بررسی عوامل موثر بر تقاضای برق بخش خدمات با استفاده از الگوریتم کرم شب تاب و الگوریتم فاخته

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری اقتصاد دانشگاه فردوسی مشهد

2 گروه اقتصاد، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد

چکیده

یکی از نهاده‌های مهمی که نادیده گرفتن آن در تابع تولید هر بخش می‌تواند یک تورش جدی در برآورد تولید آن بخش ایجاد کند، نهاده انرژی است. امروزه با توجه به پیشرفت تکنولوژی در بخش خدمات و تنوع تولید در این بخش، انرژی‌های با کیفیت بالا مانند الکتریسیته، جایگزین سوخت‌های با کیفیت پایین شده‌اند. تحلیل تقاضای انرژی در بخش خدمات، یکی از موضوعات مهم درکشورهای در حال توسعه است. بنابراین، به کارگیری روش‌های تحلیلی برای شناخت و درک بیشتر از تقاضای انرژی اهمیت می‌یابد. در این مقاله ابتدا تابع تقاضای برق بخش خدمات با دو الگوریتم کرم شب تاب و الگوریتم فاخته طی دوره 1392-1367برآورد شده و در ادامه براساس معیارهای ارزیابی عملکرد، مدل برآورد شده با الگوریتم کرم شب تاب برای بررسی عوامل موثر بر تقاضای برق در این بخش انتخاب شده است. نتایج نشان می‌دهند که متغییر تعداد مشترکین با میزان تقاضا رابطۀ مستقیم دارد، کشش متقاطع قیمتی 4/0 برآورد شده حاکی از جایگزینی نسبتا پایین برق با گاز می‌باشد همچنین رابطه مستقیم بین ارزش افزوده بخش خدمات و مصرف برق بیانگر ضروری بودن نهاده انرژی برق در بخش خدمات است. با توجه به پایین بودن کشش قیمتی برآورد شده(0.21-)، نمی‌توان انتظار داشت که با افزایش قیمت برق، میزان مصرف برق در این بخش به سرعت کاهش یابد. متغیر تعداد مشترکین برق با مصرف برق رابطه مستقیم دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the factors influencing the demand for electricity in service providing sector using Firefly and Cuckoo algorithms

نویسندگان [English]

  • Seyyed Ali Razavi 1
  • Mohammad Taher Ahmadi 2
1 PhD Candidate in Economics, Ferdowsi University of Mashhad
2 Department of Economics, Faculty of Economic and Administrative Sciences, Ferdowsi University of Mashhad
چکیده [English]

One of the most important components the negligence of which may cause serious bias in the estimates of production in any sector is power input. Nowadays, due the development of technology in service providing sectors and production variety, low-quality fuels have been replaced with quality energies such as electricity. The analysis of energy demand in service sector is one of the most important issues in the developing countries. Therefore the application of analytic methods for the recognition and understanding energy demand becomes important. In this article, first we will estimate the electricity demand function between 1989 and 2014 using firefly and cuckoo algorithms. Then according to performance evaluation criteria, the estimated model is used with firefly algorithm to study the factors influencing the demand for electricity in this sector. The results show that the number of users is in direct correlation with demand for electricity. Cross-price elasticity is estimated as 0.4 which indicates the slow replacement of gas with electricity. The direct relationship between the added value of service sector and electricity consumption also reveals the necessity of electricity input in service sectors. Due to the low estimated price elasticity, we can’t expect that the increase in electricity price leads to the rapid decrease of electricity consumption in this sector. The number of users as a variable has direct correlation with electricity consumption.

کلیدواژه‌ها [English]

