اثر سیاست مالی روی نرخ بیکاری و نرخ تورم در استان های ایران: رویکرد GVAR

مدلسازی اقتصادی

دوره 15، شماره 53، خرداد 1400، صفحه 25-48   

نوع مقاله: پژوهشی

شناسه دیجیتال (DOI): 10.30495/eco.2021.1892800.2314

نویسندگان

نسرین ابراهیمی^{* 1}؛ مهدی پدرام²؛ میر حسین موسوی³

¹دکتری علوم اقتصادی، دانشگاه الزهرا، تهران، ایران

²استاد گروه اقتصاد، دانشگاه الزهرا، تهران، ایران

³دانشیار گروه اقتصاد، دانشگاه الزهرا، تهران، ایران

چکیده

در این مقاله نحوه اثرگذاری سیاست‫های مالی بر نرخ بیکاری و تورم در استان‫های کشور با استفاده از رویکرد اتورگرسیون برداری جهانی در دوره 1395:4-1384:1 بررسی شده است. نتایج واکنش استان‏ها نسبت به شوک مثبت سیاست مالی نشان داد نرخ بیکاری در برخی از استان‏ها، معنادار و در برخی دیگر، بی‌معناست. زمان‏بندی این واکنش‏ها نسبتا مشابه؛ اما، اندازه آن‏ها متفاوت بوده است. در خصوص واکنش نرخ تورم نیز مشخص شده است که صرفا استان‏های دارای واکنش معنادار نرخ بیکاری، به صورت معنادار واکنش نشان داده‏اند. نرخ تورم در استان‏های مختلف دارای زمان‏بندی نسبتا مشابه؛ اما، اندازه‏های متفاوت بوده است. با توجه به نتایج، سیاست‏گذاران برای دست‌یابی به توسعه متوازن منطقه‏ای، باید تراکم‏زدایی در بودجه و نیز واگذار کردن اختیارات به استان‏ها را در دستور کار خود قرار دهند.

کلیدواژه‌ها

طبقه‌بندی JEL: .R11؛ C13؛ E62؛ E24؛ E31 واژگان کلیدی: سیاست مالی؛ اثرات منطقه‌ای؛ بیکاری؛ تورم؛ رویکرد رگرسیون‌برداری جهانی (GVAR)

اصل مقاله

1. مقدمه

سیاست‏گذاران اغلب تلاش می‏کنند اقتصاد را از طریق به کارگیری ابزارهای سیاست‫های کلان تحت تأثیر قرار دهند. سیاست مالی، یکی از این سیاست‫هاست که برای رسیدن به اهدافی مانند رشد و توسعه اقتصادی اجرا می‫شود. پژوهش‌های بسیاری در خصوص اثرات کلان سیاست‏های مالی در یک کشور و یا بین گروهی از کشورها انجام شده است؛ به گونه‌ای که  در سال‌های اخیر، این مطالعات، از تحلیل اثر سیاست مالی در سطح ملی، به بررسی سایر زوایای این سیاست‏ها گذر کرده‌اند. یکی از این زوایا، اثرات منطقه‫ای (ایالتی یا استانی) است. در واقع، با توجه به اینکه اقتصاد یک کشور ترکیبی از مناطق مختلف است، اثر سیاست‫های کلان بر پویایی‫های مناطق مختلف آن مورد توجه قرار گرفته است.

از نظر اویانگ، زبیری و دورهام^[1]، 2005 به نقل از هایو و اوهل^[2] (2015) منطقی است که فرض شود اقتصادهای منطقه‫ای به دلیل تنوع اقتصادی، تفاوت‫های جمعیتی، عدم تجانس جغرافیایی و تفاوت‫های توسعه‫یافتگی مالینسبت به سیاست‫های کلان مالی واکنش‫های متفاوتی نشان دهند؛ بنابراین، بررسی اثر سیاست مالی در سطح ملی بدون در نظر گرفتن اینکه هر کشور از مناطق مختلفی تشکیل شده است؛ صرفا، تصویری کلی ارائه می‏کند که نشان‏دهنده میانگین واکنش تمامی مناطق است.

ضرورت بررسی واکنش‫ مناطق مختلف یک کشور نسبت به سیاست‫های کلان، به نحوه برنامه‌ریزی‫ منطقه‫ای به ‌عنوان یکی از الزامات اساسی رشد و توسعه اقتصادی بر می‫گردد؛ زیرا برنامه‌ریزی در سطح مناطق، مکمل برنامه‌ریزی‌های کلان است. برنامه‫ریزی منطقه‫ای به‫ طوری ‫که موانع و مشکلات توسعه را برطرف سازد، نیازمند آگاهی برنامه‫ریزان و سیاست‫گذاران از چگونگی واکنش مناطق مختلف نسبت به سیاست‫های کلان از جمله سیاست‫های مالی است.

ایران کشوری است که مناطق (استان‫های) مختلف آن از ویژگی‫های جمعیتی، جغرافیایی و اقتصادی متفاوتی برخوردارند. مقایسه تنوع جمعیتی مناطق مختلف کشور نشان می‌دهد بر اساس سرشماری نفوس و مسکن سال 1395، استان تهران تقریبا 20 درصد و استان ایلام، 73/0 درصد از جمعیت کل کشور را به خود اختصاص داده‌اند.

