احمدقلی برکیش

یکی از مهم ترین حوادث اقتصادی چند سال اخیر وقوع سقوط شدید بورس اوراق بهادار تهران در دی ماه 1392 بوده است. با توجه به دیدگاه های متفاوت کارشناسان و مدیران بورس در مورد عوامل مؤثر بر بروز حادثه مذکور، انجام مطالعاتی به منظور شناسایی و تبیین دلایل این سقوط از اهمیت فراوانی برخوردار است. از این رو، مطالعه حاضر با استفاده از مدل LPPL به بررسی فرضیه شکل گیری حباب در بورس اوراق بهادار تهران در روزهای منتهی به سقوط پرداخته است. مدل LPPL یکی از جدیدترین روش هایی است که برای توصیف پویایی های قیمت در طول یک حباب داخلی و پیش بینی محتمل ترین زمان برای پایان یک حباب یا تغییر رژیم مورد استفاده قرار می گیرد. استفاده از این مدل ضمن تأیید وجود حباب در شاخص کل بورس اوراق بهادار تهران در روزهای منتهی به اواسط دی ماه 1392، سقوط (و یا تغییر رژیم) روی داده در تاریخ مذکور را با دقت بالایی پیش بینی می کند. بر اساس این نتایج، دیدگاه گروهی از کارشناسان که معتقدند حادثه رخ داده در دی ماه 1392 صرفاً ناشی از بعضی از عوامل بیرونی مانند طرح گران کردن خوراک پتروشیمی ها بوده است، رد می شود. طبقه بندی JEL : C53, G01, G17

در این مطالعه ویژگی های حافظه بلندمدت همراه با شکست های ساختاری بازده شاخص قیمت بورس اوراق بهادار تهران مورد مطالعه قرارگرفته است. برای این منظور نخست با استفاده از روش های نیمه پارامتریک و ناپارامتریک ویژگی های حافظه بلند مدت سری زمانی مورد مطالعه در سه بازه زمانی منتهی به مهرماه 1392 بررسی شده است. نتایج حاصل از این آزمون ها حافظه بلندمدت بودن بازده بورس را برای هر سه بازه زمانی تایید می کنند. با این حال، نتایج مطالعات اخیر نشان می دهند که شواهد حافظه بلندمدت به دست آمده از آزمون های نامبرده می تواند بهعلت شکست های ساختاری موجود در سری زمانی باشد نه بهسبب وجود وابستگی های بلندمدت در آن. بنابراین همراه بامطالعه حافظه بلندمدت از آزمون شیموتسو (2006) برای بررسی صحت پارامتر حافظه بلندمدت در مقابل شکست ساختاری استفاده کرده ایم. نتایج به دست آمده از این آزمونشواهد قوی از (d)I نبودن فرآیند تولید دادهها ارائه می دهد. این نتیجه توسط آزمون اسمیت (2005) نیز مورد تائید قرار می گیرد. نتایج این آزمون نشان می دهد که برخلاف مطالعات پیشین ویژگی حافظه بلندمدت بازده شاخص قیمت بورس، حساسیت بسیاری به دوره های زمانی مورد مطالعه دارد و باید در استنباط ویژگی های حافظه بلندمدت هنگام وجود شکست ساختاری یا تغییر رژیم در سری یادشده دقت کرد. علاوه بر این موارد، احتمالاً تغییر تعاریف و محاسبات شاخص های بورس در طول زمان سبب شکست ساختاری یا انتقال سطح در این شاخص ها و سری های زمانی مرتبط با آنها خواهد شد که باید این تغییرات در تمامی مطالعات شامل سری های زمانی مورد اشاره (اعم از شاخص، بازده و نوسانات) مدنظر قرار گیرد، زیرا عدم لحاظ آنها سبب بروز خطا در نتایج نهایی خواهد شد. به عنوان نمونه، نتیجه حاصل از آزمون حافظه بلندمدت بازده تعدیل شده نسبت به تغییر تعریف شاخص TEPIX نشان می دهد که برخلاف نتایج مطالعات پیشین، سری زمانی بازده شاخص قیمت بورس فاقد حافظه بلندمدت (در بازه مورد مطالعه) است.

پیش بینی جریان آینده ی گردشگری ورودی برای تعیین مخارج سرمایه گذاری در صنعت گردشگری، هم برای بخش دولتی و هم برای بخش خصوصی، ضروری است. برای بخش دولتی و عمومی تخمین تقاضای گردشگری به منظور استفاده ی کارا از صنعت حمل ونقل و برنامه ریزی در نحوه ی تخصیص منابع حیاتی است. همچنین پیش بینی صحیح می تواند برای بخش خصوصی مانند شرکت های حمل ونقل هوایی در برنامه ریزی و طرح ریزی خطوط هوایی، تجهیزات، امکانات رفاهی و برنامه ریزی برای منابع انسانی مفید باشد. علی رغم اهمیت این موضوع در حوزه ی گردشگری، مطالعات انجام شده ی کشور ما در این حوزه بسیار محدود است. از سوی دیگر، ازآنجایی که اثبات شده است مدل تک متغیره روش بسیار موفقیت آمیزی برای پیش بینی سری زمانی گردشگری است، در این مطالعه با استفاده از داده های ماهانه ی گمرک جمهوری اسلامی ایران در فاصله ی فروردین 1378 تا اسفند 1390، مدل های تک متغیره ی ARFIMA، روش هوشمند ANN و مدل ARFIMA-ANN را که آلاداگو همکاران در سال 2012 پیشنهاد کرده اند، برای سری زمانی گردشگری کشور برآورد کردیم و نتایج حاصل از پیش بینی آن ها را با یکدیگر مقایسه نموده ایم. استفاده از معیارهای RMSE,MAPE,MAE برای ارزیابی صحت پیش بینی افق های زمانی متفاوت در میان مدل های مذکور نشان می دهد که مدل       ARFIMA-ANN در افق های زمانی 6،12، 18 و 24 ماه پیش رو توان بالاتری در پیش بینی نسبت به مدل های رقیب دارد و می تواند به عنوان مدلی مناسب برای برآورد و پیش بینی سری زمانی گردشگری کشور مورد استفاده قرار گیرد.