نمودار (۳-۱) تخمین‌های اریب‌دار کشش قیمتی نشان می‌دهد که وقتی، قیمت از تعادل اولیه p0 به p1 افزایش می‌یابد از مقدار تقاضای انرژی تا سطح E1 کاسته می‌شود (نقطه B )؛ این اثر واقعی بلند‌مدت قیمت را نشان می‌دهد که ناشی از تغییر الگوی مصرف است، مثلاً مصرف کننده در این حالت بخاریهای اضافی خانه را خاموش می‌کند، حال اگر منفی[۹۰] باشد آنگاه منحنی تقاضا به چپ، D1 منتقل می‌شود و تعادل جدید در نقطه C رخ می‌دهد و تقاضای انرژی حتی تا سطح E2 کاهش می‌یابد؛ مقدار واقعی اثر از E1 تا E2 است و در صورت نبود در مدل تقاضا، اثر قیمتی از E0 تا E2 اندازه گرفته می‌شود. بنابراین کشش قیمتی بیش از حد برآورد می‌گردد.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

در نمودار (۳-۳) وقتی که کاهش در قیمت و داریم و این کاهش در به اندازه کافی باشد ولی در مدل در نظر نگرفته باشیم، حتی، ممکن است کشش قیمتی را به اشتباه مقداری مثبت برآورد کنیم.[۹۱]
نمودار (۳-۵) تخمین‌های اریب‌دار کشش درآمدی را در نظر گیرید؛ تعادل اولیه در نقطه A، متناظر با سطح تقاضای E0 و درآمد Y0، است. با افزایش درآمد مصرف کننده تا سطح Y1 ممکن است وی اقدام به خرید وسایل جدید و اضافی کاربری انرژی و وسایل گازسوز ‌کند. حال اگر پیشرفت تکنولوژی رخ داده باشد و این وسایل جدید از سطح تکنولوژی بالایی برخوردار باشند، منجر به این می‌شود که تقاضا از D0 به D1 انتقال یابد و از سطح E2 (نقطه B) به سطح E1 (نقطه C) کاهش یابد؛ آنچه که بطور تجربی به عنوان کشش درآمدی اندازه گرفته می‌شود، E1 – E0 است که این مقدار کمتر از E2 – E0، اندازه واقعی اثر درآمدی، می‌باشد.
با توجه به مباحث بالا اهمیت بکار‌گیری الگوی مناسب روند اصلی در مشخص نمایی تابع تقاضای انر‍ژی روشن می‌شود، و انتظار داریم که این الگو غیر‌خطی و از قابلیت انعطاف‌‌‌پذیری بالایی نیز برخوردار باشد. الگوی ساختار سری زمانی هاروی[۹۲] (۱۹۸۹) یک الگوی مناسب به این منظور می‌باشد؛ بنابراین ترکیب الگوی ساختار سری ‌زمانی را با یک وقفه توزیعی[۹۳] برای تخمین تابع تقاضای انرژی بکار خواهیم گرفت.
تحلیل الگوی نوسانات فصلی تقاضای انرژی
الگوی فصلی ممکن است قطعی و ثابت باشد[۹۴] و طی زمان تغییر نکند و یا با گذشت زمان تغییر کند و شکل تصادفی به خود گیرد. بسیاری از محققین وقتی که با داده‌های تعدیل نشده فصلی کار می‌کنند، اثرات فصلی را با ابزار متغیرهای مجازی فصلی می‌گیرند. بنابراین وقتی که اثرات فصلی بتدریج طی زمان تغییر می‌کند[۹۵]، بکارگیری این رویکرد (متغیرهای مجازی فصلی) منجر به تشخیص‌پذیری نادرست[۹۶] از مدل پویا می‌شود[۹۷].
مدل مؤلفه‌های غیرقابل مشاهده[۹۸]
دو روش اصلی در مدلسازی سریهای زمانی که اطلاعاتی در مورد مؤلفه‌های روند، فصلی و بی‌قاعده[۹۹] به ما بدهد، وجود دارد. روش اول مدل فصلی، مثل مدل “ایرلاین”[۱۰۰] باکس و جنکینس[۱۰۱] (۱۹۷۰) است[۱۰۲]؛ روش دوم که توسط کیتگاوا و جرسش[۱۰۳] بکار گرفته شده و بطور وسیع توسط هاروی (۱۹۸۹) بحث شده، به مدل ساختار سری زمانی[۱۰۴] مشهور است. اخیرا لستر (۲۰۰۳) نیز از این روش در تخمین تقاضای انرژی انگلستان استفاده کرده است. در ادامه به توضیح روش مدل ساختار سری زمانی می‌پردازیم.
الف- معرفی روش
همان طوری که اشاره شد دو واقعیّت موجود درتقاضای انرژی، یعنی روند اصلی و ماهیّت فصلی را در مدلسازی تقاضای انرژی باید در نظر داشت. بکارگیری روش مدل سری زمانی ساختاری این امکان را بوجود می‌آورد که مؤلفه‌های غیر قابل مشاهده روند و فصلی را در مدلهای رگرسیونی پویا آورد.
این روش یک ابزار مناسب برای تخمین روند اصلی تقاضای انرژی است. روند اصلی تقاضای انرژی ممکن است غیر خطی باشد؛ که این نه تنها ممکن است انعکاسی از پیشرفت فنی باشد، بلکه شاید انعکاسی از دیگر عاملها مثل تغییر سلیقه مصرف کنندگان و ساختار اقتصادی و غیره باشد؛ اگرچه این تغییرات بطور مستقیم قابل مشاهده نیستند، ولی ممکن است تأثیر فوق العاده‌ای روی سری زمانی بگذارد. هنگام استفاده از این روش در تخمین بین عوامل اقتصادی مثل قیمت و درآمد و عوامل غیر اقتصادی مثل تغییر سلیقه مصرف کنندگان و ساختار اقتصادی و عوامل دیگری که قابل مشاهده نیستند ولی بعضی مواقع اثر قوی بر تقاضای مصرف گاز طبیعی دارند، تفاوت قایل می‌شویم.
با بکارگیری این روش در مدلسازی اثرات فصلی همچنین، اثرات تصادفی فصلی و غیر قابل مشاهده را از اثرات فصلی قابل مشاهده مثل تغییرات دما و شرایط جوّی که بصورت یک منبع برونزا بر تقاضای مصرف گاز طبیعی اثر می‌گذارد، متمایز می‌کنیم. خلاصه روشی است که این امکان را می‌دهد که هر دو مؤلفه روند تصادفی و فصلی تصادفی را در تقاضای کل انرژی، به منظور برآورد صحیح کششهای درآمدی و قیمتی، وارد کرد.
مدل فصلی ذیل را در نظر گیرید:

