نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد رشته اقتصاد انرژی، دانشگاه خوارزمی، تهران، ایران

2 استادیار گروه اقتصاد، دانشگاه لرستان، لرستان، ایران

چکیده

بخش برق علاوه بر اینکه یکی از مهم‌ترین صنایع کشور محسوب می‌شود، از تأثیرگذارترین ارکان رشد و توسعه اقتصادی نیز به شمار می‌رود. بنابراین پیش‌بینی تقاضای برق با توجه به نقش‌های مختلفی که در اقتصاد یک کشور ایفا می‌کند از اهمیت ویژه‌ای برخوردار است. در این راستا در مطالعه حاضر به پیش‌بینی تقاضای برق کشور با استفاده از رویکرد ترکیبی ARDL و ARIMA پرداخته‌ شده است. این مطالعه در تلاش است با تأکید بر اثر دما و نرخ‌های متفاوت رشد اقتصادی طی 4 سناریوی مختلف کل تقاضای برق ایران در یک بازه زمانی 30 ساله (2050 تا 2021) را پیش‌بینی نماید. سناریوسازی مبتنی برافزایش میانگین دمای کشور و نرخ‌های متفاوت رشد اقتصادی است. سناریو اول و دوم مبتنی برافزایش میانگین دمای کشور به میزان 0026/0 درصد سالیانه و نرخ‌های رشد اقتصادی 2 و 8 درصدی است. همچنین سناریو سوم و چهارم مبتنی برافزایش میانگین دمای کشور به میزان 0045/0 درصد سالیانه و نرخ‌های رشد اقتصادی 2 و 8 درصدی است. نتایج حاصل از مطالعه ضمن تائید تأثیر معنادار دما و رشد اقتصادی بر مصرف برق نشان می‌دهد که به دنبال افزایش دما و رشد تولید ناخالص داخلی، تقاضای برق به‌طور چشمگیری افزایش خواهد یافت. همچنین سایر نتایج حاکی از بی کشش بودن تقاضای برق نسبت به تغییرات قیمتی است. لذا سیاست‌های محدودیت تقاضای برق بایستی مبتنی بر کنترل دما و انتشار گازهای گلخانه‌ای از طریق افزاش سهم تکنولوژی‌های تجدید پذیر در سبد عرضه برق کشور و سیاست‌های مبتنی برافزایش بهره‌وری انرژی باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Long-Term Forecasting of Iran's Electricity Demand (A Scenario-Based Approach Using a Combined ARDL and ARIMA Approach)

نویسندگان [English]

  • Hossein Hafezi 1
  • Mahbube Delfan 2

1 Master Student of Energy Economics, Kharazmi University, Tehran, Iran

2 Assistant Professor, Department of Economics, Lorestan University, Lorestan, Iran

چکیده [English]

The electricity industry is not only one of the most significant industries in the nation, but it is also one of the most significant pillars of economic development. The numerous roles that electricity plays in a country's economy make it clear that anticipating electricity consumption is crucial. In this regard, the combined ARDL and ARIMA technique is used in the current study to forecast the nation's electricity demand. With an emphasis on the impact of temperature and various rates of economic growth, this study attempts to forecast Iran's total electricity demand over 30 years (2021 to 2050) under 4 alternative scenarios. The development of the scenario is based on the rise in the nation's average temperature and various rates of economic growth. The first and second scenarios rely on the country's average temperature increase of 0. 26% per annum and economic growth rates of 2% and 8%. Furthermore, the third and fourth ones are based on the country's average temperature increase of 0. 45% a year and economic growth rates of 2 and 8%. The study's findings reveal that temperature and economic growth have a substantial impact on how much electricity is consumed, but they also indicate that as temperatures rise and the GDP expands, there will be a huge increase in demand for electricity. Additionally, additional findings show that the power demand is inelastic to price fluctuations. As a result, efforts to reduce electricity consumption should be based on policies to increase energy efficiency as well as policies to regulate temperature and greenhouse gas emissions by increasing the proportion of renewable technologies in the nation's electricity supply portfolio.

