تعیین و اندازه گیری شاخص کل خدمات دارایی های پولی در ایران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
این مقاله، در راستای تجمیع پولی ارائه شده ی بارنت (1984)، که تقاضای دو کارگزار مصرف کننده و تولیدکننده را درنظر می گرفت، فرمول جدیدی برای تجمیع روی دارایی های پولی تقاضاشده توسط مصرف کننده و بنگاه، شرکت های دولتی و دولت ارائه می دهد. برای مدل سازی شرکت های دولتی، از الگوی حداکثرسازی درآمد فروش بامول استفاده شده است. با حل مدل مشاهده شد که هزینه ی استفاده از خدماتِ دارایی های پولی توسط شرکت های دولتی، کاملاً متفاوت از فرمول بارنت برای مصرف کننده و بنگاه است. برای دولت نیز، باتوجه به ارائه ی خدمات یکسان دارایی های پولی دولت، این دارایی ها جانشین کامل یکدیگر هستند و می توان از تجمیعِ جمع ساده، برای تجمیع دارایی های پولی دولت استفاده کرد. به منظور بررسی تجمیع جدید، از داده های فصلی سال 1390-1370 جهت برآورد و نیز پیش بینی تولید ناخالص داخلی و شاخص قیمت مصرف کننده در باز ی زمانی 1395 -1391 استفادهشد. طبق نتایج این پژوهش، تجمیع جدید، خطای کمتر و درنتیجه قدرت پیش بینی بالاتری در مقایسه با تجمیع جمع ساده در پیش بینی شاخص قیمت مصرف کننده در هر دو سطح M1 و M2 دارد. در پیش بینی تولید ناخالص داخلی نیز این تجمیع در سطح M1 بهتر از جمع ساده عمل می کند؛ گرچه در سطح M2 با تفاوت بسیار کم در خطای پیش بینی، جمع ساده عملکرد بهتری را نشان می دهد؛ بنابراین، می توان ادعا کرد که محاسبه ی حجم نقدینگی بااستفاده از تجمیع جدید، به منظور پیش بینی روند آتی قیمت ها و تولید، در جهت کنترل و هدایت سیاست های پولی و مالی توسط دولت، نسبت به تجمیع جمع ساده ارجحیت دارد.Determination and Measurement of the Index of Total Monetary Assets Services in Iran
This paper provides a new formula for aggregating monetary assets of consumers, firms, public enterprise and government, in line with Barnett's (1984) model that used two agents: consumers and firms. The Bamol sales revenue maximization model has been used to model public enterprise. By solving the model, the user cost of the monetary assets services demanded by public enterprise is completely different from the Barnett formula for his agents. Since the government's monetary assets provide the same services, in fact, these assets are complete substitutes and simple sum aggregation can be used to aggregate these assets. In order to investigate the new aggregation formula achieved from the research, we used quarterly data of 1991Q1-2011Q4 for estimating and forecasting GDP and consumer price index in the period of 2012Q1-2016Q4. According to the results, for the consumer price index, the new aggregation has lower error rates and, therefore, higher predictive power than the simple sum aggregation in both M1 and M2. In the prediction of GDP, this aggregation at M1 level is better than simple sum, although at M2 level, with a very small difference in prediction error, simple sum aggregation performance is better. However, it can be argued that to predict the future trend of prices and production, in order to control and direct the government's monetary and fiscal policies, calculating the volume of liquidity by using the new aggregation has preferences over the simple sum aggregation.
تبلیغات