طبق گزارش مرکز آمار کشور از اطلاعات حساب‏های منطقه‏ای (1394-1383)، استان تهران، بالاترین سهم را در تشکیل بخش خدمات کشور دارد (به ‏طور متوسط 35 درصد)؛ اما، استانی مانند استان مازندران بیش‌ترین سهم را در ایجاد ارزش افزوده بخش کشاورزی به خود اختصاص داده است (به ‏طور متوسط 9 درصد). بر این اساس، اختلافات شاخص‌های مالی سبب می‌شود استان‫های مختلف نسبت به سیاست‫هایی که سیاست‫گذاران در سطح ملی اعمال می‫کنند، واکنش‫های متفاوتی نشان دهند. برای بررسی صحت این ادعا می‏توان نحوه واکنش متغیرهای کلان در سطح استانی را نسبت به اعمال سیاست‏های یکپارچه ملی مورد توجه قرار داد. در این راستا، هدف این مقاله، بررسی نحوه اثرگذاری سیاست‫های مالی بر متغیرهای نرخ بیکاری و نرخ تورم در استان‫های ایران است که می‫تواند دلالت‫های سیاست‫گذاری قابل توجهی به همراه داشته باشد.

در ادبیات تجربی مرتبط، برای ارزیابی واکنش‏های مناطق مختلف یک کشور نسبت به سیاست‏های کلان، از مدل‏های خانواده خودرگرسیون برداری (VAR) به صورت جداگانه برای هر منطقه استفاده شده است. این در حالی است که نحوه واکنش هر منطقه ممکن است به لحاظ وجود اثرات سرریز بین مناطق تحت تأثیر سایر مناطق نیز باشد. یکی از جدیدترین مدل‏های خودرگرسیون برداری که امکان در نظر گرفتن اثرپذیری مناطق را فراهم می‏کند، رویکرد خودرگرسیون برداری جهانی[3] (GVAR) است. علاوه بر این امکان، قابلیت این رویکرد به لحاظ رفع مشکل کاهش درجه آزادی به دلیل بالا رفتن ابعاد مدل، یکی دیگر از دلایل برتری آن در مقایسه با سایر مدل‏های بزرگ موجود است (چودیک، گروسمن و پسران[4]، 2016).

گفتنی است در این رویکرد بدون برآورد جداگانه برای هر منطقه، واکنش تمامی مناطق نسبت به شوک‏های تعریف شده قابل استخراج است. بر این اساس و هم‌چنین، با توجه به هدف مقاله، برای بررسی واکنش یکایک استان‏های ایران نسبت به سیاست‏های مالی از رویکرد یاد شده استفاده می‌شود.

برای دست‌یابی به هدف پژوهش مقاله بدین صورت سازمان‌دهی می‌شود: بعد از مقدمه، در بخش دوم، ادبیات موضوع ارائه می‌شود؛ در بخش سوم، روش‏ پژوهش بیان می‌شود؛ بخش چهارم به برآورد مدل و نتایج تجربی و بخش پنجم به نتایج و پیشنهادها اختصاص یافته‌اند.

 

 2. ادبیات موضوع

سیاست مالی در کوتاه‏مدت و بلندمدت

در کوتاه‏مدت، سیاست مالی می‏تواند تولید را از سطح بالقوه آن جابجا کند. در بلند‏مدت، سیاست مالی به وسیله تأثیرگذاری روی کیفیت و کمیت نیروی کار و یا سایر عوامل تولید و یا تغییر در بهره‏وری کل عوامل تولید، می‏تواند سطح تولید را متأثر کند (بارو^[5]، 1991).

نظریات مختلفی در مورد اثر کوتاه‏مدت سیاست مالی مطرح است. در نظریه کلاسیک هر گونه افزایشی در مخارج دولت از طریق کاهش در مخارج خصوصی جبران می‏شود و اثر برون‏رانی^[6] آن کامل است (دورنبوش، فاورو و جیاوازی^[7]، 2003).

به زعم کینز، اثر کل سیاست مالی به اندازه ضریب فزاینده مالی و اثر برون‏رانی بستگی دارد (منکیو^[8]، 2000). لوکاس^[9] (1975) معتقد است که در مدل‏های نئوکلاسیک^[10]، سیاست مالی کاملا پیش‏بینی شده، در کوتاه‏مدت و بلند‏مدت اثری ندارد؛ با این حال، سیاست مالی پیش‏بینی نشده، می‏تواند رشد کوتاه‏مدت را متاثر سازد.

در رویکرد کلاسیک‏های جدید، ترکیب فرضیه‏های انتظارات عقلائی، تسویه پیوسته بازارها و تابع عرضه، دستاوردهای سیاستی مهمی را به دنبال دارد. یکی از این دستاوردها، قضیه بی‏تأثیری سیاست‏هاست (اسنودن و وین، 1383). بر این اساس، در صورت انحراف تولید از سطح طبیعی خود، نیازی به اقدامات اصلاحی دولت نیست و چنین انحرافی توسط نیروهای بازار حذف می‏شود.

مطابق با مطالعه روتمبرگ و وودفرد^[11] (1999) در مدل‏های کینزی جدید شوک مخارج دولت، تولید را از طریق کاهش مارک‏‏آپ^[12]، افزایش می‏دهد.