کلیدواژه‌ها [English]

  • Electricity Demand Forecast
  • Effect of Climate Change on Electricity Demand
  • ARDL Model
  • ARIMA Model
آمار تفصیلی صنعت برق ایران ویژه مدیریت راهبردی (1399). شرکت مادر تخصصی توانیر. اسفندماه 1399.
پورکاظمی، محمدحسین و آقایی‌فر، رویا (1394). بررسی تأثیر کاهش یارانه برق بر مصرف برق با به‌کارگیری رویکرد تلفیقی شبکة عصبی و اقتصادسنجی. پژوهشنامه اقتصاد کلان، 10(19).‎
ترازنامه انرژی (1398). معاونت امور برق و انرژی، دفتر برنامه‌ریزی کلان برق و انرژی. وزارت نیرو.
جلایی، عبدالمجید، جعفری، سعید و انصاری لاری، صالح (1392). برآورد تابع تقاضای برق خانگی در ایران با استفاده از داده‌های تابلویی استانی. اقتصاد انرژی ایران (اقتصاد محیط زیست و انرژی)، 2(8)، 92-69.
چنگی آشتیانی، علی و جلولی، مهدی (1391). برآورد تابع تقاضای برق و پیش‌بینی آن برای افق چشم‌انداز 1404 ایران و نقش آن در توسعه کشور با توجه به هدفمند شدن یارانه‌های انرژی. پژوهش‌های رشد و توسعه اقتصادی، 2(7)، 191-169.
رستمی، مهدی؛ خادم‌وطنی، عسگر و امیدعلی، مصطفی (1397). پیش‌بینی تقاضای برق در ایران: کاربرد مدل ترکیبی تعدیل جزئی پویا و میانگین متحرک خودهمبسته یکپارچه (ARIMA). فصلنامه مطالعات اقتصادی کاربردی ایران، 7(25)، 199-177.‎
سلیمیان، زهره؛ گودرزی راد، رضا؛ فرمد، مجید؛ بداغی، مریم؛ مکاری‌زاده، وهاب و شفیع‌زاده، محمدعلی. (1400). ظرفیت‌های مدیریت مصرف انرژی در ایران در افق 1420: رویکرد مدل‌سازی جامع عرضه و تقاضای انرژی. مجله پژوهش‌های برنامه‌ریزی و سیاست‌گذاری انرژی، 7(1)، 85-51.‎
سلیمی‌فر، مصطفی؛ سیفی، احمد و شعوری، سعید. (1396). مطالعة تأثیر ارزش افزوده بخش صنعت بر تقاضای برق این بخش و پیش‌بینی تقاضای برق صنعت با توجه به اصلاحات قیمتی. مجله تحقیقات اقتصادی، 52(2)، 322-311.
صادقی، حسین و ذوالفقاری، مهدی. (1389). پیش‌بینی کوتاه‌مدت تقاضای برق کشور با استفاده از شبکه‌های عصبی و تبدیل موجک. اقتصاد مقداری (بررسی‌های اقتصادی)، 7(2)، 56-27.
صبحی جویباری، فاطمه. ( 1397). پویایی عبور قیمت نفت بر شاخص‌های قیمت داخلی در ایران در طی زمان (با استفاده از رهیافت TVP) پایان‌نامه کارشناسی ارشد، دانشگاه خوارزمی.
صمدی، سعید، شهیدی، آمنه و محمدی، فرزانه. (1387). تحلیل تقاضای برق در ایران با استفاده از مفهوم هم جمعی و مدل ARIMA؛ (1388-1363). دانش و توسعه، 15(25)، 136-113.
فتاحی، مهشید؛ ممی‌پور، سیاب و آریان‌پور، وحید. (1399). آثار زیست‌محیطی اصلاح یارانه‌های انرژی در برنامه‌ریزی بلندمدت بخش برق ایران (با استفاده از مدل MESSAGE). (پایان‌نامه کارشناسی ارشد). دانشگاه خوارزمی.
قهرمانی، مهسا، ممی‌پور، سیاب و آریان‌پور، وحید. (1399). نقش اصلاح یارانه‌های سوخت فسیلی در توسعه انرژی‌های تجدیدپذیر در ایران (با استفاده از مدل MESSAGE). (پایان‌نامه کارشناسی ارشد). دانشگاه خوارزمی.
محمدی، تیمور؛ خورسندی، مرتضی و امیرمعینی، مهران. (1393). مدل‌سازی تقاضای برق در بخش صنعت ایران: رویکرد مدل سری زمانی ساختاری. فصلنامه تحقیقات مدل‌سازی اقتصادی، 5(18)،117-87 .
منظور، داوود و رضایی، حسین. (1393). بررسی اثرات اصلاح قیمت سوخت مصرفی نیروگاه‌ها و مالیات بر ارزش افزوده بر تقاضای برق در کشور: رویکرد پویایی سیستمی. مطالعات‌ اقتصاد انرژی‌، 10(40)، 37-21.
مهینی‌زاده، منصور؛ فیض‌‌پور، محمدعلی و عابدی، مریم. (1396). تجزیه و تحلیل کارایی نهاده برق در صنایع تولیدی ایران با تأکید بر هدفمندسازی یارانه‌ها. پژوهشنامه اقتصاد انرژی ایران، 6(22)، 203-165.
موسوی، میرحسین؛ دهنوی، جلال و شاطری، الهه. (1400). مدل‌سازی تقاضای کل برق با استفاده از اقتصادسنجی پانل فضایی. مطالعات‌ اقتصاد انرژی‌، 17(68)، 23-1.
Adeoye, O. and Spataru, C. (2019). Modelling and forecasting hourly electricity demand in West African countries. Applied Energy, 242, 311-333.
