ارايه يك پيش بيني كننده تركيبي كارآ براي عرضه و تقاضاي بنزين كشور تركيب الگوهاي فضاي حالت و شبكه عصبي مصنوعي

The Efficient Combinatorial Forecasters for Supply and Demand of Gasoline in Iran: Combination of Multivariate State Space Model and Artificial Neural Networks

بخش حمل و نقل از مهم ترين زيرساختهاي اساسي يك كشور در نايل شدن به رشد و توسعه اقتصادي بوده و فرآوردهاي نفتي نيز از مهم ترين نهاده هاي توليدي در اين بخش مي باشد. به واسطه اهميت تقاضاي بخش حمل و نقل از فرآورده هاي نفتي مانند بنزين، مداخله دولت در امر توليد و توزيع، مصرف و واردات رو به رشد، برنامه ريزي در خصوص انرژي را، امري اجتناب ناپذير كرده است. لذا ضرورت دارد كه سياستگذاران اقتصادي درك درستي از روند توليد، مصرف و وارادات اين فرآورده ها داشته باشند. در اين راستا، مقاله ي حاضر با بهره گيري از دو رهيافت ”الگوي فضاي حالت چند متغيره“ و ”شبكه عصبي مصنوعي“1 و با استفاده از داده هاي توليد، مصرف و واردات بنزين در طي سالهاي (1387-1357) اقدام به برآورد ميزان توليد، مصرف و واردات بنزين كرده است، سپس در ادامه ي مقاله، پيش بيني توليد، مصرف و واردات آتي بنزين براي دوره كوتاه مدت (1390-1388) ارايه گرديده است. نتايج حاكي از آن است كه الگوي شبكه عصبي مصنوعي عملكرد مناسب تري در پيش بيني داخل نمونه نسبت به الگوي فضاي حالت چند متغيره2 داشته است. در انتها مقاله، علاوه بر اين كه مقادير پيش بيني خارج از نمونه هر دو رهيافت ارايه شده، با استفاده از رهيافت تركيب پيش بينيهاي بيتز و گرنجر، مقادير پيش-بيني تركيبي كه نسبت به هر دو روش كارآتر است، گزارش شده است.

The transportation sector is one of the most basic infrastructures in the country to achieve economic growth and development, and petroleum products are most important production factors in the sector. Due to importance of the transportation sectorʹs demand of petroleum products such as gasoline, government intervention in the production and distribution, growing consumption and imports of gasoline, in any countries energy planning is inevitable. Therefore, it is essential that policymakers understand the process of production, consumption and importing these products. In this regard, this paper utilizes two approach, multivariate state-space and artificial neural networks models and using data of production, consumption and gasoline imports in the sample (1978-2008), to estimation of quantities of production, consumption and gasoline imports. Then, the article predicted production, consumption and imports of gasoline for short-term (2009-2011). The results of the paper suggest that artificial neural network model in forecasting in sample; have better performance than the Multivariate State Space model. Finally, the paper presented forecasting of production, consumption and import of gasoline; with combination of forecasts approach, that this forecast is efficient than two above mentioned methods.