per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
1
29
3623
بررسی نظری و تجربی تأثیر شرایط آزادی اقتصادی بر رشد اقتصادی کشورها
The Effect of Economic Freedom on Economic Growth
مرتضی نادری
naderi@bim.ir
1
احمد شربت اوغلی
a_sharbatoghlie@shrif.edu
2
مدرس دانشگاه و محقق بانک صنعت و معدن
استادیار، دانشکده مدیریت و اقتصاد دانشگاه صنعتی شریف
بررسیهای انجام شده در مقوله حسابداری رشد اقتصادی نشان میدهد که بخش اصلی رشد محقق شده در کشورها توسط نهادههای سنتی کار و سرمایه توضیح داده نمیشود. این جزء از رشد اقتصادی که در متون اقتصادی با عنوان عامل پسماند شناخته شده است، به مجموعه عواملی نسبت داده میشود که به افزایش بهرهوری کلی عوامل تولید سنتی (کار و سرمایه) منجر میشوند. مبانی نظری و تجربی، عموماً پایههای خرد و کلان آزادی انتخاب و رقابتپذیری را ریشههای اصلی کیفیت بروز بهرهوری عوامل تولید معرفی میکنند. در این پژوهش سعی کردهایم رویکرد مدلهای رشد اقتصادی به متغیر رفتار آحاد اقتصادی پیوند زده شود. اگر قرار باشد رویکرد مدلهای رشد اقتصادی را به تئوری اقتصاد ارتباط دهیم، لازم است نقش رفتار آحاد اقتصادی در مدلهای رشد اقتصادی مورد توجه قرار گیرد. جزء پسماند حسابداری رشد که از آن به عنوان بهرهوری کل عوامل تولید یاد میشود، پارامتری است که میتواند این پیوند بین رفتار آحاد اقتصادی و رشد اقتصادی کشورها را در چارچوب مدلهای رشد اقتصادی تبیین نماید. این رویکرد به نوعی همسو با نگرش مدلهای رشد درونزا است.در چارچوب نمونهای از کشورهای جهان در فاصله سالهای 1999 تا 2004 و با برآورد یک مدل تجربی رشداقتصادی، ملاحظه شده است کشورهایی که شرایط رقابتپذیری آحاد اقتصادی برای آنها مناسبتر بوده است، به طور معناداری رشد اقتصادی بالاتری را تجربه کردهاند. نتایج این پژوهش که از نظر مدل، دامنه مطالعه و نمونه انتخابی متفاوت از سایرین است، تأیید مجددی بر نتایج سایر مطالعات تجربی ارائه شده در این مقوله است. در مطالعات تجربی ارائهشده از سوی پژوهشگران مختلف در جهان، کشور ایران در سالهای اخیر از جنبه وجود شرایط رقابتی برای فعالیت مناسب بنگاههای تولیدی وضعیت بسیار نامناسبی داشته است. با توجه به عدم ابهام در مبانی نظری موضوع تأثیر شرایط آزادی اقتصادی بر رشد، ایجاد بستر مناسب برای تصمیم گیری شفاف و صحیح بنگاههای تولیدی که در چارچوب سیاستگذاری رشد محقق خواهند شد، لازم و از وظایف اصلی دولتهاست. نقاط ضعف اساسی در انطباق شرایط جاری کشور با مبانی نظری رشد اقتصادی در سیاستگذاریهای رشد اقتصادی در کشور وجود دارد. به این ترتیب لازم است برنامهها و سیاستهای مشخص برای حاکم کردن راهبردهای رشد افزای آزادی اقتصادی در برنامههای اقتصادی پیشنهادی احزاب سیاسی کشور(به طور عام) و دولتهای حاکم به طور خاص نمود بیشتری پیدا کند. ایجاد شرایط آزادی اقتصادی برای فعالیت آزاد، شفاف و رقابتی بنگاههای تولیدی در کشور، یک جهتگیری مناسب و همسو با سیاستهای رشد اقتصادی است که لازم است به صورت ویژه در سیاستهای اقتصادی کشور نهادینه شود.
