سید کمال صادقی - دانشیار دانشکده اقتصاد، مدیریت و بازرگانی دانشگاه تبریز
سید مهدی موسویان - دانشجوی دکتری علوم اقتصادی دانشگاه تبریز

مصرف گاز طبیعی به عنوان یکی از مهم ترین حامل های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه ریزی جهت تامین نیازهای آن، نیازمندشناخت وضعیت مصرف کنونی و پیش بینی روند آتی آن می باشد. با معرفی و کاربرد گسترده مدل های مختلف همچون شبکه های عصبی مصنوعی جهت برآورد روند آتیمصرف و از طرفی تصادفی بودن آن ها، آگاهی از دقت این مدل ها جهت نیل به هدف پیش بینی دقیق تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به کارگیری شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده ترین بخش مصرف کننده، به مقایسه دقیق تر این پیش بینی ها با استفاده از باز نمونه گیری از نمونه ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن ها با استفاده از روش 10-fold حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با استفاده از باز نمونه گیری با جای گذاری از داده های اردیبهشت ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال های 1389 و 1390 توسط آن ها پیش بینی و فاصله اطمینان 95 درصدی برای پیش بینی ها محاسبه شد. نتایج بررسی معنی داری اختلاف پیش بینی مدل ترکیبی شبکه عصبی با مدل ARIMA و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه ها بود.

الگوریتم PSO، بوت استرپ، پیش بینی، شبکه های عصبی، گاز طبیعی