عوامل موثر بر شدت انرژي در استان‌هاي ايران: رويكرد ميانگين‌گيري بيزي

Factors Affecting Energy Intensity in Provinces of Iran: Bayesian Averaging Approach

شناسايي مهم‌ترين عوامل موثر بر شدت انرژي با هدف كنترل و مديريت مصرف انرژي موضوعي با اهميت است. در مطالعات تجربي انجام‌شده پيرامون عوامل موثر بر شدت انرژي، تفاوت‌هاي قابل توجهي در يافته‌ها مشاهده مي‌شود كه شرايط عدم ‌اطمينان نسبت به مدل را باعث مي‌شوند. يكي از تكنيك‌هاي متناسب با شرايط عدم ‌اطمينان مدل، تكنيك ميانگين‌گيري بيزي مي‌باشد. هدف مطالعه حاضر، شناسايي عوامل نيرومند و شكننده موثر بر شدت انرژي در استان‌هاي ايران طي سال هاي 1387 تا 1394 مبتني بر رويكرد ميانگين‌گيري بيزي است. متغيرهاي مورد مطالعه از ميان عوامل مختلف اقتصادي، جمعيت‌شناختي، صنعتي، تجاري، حمل‌ونقل، بخش انرژي، عوامل مربوط به اقتصاد دانش‌بنيان و نيز عوامل آب‌وهوايي انتخاب شده‌اند. با برآورد بيش از 8 ميليون رگرسيون و ميانگين‌گيري بيزي از ضرايب، از ميان 24 متغير مورد بررسي، 9 متغير: سهم بخش خدمات از توليد، نسبت صادرات به توليد، سهم نفت و فرآورده‌هاي نفتي از مصرف انرژي، درآمد سرانه، قيمت انرژي، تعداد ماه‌هاي گرم سال، سرمايه سرانه نيروي‌كار، تعداد ماه‌هاي سرد سال و نرخ رشد جمعيت به ترتيب به عنوان مهم‌ترين عوامل موثر بر شدت انرژي در استان‌هاي ايران شناسايي شدند. همچنين مشخص شد كه متغيرهاي درآمد سرانه، سهم بخش خدمات از توليد، سهم نفت و فرآورده‌هاي نفتي از مصرف انرژي، قيمت انرژي و تعداد ماه‌هاي گرم سال بر شدت انرژي اثر منفي دارند اما ساير متغيرهاي نيرومند، شدت انرژي را افزايش مي‌دهند. نتايج اين تحقيق مي‌تواند از منظر سياستگذاري مورد استفاده برنامه‌ريزان حوزه انرژي قرار گيرد.

The identification of the most important factors affecting energy intensity with the aim of controlling and managing energy consumption is an important topic. Findings of different empirical studies on the factors affecting energy intensity are inconsistent and this raises uncertainty about the employed models. One of the techniques that conform to these uncertainty conditions of the model is the Bayesian averaging approach. The purpose of this study is to identify robust and fragile factors affecting energy intensity in Iran provinces over the period from 2008 till 2015 using Bayesian averaging approach. The studied variables are selected from among the economic, demographic, industrial, commercial, transportation, Energy sector, factors related to Knowledge-based economy and climate factors. 24 variables were reviewed and by assessment of more than 8 million regressions and Bayesian averaging of the coefficients, 9 variables were identified as the most affecting factors on energy intensity in Iran provinces; share of service sector in production, ratio of export to production, share of oil and petroleum products in energy consumption, income per capita, energy price, number of warm months, per capita capital of employed persons, number of cold months and population growth rate. It was also revealed that per capita income, share of service sector in production, share of oil and petroleum products in energy consumption, energy price and number of warm months have negative effect on energy intensity but other robust variables increase energy intensity. These findings can provide important policy recommendations, especially for the use of energy planners and policy makers.