Freedom of choice and competition are viewed as vital factors for economic growth. In this paper, we use a growth model to examine the impact of economic freedom on the economic growth across the world countries for the period 1999-2004. Our study differs from the previous studies in terms of the modeling, the scope of the study, and the selected sample. The results, however, are consistent with those of the previous studies. Given the fact that Iran’s position in the world is low in terms of economic freedom, that economic freedom has a significant role in economic growth, it is necessary for investors and firms to have suitable conditions for transparent and accurate decision-making. Creation of the favorable economic conditions is the responsibility of the government and thus, it is necessary to have defined policies and planning for the establishment of conditions for economic freedom in the society. Creation of social condition for economic freedom of economic agents is a convenient orientation that is favorable with economic growth policies and must be internalized in the Iran's economic policies.
https://ijer.atu.ac.ir/article_3623_eb54dee435a51a9ce0facf56cbad11e3.pdf
رشد اقتصادی
آزادی اقتصادی
بهرهوری کل عوامل تولید
مدلهای رشد و تئوری اقتصادی
ایران
Economic Growth
economic freedom
Total Factor Productivity
Economic Growth Models and Economic Agents Behavior
Iran
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
31
53
3624
عوامل مؤثر بر تعیین رفتار شاخص قیمت مسکن در ایران
Affecting Factors on House Price Index
احمد جعفری صمیمی
jafarisa@umz.ac.ir
1
زهرا (میلا) علمی
z.elmi@umz.ac.ir
2
آرش هادیزاده
arash_hadizade@yahoo.com
3
استاد گروه اقتصاد دانشگاه مازندران- بابلسر
استادیار گروه اقتصاد دانشگاه مازندران- بابلسر
دانشجوی دکتری اقتصاد دانشگاه مازندران
هدف این مقاله، بررسی اثر برخی متغیرهای کلان اقتصادی بر تعیین رفتار شاخص قیمت مسکن در ایران است. در این راستا، از مدل اقتصاد کلانی استفاده شد که دارای پایههای اقتصاد خردی است و در آن از متغیرهای درآمد سرانه خانوار، شاخص قیمت سهام، شاخص قیمت خدمات ساختمانی، تعداد ساختمانهای تکمیلشده، حجم پول و نرخ تورم، به عنوان متغیرهای توضیحی برای متغیر وابسته شاخص قیمت مسکن استفاده گردید. برآورد مدل با استفاده از دادههای فصلی سالهای 1384-1373 اقتصاد ایران و با بهکارگیری مدل خودتوضیح با وقفههای گسترده انجام شد. همچنین به منظور بررسی سرعت تعدیل مدل پویا به مدل بلندمدت، الگوی تصحیح خطا نیز برآورد گردید. نتایج حاصل از تخمین بیانگر این واقعیت است که متغیرهای کلان اقتصادی از قدرت توضیح دهندگی خوبی برای تعیین رفتار شاخص قیمت مسکن در ایران برخوردارند. علاوه بر این، علامت ضرایب برآورد شده، مطابق انتظار تئوری است.
The purpose of this paper is to investigate the effect of some macroeconomic variables on house price index. We apply a macroeconomic model with micro foundations that uses household income, stock price index, building service price index, housing completions, supply of money, and inflation to explain the changes in house price index. We use the ARDL and the ECM model with the seasonal data for the period 1995-2006 to estimate the speed of convergence to equilibrium. Our findings indicate that the macroeconomic variables can explain the changes in the house price index in Iran, and the sign of estimated coefficients confirm the hypothesis.
https://ijer.atu.ac.ir/article_3624_6b7b57ac302105285e40590952a57c17.pdf
شاخص قیمت مسکن
مدل خودتوضیح با وقفههای گسترده
الگوی تصحیح خطا
اثر بلندمدت و اثر کوتاهمدت
متغیرهای پولی
House Price Index
Autoregressive Distribution Lag Model
Error Correction model
Short-Run and Long-Run Effect
Monetary Variables
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
55
83
3625
بررسی پویایی فقر در ایران با استفاده از دادههای مرکب خانوارهای روستایی و شهری
Dynamics of Poverty in Iran: Application of Panel Data in Urban and Rural Areas
منصور زیبایی
zibaei@shirazu.ac.ir
1
آشان شوشتریان
2
استادیار بخش اقتصاد کشاورزی دانشکده کشاورزی دانشگاه شیراز
دانشجوی دکتری بخش اقتصاد کشاورزی دانشکده کشاورزی دانشگاه شیراز
از آنجا که مسأله فقر و برنامههای فقرزدایی مورد توجه سیاستگذاران و برنامهریزان قرار گرفته است، شناسایی دقیق این پدیده در موفقیت این برنامهها و حل این مسأله مهم ضرورتی انکارناپذیر خواهد بود. به رغم تمام تلاشهای جمهوری اسلامی ایران در راستای حذف فقر از جامعه، اولین برنامه تدوینشده مبارزه با فقر در جمهوری اسلامی ایران در عمل از سال 1380 با هدف به حداقل رساندن فقر در ایران به اجرا درآمده است. در این پژوهش، مسأله پویایی فقر را با استفاده از دادههای مرکب خانوارهای شهری و روستایی کشور برای سالهای 1380 تا 1382 بررسی میکنیم. بدین منظور، خط فقر در بخش روستایی و شهری محاسبه کرده و با استفاده از آن خانوارهای فقیر و غیر فقیر در نمونههای مورد مطالعه مشخص کردهایم. سپس، با استفاده از برآورد لاجیت و مدل spell نقش هر یک از عوامل تعیینکننده فقر بر نرخ مخاطره خروج از فقر و ورود مجدد به فقر خانوارها را مطالعه کردهایم. در برآورد خط فقر غذایی از روش تأمین انرژی غذایی (FEI) بهره گرفته و با استفاده از رگرسیونهای غیرپارامتریک خطوط فقر غذایی و غیرغذایی را به دست آوردهایم. نتایج این پژوهش نشان میدهد که فقر در بخش روستایی ابعاد بزرگتری داشته هر چند که انتقال میان وضعیتهای فقر در جوامع روستایی بیشتر دیده میشود. همچنین، بررسیها نشان میدهد که جوامع شهری بیشتر با پدیده فقر مزمن روبرو هستند.
