Conclusion générale
Le gaz naturel représente une des sources
d'énergie, les plus utilisées dans le monde, voir la plus
prometteuse puisqu'elle bénéficie avec la montée des
préoccupations environnementales d'une considération importante.
L'Algérie est un pays producteur et exportateur de cette énergie,
il a été donc primordial pour la SONELGAZ, d'analyser et
prévoir l'évolution temporelle de la consommation du gaz naturel,
afin de comprendre le mécanisme qui gère cette consommation et de
tirer par la suite des informations pertinentes qui serviront à la phase
de prise de décisions.
Notre étude a porté sur l'analyse des
séries chronologiques représentant l'évolution de la
consommation mensuelle du gaz naturel pour la distribution publique. Dans la
phase descriptive, nous avons remarqué que la consommation du gaz
naturel pour la distribution publique est directement liée aux facteurs
météorologiques. Partant de ce principe nous avons
découpé le territoire algérien en trois zones : le nord,
les hauts plateaux et le sud. Ce qui voulait dire que nous allions
étudier trois séries chronologiques, chacune d'elle comprenant 48
observations.
En premier lieu nous avons appliqué la méthode
de prévision traditionnelle. En suivant le principe de cette
méthode, nous avons décomposer nos série en trois
composantes : la tendance, les variations saisonnières et les variations
accidentelles. Pour le nord et les hauts plateaux, le schéma de
décomposition était de type additif, tant dis que pour le sud, il
était de type multiplicatif. Après estimation de ces composantes,
on a pu de façon très simple effectuer nos prévisions pour
l'année 2007.
En second lieu, nous allions appliquer l'unes des
méthodes de prévision de lissage exponentiel (simple, double,
Holt-Winters additive, Holt-Winters multiplicative). Après des tests
adéquats, nous avons opté pour la méthode Holt-Winters
additive pour le nord et les hauts plateaux et la méthode de
Holt-Winters multiplicative pour le sud. Apres avoir estimé les
paramètres de lissage, nous avons pu aisément réaliser nos
prévisions.
Enfin la méthode de Box & Jenkins a
été appliquée sur nos données. Comme nos trois
séries étaient affectées d'une forte saisonnalité,
nous étions donc obligé de les désaisonnaliser à
l'aide l'opérateur de désaisonnalisation, mais cette
méthode nous avait fait perdre 12 observations, ce qui voulait dire que
nous allions travailler par la suite avec de nouvelles séries contenant
chacune d'elle 36 observations. Après avoir effectué la
désaisonnalisation, les séries obtenues étaient
stationnaires, nous avons donc choisi de les modéliser par les
modèles SARIMA étant donné la présence de
saisonnalité. Une fois le modèle choisi, estimé et
validé, nous avons calculé nos prévisions.
Après avoir obtenu les résultats de
prévision par les trois méthodes, nous avons constaté que
la méthode la plus simple et la plus facile à mettre en oeuvre
à savoir la méthode traditionnelle, avait donné les
prévisions les plus fiables et les plus proches de la
réalité, tant dis que les méthodes de lissage exponentiel
et de Box & Jenkins avaient donné des prévisions de mauvaises
qualités. La méthode de Box & Jenkins, malgré sa
supériorité théorique par rapport aux deux autres
méthodes a donné les prévisions les moins proches de la
réalité, ce qui était prévisible, puisque nous
avions travailler avec 36 observations et cette méthode requière
au minimum une cinquantaine d'observations pour donner des prévisions de
bonnes qualités.
Prévoir le comportement futur d'une série
chronologique, nécessite l'utilisation pas d'une mais de plusieurs
méthodes de prévision, car nous avons constaté que la
fiabilité d'une
méthode de prévision, ne dépendait pas
seulement de sa complexité théorique, mais aussi des
données, de l'information disponible et du champs d'application.
Cependant si le nombre de données était plus
élevé les résultats seraient sans doute différents,
la méthode de Box & Jenkins avait donné des prévisons
de mauvaises qualités étant donné le manque
d'observations.
Toutefois, il serai intéressant de faire une
étude explicative sur la consommation du gaz naturel pour la
distribution publique, en utilisant une méthode de prévision
économétrique incluant comme variables explicatives : les
facteurs météorologiques, le nombre d'abonnés, le taux de
pénétration du gaz naturel... etc.
| 