  • Firefly Algorithm
  • Cuckoo Algorithm
  • Optimization. Electricity Demand
1- ابراهیمی، مهرزاد.(1391) "استفاده از رهیافت‌های شبکه‌های عصبی مصنوعی و سری زمانی در پیش‌بینی میزان مصرف انرژی الکتریکی در بخش کشاورزی ".تحقیقات اقتصاد کشاورزی، جلد(4 ):-27 42.
2- امامی میبدی، علی. خضری، محسن. اعظمی، آرش. (1388)"شبیه‌سازی تابع تقاضای انرژی در ایران با استفاده از الگوریتم بهینه‌سازی انبوه ذرات(pso)". فصلنامه مطالعات اقتصاد انرژی، (6): 159-141.
3- بانک مرکزی جمهوری اسلامی ایران، گزارش اقتصادی و ترازنامه بانک مرکزی، اداره حسابهای اقتصادی، سالهای مختلف.
4- حیدری، ابراهیم.(1383) "پیش‌بینی تقاضای انرژی در اقتصاد ایران بر اساس روش تجزیه". مجله تحقیقات اقتصادی،(69): 56-47.
5- زارع مهرجردی، محمد رضا. ضیاء آبادی، مریم.(1389)"بررسی عوامل موثر بر مصرف انرژی در بخش کشاورزی ایران".مجله توسعه و سرمایه (3): 133-153.
6- شعوری، سعید (1390) "مطالعه تأثیر ارزش افزوده بخش‌های صنعت، کشاورزی و خدمات بر تقاضای برق این بخش‌ها و پیش­بینی تقاضای برق در هر یک از آنها". پایان­نامه کارشناسی ارشد. دانشکده علوم اداری و اقتصادی گروه اقتصاد. دانشگاه فردوسی مشهد.
7- عسگری، علی (1380) تخمین تقاضای برق در بخش‌های صنعت، کشاورزی و خدمات و برآورد کشش‌های قیمتی و درآمدی آن. مجله برنامه و بودجه، (6) :75-47.
8- عصاری، محمدرضا. اله عصاره، احسان. بهرنگ، محمد علی.(1389)"کاربردی از ترکیب الگوریتم ژنتیک و شبکه‌های عصبی برای برآورد مصرف گاز طبیعی در ایران".نشریه تبدیل انرژی،(1): 31-25.
9- قنبری، علی. خضری، محسن. اعظمی، آرش.(1387) شبیه‌سازی تابع تقاضای بنزین ونفت گاز در حمل ونقل زمینی ایران، با استفاده از روش الگوریتم ژنتیک".فصلنامه اقتصاد مقداری (بررسی‌های اقتصادی سابق)،(5) : 177-157.
10- منهاج، محمد باقر. کاظمی، عالیه. شکوری گنجوی، حامد. تقی زاده، محمدرضا ( 1388 )"پیش‌بینی تقاضای انرژی بخش حمل و نقل با استفاده از شبکه‌های عصبی : مطالعه موردی در ایران ". پژوهش‌های مدیریت در ایران، ((2(پیایی66)):220-203
11- موسوی، نعمت ا...،. مختاری، زیتب. فرج زاده، ذکریا.(1389)"پیش‌بینی مصرف حامل‌های انرژی در بخش کشاورزی ایران با الگوهای ARCH & ARIMA ".فصلنامۀ مطالعات اقتصاد انرژی،(7): 181-195
12- مهرابی بشر آبادی، حسین. نقوی، سمیه.(1390)"برآورد تابع تقاضای انرژی در بخش کشاورزی ایران". تحقیقات اقتصاد کشاورزی،(3): 147-162
13- نجار‌زاده، رضا،.عباس محسن، اعظم.(1383) "رابطه بین مصرف حامل‌های انرژی و رشد بخش‌های اقتصادی در ایران"،فصلنامه مطالعات اقتصاد انرژی،(1): 61-81
14- هژبر کیانی، کامبیز. واردی، شایسته.(1379)"بررسی ضریب اهمیت انرژی در تولید بخش کشاورزی ایران ". اقتصاد کشاورزی و توسعه،(8):41-7.
15- وزارت نیرو. 47 سال آمار تفضیلی صنعت برق ایران در آیینه آمار 1392-1346.
16- Ang B.W. (1998),”Decomposion of industrial energy consumption “, Energy Economics, 16(3):163 -174.
17- Ang B.W. Goh T.N. Liu X.Q. (1992). “Residential Electricity Demand in Singapore". Energy 17(1)37-46.
18- Arimah, B.C. (1993). “: Electricity consumption in Nigeria”. OPEC Review. vol. 17:63-82. International Journal of Forecasting, 16: 71-83.
19- BehrangM.A. AssarehE., GhalambazM. AssariM.R., NoghrehabadiA.R.,( 2011). Forecasting future oil demand in Iran using GSA (Gravitational Search Algorithm) Energy, Volume 36, Issue 9, September Pages 5649-5654.
20- Darbelly G. S. Slama M. (2000). "Forecasting the short-term demand for electricity, do neural networks stand a better chance?", International Journal of Forecasting, 16: 71-83.
21- Dilaver, Zafer and Lester C. Hunt (2011), “Turkish Aggregate Electricity Demand: An Outlook to 2020” Energy Economics, 36, pp. 6686-6696.
22- Farla J.Cuelenaere R. Blok K. (1998),”Energy efficiency and structural change in the nether land
23- Fisher, Franklin M. and Kaysen, Carl (1962), The Demand for Electricity in the United States, Amsterdam, North -Holland Pub Co.
24- Kavaklioglu K., Ceylan H., Ozturk H.K., Canyurt, O.E (. (2009). “Modeling and prediction of Turkey’s electricity consumption using Artificial Neural Networks”, Energy Conversion and Management, 50: 2719–2727.
25- Kennedy, J. and Eberhat, R. C. ,(1955) “Particle Swarm Optimization”, in proceedings of IEEE International Conference on Neural Networks, Piscataway: IEEE, pp. 1942-1948.
26- Kent D.Anderson (1973), “Residential Demand for Electricity”, Econometric Estimates for California and the United States, Journal of the Royal Statistical Society, PP: 536-552.
27- Medlock, KB. (2009), “Energy Demand Theory” in International Handbook on the Economics of Energy, Evans, J. and Hunt LC (Edt), Edward Elgar Publishing, UK.
28- Murat YS. Ceylon H.(2005) “use of artificial neural networks for transport energy demand modeling “, Energy policy ,vol.34
29- Murat YS, Ceylon H.( 2006).” Use of artificial neural networks for transport energy demand modeling”. Energy Policy, 34: 3165–72.
30- Rashedi, Esmat, Nezamabadi-pour, Hossein, Saryazdi, Saeid, (2009)," GSA: A Gravitational Search Algorithm", Information Sciences 179, 2232–2248.
31- Sa’ad, Suleiman (2011), “Underlying Energy Demand Trends in South Korean and Indonesian Aggregate Whole Economy and Residential Sectors”, Energy Policy, 39, pp. 40-46.
32- Sun J.W. (2001),”Energy demand in fifteen European Union countries by 2010-A Forecasting model based on decomposition approach “,ENERGY ,26: 549-500
33- Yang ,X.S., Deb, S.( 2009), “Cuckoo search via Levy flights”, In Proceeing of World Congress on Nature & Biologically Inspired Computing, India, pp. 210–214
34- Yang, X-S., (2008), Nature-Inspired Metaheuristic Algorithms.Second Edition, Luniver Press.