Anti poverty program in Iran has started in 2001 to mitigate poverty. This paper addresses issues related to the dynamics of poverty using household panel data for urban and rural areas of Iran covering the period 2001-2003. For this purpose، poor and non poor households have been identified by estimating rural and urban poverty lines. The persistence of poverty during this period has been investigated applying spell approach. Also, determinants of reentering and exiting poverty rate have been studied using the logit model. Food Energy Intake (FEI) method and nonparametric regression have been used to estimate food and non food poverty lines. Results indicate that poverty is more widespread in rural areas than in urban areas and is more persistent in urban areas than rural areas. Also، study shows that chronic poverty is more common in urban areas.
https://ijer.atu.ac.ir/article_3625_5531a19e1d7be39ef46bc53a24ac8508.pdf
پویایی فقر
فقر مزمن
خط فقر
نرخ ورود مجدد به فقر
نرخ خروج از فقر
دادههای مرکب خانوار
ایران
Poverty Dynamics
Chronic Poverty، Reentering Poverty Rate، Exiting Poverty rate، Household Paned Data، Iran
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
85
109
3626
کاربرد شبکههای عصبی در رتبهبندی اعتباری متقاضیان وام فروش اقساطی
Using Neural Networks to Classify the Personal Loan Applicants
حمید نیلساز
hamid_nilsaz@yahoo.com
1
عبدالرحمن راسخ
rasekh_a@scu.ac.ir
2
علیرضا عصاره
alireza.osareh@scu.ac.ir
3
حسنعلی سینایی
ha_sinaei@yahoo.com
4
مربی دانشگاه آزاد اسلامی ماهشهر
دانشیار گروه آمار دانشگاه شهید چمران اهواز
استادیار گروه کامپیوتر دانشگاه شهید چمران اهواز
استادیار گروه مدیریت دانشگاه شهید چمران اهواز
روشهای سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام میگیرد، بر پایه قضاوت شخصی در مورد خطر عدم باز پرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکلهای مختلف اعتبار، در کنار رقابتهای تجاری گسترده و تلاش موسسات مالی و بانکها برای پایین آوردن در صد عدم باز پرداخت، موجب افزایش بهکارگیری روشهای آماری در زمینة اعطای اعتبار شده است. رتبهبندی اعتباری به منظور پیشبینی احتمال کوتاهی در بازپرداخت و یا عدم باز پرداخت و یا معادل آن برای طبقهبندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار میگیرد. از جمله مزایای این روش میتوان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوتهای شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روشهای آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روشهای هموارسازی نا پارامتری وشبکه های عصبی در زمینه رتبهبندی اعتباری مورد استفاده قرار گرفتهاند. در این میان، "شبکههای عصبی" به دلیل انعطاف پذیری بالاتر، در سالهای اخیر بیشتر مورد توجه قرار گرفتهاند. در این مقاله، یک مدل شبکه عصبی برای طبقهبندی متقاضیان دریافت وام فروش اقساطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه میکنیم. نتایج حاصل از این مقایسه نشان می دهد که مدل شبکه عصبی در مقایسه با سایر مدلهای مورد مطالعه، از کارایی و دقت بالاتری برخوردار است.
