مقایسه روش‏های مختلف پیش ‏بینی روند انتشار گازهای گلخانه ‏ای از بخش کشاورزی ایران

پزشک, فاطمه; زارع مهرجردی, محمد رضا; امیرتیموری, سمیه; میرزایی خلیل ‏آبادی, حمیدرضا; نقوی, سمیه

doi:10.22111/jneh.2023.46339.1980

مقایسه روش‏های مختلف پیش ‏بینی روند انتشار گازهای گلخانه ‏ای از بخش کشاورزی ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانش‏آموخته، گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

² استاد، گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

³ دانشیار، گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

⁴ دانشیار، گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه جیرفت

10.22111/jneh.2023.46339.1980

چکیده

انتشار گازهای گلخانه‏ ای عامل اصلی گرمایش زمین و مسائل زیست محیطی است. بخش کشاورزی یکی از منابع عمده انتشار است، به‏ طوری‏که یک سوم انتشار گازهای گلخانه ‏ای در جهان مربوط به سیستم‏های کشاورزی می‏باشد. امروزه، پیش‌‌بینی یک ابزار مهم برنامه‏ ریزی برای سیاست‏گذاران به‏ شمار می‌‌رود. پیش‏ بینی میزان انتشار گازهای گلخانه ‏ای می‏ تواند تصویری از آینده را برای سیاست‏گذاران، نمایان و آن‏ها را در اتخاذ تصمیم‏های راهبردی یاری نماید. روش‏های متنوعی برای پیش‌‌بینی متغیرها وجود دارد. هدف این مطالعه، مقایسه روش‏های پیش‏بینی و روند انتشار مهم‏ترین گازهای گلخانه‌‌ای (متان، دی‏اکسیدکربن و اکسیدنیتروژن) از بخش کشاورزی ایران است. آمار و اطلاعات لازم به‏ صورت سالانه برای دوره زمانی 2019-1990 از سایت سازمان خوار و بار کشاورزی ملل متحد، بانک جهانی و ترازنامه انرژی وزارت نیرو، جمع ‏آوری و به ‏منظور پیش‏بینی متغیرها از روش‌‌های تک متغیره‏ الگوی خودتوضیح جمعی میانگین متحرک (آریما)، هموارسازی نمایی منفرد با روند، هموارسازی نمایی دوگانه با روند، الگوریتم هالت-وینترز ضربی و الگوریتم هالت-وینترز تجمعی و روش چند متغیره‌‌ خودرگرسیون برداری استفاده شد. بر اساس یافته‌‌های تحقیق، روش‏های هالت-وینترز تجمعی، شبکه عصبی مصنوعی و هموارسازی نمایی منفرد با روند بهترین پیش‌‌بینی را به ‏ترتیب برای گاز متان، دی‏اکسیدکربن و اکسید‏نیتروژن ارائه دادند. نتایج نشان داد که روند انتشار گازهای متان و اکسید‏نیتروژن، نزولی و میزان انتشار گاز دی‏اکسیدکربن، صعودی خواهد بود. نتایج می‏تواند در پیش‏بینی انتشار گازهای گلخانه‏ ای در بخش کشاورزی و به ‏تبع آن اعمال سیاست‏های مناسب راهگشا باشد.

کلیدواژه‌ها

موضوعات

آلودگی محیط طبیعی

عنوان مقاله [English]

Comparison of Different Methods of Forecasting the Trend of Greenhouse Gas Emissions from Iran's Agricultural Sector

نویسندگان [English]

Fatemeh Pezeshk ¹
Mohammad Reza Zare Mehrjerdi ²
Somayeh Amirtaimoori ³
Hamid Reza Mirzaei Khalilabadi ³
Somayeh Naghavi ⁴

¹ MSc, Department of Agricultural Economics, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

² Professor, Department of Agricultural Economics, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

³ Associate Professor, Department of Agricultural Economics, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran

⁴ Associate Professor, Department of Agricultural Economics, Faculty of Agriculture, University of Jiroft, Jiroft, Iran

چکیده [English]

The emission of greenhouse gases is the main cause of global warming and environmental problems. The agricultural sector is one of the major sources of emissions so one-third of the greenhouse gas emissions in the world are related to agricultural systems. Today, forecasting is considered an important planning tool for policymakers. Forecasting the amount of greenhouse gas emissions can show a picture of the future for policymakers and help them in making strategic decisions. There are various methods for predicting variables. This study aims to compare the methods of forecasting and the emission trend of the most important greenhouse gases (methane, carbon dioxide, and nitrogen oxide) from Iran's agricultural sector. The necessary statistics and information were collected annually between 1990 and 2019 from the websites of the Food and Agriculture Organization of the United Nations, the World Bank, and the energy balance sheet of the Ministry of Energy, and to predict the variables from univariate methods of autoregressive integrated moving average (ARIMA), single exponential smoothing with trend, double exponential smoothing with trend, Holt-Winters multiplicative and Holt-Winters additive and multivariate model of vector autoregressive were used. Based on the research findings, methods of Holt-Winters additive, artificial neural network, and single exponential smoothing with trend provided the best forecast for methane gas, carbon dioxide, and nitrogen oxide, respectively. The results showed that the emission trend of methane and nitrogen oxide gases will be downward and the amount of carbon dioxide emission will be upward. The results can help predict the greenhouse gases released from the agricultural sector and apply appropriate policies accordingly.

