Investigating the Impact of Export Diversity Index and Financial Development on Electricity Consumption in Agricultural Businesses with Fuzzy Coefficients

Document Type : Original Article

Author

Abstract

In recent decades, the issue of energy demand and the factors affecting it has become a very controversial. A Survey of energy consumption in Iranian agricultural businesses shows that in recent years, along with increasing production and increasing the mechanization coefficient, the consumption of various energy carriers, including electricity, has increased. In several studies the factors affecting electricity consumption in the agricultural sector have been studied, using econometric methods. However, due to the limitations of classical regression methods, in this study the fuzzy method has been used to investigate the effect of export diversity index and financial development on electricity consumption of agricultural businesses during the period 1970-2019. The application of fuzzy regression has been due to the flexibility of this model and the lack of assumptions limiting classical regression methods. The results show that the variable of agricultural production has the greatest impact on electricity consumption in this sector. Also, the variables of export diversity index and financial development in the upper and lower bounds had a positive and significant effect on increasing electricity consumption in the agricultural sector. Therefore, identifying the variables affecting agricultural electricity demand and examining the extent of their impact on electricity consumption, it can be used to make appropriate decisions and policies to optimize energy consumption with the aim of economic development and production growth of agricultural businesses.

Keywords

References

[1] شرف گنجویی، ر و اکبری فرد، ح (1398) کاربرد رگرسیون خطی با ضرایب فازی متقارن و نامتقارن در بررسی رفتار نرخ ارز واقعی در ایران، سیستم های فازی و کاربردها، سال دوم شماره دوم، صص 233--‌223.
 
[2] بخشایش، م و یزدانی، س (1394) برآورد تابع تقاضای حامل‌های انرژی در بخش کشاورزی ایران. تحقیقات اقتصاد و توسعه کشاورزی ایران، 46 (2)، صص 334--‌327.
 
[3] بدخشان، ز و جلائی اسفندآبادی، ع (1397) بررسی تأثیر اثر بازگشتی انرژی بر ارزش افزوده بخش کشاورزی در ایران. تحقیقات اقتصاد و توسعه کشاورزی ایران، 49 (4)، صص 651--‌659.
 
[4] جهانگیری، خ.، حیدری، ح و حسینی ابراهیم‌آباد، س. ع (1396) بررسی کارایی مصرف برق و برآورد احتمالات انتقال میان رژیم‌های با کارایی بالا و پایین مصرف برق در بخش کشاورزی ایران. اقتصاد و توسعه کشاورزی، 31 (4)، صص 290--‌298.
 
[5] خادم، ف.، شهیکی تاش، م و رحیمی، غ (1393) برآورد تابع تقاضای حامل‌های انرژی در صنایع انرژی بر ایران. فصل‌نامه مطالعات اقتصاد انرژی، 40 (10)، صص 179--‌149.
 
[6] خاشعی، م و بیجاری، م (1389) به کارگیری مدل ترکیبی شبکه‌های عصبی مصنوعی با رگرسیون فازی با هدف پیش‌بینی قیمت طلا، نشریه تخصصی مهندسی صنایع، 44 (1)، صص 39--‌47.
 
[7] ساداتی‌نژاد، س. ج.، حسن‌شاهی، ر.، شایان نژاد، م و عبدالهی، خ (1390) بررسی کارایی روش رگرسیون فازی در بازسازی داده‌های گمشده سالیانه بارش در حوزه آبریز کارون. علوم محیطی سال هشتم، 3، صص 109--‌116.
 
[8] شایان نژاد، م.، ساداتی‌نژاد، س. ج و فهمی، ه (1386) تعیین تبخیر‌تعرق بالقوه با استفاده از روش رگرسیون فازی، تحقیقات منابع آب ایران. 3 (3)،صص 9‌1-9.
 
[9] شعبان زاده، م.، طاهری ریکنده، ع و ریاحی درچه، ف (1396) بررسی ارتباط توسعه اقتصادی، تنوع فعالیت‌ها و آزادسازی تجاری با شدت انرژی در بخش کشاورزی. فصل‌نامه علمی پژوهشی پژوهش های رشد و توسعه اقتصادی، 7 (27)، صص 156--‌143.
 
[10] شکیبایی، ع و احمدلو، م (1390) بررسی رابطه بین مصرف حامل‌های انرژی و رشد زیر بخش‌های اقتصادی در ایران (1386‌1346): رهیافت تصحیح خطای برداری. فصل‌نامه مطالعات اقتصاد انرژی. سال هشتم، 30، صص 181--‌203.
 