Traditional methods of deciding whether to grant credit to a particular individual use human judgment of the risk of default based on experience of previous decisions. However, economic pressures resulting from increased demand for credit, allied with greater commercial competition and the emergence of new computer technology have led to development of sophisticated statistical models to aid the credit granting decision making process. Credit scoring is the name used to describe this process of determining how likely applicants are to default with their repayments. Credit scoring has some obvious benefits that have led to its increasing use in loan evaluation. For example, it is quicker, cheaper and more objective than judgmental method. A wide range of statistical methods such as discriminant analysis, logistic regression, and neural networks have been applied for credit scoring. In this paper, we design a neural network credit scoring system for classifying the applicants of personal loans in bank and compare the performance of this model with discriminant analysis and logistic regression models. The results of this investigation show that the neural network model is more accurate and more flexible than discriminant analysis and logistic regression.
https://ijer.atu.ac.ir/article_3626_f39dc4b0665865df035c15391c91a12e.pdf
رتبهبندی اعتباری
مدل رتبهبندی
شبکه عصبی
آنالیز ممیزی
رگرسیون لجستیک
Credit Scoring
Discriminant Analysis
Logistic regression
Scoring model
Neural Network
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
111
136
3627
رگرسیون جعلی: مفهوم و نتایج
Spurious Regression: Concept and Some Results
علی حسین صمدی
asamadi@shirazu.ac.ir
1
عضو هیات علمی دانشگاه شیراز
ایده رگرسیون جعلی در اقتصادسنجی توسط گرنجر و نیوبولد (1974) مطرح شد. این محققان نشان دادند که اگر متغیرهای مستقل و وابسته مورد استفاده در الگو باشند، تخمین الگو به روش حداقل مربعات معمولی باعث پیدایش نتایج غیر واقعی( یا جعلی) خواهد شد . اما سریهای زمانی مورد استفاده در الگوها ممکن است خاصیت جمع بستگی متفاوتی داشته باشند. بنابراین، این سوال مطرح میگردد که آیا پدیده رگرسیون جعلی در الگوهای دارای درجات متفاوت جمع بستگی نیز وجود خواهد داشت یا خیر. در این مقاله پس از بررسی سیر تکامل تاریخی و مفهوم رگرسیون جعلی، نتایج یافتههای برخی از مطالعات مهم در ارتباط با دادههای سری زمانی باالگوهای دارای متغیرهای و و همچنین و مد نظر قرار گرفته و از بررسی متون آشکار گردیده است که در چنین شرایطی نیز احتمال وقوع رگرسیون جعلی وجود دارد. بنابراین پیشنهاد شده است که قبل از اقدام به تخمین هر الگویی، خواص سریهای زمانیِ مورد استفاده، دقیقا"بررسی شود.
Granger and Newbold (1974) proposed the idea of spurious regression in econometrics. They showed that with I(1) dependent and independent variables, if a regression model is estimated by OLS method, the results may be spurious. This idea is extended to variables with different order of integration. In this paper , we review the literature of spurious regression and show that when the variables have different order of integration , for example I(1) & I(2) , and I(1) & I(0) , the spurious results may occur.
https://ijer.atu.ac.ir/article_3627_f806f6f021f8d15da5a6eebe330ebbc7.pdf
رگرسیون جعلی
دادههای سری زمانی
Time series
Spurious Regression
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
137
160
3628
بررسی تابع تقاضای گازطبیعی (خانگی و تجاری) در ایران
Estimation of Residential and Commercial Demand for Natural Gas in Iran Using the Structural Time Series Model
غلامرضا کشاورز حداد
g.k.haddad@sharif.edu
1
محمد میرباقریجم
mohammad.mirbagherijam@gmail.com
2
استادیار گروه اقتصاد دانشگاه صنعتی شریف
پژوهشگر اقتصاد
علاوه بر تغییرات دما و شرایط جوّی- که عامل اصلی نوسانات فصلی تقاضای انرژی محسوب میشوند- عوامل دیگری نظیر شوکهای فصلی غیرقابل مشاهده بر نوسانات فصلی تقاضای انرژی تأثیر میگذارند. همچنین غیر از عوامل اقتصادی قابل مشاهده نظیر قیمت و درآمد، عوامل غیراقتصادی همانند تغییر سلیقه مصرفکنندگان و پیشرفت تکنولوژی و عوامل دیگری که قابل مشاهده نیز نیستند، بر روند اصلی تقاضای انرژی اثر میگذارند. به کارگیری روش مدل ساختار سری زمانی ، این امکان را میدهد که بتوان هر دو مؤلفه روند تصادفی و فصلی تصادفی را در تقاضای انرژی به منظور برآورد صحیح کششهای درآمدی و قیمتی، وارد و مدلسازی کرد. سپس با استفاده از فیلتر کالمن با روش حداکثر راستنمایی، برآوردهای نااریب پارامترهای تابع تقاضا محاسبه میشود.در ایران برای اولین بار، برآورد تابع تقاضای گاز طبیعی در بخش خانگی و تجاری کشور با روش انجام شده است. در تابع تقاضای برآورد شده مؤلفه روند مشاهده نمیشود. ماهیّت مؤلفه فصلی تصادفی بوده و کشش مصرف سرانه گاز طبیعی نسبت به دما 26/0- درصد برآورد شده است. کششهای بلندمدت قیمتی و درآمدی نیز به ترتیب حدود 13/0- و 17/0 درصد محاسبه شده است.
