحقيق با استفاده از مدل مذكور با مدل ARMAX مقايسه گردد تا ميزان دقت پيش بيني شبكه عصبي مورد ارزيابي علمي قرار گيرد. نتيجه مطالعه نشان مي‌دهد كه مدل شبكه عصبي مصنوعي از دقت بيشتري در پيش‌بيني تقاضاي نفت خام ايران برخوردار است. همچنين در اين مقاله متغيرهاي تعيين‌كننده تقاضاي نفت خام در كشورهاي منتخب عضو اوپك مورد مقايسه قرار گرفت تا مشخص گردد كه آيا عوامل تعيين‌كننده تقاضاي نفت خام ايران در سايركشورها نيز مشابه است؟ براي اين كار از ضريب همبستگي رتبه‌اي اسپيرمن استفاده شده است، نتايج حاصل نشان مي‌دهد مقدار اين ضريب براي كشور هاي منتخب نسبت به ايران نزديك به يك است كه بر آن دلالت مي‌كند كه، متغيرهاي استفاده شده در اين تحقيق در ساير كشورهاي مشابه نتايج يكساني بدست داده است. در نتيجه مي‌توان آنها را براي پيش‌بيني مقدار تقاضاي نفت خام متغيرهاي كليدي در نظر گرفت.

The purpose of this paper is to forecast demand for crude oil of Iran using Artificial Neural Networks and ARMAX models. The result indicates that Artificial Neural Networks provides an accurate and better picture compared with ARMAX. In order to show whether the variables used in this study are true determinants of Crude oil demand, we have also applied the same techniques with the same variables to forecast crude oil demand of five selected OPEC countries. The result confirms our earlier findings for Iran. Applying rank correlation coefficient for these findings, show high correlation coefficients between the result for Iran and other countries. Therefore we may say that the variables such as GDP, population, net exports and the number of vehicles are key variables for any forecasting relating to crude oil demands in similar countries