الگوی شناسایی گروه های هدف در راستای هدفمندسازی یارانه های انرژی

هدف اصلی این مقاله ارائه روشی به منظور شناسایی گروه های هدف در اجرای قانون هدفمندی یارانه ها با استفاده از رویکرد شبکه های عصبی مصنوعی می باشد. مقادیر نمونه ای مربوط به هزینه مصرفی برق، گاز، تلفن و تلفن همراه به عنوان ورودی های شبکه عصبی (و مدل پروبیت به عنوان مدل معیار مقایسه) در نظر گرفته شده است. گروه های مورد بررسی در این مقاله به دو گروه مشمول و غیرمشمول دریافت یارانه تقسیم شده اند. شبکه عصبی به کار گرفته شده در این مقاله از نوع پرسپترون چند لایه است که به روش الگوریتم مارکوات-لورنبرگ آموزش دیده اند. به منظور کنترل میزان توانمندی روش شبکه های عصبی مصنوعی در مقایسه با مدل های رایج اقتصاد سنجی برای طبقه بندی، داده های مورد استفاده در روش شبکه های عصبی مصنوعی در مدل رگرسیونی پروبیت نیز مورد استفاده قرار گرفته و توانمندی روش های مزبور با استفاده از معیار ROC مورد ارزیابی قرار گرفته است. از طرفی، نتایج مدل رگرسیونی از جنبه دیگری نیز مهم هستند؛ معنی داری آماری رابطه میان متغیرهای مستقل و متغیر وابسته (تعلق به گروه هدف). نتایج بررسی های انجام شده حاکی از معنی داری آماری بین هزینه های مصرفی خانوار از خدمات عمومی منتخب و تعلق آن ها به طبقات درآمدی (گروه های مشمول و غیرمشمول) است. همچنین علایم ضرایب منطبق بر این فرضیه هستند که افزایش هزینه های مصرفی خانوارها از خدمات عمومی احتمال تعلق آن ها به گروه های مشمول هدفمندی را بیشتر می نماید. به عبارتی ساده تر، به طور متوسط خانوارهایی که هزینه های مصرفی بالاتری از خدمات عمومی دارند، از سطح درآمدی بالاتری نیز برخوردار هستند. نتایج تحقیق حاکی از آن است که روش های مورد استفاده در این مقاله (برای طبقه بندی خانوارهای مشمول و غیرمشمول) در مجموع از توانمندی یکسانی در طبقه بندی درست خانوارها (به مشمول و غیرمشمول) برخوردار هستند.

کلیدواژه ها:

Subsidy Targeting Law ، Target Groups ، Artificial Neural Networks ، Probit Model ، قانون هدفمندی یارانه ها ، گروه های هدف ، روش شبکه های عصبی مصنوعی ، مدل پروبیت