شناسایی و تحلیل نقش عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در ایران با رویکرد شبکه عصبی مصنوعی
الموضوعات :سید سجاد علم الهدی 1 , سمانه طریقی 2 , مهدی شعبان زاده 3 , امین خواجویی پور 4
1 - عضو هیئت علمی گروه اقتصاد، پژوهشکده مطالعات تطبیقی و اقتصاد پژوهشگاه علوم انسانی و مطالعات فرهنگی .تهران.ایران
2 - دانشجوی دکتری اقتصاد، دانشگاه علوم و تحقیقات، تهران. ایران
3 - دانشجوی دکتری اقتصاد کشاورزی، دانشگاه تهران. ایران
4 - دانشجوی کارشناسی‌ارشد اقتصاد کشاورزی، دانشگاه علوم و تحقیقات، تهران. ایران
الکلمات المفتاحية: E31, E3, گروه‌هایاصلی, تورم, تحلیل حساسیت شبکه عصبی. طبقه بندی JEL : C53,
ملخص المقالة :
چکیده بسیاری از اقتصاددانان معتقدند اهمیت نرخ تورم بیشتر از دیگر شاخص‌های اقتصادی است، چرا که تورم اثرهای متعددی بر جنبه‌های مختلف اقتصادی و اجتماعی جامعه دارد. با این رویکرد، مطالعه حاضر به شناسایی و تحلیل حساسیت عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در برنامه چهارم توسعه پرداخته است. جهت دستیابی به این هدف، ابتدا از میان ۱۲ گروه کالایی اصلی تشکیل‌دهنده شاخص بهای کالاها و خدمات مصرفی(CPI)، مهم‌ترین گروه‌های کالایی تشکیل‌دهنده CPI، با استفاده از نمونه تحلیل حساسیت شبکه عصبی مصنوعی شناسایی شدند. سپس اثر عوامل بر مهم‌ترین گروه‌های کالایی تشکیل‌دهنده CPI مورد بررسی قرار گرفته است. نتایج حاصل از مطالعه حاضر نشان می‌دهد از میان کالاهای گروه‌هایاصلی، گروه خوراکی‌ها و آشامیدنی‌ها (گروه ۱)، گروه مسکن، آب، برق، گاز و سایر سوخت‌ها (گروه ۴) و همچنین کالاهای گروه حمل‌ونقل (گروه ۷) نسبت به سایر گروه‌ها بیشترین نقش را در ایجاد تورم داشته و به ترتیب ۱۵/۲۲، ۱۹/۱۳ و ۲۳/۱۲ درصد از کل تغییرات ایجادشده در CPI را طی دوره مورد بررسی توضیح می‌دهند. همچنین نتایج مطالعه حاضر بیان‌گر آن است که کالاهای گروه ۱ طی دوره مورد بررسی بیشتر تحت تأثیر تغییرهای نقدینگی، نرخ ارز بازار آزاد و شکاف تولید ناخالص داخلی، کالاهای گروه۴ تحت تأثیر نرخ بازدهی اجاره مسکن در مناطق شهری و در نهایت کالاهای گروه ۷ بیشتر تحت تأثیر حجم نقدینگی، انتظارهای تورمی و نرخ ارز بازار آزاد قرار داشته‌‌اند
فهرست منابع
1) بنیمهد، م. و یثربی س. (۱۳۸۲) کاربرد شبکه عصبی مصنوعی در مهندسی ژئوتکنیک: مدلسازی، تحلیل، طراحی، فنی و مهندسی مدرس، ۱۴:-۱.
2) پرمه، ز؛ و قربانی، م. (۱۳۸۳)تورم و پس انداز خانوارهای روستایی (مطالعه موردی استان فارس)،پژوهش‌های اقتصادی ایران، ۱۹: ۱۶۹-۱۸۷.
3) حسینی، س.م.ط. سی و سه مرده، ع. فتحی پ؛ و سی و سه مرده، م.(۱۳۸۶) کاربرد شبکه عصبی مصنوعی و رگرسیون چند متغیره در برآورد گندم دیم منطقه قروه در استان کردستان، پژوهش کشاورزی: آب، خاک و گیاه در کشاورزی، ۱: ۵۴-۴۱.
4) دهمرده، ن. و کسایی، ز. (۱۳۹۰) ریشه‌هایتورمدراقتصادایران (۱۳۳۸-۱۳۸۶)، دو فصلنامه علمی- پژوهشی جستارهای اقتصادی، ۱۵: ۱۶۵-۱۸۸.
