پیش بینی های مختلف مسایل اقتصادی متکی به روش های اقتصادسنجی می باشد و توان بالای این مدل ها در برآورد معادلات خاص منجر به استفاده وسیع از این مدل ها شده است. از حدود دو دهه قبل روش های ترکیبی در پیش بینی مطرح شده است و در این تحقیق، رویکرد پیش بینی ترکیبی در مدل های اقتصادی مورد بررسی و تجزیه و تحلیل قرار گرفته است.رویکرد مذکور به خاطر توان بالایی که در کاهش میزان خطای نتایج پیش بینی دارد، در مسایل مختلف مالی و اقتصادی و بازرگانی به کار گرفته شده است. در این تحقیق سعی شده است با تأکید بر آخرین دستاوردها در حوزه مسایل پیش بینی ترکیبی، با استفاده از این رویکرد تا حد امکان خطاهای پیش بینی تقاضای نفت را کاهش داد. جهت مدلسازی ترکیبی، در ابتدا با استفاده از روش های مختلف، پیش بینی انجام شده است که در این مطالعه آنها روش های فردی نامیده شده اند. مدل های پیش بینی فردی مورد استفاده شامل روش های هموارسازی نمایی، تحلیل روند، باکس جنکینز، تحلیل های علّی و مدل شبکه عصبی می باشد. نتایج این روش های فردی (که از بین روش های مختلف برگزیده شده و از نظر آماری مدل آنها معنادار می باشد) با استفاده از رویکرد شبکه عصبی مصنوعی (در این ترکیب روش فردی پیش بینی عصبی وارد نشده است)، روش رگرسیون چند متغیره (با لحاظ تمام روش ها و نیز با عدم وارد نمودن پیش بینی های فردی شبکه عصبی مصنوعی) با یکدیگر ترکیب و مقایسه شده است.داده های مورد استفاده شامل تقاضای نفت کشورهای اوپک از سال 1960 تا 2002 به عنوان متغیر وابسته و قیمت، تقاضای سایر انرژی ها، جمعیت و ارزش افزوده در بخش صنعت به عنوان متغیر های مستقل لحاظ شده اند که در روش های تک متغیره فقط متغیر مستقل (با متغیر وابسته زمان) برای پیش بینی استفاده شده است و در روش های علّی و شبکه عصبی تمام متغیر های بیان شده وارد شده اند. داده های مورد استفاده برای تمام متغیر ها از سال 1960 تا 1996 و داده های آزمایش از سال 1996 تا 2002 بوده است. معیارهای اصلی MSE و MAPE محاسبه شده برای مقادیر پیش بینی بیانگر کاهش قابل ملاحظه خطای روش های ترکیبی نسبت به روش های فردی است و روش ترکیبی مناسب در این مطالعه به ترتیب شبکه های عصبی و رگرسیون چند متغیره بوده است.