Adom, P. K. and Bekoe, W. (2012). Conditional dynamic forecast of electrical energy consumption requirements in Ghana by 2020: A comparison of ARDL and PAM. Energy, 44(1), 367-38.
Adom, PK. (2011). Electricity consumption-economic growth nexus: the Ghanaian case. International Journal of Energy Economics and Policy, 1(1), 18-31.
Aldubyan, M. and Gasim, A. (2021). Energy price reform in Saudi Arabia: Modeling the economic and environmental impacts and understanding the demand response. Energy Policy, 148, 111941.
Al-Zayer, J. and Al-Ibrahim, A.A. (1996). Modelling the Impact of Temperature on Electricity Consumption in the Eastern Province of Saudi Arabia, Journal of Forecasting, 15(2): 97-106.
Arisoy, I. and Ozturk, I. (2014). Estimating industrial and residential electricity demand in Turkey: A time varying parameter approach. Energy, 66, 959-964.
Armstrong, J. S. (Ed.). (2001). Principles of forecasting: a handbook for researchers and practitioners. Springer Science & Business Media, (Vol. 30).
Aryanpur, V. and Shafiei, E. (2015). Optimal deployment of renewable electricity technologies in Iran and implications for emissions reductions. Energy, 91, 882-893.
Bessec, M. and Fouquau, J. (2008). The Non-Linear Link between Electricity Consumption and Temperature in Europe: A Threshold Panel Approach, Energy Economics, 30, 2705-2721.
Bhattacharyya, S.C. (2011). Energy Economics: Concepts, Issues, Markets and Governance. Dundee: springer.
Box, G. E., Jenkins, G. M. and Reinsel, G. (1970). Time series analysis: forecasting and control Holden-day San Francisco. BoxTime Series Analysis: Forecasting and Control Holden Day1970.
Changi Ashtiani, A. and Jalouli, M. (2012). The Estimation of Electricity Demand Function and Prediction of its Consumption to 2025 in Iran. Journal of Economic Growth and Development Research, 2(7), 169-191. [In Persian]
De Vita, G., Endresen, K. and Hunt, L. C. (2006). An empirical analysis of energy demand in Namibia. Energy policy, 34(18), 3447-3463.
Emodi, N. V., Chaiechi, T. and Alam Beg, A. R. (2018). The impact of climate change on electricity demand in Australia. Energy & Environment, 29(7), 1263-1297.
Fattahi, M., Mamipour, S. and Aryanpur, V. (2020). Environmental Impacts of Energy Subsidies Modification on long-Term Planning of Iran's electricity sector (Using MESSAGE Model). (Unpublished Master’s thesis). University of Kharazmi, Tehran, Iran [In Persian].
Ghahramani, M., Mamipour, S. and Aryanpur, V. (2020). The Role of Modifying Fossil Fuel Subsidies in Development of Renewable Energy in Iran (Using MESSAGE Model). (Unpublished Master’s thesis). University of Kharazmi, Tehran, Iran [In Persian].
Ghorbani, M., Darijani, A., Koocheki, A. and Motallebi, M. (2009). Estimation of environmental costs of greenhouse gases emission in Mashhad dairy farms. Agricultural Economics and Development, 17(2), 43-63.
Hor, C. L., Watson, S. J. and Majithia, S. (2005). Analyzing the impact of weather variables on monthly electricity demand. IEEE transactions on power systems, 20(4), 2078-2085.
IPCC. Climate change 2013: the physical science basis. Geneva: Intergovern-mental Panel on Climate Change; 2013.