5) راکعی، ب. خامهچیان، م. عبدالملکی، پ. و گیاهچی، پ. (۱۳۸۶) کاربرد شبکه عصبی مصنوعی در پهنهبندی خطر زمینلغزش، مجله علوم دانشگاه تهران، ۳۳: ۶۴-۵۷.
6) سلطانی، م. و لشکری، م.(۱۳۹۰) آزمونپولیبودنتورموشناساییعوامل مؤثربرتورمدراقتصادایران (۱۳۸۷-۱۳۳۸)، راهبرد یاس، ۲۸:۴۵-۷۸.
7) عماد زاده،م؛ وصمدی، س؛ وحافظی، ب.(۱۳۸۴) بررسیعوامل پولیوغیر پولیموثربر تورمدرایران
(۱۳۸۲-۱۳۳۸)،پژوهشنامهعلومانسانی واجتماعی ۱۹:۵۲ – ۳۳.
8) فرزینوش،الف؛ ولشکری،م. (۱۳۸۲)«جانشینیپولوتقاضابرایپول: شواهدیازایران»، پژوهشنامهبازرگانی،۲۹:۱-۵۱.
9) منهاج،م. ۱۳۷۹،مبانیشبکه‌هایعصبی (هوش محاسباتی):دانشگاهصنعتی امیرکبیر،مرکزنشرپرفسورحسابی،چاپپنجم ۱۳۸۷.
10) مهرابیبشر آبادی، ح. شرافتمند، ح. و باغستانی.ع. (۱۳۸۹) بررسیتأثیرشوک‌هاینرخارزوشکافتولیدبرتورمدر ایران، مجلهدانشوتوسعه، ۳۳:۱-۲۰.
11) مهربانیو. ۱۳۸۹. تأثیرپذیریطبقاتاجتماعیازتورمدرایران، مجلۀتحقیقاتاقتصادی، ۹۰:۲۲۷-۲۰۷.
12) نصر اصفهانی،ر.ویاوری، ک. (۱۳۸۲)عواملاسمیوواقعیموثربرتورمدرایران – رهیافت خودرگرسیونبرداری (VAR)، پژوهش‌هایاقتصادیایران،۱۶:۶۹-۹۹.
13) Aljebrin, M. (2006), Analysis of Inflation in Determinants Developing Oil Export Based Economies, Doctoral dissertation, Colorado State University, Fort Collins, Colorado.
14) Augustine, C. A., Malindretos, J. and Nippani, S. (2004), " Variations in Exchange Rates and Inflation in 82 Countries: an Empirical Investigation" North American Journal of Economics and Finance, 15 :227– 247.
15) Caniani D., Pascale S., Sdao F. and Sole A. (2008), neural networks and landslide susceptibility: a case study of the urban area of Potenza, Natural Hazards, 45:55–72.
16) Darrat, A. F. & Arize, A.C. (1990), Domestic and International Sources of Inflation in Developing Countries: some Evidence from the Monetary Approach, International Economic Journal, 4: 55-69.
17) Deme, M. & Fayissa, B. (1995), Inflation, Money, Interest Rate, Exchange Rate and Causality: The Case of Egypt, Morocco, and Tunisia, Applied Economics, 27:1219-1224.
18) Ermini L., Catani F. and Casagli N. (2005), Artificial neural network to landslide susceptibility assessment, Geomorphology, 66: 327–343.
19) Gachet, I., Maldonado, D., Perez, W. (2008), Determinants of Inflation in a Dollarized Economy: The Case of Ecuador. CUESTIONES ECON OMICAS, 24:1-2.
20) Lee S., Ryu J. H., Lee M. J. and Won J. S.( 2006), The Application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea, Mathematical Geology, 38: 199-220.
21) McCulloch, W. S., and Pitts, w. (1943), a logical of the ideas immanent in nervous activity. Bulletin of Mathematical Biology 5: 115-133.
22) Rummelhart, D. E., Hinton, G. E., and Williams, R. J. (1986), Learning internal representation by back propagating errors: Nature, 332, 533-536.
23) Siregar, R. and Gulasekaran, R. (2005), Source of Variations between the Inflation Rates of Korea, Thailand and Indonesia During the Post-1997 Crisis, Journal of Policy Modeling, 27: 867-884.