آنچه در خصوص اثرگذاری سیاست مالی در بلندمدت مطرح است، اثر آن بر رشد اقتصادی است. بر اساس نظریه رشد درون‏زا، چهار تعیین‏کننده اصلی که از طریق آن، سیاست مالی می‏تواند رشد اقتصادی بلندمدت را افزایش دهد؛ عبارتند از: 1) افزایش سرمایه مالی؛         2) افزایش سرمایه انسانی؛ 3) بهره‏وری کل عوامل تولید و 4) عرضه کار (صندوق بین‏المللی پول^[13]، 2015).

افزایش مخارج عمرانی دولت، بهره‏وری بخش دولتی را افزایش می‏دهد و به دنبال آن از طریق افزایش نرخ بازدهی باعث افزایش نرخ رشد بلندمدت می‏شود (سانچز روبلز^[14]، 1998).

در مقابل، برخی معتقدند سیاست مالی می‏تواند برای رشد اقتصادی مضر باشد. افزایش در استقراض دولت از طریق افزایش نرخ بهره منجر به اثر برون‏رانی سرمایه‏گذاری خصوصی می‏شود. این اثر برون‏رانی ممکن است برای رشد اقتصادی بلندمدت مانع ایجاد کند (گواترنی، لاوسون و هولکامب^[15]، 1998).

 

مناطق مختلف اقتصادی یک کشور و اثر سیاست مالی

اویانگ و همکاران (2005) معتقدند که مناطق مختلف هر کشور به دلیل داشتن ویژگی‏های متفاوتی چون ناهمگنی جغرافیایی، تنوع اقتصادی، توسعه مالی و سایر ویژگی‏های اقتصادی، واکنش‏های متفاوتی نسبت به سیاست مالی نشان می‏دهند. هم‌چنین، با توجه به این ‏که ترکیب بخش‏های مختلف اقتصادی در هر کدام از مناطق یک کشور متفاوت است، می‏توان واکنش متفاوت مناطق را به دلیل تفاوت در واکنش بخش‏های اقتصادی، منطقی دانست.

گفتنی است که سیاست مالی می‏تواند اثرات بخشی^[16] مختلفی بسته به اثرپذیری بخش از نرخ اسمی (یا حقیقی) ارز، شدت سرمایه‏بری بخش و کشش عرضه کار بخش داشته باشد؛ برای مثال، افزایش مخارج دولت (یا کاهش مالیات‏ها) به‏ طور استاندارد منجر به افزایش نرخ ارز حقیقی می‏شود. این افزایش، یک اثر نامتقارن روی بخش تولید کالاهای قابل تجارت و بخش تولید کالاهای غیرقابل تجارت دارد (شوچک و کپیچ^[17]، 2017).

افزون بر این، جیتسوچون^[18] (2010) معتقد است که اثرات محرک‫های مالی بر بخش‫های مختلف اقتصادی به ارتباط قبل و بعد آن‫ها با سایر بخش‫ها بستگی دارد. هم‌چنین، وی بیان می‏کند که ماهیت هر صنعت می‫تواند اثر سیاست مالی را تحت تأثیر قرار دهد.

به طور کلی، نتیجه‫گیری در این خصوص که چگونه کل درآمدهای دولت، مالیات‫های مستقیم، مالیات‫های غیرمستقیم و درآمدهای غیرمالیاتی بخش‫های مختلف را تحت تأثیر قرار می‫دهد، مشکل است؛ زیرا تمامی صنایع با مالیات مرتبط هستند؛ بنابراین، می‏توان گفت بر اساس واکنش‌های متفاوت بخش‏های مختلف اقتصادی، بسته به این‏ که در هر منطقه ترکیب اقتصاد چگونه است و کدام بخش یا بخش‏ها سهم بیش‌تری را به خود اختصاص داده است، واکنش نسبت به اعمال سیاست‏های کلان متفاوت خواهد بود.

 

مطالعات پیشین

اویانگ و همکاران (2008) برای مقایسه واکنش مناطق (ایالت‏ها) مختلف ایالات متحده نسبت به شوک‏ مخارج دولت، دو نوع شوک شامل شوک مخارج نظامی و غیرنظامی را در قالب مدل (SVAR) بر درآمد شخصی و نرخ بیکاری در سطح ایالتی مورد بررسی قرار داده‏اند. بدین منظور، برای هر ایالت یک مدل جداگانه برآورد کرده و برای لحاظ وابستگی بین ایالت‏ها، در مدل هر ایالت، علاوه ‏بر متغیرهای آن ایالت از مجموع مقادیر مربوط به سایر ایالات‏ها نیز استفاده کرده‌اند. نتایج نشان داد شکل واکنش‏های ایالتی تا حد زیادی مشابه؛ اما، اندازه و در بیش‌تر موارد، علامت آن‏ها متفاوت است.

سیلوا[19] (2014) با استفاده از مدل (SVAR) و روش بیزین، عدم تقارن اثر سیاست مالی در بین مناطق برزیل را از طریق برآورد جداگانه برای هر منطقه مورد آزمون قرار داده است. بر اساس نتایج، کاهش در مخارج دولت منجر به واکنش شدید در برخی از مناطق برزیل در مقایسه با سایر مناطق می‏شود؛ اما چنین کاهشی در هیچ منطقه‏ای اثر بلند‏مدتی را برجای نمی‏گذارد.  

