پیش‎بینی تقاضای آب شهرتهران با استفاده از الگوهای ساختاری، سری‎های زمانی و شبکة عصبی نوع GMDH

نویسندگان

1 دانشیار دانشکدة اقتصاد دانشگاه تهران

2 پژوهشگر اقتصادی دانشکدة اقتصاد دانشگاه تهران

3 کارشناس ارشد اقتصاد محیط زیست دانشکدة اقتصاد دانشگاه تهران

چکیده

روش‎ها و الگوهای اقتصاد سنجی متفاوتی، از قبیل تجزیه و تحلیل رگرسیون و سری‎های زمانی به منظور پیش‎بینی تقاضای آب، به‎طور معمول توسط محققان مختلف مورد استفاده قرار گرفته‎اند. اما در سال‎های اخیر تکنیک جدید شبکه‎های عصبی به عنوان ابزاری مؤثر و کارا در پیش‎بینی متغیرهای اقتصادی مطرح شده است. در مقالة حاضر، از شبکة عصبی نوع GMDH مبتنی برالگوریتم ژنتیک، الگوهای ساختاری و هم‎چنین سری‎های زمانی، به منظور مقایسة روش‎های پیش‎بینی تقاضای سرانة آب در شهر تهران استفاده شده است. متغیرهای مورد نظر در الگوهای پیش بینی تقاضای آب عبارتند از مصرف سرانة آب، قیمت آب، متوسط درآمد خانوار و متوسط درجة حرارت سالانه در شهر تهران. نتایج به‎دست آمده حاکی از آن است که پیش -بینی تقاضای آب با استفاده از روش شبکه‎های عصبی نوع GMDH، نسبت به برآوردهای حاصل از الگوهای ساختاری و سری زمانی، از درجة کارایی بیش‎تری برخوردار است. بنابراین، استفاده از شبک? عصبی مصنوعی در پیش بینی متغیرهای اقتصادی، می‎تواند به عنوان ابزاری در کنار سایر روش‎های پیش بینی مورد استفادة تصمیم‎گیران و سیاست‎گذاران در بخش مدیریت آب قرار گیرد.
طبقه‌بندی JEL : C53 , C5

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting of Urban Demand for Water in Tehran Using Structural, Time Series and GMDH Neural Networks Models: A Comparative Study

چکیده [English]

Conventionally, regression and time series analyses have been employed in modeling water demand forecasts. In recent years, the relatively new technique of neural networks (NNS) has been proposed as an efficient tool for modeling and forecasting. The objective of this study is to investigate the relatively new technique of GMDH – Type neural networks for the use of forecasting long – term urban water demand in Tehran city. The data employed in this study includes water consumption (per capita), water price, average household income and the annual average air temperature for the city of Tehran, Iran. The neural networks model, regression model, and time series model have been estimated and compared. The comparison reveals that the neural networks model consistently outperformed the regression and time series models developed in this study.
JEL classification: C53, C5

کلیدواژه‌ها [English]

  • GMDH Neural networks
  • Long
  • regression analysis
  • Time Series Analysis
  • Urban water demand
  • term water demand forecasting