کلیدواژه‌ها [English]

Greenhouse Gases
Forecasting Methods
Agriculture
Iran

مراجع

احمدی ارکمی، علی. (1401). برآورد انتشار گازهای گلخانه‌ای و بررسی سناریوهای کاهش انتشار سازگار با منطقه در افق ۲۰۳۰ میلادی (مطالعه موردی: استان گیلان، ایران). سلامت و محیط زیست، ۱۵ (۱)، ۱۲۱-۱۳۶.

امانی، احمدرضا؛ چیذری، محمد. (1385). تعیین ویژگیهای اجتماعی، اقتصادی و زراعی گندمکاران شهرستانهای اهواز، دزفول و بهبهان با توجه به پذیرش روشهای کشاورزی پایدار کم نهاده(ALSA) . نشریه علوم آب و خاک، 10 (1)، 119-107.

امیدی، نبی؛ عسگری، حشمت الله؛ امیدی، محمدرضا؛ شیری، اردشیر. (1394). مقایسه دقت روش های هالت-وینترز،آریما، تعدیل نمایی و هوشمند در پیش‏بینی تصادفات. فصلنامه راهور، 12 (30)، 33-48.

انواری، ابراهیم؛ باقری، سمانه؛ صلاح منش، احمد. (1398). بررسی روند و پیش‌‌بینی انتشار گاز کربنیک در بخش‌‌های آلاینده (مطالعه موردی: ایران. پژوهش‏های محیط زیست، 10 (19)، 147-155.

پیش بهار، اسماعیل؛ بداق، شیدا؛ دشتی، قادر. (1398). پیش بینی رشد بخش کشاورزی ایران: رهیافت داده‏های ترکیبی با تواتر متفاوت (MIDAS). پژوهشهای اقتصادی (رشد و توسعه پایدار)، 19(3)، 161-145.

رکنالدین افتخاری، عبدالرضا؛ پورطاهری، مهدی؛ فرج زاده، منوچهر؛ حیدری ساربان، وکیل. (1388). نقش توانمندیسازی در توسعه کشاورزی، مطالعه موردی: استان اردبیل. پژوهشهای جغرافیای انسانی، 69، 103-87 .

خسروی، محمود؛ نوروزی، رباب. (1389). ارزیابی میزان انتشار گاز گلخانه‏ای متان حاصله از فعالیت‏های دامپروری در ایران طی سال‏های 85-1375. چهارمین کنفرانس منطقه‏ای تغییر اقلیم، تهران.

زارع مهرجردی، محمدرضا؛ جاودان، ابراهیم. (1390). پیش‏بینی نرخ رشد بخش کشاورزی ایران (مقایسه روش های تک متغیره و چند متغیره). اقتصاد کشاورزی (اقتصاد و کشاورزی)، 5 (1)، 101-81.

سهرابی، روح اله. (1395). مقایسه روش‏های اقتصاد سنجی و شبکه‌های عصبی مصنوعی در پیش‏بینی مقدار واردات کنجاله ایران. تحقیقات اقتصاد و توسعه کشاورزی ایران، 47 (3)، 633-646.

شهیدیپور، نیایش. (1390). بررسی ارتباط بین انتشار گازهای آلاینده، مصرف انرژی و ارزش افزوده در بخشهای اقتصادی ایران با تأکید بر کشش شدت آلودگی. پایان نامهی کارشناسی ارشد، دانشگاه تهران.

فطرس، محمدحسن؛ فردوسی، مهدی؛ و مهرپیما، حسین. (1390). بررسی تأثیر شدت انرژی و گسترش شهر‌نشینی بر تخریب ‌محیط زیست در ایران (تحلیل هم ‌جمعی). محیط شناسی، 37 (60)، 13-22.

محمدی خیاره، محسن؛ مظهری، رضا. (1396). بررسی تأثیر متقابل رشد اقتصادی و توسعه بخش کشاورزی در ایران. تحقیقات اقتصاد کشاورزی. 9(4)، 259-282.

محمدیان امیری، احسان؛ ابراهیمی، سیدبابک. (1397). پیش‏بینی چند گام به جلوی ارزش در معرض خطر بر مبنای روش هموارسازی نمایی هلت- وینترز ضربی. راهبرد مدیریت مالی، 6 (20)، 93-114.