هایو و اوهل (2015) عدم تقارن واکنش مناطق مختلف ایالات متحده را نسبت به شوک مالیاتی دولت در چارچوب مدل (VAR) مورد ارزیابی قرار داده‏اند. مطابق نتایج، اثر شوک مالیاتی بر تولید بسیاری از ایالت‏ها نامتقارن بوده است؛ به ‏طوری ‏که واکنش گروهی از ایالت‏ها به این شوک از نظر آماری، با میانگین واکنش در سطح ملی معادل بوده است.

در مطالعات، بررسی اثرات سیاست‏های کلان از طریق برآورد جداگانه هر منطقه انجام شده است؛ این در حالی است که برای ارزیابی دقیق‏تر، باید هم‌بستگی بین مناطق لحاظ شود. از این‏رو، در این مطالعه تلاش شده است از بین مدل‏های اقتصادسنجی مختلف که امکان لحاظ اثرات سرریز و برآورد هم‌زمان در آن‏ها وجود دارد، مدل مناسب انتخاب شود.

 

3. روش‏ پژوهش  

رویکرد خودرگرسیون برداری جهانی (GVAR) را که در اصل توسط پسران، شوئرمن و وینر[20] (2004) مطرح شد، می‏توان به صورت یک فرایند دو مرحله‏ای خلاصه کرد؛ در مرحله اول، مدل‏های با مقیاس کوچک مختصّ هر کشور مشروط به مابقی جهان برآورد می‏شود. این مدل‏ها به عنوان مدل‏های توسعه یافته VAR مطرح بوده و با VARX* نشان داده می‏شوند. متغیرهای این مدل‏ها شامل متغیرهای داخلی به همراه متوسط وزنی متغیرهای خارجی (متغیرهای ستاره‏دار) است؛ در مرحله دوم، مدل‏های تکی VARX* کشوری انباشته شده و به صورت هم‌زمان به عنوان یک مدل VAR بزرگ جهانی حل می‏شوند. گفتنی است در رویکرد GVAR واحدهای فردی مورد بررسی لزوما کشورها نیستند؛ برای مثال این واحدها می‏توانند مناطق، صنایع، طبقه‏بندی انواع کالاها، بانک‏ها، شهرداری‏ها و یا بخش‏های یک اقتصاد خاص باشند (چودیک و همکاران، 2016).

 

 

 

مدل‏سازی ارتباطات با استفاده از رویکرد رگرسیون‌برداری جهانی (GVAR)

یک پانل شامل N واحد مقطعی را در نظر بگیرید که هر کدام متغیرهای  را در طول دوره زمانی t=1,2,..,T مشاهده می‏کنند.  بیانگر یک بردار  از متغیرهای مختص واحد مقطعی i در دوره زمانی t است. بردار  از تمامی متغیرهای پانل با  نشان داده می‏دهد؛ به ‏طوری‏ که .

هسته رویکرد GVAR مدل‏های شرطی کوچک مقیاس مختصّ کشوری هستند که می‏توانند به صورت جدا برآورد شوند. این مدل‏های کشوری، متغیرهای داخلی یک اقتصاد مشخص  را مشروط به میانگین وزنی متغیرهای خارجی سایر کشورها که در یک بردار  تجمیع می‏شوند، توضیح می‏دهند:

(1)

به ازای i=1,2,..,N،  یک ماتریس  از وزن‫های مختصّ هر کشور است. این وزن‫ها معمولا با استفاده از داده‫های جریان تجارت یا جریان سرمایه بین کشورها استخراج می‫شوند. مدل VARX* به صورت زیر مدل‌سازی می‏شود.

(2)

 به صورت برداری با ابعاد  از متغیرهای داخلی و خارجی در نظر گرفته شده و معادله (2) بر اساس آن بازنویسی می‌شود.

(3)

مدل مختصّ کشوری در معادله (3) را می‏توان به فرم بیان تصحیح خطا نیز نوشت:

(4)

به طوری ‏که منظور از  اپراتور تفاضل مرتبه اول است و

 

برآورد مدل‏های مختصّ کشوری (معادله 2) که اجازه هم‌جمعی هم درون و هم بین کشورها را می‏دهد، اولین مرحله از رویکرد GVAR است؛ مرحله دوم رویکرد GVAR شامل تجمیع مدل‏های کشوری برآورد شده در مرحله اول به فرم یک مدل VAR جهانی بزرگ است. این تجمیع با استفاده از ماتریس‏های «ارتباطی»  با ابعاد  صورت می‏گیرد.

(5)

جای‌گذاری معادله (5) در معادله (3) و تجمیع آن‏ها روابط زیر را به دست می‏دهد:

(6)

با ضرب معادله (6) در  از سمت چپ خواهیم داشت:

(7)

 

توابع واکنش آنی و تجزیه واریانس خطای پیش‏بینی در رگرسیون‌برداری جهانی (GVAR)

‏در این پژوهش، برای سادگی تفسیر فرض می‌شود، مدل پویای جهانی، مدل معرفی شده در معادله (7) است. هم‌چنین، فرض می‌شود، k شوک ساختاری مجزا وجود دارد که به صورت  تعریف می‏شوند.

(8)

 بنابراین،  است و بردار تابع واکنش آنی ساختاری با ابعاد  به صورت زیر است:

(9)

به ‏طوری ‏که  مجموعه اطلاعاتی شامل تمام اطلاعات در دسترس در زمان t است. ماتریس‏های  با ابعاد  نیز به صورت زیر به دست می‏آیند:

                                         

در چارچوب مدل GVAR معرفی شده در معادله (7)، تابع واکنش آنی تعمیم یافته[21] (GIRF) با ابعاد  به صورت زیر است:

(10)

به ‏طوری‏ که  اندازه شوک و معادل یک انحراف استاندارد  تعریف می‏شود.