Jalaee, S., Jafari, S. and Ansari Lari, S. (2013). The Estimation of Electricity Consumption in the Residential Sector in Iran: A Provinces Panel. Iranian Energy Economics, 2(8), 69-92. [In Persian]
Jamil, R. (2020). Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030. Renewable Energy, 154, 1-10.
Kaytez, F. (2020). A hybrid approach based on autoregressive integrated moving average and least-square support vector machine for long-term forecasting of net electricity consumption. Energy, 197, 117-200.
Lakhani, H. G. and Bumb, B. (1978). Forecasting demand for electricity in Maryland: an econometric approach. Technological forecasting and social change, 11(3), 237-259.
Lin, B. and Wang, Y. (2020). Analyzing the elasticity and subsidy to reform the residential electricity tariffs in China. International Review of Economics & Finance, 67, 189-206.
Liu, X. and Lin, Z. (2021). Impact of COVID-19 pandemic on electricity demand in the UK based on multivariate time series forecasting with bidirectional long short-term memory. Energy, 227, 120455.
Mahinizadeh, M., Feizpour, M. and Abedi, M. (2017). Analysis of Electricity Efficiency in Iranian Manufacturing Industries with Regard to Subsidies Reform. Iranian Energy Economics, 6(22), 165-203. [In Persian]
Manzour, D. and Rezaee, H. (2014). Power Plant Fuel Price Reform, Value-added Tax and Electricity Demand in Iran: A System Dynamics Approach. Energy Economics Review, 10(40), 21-37. [In Persian]
Mikayilov, J. I., Hasanov, F. J., Olagunju, W. and Al-Shehri, M. H. (2020). Electricity demand modeling in Saudi Arabia: Do regional differences matter? The Electricity Journal, 33(6), 106772.
Mohammadi, T., Khorsandi, M. and Amirmoeini, M. (2014). Modeling Electricity Demand in the Industrial Sector in Iran: A Structural Time Series Model. Journal of Economic Modeling Research, 5(18), 87-117. [In Persian]
Mousavi, M., Dehnavi, J. and Shateri, E. (2021). Total Electricity Demand Modeling: An Application of Spatial Panel Econometric Method. Quarterly Energy Economics Review, 17(68), 1-2. [In Persian]
Pesaran, M. H., Shin, Y. and Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of applied econometrics, 16(3), 289-326.
Pourkazemi, M. and Aghaeifar, R. (2015). Investigating the Effect of Electricity Subsidy Reduction on Electricity Consumption Using a Combined Approach of Neural Networks and Econometrics. Macroeconomics Research Letter, 10(19), 2-2. [In Persian]
Ritchie, H., Roser, M. and Rosado, P. (2020). Energy. Published online at Ourworldindata.org. Retrieved from: ‘https:// ourworldindata.org/energy’ [Online Resource]
Rostami, M., Khademvatani, A. and Omidali, M. (2018). Forecasting Electricity Demand in Iran: The application of a Hybrid Dynamic Partial Adjustment and ARIMA Model. Journal of Applied Economics Studies in Iran, 7(25), 177-199. [In Persian]
Sadeghi, H. (1), 17-20.
Yukseltan, E., Yucekaya, A. and Bilge, A. H. (2017). Forecasting electricity demand for Turkey: Modeling periodic variations and demand segregation. Applied Energy, 193, 287-296.
[
استناد به این مقاله: حافظی، حسین؛ دلفان، محبوبه. (1401). پیش‌بینی بلندمدت تقاضای برق ایران (رویکرد مبتنی بر سناریوسازی با استفاده از رهیافت ترکیبی ARDL و ARIMA)، پژوهشنامه اقتصاد انرژی ایران، 44 (11)، 41-71.
 Iranian Energy Economics is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.