که در آن لگاریتم طبیعی تقاضای مصرف گاز‌ طبیعی بخشهای خانگی و تجاری است؛ مؤلفه روند و مؤلفه فصلی است؛ و بردار متغیرهای توضیحی (لگاریتم قیمت، درآمد و دما) و بردار پارامترهای مجهول است.
فرض می‌شود، مؤلفه روند بصورت فرایند تصادفی ذیل است:

معادلات (۳-۳-۲) و (۳-۳-۳) به ترتیب سطح روند و شیب روند[۱۰۵] را نشان می‌دهند. این فرایند اینگونه تفسیر می‌شود که روند این دوره برابر است با روند دوره قبل به اضافه عبارت رشد و به اضافه شوک غیر قابل پیش‌بینی. شکل اصلی روند بوسیله واریانس ابر‌پارامترهای[۱۰۶] و تعیین می‌شود. وقتی که واریانس هر دو ابر‌پارامترهای و صفر باشد (با چشم پوشی از مؤلفه فصلی) مدل، همان مدل سنتی روند قطعی است. در جدول (۳-۲) شکلهای مختلفی که مؤلفه روند مدل می‌تواند به خود گیرد آورده شده است.
جدول ۳-۲٫ طبقه‌بندی حالتهای ممکن الگوی روند تصادفی

سطح روند

شیب روند

سطح روند تصادفی

سطح روند ثابت

بدون سطح روند

(iii) مدل سطحی موضعی[۱۰۷] (گام تصادفی به اضافه عرض از مبداء)

(ii) رگرسیون معمولی با مقدار ثابت و بدون روند زمانی

(i) رگرسیون معمولی بدون روند زمانی و مقدار ثابت

بدون شیب

(v) مدل سطحی موضعی همراه با عرض از مبداء[۱۰۸]

(v) رگرسیون معمولی با مقدار ثابت و روند زمانی

(iv)

شیب ثابت

موضوعات: بدون موضوع  لینک ثابت


فرم در حال بارگذاری ...