الگوي شناسايي گروه‌هاي هدف در راستاي هدفمندسازي يارانه‌هاي انرژي

A Model to Detect Target Groups For Energy Subsidy Reform in Iran

هدف اصلي اين مقاله ارائه روشي به منظور شناسايي گروه‌هاي هدف در اجراي قانون هدفمندي يارانه‌ها با استفاده از رويكرد شبكه‌هاي عصبي مصنوعي مي‌باشد. مقادير نمونه‌اي مربوط به هزينه مصرفي برق، گاز، تلفن و تلفن‌همراه به عنوان ورودي‌هاي شبكه عصبي (و مدل پروبيت به عنوان مدل معيار مقايسه) در نظر گرفته شده است. گروه‌هاي مورد بررسي در اين مقاله به دو گروه مشمول و غيرمشمول دريافت يارانه تقسيم شده‌اند. شبكه عصبي به كار گرفته شده در اين مقاله از نوع پرسپترون چند لايه است كه به روش الگوريتم ماركوات-لورنبرگ آموزش ديده‌اند. به منظور كنترل ميزان توانمندي روش شبكه‌هاي عصبي مصنوعي در مقايسه با مدل‌هاي رايج اقتصاد سنجي براي طبقه‌بندي، داده‌هاي مورد استفاده در روش شبكه‌هاي عصبي مصنوعي در مدل رگرسيوني پروبيت نيز مورد استفاده قرار گرفته و توانمندي روش‌هاي مزبور با استفاده از معيار ROC مورد ارزيابي قرار گرفته است. از طرفي، نتايج مدل رگرسيوني از جنبه ديگري نيز مهم هستند؛ معني‌داري آماري رابطه ميان متغيرهاي مستقل و متغير وابسته (تعلق به گروه هدف). نتايج بررسي‌هاي انجام شده حاكي از معني‌داري آماري بين هزينه‌هاي مصرفي خانوار از خدمات عمومي منتخب و تعلق آن‌ها به طبقات درآمدي (گروه‌هاي مشمول و غيرمشمول) است. همچنين علايم ضرايب منطبق بر اين فرضيه هستند كه افزايش هزينه‌هاي مصرفي خانوارها از خدمات عمومي احتمال تعلق آن‌ها به گروه‌هاي مشمول هدفمندي را بيشتر مي‌نمايد. به عبارتي ساده‌تر، به طور متوسط خانوارهايي كه هزينه‌هاي مصرفي بالاتري از خدمات عمومي دارند، از سطح درآمدي بالاتري نيز برخوردار هستند. نتايج تحقيق حاكي از آن است كه روش‌هاي مورد استفاده در اين مقاله (براي طبقه‌بندي خانوارهاي مشمول و غيرمشمول) در مجموع از توانمندي يكساني در طبقه‌بندي درست خانوارها (به مشمول و غيرمشمول) برخوردار هستند.

The main target of this research is providing a decision making model to identify the target groups for energy subsidy reform using artificial neural network approach. Family expenditures on electricity, gas, telephone and cell phone are used as the inputs to the artificial neural network model and the Probit model developed as a benchmark. The sample being studied in this research are divided into two groups: eligible and non-eligible to receive subsidies. The artificial neural network used in the research is the multilayer perceptron which has used the Levenberg-Marquardt method to train the data.Acooring to the results, there exists a statistically meaningful relation between the families’ expenditure on the chosen services and their belonging to different income levels as eligible or non-eligible groups for receiving subsidies. Moreover, families with higher expenditures on selected services have higher incomes.The outcome of this study reveals that the two models used for classifying the target groups have similar results in classifying the families into eligible and non-eligible groups for receiving subsidies.