ارائه یک رویکرد ترکیبی داده محور برای بررسی عوامل اثرگذار بر قیمت کربن طی فاز چهارم طرح تجارت آلایندگی اتحادیه اروپا (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
قیمت کمک هزینه اتحادیه اروپا یک راهکار به منظور مدیریت انتشار گازهای گلخانه ای می باشد، عوامل بسیاری نظیر شاخص های اقتصادی، مالی، سیاسی و ... می تواند بر آن اثرگذار باشد. پژوهش پیش رو در نظر دارد تا میزان اثرگذاری 31 شاخص مختلف انرژی، مالی و کالاهای اساسی را بر آن بررسی نماید. ازاین رو با یک استفاده روش ترکیبی داده محور به بررسی این امر می پردازد. در ابتدا با استفاده از الگوریتم میانگین متحرک یکپارچه خود رگرسیون به پاک سازی داده های مربوط به آن می پردازد و پس ازآن با روش تجزیه حالت متغیر بخش های مختلف این شاخص ها را تجزیه می نماید و یک سری مد ذاتی به دست می آورد، پس ازآن این مدها در سه مقیاس زمانی کوتاه مدت، میان مدت و بلندمدت قرار می گیرند، سپس با استفاده از ادغام حذف بازگشتی ویژگی ها و جنگل تصادفی با در نظر گرفتن اعتبارسنجی متقابل اقدام به انتخاب بهترین ویژگی ها در این سه مقیاس گرفته می شود. نتایج به دست آمده نشان می دهد در مقیاس زمانی میان مدت و بلندمدت، مدل موفق به پیش بینی با دقت بیشتر می باشد و پیش بینی نوسانات قیمت کمک هزینه اتحادیه اروپا با استفاده از این رویکردهای ترکیبی، می تواند به تصمیم گیری های دقیق تر و به موقع درزمینه سیاست گذاری و سرمایه گذاری کمک کند.A Data-driven Hybrid Approach for Examining the Factors Influencing the Price of EUA during Phase IV of the EUETS
The price of EU Allowances (EUAs) serves as a mechanism for managing greenhouse gas emissions, influenced by various factors such as economic, financial, political, and other indicators. This study assesses the impact of 31 different energy, financial, and commodity indices on EUA prices. To achieve this, a hybrid data-driven approach is employed. Initially, the Autoregressive Integrated Moving Average (ARIMA) algorithm cleans the relevant data. Subsequently, the Variational Mode Decomposition (VMD) method decomposes the indices into intrinsic mode functions (IMFs). These IMFs are categorized into three-time scales: short-term, medium-term, and long-term. Next, by integrating Recursive Feature Elimination (RFE) and Random Forest (RF) with cross-validation, the most influential features across these time scales are selected. The results demonstrate that the model achieves higher accuracy in medium-term and long-term time scales. Forecasting the price fluctuations of EUAs using these hybrid approaches can contribute to more precise and timely decision-making in policy formulation and investment strategies.