علی رئوفی

رابطه درجه بازبودن تجاری و رشد اقتصادی جزو موضوعاتی است که هنوز در خصوص آن توافقی بین اقتصاددانان شکل نگرفته است. اختلاف نظرهای موجود صرفا به حوزه تئوریک محدود نشده و در مطالعات تجربی صورت گرفته نیز نتایج بعضا متناقضی دیده می شود. مطالعات تجربی انجام شده در این حوزه در دو دسته کلی قابل تقسیم بندی هستند: دسته اول مطالعاتی هستند که تاثیر درجه باز بودن تجاری بر رشد اقتصادی و یا تاثیر رشد اقتصادی بر درجه باز بودن تجاری را در قالب تحلیل رگرسیون متعارف و یا تکنیک های هم انباشتگی مورد بررسی قرار داده اند. دسته دوم مطالعاتی را شامل می شود که از علیت گرنجری جهت تشخیص رابطه بین درجه باز بودن تجاری و رشد اقتصادی استفاده کرده اند. بر اساس این دسته بندی، این مطالعه در گروه دوم قرار می گیرد. یکی از دلایل تناقضات تجربی که در مطالعات تجربی دسته دوم وجود دارد این است که در این مطالعات (که اغلب با داده های بین کشوری انجام شده است) به همبستگی بین مقطعی و همچنین ناهمگنی ضرایب توجه نشده است. بر این اساس، هدف این مطالعه، بررسی تجربی رابطه علیت گرنجری بین درجه باز بودن تجاری و رشد اقتصادی در کشورهای منتخب منطقه منا با در نظر گرفتن همبستگی بین مقطعی و ناهمگنی ضرایب است. در این راستا، در این مطالعه از رویکرد علیت گرنجری پانلی بوت استرپ پیشنهاد شده توسط کونیا (2006) استفاده شده است.در روشی که کونیا ارائه نموده است، نیازی به انجام آزمون علیت به صورت مشترک برای همه مقاطع وجود ندارد و می توان وجود علیت را برای همه مقاطع به صورت جداگانه بررسی کرد. برتری این روش، نسبت به روش علیت گرنجری در چارچوب سری زمانی (بررسی علیت به صورت کاملا جداگانه برای هر مقطع) این است که در روش کونیا، از همبستگی که در چارچوب داده های تابلویی ممکن است بین مقاطع وجود داشته باشد، بهره گرفته می شود و استفاده از این اطلاعات اضافی منجر به نتایج بهتر می شود. کونیا برای بهره گیری از این اطلاعات از روش SUR برای تخمین استفاده می کند. مزیت روش SUR در این است که به اطلاعات ماتریس واریانس-کواریانس نیز توجه دارد و این موضوع سبب کاراتر شدن تخمین ها می شود. مزیت دیگر روش کونیا این است که ناایستا بودن متغیرها نمی تواند صحت نتایج حاصل شده را تحت تاثیر قرار دهد و بنابراین در چارچوب این مدل، نیازی به بررسی ایستایی متغیرها وجود ندارد. لازم به ذکر است آمار و اطلاعات استفاده شده در این تحقیق، مربوط به 9 کشور منتخب منطقه منا در بازه سال های 1970 تا 2016 است. بر این اساس، نتایج این مطالعه نشان داد که رابطه علی یکطرفه از درجه باز بودن تجاری به تولید ناخالص داخلی حقیقی در کشورهای الجزایر، مصر، ایران، مراکش، عمان، عربستان و تونس وجود دارد و در کشورهای عراق و مالت چنین رابطه ای مشاهده نمی شود. از سوی دیگر در هیچ یک از کشورهای مورد مطالعه، رابطه علی از رشد اقتصادی به درجه باز بودن تجاری قابل مشاهده نیست. بنابراین می توان استدلال کرد که همانند اغلب کشورهای در حال توسعه، در کشورهای منطقه منا نیز، آزادسازی تجاری، رشد اقتصادی آنها را تحریک می کند ولی افزایش نسبت تجارت خارجی به تولید در این کشورها، لزوما منجر به رشد اقتصادی آنها نمی شود.

همواره مدل سازی و پیش بینی متغیرهای مالی یکی از موضوع های مورد علاقه و مهم برای اقتصاددانان بوده است. در این مقاله، ساختاری برای پیش بینی سری های زمانی ارایه شده است که با استفاده از رویکرد محاسبات نرم این امکان را فراهم می آورد تا بتوان با دقت بیشتر مقادیر آینده یک سری زمانی را پیش بینی کرد. در این روش، با استفاده از تجزیه موجک، نویز های تصادفی داده های ورودی شبکه عصبی فازی تطبیقی کاهش می یابد و ازاین رو، این عمل باعث کاهش خطا و بهبود در پیش بینی سری زمانی آشوبی موردنظر می شود. در این مقاله، روش یادشده با استفاده از سری بازده بورس اوراق بهادار تهران در بازه زمانی 8/1/1390 تا 1/07/1395 مورد ارزیابی قرار گرفته که نتایج بیان کننده برتری روش پیشنهادی نسبت به سایر روش هاست. همچنین معنا داری اختلاف در پیش بینی مدل های مختلف با استفاده از آزمون MGN مورد بررسی قرار گرفت که نتایج نشان دهنده اختلاف معنا دار در پیش بینی مدل های مختلف بود.

