غفاری و زارع

۱۳۸۸

تکنیک عصبی – فازی

پیش بینی قیمت نفت خام

فخرایی

۱۳۶۲

روش حداقل مربّعات معمولی (OLS)

مصرف فرآورده های نفتی

اصفهانی

۱۳۷۱

حداقل مربّعات معمولی

تخمین تابع تقاضای فرآورده های نفتی

مروری بر مطالعات انجام گرفتۀ خارجی
کانیرت و اوزترک^[۲۳] (۲۰۰۶)، در مقاله ای با عنوان سه مدل کاربردی تکنیک های جستجوی الگوریتم ژنتیک(GA) در تخمین تقاضای انرژی، به منظور برآورد تقاضای نفت با بهره گرفتن از روش بهینه یابی الگوریتم ژنتیک، با هدف تخمین ارزش آتی تقاضا برای نفت، به ارائۀ سه مدل غیر خطّی تقاضا برای نفت در ترکیه، با بهره گرفتن از متغیرهای تولید ناخالص داخلی، جمعیت، صادرات، واردات، تولید نفت، واردات نفت و ماشین سواری، میزان فروش اتوبوس و کامیون، پرداخته اند. از این میان، مدلی که متغیرهای مستقل جمعیت، تولید ناخالص داخلی، واردات نفت و واردات و فروش کامیون را به عنوان شاخص پارامترهای طرح به کار می برد، با میانگین مطلق درصد خطای (MAPE)^[24] پایین تر برابر با ۰.۰۱۶۹ در دورۀ آزمایش مدل ها، راه حل بهتری را در مشاهدۀ داده ها فراهم می کند.