مرادی مجد، نسرین؛ فلاح قالهری؛ غلامعباس و چترنور، منصور. (1399). مدل‌سازی میزان انتشار گازهای گلخانه‏‍ای در باغات استان خوزستان. نشریه محیط زیست طبیعی، 73 (4)، 819-833.

نصرنیا، فاطمه؛ اسماعیلی، عبدالکریم. (1388). رابطهی علی بین انرژی و اشتغال، سرمایهگذاری و ارزش افزوده در بخش کشاورزی. هفتمین کنفرانس اقتصاد کشاورزی ایران، پردیس کشاورزی و منابع طبیعی دانشگاه تهران.

AlKheder, S., Almusalam, A. (2022). Forecasting of carbon dioxide emissions from power plants in Kuwait using the United States Environmental Protection Agency, Intergovernmental Panel on Climate Change, and machine learning methods. Renewable Energy, 191, 819-827.

Aydinalp, C., Cresser, M. S. (2008). The effects of global climate change on agriculture. American-Eurasian Journal of Agricultural & Environmental Sciences, 3(5), 672-676.

Bakay, M. S., Ağbulut, Ü. (2021). Electricity production-based forecasting of greenhouse gas emissions in Turkey with deep learning, support vector machine, and artificial neural network algorithms. Journal of Cleaner Production, 285, 125324.

Crippa, M., Solazzo, E., Guizzardi, D., Monforti-Ferrario, F., Tubiello, F. N., Leip, A. J. N. F. (2021). Food systems are responsible for a third of global anthropogenic GHG emissions. Nature Food, 2(3), 198-209.

FAO (2020). Greenhouse gas emissions from agrifood systems Global, regional and country trends, 2000–2020. FAOSTAT Analytical Brief 50.

Hemingway, C., Vigne, M., Aubron, C. (2023). Agricultural greenhouse gas emissions of an Indian village- Who's to blame: crops or livestock? Science of The Total Environment, 856, 159145.

Huang, J., Wang, L., Siddik, A. B., Abdul-Samad, Z., Bhardwaj, A., Singh, B. (2023). Forecasting GHG emissions for environmental protection with energy consumption reduction from renewable sources: A sustainable environmental system. Ecological Modelling, 475, 110181.‏

Jirapornvaree, I., Suppadit, T., Kumar, V. (2021). Assessing the economic and environmental impact of jasmine rice production: Life cycle assessment and Life Cycle Costs analysis. Journal of Cleaner Production, 303, 127079.

Lal, B., Sarkar, S., Gautam, P., Meena, R. L., Bhatt, R. S., Sahoo, A. (2022). Environmental impacts and resource use for sheep production in semi-arid India investigated by life cycle assessment. Journal of Cleaner Production, 345, 131088.

Lewandowski, S., Ullrich, A. (2023). Measures to reduce corporate GHG emissions: A review-based taxonomy and survey-based cluster analysis of their application and perceived effectiveness. Journal of Environmental Management, 325, 116437.

Li, K., Xiong, P., Wu, Y., Dong, Y. (2022). Forecasting greenhouse gas emissions with the new information priority generalized accumulative grey model. Science of the Total Environment, 807, 150859.

Li, W., Xie, H., Ren, Z., Li, T., Wen, X., Han, J., Liao, Y. (2022). Response of N₂O emissions to N fertilizer reduction combined with biochar application in a rain-fed winter wheat ecosystem. Agriculture, Ecosystems & Environment, 333, 107968.

Ng, E. L., Honeysett, J., Scorgie, Y. (2023). Regionalized greenhouse gas emissions from food production in South-Eastern Australia. Sustainable Production and Consumption, 35, 116-128.

Oreggioni, G. D., Ferraio, F. M., Crippa, M., Muntean, M., Schaaf, E., Guizzardi, D., Vignati, E. (2021). Climate change in a changing world: Socio-economic and technological transitions, regulatory frameworks and trends on global greenhouse gas emissions from EDGAR v. 5.0. Global Environmental Change, 70, 102350.

Sharma, G. D., Shah, M. I., Shahzad, U., Jain, M., Chopra, R. (2021). Exploring the nexus between agriculture and greenhouse gas emissions in BIMSTEC region: The role of renewable energy and human capital as moderators. Journal of Environmental Management, 297, 113316.

Singla, A., Inubushi, K. (2014). Effect of biogas digested liquid on CH₄ and N₂O flux in paddy ecosystem. Journal of Integrative Agriculture, 13(3), 635-640.

Uen, T. S., Rodríguez, L. F. (2023). An integrated approach for sustainable food waste management towards renewable resource production and GHG reduction. Journal of Cleaner Production, 412, 137251.