تجزیه واریانس خطای پیش‏بینی سهم شوک‏ها در کاهش میانگین مربع خطای پیش‏بینی‏های متغیرهای درون‏زا را در یک افق زمانی مشخص h نشان می‏دهد. در مورد شوک‏های متعارف  با فرض ساده‌کننده ، سهم j-امین نوآوری، ، از میانگین مربع خطای پیش‏بینی h افق پیش‏ رو در خصوص  به صورت زیر است:

(11)

بر اساس معادله (11)، تجزیه واریانس خطای پیش‏بینی تعمیم‏یافته عبارت است از:

(12)

 

تصریح الگو

واحدهای مقطعی در این مطالعه، استان‏های ایران در نظر گرفته شده است؛ به ‏طوری‏ که پانل مورد بررسی مشتمل بر 30 واحد مقطعی (استان) طی دوره 1395:4-1384:1 است (استان البرز جزء استان تهران لحاظ شده است).

بدین ترتیب،  در معادله (2) به عنوان مدل مختصّ هر استان (VARX*)، بیانگر برداری از متغیرهای داخلی مختصّ استان i ام در دوره زمانی t است. این متغیرها مشروط به وقفه‏های خود، میانگین وزنی از متغیرهای داخلی سایر استان‏ها تحت عنوان متغیرهای ستاره‏دار  و وقفه‏های آن‏ها، توضیح داده می‏شوند.

                                   

به ‏طوری‏ که متغیرهای داخلی هر استان شامل نرخ بیکاری، نرخ تورم، و اعتبارات استان به همراه سهم استان از مجموع اعتبارات کل استان‏هاست. متغیرهای ستاره‏دار هر استان نیز شامل نرخ بیکاری و نرخ تورم به صورت میانگین وزنی از نرخ بیکاری و نرخ تورم سایر استان‏هاست.

اعتبارات استانی به عنوان متغیر جانشین سیاست مالی در سطح استانی به ‏کار برده شده است. هم‌چنین، برای ارزیابی واکنش استان‏ها نسبت به سیاست‏ مالی از نرخ بیکاری و نرخ تورم به‌ عنوان متغیرهای کلان استفاده شده است. افزون بر این، از آنجا ‏که ویژگی‏های متفاوت منطقه‏ای باعث می‏شود واکنش‏های منطقه‏ای نسبت به سیاست‏های کلان اقتصادی متفاوت باشد، از سهم هر استان از مجموع اعتبارات کل استان‏ها نیز به ‌عنوان متغیر جانشین ناهمگنی منطقه‏ای استفاده شده است.

در رویکرد GVAR برای ساختن متغیرهای ستاره‏دار باید در ماتریس وزنی از متغیری استفاده شود که معرف اثرات سرریز باشد. در سطح استانی اطلاعاتی در خصوص جریان تجارت یا تحرک سرمایه موجود نیست و تنها اطلاعات مفید و در دسترس، اطلاعات مهاجرت بین استان‏های کشور است. با توجه به این‏ که مهاجرت‏های استانی از جمله عوامل اثرگذار بر نرخ بیکاری استانی است، می‏توان از این اطلاعات به‌ عنوان ماتریس وزنی که معرّف اثرات سرریز بین استانی باشد، استفاده کرد.

هم‌چنین، ماتریس یاد شده، ویژگی‏هایی دارد که می‏تواند شروط لازم برای به کارگیری ماتریس وزنی در مدل را فراهم کند. این ماتریس یک ماتریس مربع غیرصفر است که درایه‫های آن را اعداد مربوط به تعداد مهاجران وارد شده بر حسب استان محل اقامت قبلی و فعلی تشکیل می‫دهند. خارج کردن اطلاعات مربوط به مهاجرت‫های درون استانی باعث صفر شدن درایه‫های قطر اصلی ماتریس مهاجرت می‫شود؛ به علاوه، استفاده از سهم هر استان از مجموع مهاجران وارد شده به سایر استان‫ها منجر به واحد شدن مجموع درایه‫های هر ستون ماتریس مهاجرت خواهد شد.

جدول (1) متوسط سهم هر استان از مجموع عملکرد اعتبارات استانی طی دوره 1395-1384 را نشان می‏دهد. بر اساس جدول (1) استان‏های خوزستان، تهران و بوشهر به ترتیب، به لحاظ متوسط سهم از اعتبارات استانی در جایگاه اول تا سوم قرار گرفته‏اند. استان‏های قم و سمنان نیز به ‫طور متوسط کم‌ترین سهم را از اعتبارات استانی داشته‏اند.

