پژوهش‌های اقتصادی ایران

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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