The residential and commercial sectors are the main consumers of natural gas in Iran. The demand for natural gas in these sectors is on its peak in the cold seasons for the heating. In addition to changes in temperature, which is the main determinant of demand fluctuation in energy, other factors such as unobservable seasonal shocks affect the seasonal demand. Moreover, observable economic factors such as price and income, as well as non economic factors, like changes in consumer’s taste and technical progresses, affect the energy demand. In this paper, we use an applied structural time series model (STSM) approach, which considers both stochastic trend and stochastic seasonality, to estimate the price and income elasticities for the natural gas demand in Iran. We apply the kalman filter with a maximum likelihood estimation method to provide unbiased estimators for the parameters. According to our results, although the estimated demand for natural gas does not have a trend component, the nature of seasonal component is stochastic. The elasticity of demand with respect to temperature is -0.26 percent and the long-run income and price elasticities are 0.17, -0.13, respectively.
https://ijer.atu.ac.ir/article_3628_13f4bb93a67c0b76542d365172403898.pdf
تقاضای گاز طبیعی
نوسانات فصلی
روند اصلی و مدل ساختار سری زمانی
Natural Gas Demand
Seasonality
Underling Trend
Structural Time Series Model
per
دانشگاه علامه طباطبائی
پژوهشهای اقتصادی ایران
1726-0728
2476-6445
2007-09-23
9
32
161
183
3629
پیشبینی قیمت نفت با دو روش ARIMA و شبکههای عصبی مصنوعی
Oil Price Forecasting; A Comparison between ARIMA and ANN Models
ایمان فرجام نیا
emanfa75@yahoo.com
1
محسن ناصری
2
سید محمدمهدی احمدی
3
کارشناسی ارشد اقتصاد و انرژی از دانشگاه تهران
دانشجوی دکتری مهندسی عمران دانشگاه شیراز
دانشجوی کارشناسی ارشد اقتصاد نظری دانشگاه تهران
توانایی کمنظیر شبکههای عصبی مصنوعی به عنوان ابزاری قدرتمند برای تحلیل و برآورد در حوزه علوم تجربی و مهندسی موجب شد تا مورد توجه اقتصاددانان قرار گیرد. در این پژوهش، پس از مرور پژوهشهای انجامشده در مورد توانایی پیشبینی مدلهای خود توضیح جمعی میانگین متحرک (ARIMA)[1]و شبکههای عصبی مصنوعی(ANN)[2] به مقایسه این دو روش برای پیشبینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005 پرداختهایم. افزون بر این، در این پژوهش پس از مدلسازی به وسیله شبکههای عصبی مصنوعی، به منظور تشخیص سهم مشارکت هر پارامتر ورودی در این مدل از تجزیه و تحلیل حساسیت استفاده کردهایم. با توجه به حجم وسیع به کارگیری اطلاعات روزانه قیمت جهانی نفت (بیش از 5500 روز اطلاعات) نتایج به دست آمده نشاندهنده برتری غیرقابل مقایسه مدل شبکههای عصبی مصنوعی نسبت به مدل ARIMA در پیشبینی قیمت روزانه نفت است.
1.Autoregressive Integrated Moving Average
[2].Artifical Neural Networks
Ability of Artificial Neural Networks (ANNs) as a powerful tool in simulation and prediction in science and engineering has made it attractive to economists. In this article, after a brief review of literature, a comparison of forecasting performance of ANN versus ARIMA is made. The data used are daily prices of oil for the period April 1983 to June 2005. In addition, sensitivity analysis is implemented for illustrating contribution of each input to the price changes in ANN models. The results show that the ANN model generates more accurate forecasts for the daily oil prices of oil than ARIMA model.
https://ijer.atu.ac.ir/article_3629_6cf7eff8e3594f4691cce8fe30c95636.pdf
سریهای زمانی
شبکههای عصبی مصنوعی(ANN)
مدل ARIMA
آنالیز حساسیت
Time series
Artificial Neural Networks (ANN)
ARIMA
Sensitivity Analysis