 

جدول 1. متوسط سهم هر استان از اعتبارات استانی (درصد) طی دوره 1395-1384

استان	متوسط سهم از اعتبارات استانی (درصد)	استان	متوسط سهم از اعتبارات استانی (درصد)
آذربایجان شرقی	55/3	فارس	11/5
آذربایجان غربی	49/3	قزوین	61/1
اردبیل	07/2	قم	31/1
اصفهان	70/3	کردستان	79/2
ایلام	20/2	کرمان	62/3
بوشهر	39/6	کرمانشاه	12/3
تهران	49/6	کهگیلویه و بویراحمد	40/3
چهارمحال و بختیاری	12/2	گلستان	36/2
خراسان جنوبی	75/2	گیلان	53/2
خراسان رضوی	58/5	لرستان	88/2
خراسان شمالی	01/2	مازندران	80/2
خوزستان	16/11	مرکزی	12/2
زنجان	86/1	هرمزگان	16/3
سمنان	22/1	همدان	31/2
سیستان و بلوچستان	69/4	یزد	60/1
منبع: وزارت امور اقتصادی و دارایی کشور، سال‌های مختلف[22]

بر اساس جدول (2) به طور متوسط طی دوره 1395-1384، بیش‌ترین نرخ بیکاری و نرخ تورم به ترتیب، متعلق به استان لرستان و استان خراسان جنوبی بوده است.

 

 

جدول 2. متوسط نرخ بیکاری و نرخ تورم در استان‏های ایران طی دوره 1395-1384

استان	متوسط نرخ بیکاری (درصد)	متوسط نرخ تورم(درصد)	استان	متوسط نرخ بیکاری (درصد)	متوسط نرخ تورم(درصد)
آذربایجان شرقی	63/8	14/18	فارس	14/14	58/17
آذربایجان غربی	70/10	52/18	قزوین	09/11	14/18
اردبیل	44/12	42/18	قم	27/10	34/19
اصفهان	29/12	21/18	کردستان	52/12	33/18
ایلام	76/13	96/18	کرمان	17/10	75/17
بوشهر	78/10	48/16	کرمانشاه	81/15	10/18
تهران	22/12	02/18	کهگیلویه و بویراحمد	23/15	64/17
چهارمحال و بختیاری	99/13	43/18	گلستان	25/9	77/17
خراسان جنوبی	07/9	55/18	گیلان	76/13	00/18
خراسان رضوی	97/9	35/18	لرستان	72/16	30/18
خراسان شمالی	64/9	58/18	مازندران	01/10	21/18
خوزستان	19/12	71/17	مرکزی	00/10	98/17
زنجان	68/9	66/17	هرمزگان	69/9	93/17
سمنان	46/9	36/18	همدان	72/11	04/19
سیستان و بلوچستان	38/11	99/17	یزد	60/8	35/18
منبع: مرکز آمار ایران، بانک مرکزی ج.ا.ا، سال‌های مختلف[23]

 

4.‌ برآورد مدل و تجزیه و تحلیل آن

مشخصات و برآورد مدل‏های مختص هر استان VARX*

برای استفاده از رویکرد GVAR ابتدا باید وضعیت مانایی متغیرها مشخص شود. نتایج آزمون ریشه واحد هگی پس از فصلی‏زدایی با استفاده از X-12 نشان می‫دهد که تمامی متغیرهای مربوط به تمامی استان‏ها فاقد ریشه واحد شش ماهه و فصلی و دارای ریشه واحد غیرفصلی (سالانه) هستند؛ به عبارت دیگر، تمامی متغیرهای تمامی استان‏ها جمعی از مرتبه یک یا I(1) هستند.

تعداد وقفه‏های بهینه متغیرهای داخلی و ستاره‏دار در مدل مختصّ هر استان در ستون دوم و سوم جدول (3) آورده شده است.

بعد از تعیین وقفه بهینه، به منظور برآورد مدل‏های تصحیح خطای برداری مختصّ هر استان باید اجزای قطعی هر مدل مشخص شود. ستون چهارم جدول (3) به این امر اختصاص داده شده است.

با استفاده از آزمون‏های هم‌جمعی، تعداد بردارهای هم‌جمعی بین متغیرهای مدل‏های مختصّ هر استان تعیین و در ستون پنجم جدول (3) گزارش شده است.

 

جدول 3. مشخصات مدل‏های مختصّ هر استان VARX*(p,q)

استان	وقفه متغیرهای داخلی P	وقفه متغیرهای ستاره‏دار q	اجزای قطعی در مدل VECMX*	تعداد بردارهای هم‌جمعی
آذربایجان شرقی	1	1	عرض از مبدا غیرمقید و روند مقید	1
آذربایجان غربی	1	1	"	1
اردبیل	1	1	"	1
اصفهان	1	1	"	1
ایلام	1	1	"	1
بوشهر	1	1	"	1
تهران	1	1	"	1
چهارمحال و بختیاری	1	1	"	1
خراسان جنوبی	1	1	"	1
خراسان رضوی	1	1	"	1
خراسان شمالی	1	1	"	1
خوزستان	1	1	"	1
زنجان	1	1	"	1
سمنان	1	1	"	1
سیستان وبلوچستان	1	1	"	1
فارس	1	1	"	1
قزوین	1	1	"	1
قم	1	1	"	1
کردستان	1	1	"	1
کرمان	1	1	"	1
کرمانشاه	1	1	"	1
کهگیلویه وبویراحمد	1	1	"	1
گلستان	1	1	"	1
گیلان	1	1	"	1
لرستان	1	1	"	1
مازندران	1	1	"	1
مرکزی	1	1	"	1
هرمزگان	1	1	"	1
همدان	1	1	"	1
یزد	1	1	"	1

      منبع: یافته‏های پژوهش

 

اثرات هم‌زمان متغیرهای ستاره‏دار بر متغیر همتای داخلی

ضرایب و نسبت‏های t مربوط به متغیرهای ستاره‏دار نرخ بیکاری و نرخ تورم در ستون دوم و سوم جدول (4) گزارش شده است. نتایج نشان می‏دهد که متغیر نرخ بیکاری در استان‏های ایلام، تهران، قم، کردستان، کرمانشاه و گیلان به صورت مثبت و معنادار تحت تأثیر شوک مثبت وارد شده به نرخ بیکاری سایر استان‏ها قرار می‏گیرند. در خصوص نرخ تورم نیز قابل مشاهده است که این متغیر دارای اثرات هم‌زمان مثبت و معنادار در تمامی استان‏ها است. اثرات معنادار همزمان متغیرهای ستاره‏دار بر متغیرهای همتای داخلی حاکی از وجود اثرات سرریز بین استان‏ها است.