[11] قره باغی، ص و امامی میبدی، ع (1396) برآورد و بررسی تابع تقاضای برق ایران در سه بخش صنعت، خانگی و کشاورزی. مجله اقتصادی، شماره‌های 7و 8، صص 39--‌23.
 
[12] نقشبندی، م.، محنت فر، ی و راسخی، س (1399) بازنگری رابطه‌ی میان شدت انرژی و ارزش افزوده در بخش کشاورزی ایران؛ شواهدی جدید بر پایه رهیافت خودرگرسیون برداری پانلی. فصل‌نامه علمی‌پژوهشی تحقیقات اقتصاد کشاورزی. 14 (2)، صص 1--‌23.
 
[13] Balsalobre Lorente, D., Shahbaz, M., Roubaud, D., Farhani, S. (2018). How economic growth, renewable electricity and natural resources contribute to CO2 emissions?, Energy Policy, 113, 356 –367.
 
[14] Bersani, C., Ouammi, A., Sacile, R., Zero, E. (2020). Model predictive control of smart greenhouses as the path towards near zero energy consumption. Energies, 13(14), 36–47.
 
[15] Campbell, A. (2018). Price and income elasticities of electricity demand: Evidence from Jamaica. Energy Economics, 69, 19 –32.
 
[16] Farajian, L., Moghaddasi, R., Hosseini, S. (2018). Agricultural energy demand modeling in Iran: Approaching to a more sustainable situation. Energy Reports, 4, 260 –265.
 
[17] Farhani, S., Solarin, S. A. (2017). Financial development and energy demand in the United States: new evidence from combined cointegration and asymmetric causality tests. Energy, 134, 1029 –1037.
 
[18] Grossman, G. M., Krueger, A. B. (1991). Environmental impacts of a North American free trade agreement (No. w3914). National Bureau of Economic Research.
 
[19] Khoshnevisan, B., Rafiee, S., Omid, M., Mousazadeh, H., Shamshirband, S., Ab Hamid, S. H. (2015). Developing a fuzzy clustering model for better energy use in farm management systems. Renewable and Sustainable Energy Reviews, 48, 27 –34.
 
[20] Martinho, V. J. P. D. (2016). Energy consumption across European Union farms: Efficiency in terms of farming output and utilized agricultural area. Energy, 103, 543 –556.
 
[21] Mulder, P., de Groot, H. L., Pfeiffer, B. (2014). Dynamics and determinants of energy intensity in the service sector: A cross country analysis, 1980-2005. Ecological Economics, 100, 1 15.
 
[22] Nabavi Pelesaraei, A., Rafiee, S., Hosseini Fashami, F., Chau, K. W. (2021). Artificial neural networks and adaptive neuro fuzzy inference system in energy modeling of agricultural products. In Predictive Modelling for Energy Management and Power Systems Engineering (pp. 299- 334). Elsevier.
 
[23] Pandiyaraju, V., Logambigai, R., Ganapathy, S., Kannan, A. (2020). An energy efficient routing algorithm for WSNs using intelligent fuzzy rules in precision agriculture. Wireless Personal Communications, 1 -17.
 
[24] Pesaran, M. Hashem, Peasaran, Bahram (1997). Working with Microfit 4, Interactive Economic Analysis; Camfit Data Limited.
 
[25] Shahbaz, M., Gozgor, G., Hammoudeh, S. (2019). Human capital and export diversification as new determinants of energy demand in the United States. Energy Economics, 78, 335 –349.
 
[26] Shahbaz, M., Mallick, H., Mahalik, M. K., Sadorsky, P. (2016). The role of globalization on the recent evolution of energy demand in India: Implications for sustainable development. Energy Economics, 55, 52-68.
 
[27] Sorrell, S. (2015). Reducing energy demand: A review of issues, challenges and approaches. Renewable and Sustainable Energy Reviews, 47, 74 –82.
 
[28] Tanaka, H., Ishibuchi, H. (1992). Possibility regression analysis based on linear programming, in: J. Kacprzyk, M. Fedrizzi (Eds). Fuzzy Regression Analysis, Omnitech press, Warsaw and Physica Verlag, Heidelberg, 47 –60.
 
[29] Ziaabadi, M., Zare Mehrjerdi, M. (2019). Factors Affecting Energy Consumption in the Agricultural Sector of Iran: The Application of ARDL FUZZY. International Journal of Agricultural Management and Development, 9(4), 293 –305.
Fuzzy Systems and its Applications
Volume 4, Issue 1 - Serial Number 7
November 2021
Pages 125-143

Files

History

  • Receive Date: 10 July 2021
  • Revise Date: 04 September 2021
  • Accept Date: 05 November 2021

Share

How to cite

Statistics