Identifying and Sensitivity Analysis the Effective Factors on Main Forming Groups of Iran’s Inflation: The Artificial Neural Network Approach

Subject Areas : Financial Economics

seyed sajad alam al hodaa ¹ , samaneh tarighi ² , mehdi shaban zadeh ³ , amin kajoeipoor 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

Received: 2015-04-13 Accepted : 2015-06-16 Published : 2015-08-23

Keywords: E31, C53, Keywords: Main Groups, Inflation, Neural Network Sensitivity Analysis. Classification JEL: E3,

Abstract :

Abstract Since the inflation has numerous effects on various aspects of economic and social, many economists believe the importance of inflation is higher than other economic indicators.With this approach, in this study the effective factors on main forming groups of Iran’s inflation in the Fourth Development Plan identified and have been examined. For achieve this target, among the twelve main forming groups of consumer price index (CPI), the important forming groups of CPI have been identified using Neural Network Sensitivity Analysis. Then by definition the causes and origins of inflation in Iran using various economic theories and domestic studies, the effects of these factors has been studied on the main commodity groups of CPI. The result of this study showed, among the main groups of commodities, Food and beverage group (Group 1), Housing ‌, water, electricity, gas and other fuels Group (Group 4) and transport group (Group 7) were more important Compared to the other groups. So that, these groups explained 15.22%, 13.19% and 12.23% of the total change in the CPI during the period under review, respectively. The results of this study indicated the commodities of group 1 have been most affected by changes in liquidity, exchange rates and the GDP gap. Also commodities of group 4 and 7 have been most impressed by the rate of return on rent housing in urban areas and liquidity, inflation expectations and exchange rate, respectively

References:

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.