فیلترهای جستجو:
فیلتری انتخاب نشده است.
نمایش ۲٬۳۰۱ تا ۲٬۳۲۰ مورد از کل ۳٬۱۳۰ مورد.
بازار متانول آسیا
examination of historical factors and causes of decline in oil prices and forecast of future trend
پیش بینی تراز داخلی گاز طبیعی: با استفاده از مدل ترکیبی ARDL و میانگین متحرک خودهمبسته یکپارچه (ARIMA)(مقاله علمی وزارت علوم)
حوزههای تخصصی:
هدف از این مطالعه بکارگیری یک مدل ترکیبی جهت تخمین تراز سرانه گازطبیعی کل کشور و همچنین پیش بینی آن برای دوره 1396 - 1415 می باشد. در این مطالعه با استفاده از مدل پویای خودتوضیح با وقفه های توزیعی (ARDL)، کشش های بلندمدت و کوتاه مدت عرضه و تقاضای سرانه گاز طبیعی کل کشور برای دوره 1360-1395 برآورد شده است. سپس با قرار دادن مقادیر پیش بینی شده هر یک از متغیرهای مورد نظر که از مدل ARIMA بدست آمده در مدل ترکیبی ARDL، مقدار تراز سرانه گاز طبیعی تا سال 1415 پیش بینی گردیده است. نتایج پیش بینی بیانگر این است که مقدار تقاضای سرانه گاز طبیعی تا سال 1415 به میزان 36/4177 میلیون مترمکعب خواهد رسید، همچنین در همین سال مقدار عرضه سرانه گاز طبیعی برابر با میزان 26/3417 میلیون مترمکعب خواهد بود. جهت پاسخگویی به این میزان مازاد تقاضا باید سیاست هایی در جهت افزایش تولید یا محدودیت تقاضا اتخاذ گردد.
oil production excess capacities and the role of persion gulf producers
حوزههای تخصصی:
- حوزههای تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی نفت،گاز طبیعی،زغال سنگ،مشتقات نفتی ساختار بازار،عرضه و تقاضا
- حوزههای تخصصی اقتصاد اقتصاد بخشی،اقتصاد صنعتی،کشاورزی،انرژی،منابع طبیعی،محیط زیست اقتصاد انرژی نفت،گاز طبیعی،زغال سنگ،مشتقات نفتی ذخایر،تولید،صادرات،حمل و نقل و بازاریابی
سهم بیشتر انرژی
بررسی مقایسه ای مدل های پیش بینی کوتاه مدت قیمت در بازار برق ایران(مقاله علمی وزارت علوم)
حوزههای تخصصی:
در ده ه های اخیر رقابتی شدن بازار برق، مقوله قیمت را به یک عنصر اساسی در تصمیم گیری های بازیگران در چهارچوب صنعت برق تبدیل نموده است و به تبع آن بخش خصوصی به عنوان سرمایه گذار اصلی در این حوزه نیازمند پیش بینی قیمت های آینده به منظور اتخاذ استراتژی مناسب و سازگار با روند کلی نظام بازار در راستای حفظ سهم خود از بازار و حفظ حاشیه سود می باشد. در چهارچوب تحلیل های اقتصادی، این هدف با ابزار مد ل های اقتصاد سنجی محقق خواهد شد که اعتبار مدل یاد شده ناظر به کمینه سازی خطای پیش بینی در تطابق الگوی پیش بینی شده با واقعیت جاری است. پژوهش حاضر به بررسی مقایسه ای قدرت پیش بینی مدل های مبتنی بر شبکه های عصبی مصنوعی، الگوریتم ژنتیک و مدل آریما در افق کوتاه مدت با استفاده از داده های ساعتی قیمت برق پرداخته است. نتایج پژوهش، حاکی از آن است که در افق کوتاه مدت، شبکه های عصبی مصنوعی، خطای کمتری نسبت به دو الگوی دیگر در پیش بینی داشته و الگوریتم ژنتیک در جایگاه دوم قرار دارد. همچنین، الگوهای سری زمانی دارای بیشترین خطا در پیش بینی قیمت برق، با توجه به پیش بینی های درون نمونه ای را دارا می باشد. مجموع مربعات خطا در الگوی شبکه عصبی مصنوعی در داده های آموزش، اعتبار سنجی و آزمون، به ترتیب برابر 43/1473، 63/1762 و 32/1498، در الگوریتم ژنتیک در داده های آموزش و اعتبارسنجی به ترتیب برابر 20/11318 و 98/7085 و در الگوی سری زمانی برابر 37/34644 می باشد.