 

جدول 4. اثرات هم‌زمان متغیرهای ستاره‏دار بر متغیر همتای داخلی

استان	نرخ بیکاری		نرخ تورم
	ضریب	آماره t	ضریب	آماره t
آذربایجان شرقی	19/0-	50/0-	82/0	24/21
آذربایجان غربی	16/0	60/0	04/1	56/19
اردبیل	06/0	18/0	20/1	47/17
اصفهان	46/0	11/1	95/0	07/36
ایلام	**82/0	84/1	95/0	33/34
بوشهر	39/0	41/1	98/0	33/15
تهران	**55/0	73/1	95/0	36/26
چهارمحال و بختیاری	08/0	31/0	03/1	37/40
خراسان جنوبی	12/0	31/0	*95/0	50/16
خراسان رضوی	30/0	07/1	*02/1	34/27
خراسان شمالی	12/0	35/0	*00/1	78/36
خوزستان	07/0-	16/0-	*88/0	20/34
زنجان	47/0-	52/1-	*06/1	87/37
سمنان	40/0	99/0	*01/1	78/26
سیستان وبلوچستان	42/0-	27/1-	*21/1	95/16
فارس	03/0-	06/0-	*10/1	61/26
قزوین	20/0-	75/0-	*28/1	04/18
قم	**49/0	94/1	*97/0	81/37
کردستان	*17/1	81/3	*02/1	61/31
کرمان	03/1	26/1	*94/0	99/18
کرمانشاه	*88/0	75/2	*98/0	76/32
کهگیلویه وبویراحمد	17/0-	46/0-	*85/0	24/24
گلستان	49/0	42/1	*00/1	81/18
گیلان	**58/0	71/1	*95/0	86/25
لرستان	28/0-	60/0-	*11/1	17/51
مازندران	34/0	75/0	*96/0	68/28
مرکزی	18/0	49/0	*97/0	14/27
هرمزگان	08/0-	31/0-	*95/0	91/21
همدان	34/0	20/1	*21/1	12/46
یزد	06/0-	22/0-	*12/1	73/21
* معنادار در سطح اطمینان 95 درصد ** معنادار در سطح اطمینان 90 درصد

               منبع: یافته‏های پژوهش

 

توابع واکنش آنی تعمیم‏یافته و محاسبه فواصل اطمینان با استفاده از روش بوت‏استرپ 

در مجموعه نمودار‏های (1) و (2) ابتدا واکنش نرخ بیکاری و سپس واکنش نرخ تورم استان‏ها نسبت به شوک به اندازه یک انحراف معیار مثبت اعتبارات استانی نشان داده شده است. به منظور جلوگیری از طولانی شدن بحث، صرفا نمودار استان‏های دارای واکنش‏های معنادار آورده شده است.

بر اساس نمودار (1) نرخ بیکاری در استان‏های اصفهان، تهران، خراسان رضوی، خوزستان و فارس در واکنش به یک شوک مثبت اعتبارات استانی به صورت منفی و معنادار کاهش یافته است. زمان‏بندی واکنش این استان‏ها نسبتا مشابه بوده است؛ به نحوی ‏که واکنش نرخ بیکاری استان‏ها تقریبا در فصل دوم به حداکثر خود رسیده است. سپس، اندازه واکنش به تدریج کاهش یافته و شوک به صورت میرا خارج شده است. اگرچه، زمان‏بندی واکنش این استان‏ها مشابهت داشته؛ اما، اندازه واکنش‏ها متفاوت بوده است.

 

 

 

 

 

 

نمودار 1. واکنش نرخ بیکاری استان‏های نمونه نسبت به شوک مثبت سیاست مالی

 

 

 

                                منبع: یافته‏های پژوهش

 

نرخ تورم استان‏های اصفهان، تهران، خراسان رضوی، خوزستان و فارس نسبت به شوک سیاست مالی به صورت معنادار واکنش نشان داده‏ است. تمامی این واکنش‏ها منفی و زمان‏بندی آن‏ها تقریبا مشابه بوده است؛ به نحوی‏ که واکنش نرخ تورم استان‏ها تقریبا در فصل دوم حداکثر خود را تجربه کرده است. سپس، اندازه واکنش به تدریج کاهش یافته و شوک به صورت میرا خارج شده است. علی‏رغم زمان‏بندی نسبتا مشابه، اندازه واکنش‏ها متفاوت بوده است.

