کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5117215 1378118 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forecasting urban water demand: A meta-regression analysis
ترجمه فارسی عنوان
پیش بینی تقاضای آب شهری: تجزیه و تحلیل رگرسیون
کلمات کلیدی
ترجمه چکیده
مدیران و برنامه ریزان آب نیازمند پیش بینی های تقاضای دقیق آب در کوتاه مدت، متوسط ​​و بلند مدت برای بسیاری از اهداف است. اینها از ارزیابی نیازهای تامین آب نسبت به الگوهای فضایی و زمانی برای بهینه سازی سرمایه گذاری های آینده و برنامه ریزی تخصیص های آینده در بخش های رقابت می کند. این مطالعه ادبیات تجربی در مورد پیش بینی تقاضای آب شهری را با استفاده از رویکرد متاآنالیز مورد بررسی قرار می دهد. به طور خاص، با استفاده از بیش از 600 برآورد، تجزیه و تحلیل رگرسیون متا رگرسیون برای شناسایی توضیحات تغییرات متقابل مطالعات در صحت پیش بینی تقاضای آب شهر انجام شده است. مطالعه ما می یابد که دقت به طور قابل توجهی در ویژگی های مطالعه، از جمله دوره تقاضا، روش مدل سازی، افق پیش بینی، مشخصات مدل و اندازه نمونه بستگی دارد. نتایج متا رگرسیون با استفاده از برآوردگرهای مختلف و همچنین تعدادی از چک های حساسیت انجام می شود. اهمیت این یافته ها در نتیجه گیری و نتیجه گیری هایی است که برای تنظیم کننده ها و سیاست گذاران و دانشگاهیان به طور یکسان انجام شده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
پیش بینی تقاضای آب شهری: تجزیه و تحلیل رگرسیون
چکیده انگلیسی
Water managers and planners require accurate water demand forecasts over the short-, medium- and long-term for many purposes. These range from assessing water supply needs over spatial and temporal patterns to optimizing future investments and planning future allocations across competing sectors. This study surveys the empirical literature on the urban water demand forecasting using the meta-analytical approach. Specifically, using more than 600 estimates, a meta-regression analysis is conducted to identify explanations of cross-studies variation in accuracy of urban water demand forecasting. Our study finds that accuracy depends significantly on study characteristics, including demand periodicity, modeling method, forecasting horizon, model specification and sample size. The meta-regression results remain robust to different estimators employed as well as to a series of sensitivity checks performed. The importance of these findings lies in the conclusions and implications drawn out for regulators and policymakers and for academics alike.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Environmental Management - Volume 183, Part 3, 1 December 2016, Pages 777-785
نویسندگان
,