آنلر^[۲۵] (۲۰۰۸)، در مقاله ای با عنوان “بهبود پیش بینی تقاضای انرژی با بهره گرفتن از هوش مصنوعی، در مورد ترکیه با طرح ریزی تا سال ۲۰۲۵ “، به منظور پیش بینی تقاضای انرژی با بهره گرفتن از الگوریتم بهینه سازی انبوه ذرّات، (PSO) با هدف تخمین ارزش آتی تقاضای انرژی در این کشور ، تا سال ۲۰۲۵ ، به ارائۀ توابع خطّی و درجۀ دوم تقاضای انرژی در ترکیه، با بهره گرفتن از متغیرهای تولید ناخالص داخلی، جمعیت،MAPE واردات و صادرات پرداخته است. نتیجه این که تابع تقاضای درجۀ دوم با MAPE پایین تر برابر با ۰.۰۰۸ در دوره آزمایش مدل ها راه حل بهتری را در مشاهدۀ داده ها در مقایسه با دیگر فراهم می کند. بنابراین در این مطالعه، قدرت الگوریتمPSO در مقایسه با دیگر الگوریتم ها، با MAPE پایین تر دورۀ آزمایش مدل ها، در پیش بینی تقاضای انرژی ترکیه به اثبات رسیده است.
کالگیرا ( ۲۰۰۰ )، از تکنیک شبکه های عصبی مصنوعی برای پیش بینی میزان انرژی گرمایی مصرفی در ساختمان ها و پیش بینی مصرف انرژی در یک ساختمان خورشیدی غیرفعال استفاده کرد.
نصر و همکاران(۲۰۰۲)، نیز با بهره گرفتن از شبکه های عصبی به پیش بینی مصرف بنزین در کشور لبنان پرداختند.
مورات و سیلان(۲۰۰۵)، با بهره گرفتن از یک شبکۀ عصبی سه لایه و الگوریتم پس انتشار انرژی بخش حمل و نقل کشور ترکیه را پیش بینی کردند. در بررسی آنها از شاخص های تولید ناخالص داخلی، جمعیت و تعداد خودرو در هرکیلومتر به عنوان ورودی های شبکۀ عصبی استفاده شده است.
سازن و همکاران (۲۰۰۷)، به منظور پیش بینی مصرف فرآورده های نفتی در ترکیه، یک مدل شبکۀ عصبی ارائه کردند. در پژوهش آنها سه مدل مختلف طراحی شد و در پایان، آنها با بهره گرفتن از معیارهای خطا، یک مدل را به عنوان مدل مناسب برای پیش بینی مصرف فرآورده های نفتی در ترکیه انتخاب کردند.
تحقیقات یو و همکاران (۲۰۰۸)، از جمله این مطالعات است که یافته های آنها حاکی از برتری شبکه عصبی بر خودرگرسیون میانگین متحرک در پیش بینی است.
از دیگر مطالعات خارجی انجام گرفته در زمینۀ تخمین تابع تقاضا فرآورده های سوختی نفتی، می توان به مطالعات پاگولاتوس^[۲۶] (۱۹۸۶) اشاره کرد، که تقاضا برای فرآورده های نفتی امریکا از جمله بنزین را با بهره گرفتن از روش حداقل مربعات معمولی برای دورۀ (۷۲-۱۹۵۲) تخمین زد. در این مقاله تقاضای سرانۀ بنزین تابعی از درآمد سرانه، قیمت بنزین و تقاضای سرانۀ بنزین در دورۀ قبل بود .
در مطالعۀ دیگری جانسون و توتو^[۲۷] (۱۹۸۳)، تقاضای فرآورده های نفتی اعضای اوپک را با بهره گرفتن از مد ل های آماری و اقتصادسنجی برای سال های (۹۰-۱۹۸۵)، پیش بینی نمودند. در این مطالعه مصرف سرانۀ فرآورده های نفتی تابعی از تولید ناخالص داخلی سرانه و قیمت فرآورده های نفتی درنظر گرفته شده بود. نتایج این مقاله نشان داده که ضرایب کشش قیمتی تقاضای بنزین از نظر آماری بی معنی بوده و کشش های درآمدی در دامنۀ بین ۰.۸۸ تا ۱.۲۲ قرار دارد. این دو نتیجه بیانگر بی کشش بودن تقاضای بنزین و نرمال بودن این کالا با توجه به کشش درآمدی است.
ادگبولوگ و دایو^[۲۸] (۱۹۸۶)، مصرف بنزین در نیجریه را در طی سال های (۱۹۸۰-۱۹۶۵)، برآورد کردند. آن ها در این مطالعه از سه مدل اقتصادسنجی با حالت های مختلف برای برآورد تابع تقاضای بنزین در این کشور استفاده کردند. در مطالعۀ فوق متغیر هایی چون درآمد قابل تصرف، قیمت بنزین، قیمت سوخت های جانشین، کارایی و شتاب خودرو و موجودی خودروها، در میزان مصرف مؤثر دانسته شد. نتایج مطالعۀ آنها نشان داد که درآمد و موجودی مؤثر خودرو، توضیح دهنده های قوی برای مصرف بنزین هستند و با کاهش تدریجی یارانه ی بنزین، اثر نقش قیمت بنزین در مصرف آن بیش تر خواهد بود.
هالدنبیلن و سیلان^[۲۹] ( ۲۰۰۵ )، با بهره گرفتن از سه مدل خطّی، درجۀ دو و نمایی، تقاضای انرژی در بخش حمل و نقل ترکیه را برای سال های (۲۰۰۰-۱۹۷۰) با به کارگیری تکنیک الگوریتم ژنتیک تخمین زدند.
سینگ و بورا^[۳۰] در سال ۲۰۱۳، به پیش بینی شاخص سهام بر اساس M فاکتور سری زمانی فازی و الگوریتم بهینه سازی ازدحام ذرّات پرداختند. نتایج این تحقیق نشان داد که میزان دقّت و صحّت پیش بینی شاخص سهام را می توان بطور مؤثر توسط ترکیب PSO و مدل نوع ۲ سری زمانی فازی بهبود داد و این مدل ترکیبی را FTS-PSO نامیدند.
حجازی^[۳۱] و همکاران در سال ۲۰۱۳، برای انجام صحیح پیش بینی قیمت سهام از الگوریتم بهینه سازی ازدحام ذرّات استفاده نمودند، در این مطالعه الگوریتم PSO در جهت پیش بینی قیمت سهام به کار رفته است و بهترین مقادیر پارامتر ها را انتخاب می نماید تا از افتادن در بهینۀ محلّی جلوگیری نماید و صحّت پیش بینی را بالا ببرد. نتایج این تحقیق نشان می دهد که الگوریتم PSO پتانسیل بالایی در افزایش صحّت پیش بینی دارد.
جدول ‎۲‑۳. خلاصه مطالعات صورت گرفتۀ خارجی

نویسنده

سال

الگوریتم مورد استفاده

کاربرد

کانیرت و اوزترک

۲۰۰۶

الگوریتم ژنتیک

تخمین تقاضای انرژی

آنلر