پژوهش های اقتصادی ایران

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 پایه های اقتصاد خردی است و در آن از متغیرهای درآمد سرانه خانوار، شاخص قیمت سهام، شاخص قیمت خدمات ساختمانی، تعداد ساختمان های تکمیل شده، حجم پول و نرخ تورم، به عنوان متغیرهای توضیحی برای متغیر وابسته شاخص قیمت مسکن استفاده گردید. برآورد مدل با استفاده از داده های فصلی سال های 1384-1373 اقتصاد ایران و با به کارگیری مدل خودتوضیح با وقفه های 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.

از آنجا که مسأله فقر و برنامه های فقرزدایی مورد توجه سیاستگذاران و برنامه ریزان قرار گرفته است، شناسایی دقیق این پدیده در موفقیت این برنامه ها و حل این مسأله مهم ضرورتی انکارناپذیر خواهد بود. به رغم تمام تلاش های جمهوری اسلامی ایران در راستای حذف فقر از جامعه، اولین برنامه تدوین شده 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 داده های مرکب خانوارهای شهری و روستایی کشور برای سال های 1380 تا 1382 بررسی می کنیم. بدین منظور، خط فقر در بخش روستایی و شهری محاسبه کرده و با استفاده از آن خانوارهای فقیر و غیر فقیر در نمونه های مورد مطالعه مشخص کرده ایم. سپس، با استفاده از برآورد لاجیت و مدل spell نقش هر یک از عوامل تعیین کننده فقر بر نرخ مخاطره خروج از فقر و ورود مجدد به فقر خانوارها را مطالعه کرده ایم. در برآورد خط فقر غذایی از روش تأمین انرژی غذایی (FEI) بهره گرفته و با استفاده از رگرسیون های غیرپارامتریک خطوط فقر غذایی و غیرغذایی را به دست آورده ایم. نتایج این پژوهش نشان می دهد که فقر در بخش روستایی ابعاد بزرگتری داشته هر چند که انتقال میان وضعیت های فقر در جوامع روستایی بیشتر دیده می شود. همچنین، بررسی ها نشان می دهد که جوامع شهری بیشتر با پدیده فقر مزمن روبرو هستند.

روش های سنتی تصمیم گیری در مورد اعطای اعتبار به متقاضیان وام، همانند آنچه که اکنون در کشور ما انجام می گیرد، بر پایه قضاوت شخصی در مورد خطر عدم باز پرداخت استوار است. با این وجود، فشارهای اقتصادی ناشی از افزایش تقاضا برای شکل های مختلف اعتبار، در کنار رقابت های تجاری گسترده و تلاش موسسات مالی و بانک ها برای پایین آوردن در صد عدم باز پرداخت، موجب افزایش به کارگیری روش های آماری در زمینه اعطای اعتبار شده است. رتبه بندی اعتباری به منظور پیش بینی احتمال کوتاهی در بازپرداخت و یا عدم باز پرداخت و یا معادل آن برای طبقه بندی متقاضیان اعتبار به دو گروه ریسک خوب و ریسک بد مورد استفاده قرار می گیرد. از جمله مزایای این روش می توان به صرفه جویی در زمان، صرفه جویی در هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان وام اشاره کرد. روش های آماری مختلفی از جمله آنالیز ممیزی، رگرسیون لجستیک، روشهای هموارسازی نا پارامتری وشبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. در این میان، "شبکه های عصبی" به دلیل انعطاف پذیری بالاتر، در سال های اخیر بیشتر مورد توجه قرار گرفته اند. در این مقاله، یک مدل شبکه عصبی برای طبقه بندی متقاضیان دریافت وام فروش اقساطی ارائه و سپس عملکرد این مدل را با دو مدل آماری آنالیز ممیزی و رگرسیون لجستیک مقایسه می کنیم. نتایج حاصل از این مقایسه نشان می دهد که مدل شبکه عصبی در مقایسه با سایر مدل های مورد مطالعه، از کارایی و دقت بالاتری برخوردار است.

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 سری های زمانی مورد استفاده در الگوها ممکن است خاصیت جمع بستگی متفاوتی داشته باشند. بنابراین، این سوال مطرح می گردد 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 یافته های برخی از مطالعات مهم در ارتباط با داده های سری زمانی با الگوهای 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 سری های زمانیِ مورد استفاده، دقیقا" بررسی شود.

علاوه بر تغییرات دما و شرایط جوی- که عامل اصلی نوسانات فصلی تقاضای انرژی محسوب می شوند- عوامل دیگری نظیر شوک های فصلی غیر قابل مشاهده بر نوسانات فصلی تقاضای انرژی تأثیر می گذارند. همچنین غیر از عوامل اقتصادی قابل مشاهده نظیر قیمت و درآمد، عوامل غیر اقتصادی همانند تغییر سلیقه مصرف کنندگان و پیشرفت تکنولوژی و عوامل دیگری که قابل مشاهده نیز نیستند، بر روند اصلی تقاضای انرژی اثر می گذارند. به کار گیری روش مدل ساختار سری زمانی ، این امکان را می دهد که بتوان هر دو مؤلفه روند تصادفی و فصلی تصادفی را در تقاضای انرژی به منظور برآورد صحیح کشش های درآمدی و قیمتی، وارد و مدلسازی کرد. سپس با استفاده از فیلتر کالمن با روش حداکثر راستنمایی، برآوردهای نااریب پارامترهای تابع تقاضا محاسبه می شود. 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 نمی شود. ماهیت مؤلفه فصلی تصادفی بوده و کشش مصرف سرانه گاز طبیعی نسبت به دما 26/0- درصد برآورد شده است. کشش های بلندمدت قیمتی و درآمدی نیز به ترتیب حدود 13/0- و 17/0 درصد محاسبه شده است.

توانایی کم نظیر شبکه های 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 پژوهش های انجام شده در مورد توانایی پیش بینی مدل های خود توضیح جمعی میانگین متحرک (ARIMA) و شبکه های عصبی مصنوعی(ANN) به مقایسه این دو روش برای پیش بینی قیمت روزانه نفت در دوره آوریل 1983 تا ژوئن 2005 پرداخته ایم. افزون بر این، در این پژوهش پس از مدلسازی به وسیله شبکه های عصبی مصنوعی، به منظور تشخیص سهم مشارکت هر پارامتر ورودی در این مدل از تجزیه و تحلیل حساسیت استفاده کرده ایم. با توجه به حجم وسیع به کارگیری اطلاعات روزانه قیمت جهانی نفت (بیش از 5500 روز اطلاعات) نتایج به دست آمده نشان دهنده برتری غیرقابل مقایسه مدل شبکه های عصبی مصنوعی نسبت به مدل ARIMA در پیش بینی قیمت روزانه نفت است.