پیش بینی متغیرهای اقتصادی و مالی اهمیت فراوانی برای سیاست گذاران اقتصادی کشورها دارد. در این مقاله ابتدا با استفاده از آزمون براک- دیکرت و شاینکمن (BDS)، به بررسی خطی یا غیرخطی بودن و سپس آشوبناک بودن بازده شاخص کل بورس اوراق بهادار تهران (TEPIX) طی بازه زمانی 05/01/88 تا 23/07/90 (625 مشاهده) پرداخته شد. سپس با استفاده از تکنیک های مختلف پیش بینی، مدل های خطی و غیرخطی ARIMA، GARCH، ANN و ANFIS برآورد شدند و با استفاده از معیارهای دقت پیش بینی مانند RMSE،MAE ، U-Thiel و MAPE، مدل ها مورد ارزیابی و مقایسه قرار گرفتند که مدل ANFIS بهترین عملکرد را در پیش بینی بازده روزانه شاخص سهام دارا بود. سپس با استفاده از آماره ی مورگان-گرنجر- نیوبلد (MGN) معنی داری تفاوت دقت پیش بینی مدل های غیرخطی با مدل های خطی مورد آزمون قرار گرفت که نتایج نشان دهنده تفاوت معنی-دار در پیش بینی روش های خطی و غیرخطی بود.

در این مقاله قابلیت پیش بینی بازده روزانه قیمت جهانی طلا از تاریخ 25/07/2011 تا 17/12/2012 مورد بررسی قرار گرفته است. بدین منظور ابتدا با استفاده از آزمون براک- دیکرت- شاینکمن (BDS) به بررسی خطی، غیرخطی و آشوبناک بودن سری مورد مطالعه پرداخته شده است. نتایج تحقیق فرض تصادفی بودن سری مورد مطالعه را رد می کند که شاهدی بر پیش بینی پذیر بودن بازده روزانه قیمت طلاست. همچنین فرضیه عدم وجود رابطه غیرخطی در جملات پسماند مدل خطی رد می شود که نشان از وجود رفتار غیرخطی در سری مورد بررسی است. برای پیش بینی بازده روزانه قیمت طلا یک مدل عصبی فازی ANFIS طراحی گردیده و نتایج آن با استفاده از معیارهای مختلف مورد ارزیابی قرار گرفته است. همچنین نتایج با نتایج دو مدل خطی ARMA و غیرخطی GARCH مقایسه شد که مطابق انتظار، مدل غیرخطی ANFIS پیش بینی بهتری از سایر مدل های رقیب داشت. در نهایت با استفاده از آماره مورگان- گرنجر- نیبولد (MGN) معنی داری اختلاف پیش بینی مدل ها مورد بررسی قرار گرفت. نتایج حاکی از معنی دار بودن اختلاف پیش بینی مدل های غیرخطی نسبت به مدل خطی ARMA است.

عوامل زیادی بر قیمت نفت خام تأثیر می گذارند از این رو استفاده از یک مدل چند متغیری که تمام عوامل مؤثر بر قیمت نفت را لحاظ کرده باشد کاری دشوار است. به همین دلیل، پیش بینی این متغیر از طریق مدل های چند متغیری بسیار دشوار است. در این حالت ممکن است استفاده از مدل های تک متغیری روش مناسبی باشد. در این مدل ها از حافظه تاریخی متغیر برای مدل سازی و پیش بینی استفاده می شود. اما یکی از محدودیت های مدل های تک متغیری این است که برای حصول نتایج مناسب نیاز به داده های زیادی دارند. از آنجا که مدل های رگرسیون فازی برای پیش بینی دقیق نیاز به تعداد داده های کم تری دارند، در این تحقیق، از سه روش رگرسیون فازی، آریما و رگرسیون خودبازگشتی میانگین متحرک انباشته فازی (ترکیب دو روش مذکور) و از داده های روزانه قیمت نفت اوپک برای پیش بینی قیمت نفت خام اوپک استفاده شده است. نتایج حاکی از این است که مدل های رگرسیون فازی و رگرسیون خودبازگشتی میانگین متحرک انباشته فازی علاوه بر این که از نظر تمام معیارهای متداول خطای پیش بینی، عملکرد بهتری نسبت به مدل آریما دارند با فراهم کردن بهترین و بدترین حالت، تصمیم گیری را نسبت به مدل آریما تسهیل کرده است. همچنین مدل ترکیبی به مراتب پیش بینی بهتری نسبت به مدل رگرسیون فازی ارائه می دهد و فاصله بازه تصمیم گیری را کوتاه تر می کند. تفاده از الگوی خودرگرسیون برداری (VAR) برآورد گردید. براساس نتایج مدل برآوردی، شوک های قیمت نفت در کوتاه مدت دارای تأثیر منفی بر تولید سبز است و علت آن این است که با استخراج نفت، استهلاک منابع طبیعی افزایش یافته و باعث کاهش تولید سبز می شود. اما در بلندمدت تأثیر مثبت بر تولید سبز دارد به این علت که در بلند مدت افزایش درآمد های نفتی باعث رشد واقعی سایر بخش ها می شود و این رشد استهلاک را جبران می کند.