 

نمودار 2. واکنش نرخ تورم استان‏های نمونه نسبت به شوک مثبت سیاست مالی

 

 

 

                                    منبع: یافته‏های پژوهش

تجزیه واریانس خطای پیش‏بینی تعمیم‏یافته

تجزیه واریانس خطای پیش‏بینی تعمیم‏یافته نشان‏دهنده سهم هر شوک‏ در کاهش میانگین مربعات خطای پیش‏بینی‏های هر متغیر درون‏زا در یک افق زمانی معین است. در جدول‏های (5) و (6) تجزیه واریانس خطای پیش‏بینی اعتبارات استان‏های تهران و خراسان رضوی به صورت نمونه گزارش شده است. در هر دو استان، سهم عمده در کاهش میانگین مربعات خطای پیش‏بینی اعتبارات ناشی از خود اعتبارات است. این سهم با گذشت زمان کاهش یافته است. این در حالی است که سهم نرخ بیکاری و نرخ تورم در هر دو استان در کاهش میانگین مربعات خطای پیش‏بینی اعتبارات با گذشت زمان افزایش یافته است. این سهم‏ها در دو استان و در افق‏های زمانی مختلف از نظر اندازه متفاوت است.  

 

جدول 5. تجزیه واریانس خطای پیش‏بینی سیاست مالی استان تهران

متغیر/ دوره پیش‏بینی	0	4	8	12	16	20	24	28	32	36	40
اعتبارات استانی	68/0	33/0	32/0	33/0	33/0	34/0	34/0	35/0	35/0	35/0	35/0
نرخ بیکاری	02/0	02/0	03/0	03/0	03/0	03/0	03/0	03/0	03/0	03/0	03/0
نرخ تورم	02/0	14/0	15/0	15/0	15/0	15/0	15/0	15/0	15/0	15/0	15/0
سهم از اعتبارات	01/0	02/0	02/0	02/0	02/0	02/0	02/0	02/0	02/0	02/0	02/0

منبع: یافته‏های پژوهش

 

جدول 6. تجزیه واریانس خطای پیش‏بینی سیاست مالی استان اصفهان

متغیر/ دوره پیش‏بینی	0	4	8	12	16	20	24	28	32	36	40
اعتبارات استانی	78/0	59/0	56/0	55/0	55/0	55/0	55/0	55/0	55/0	55/0	55/0
نرخ بیکاری	06/0	09/0	09/0	09/0	09/0	09/0	09/0	09/0	09/0	09/0	09/0
نرخ تورم	01/0	02/0	2/0	2/0	2/0	2/0	2/0	2/0	2/0	2/0	2/0
سهم از اعتبارات	01/0	01/0	01/0	01/0	01/0	01/0	01/0	01/0	01/0	01/0	01/0

منبع: یافته‏های پژوهش

5. نتایج و پیشنهادها

در این مطالعه واکنش‏های نرخ بیکاری و نرخ تورم به تفکیک استان‏های ایران نسبت به شوک مثبت سیاست مالی با استفاده از روش GVAR مورد بررسی قرار گرفت.

نتایج نشان داد که نرخ بیکاری در برخی از استان‏ها به صورت معنادار و در برخی دیگر، به صورت بی‌معنا واکنش نشان داده است. زمان‏بندی واکنش‏ها نسبتا مشابه؛ اما اندازه آن‏ها متفاوت بوده است.

یافته‌ها نشان می‫دهد استان‏هایی که به لحاظ سهم از مجموع اعتبارات استانی در بین 7 استان اول قرار داشته‏اند (به استثنای استان‏های بوشهر و سیستان و بلوچستان)، نرخ بیکاری به صورت منفی و معنادار نسبت به شوک مثبت سیاست مالی واکنش نشان داده‏اند.

در مورد عدم واکنش نرخ بیکاری استان بوشهر می‏توان گفت با توجه به سهم بالای بخش نفت و گاز از تولید ناخالص داخلی این استان، عمده اعتبارات استان صرف این بخش شده که یک بخش سرمایه‏بر است.

در خصوص عدم واکنش نرخ بیکاری استان سیستان و بلوچستان نیز می‏توان گفت اعتبارات این استان با در نظر گرفتن سطح توسعه‏نیافتگی استان و سهم جمعیتی و مساحتی آن، نتوانسته است تغییری در نرخ بیکاری ایجاد کند.

هم‌چنین، نرخ بیکاری در استان‏های با سهم اندک از مجموع اعتبارات استانی، نسبت به شوک مثبت سیاست مالی واکنش معناداری نداشته است. در خصوص واکنش نرخ تورم نیز مشخص شد صرفا استان‏های دارای واکنش معنادار نرخ بیکاری، به صورت معنادار واکنش نشان داده‏اند. این واکنش‏ها علی‏رغم زمان‏بندی نسبتا مشابه، اندازه‏های متفاوت داشته‏اند.

نتایج تجزیه واریانس خطای پیش‏بینی نیز نشان داد که سهم نرخ بیکاری و تورم در کاهش میانگین مربعات خطای پیش‏بینی اعتبارات، در استان‏ها و در افق‏های زمانی مختلف متفاوت بوده است.

بر اساس نتایج، پیشنهاد می‏شود سیاست‏گذاران هنگام طراحی سیاست‏های کلان جهت رسیدن به اهداف خود، تفاوت‏های منطقه‏ای را لحاظ کنند. هم‌چنین، با توجه به اینکه اشتغال‏زایی و کاهش نرخ بیکاری به عنوان اثر مثبت سیاست مالی در استان‫های با سهم بالا از مجموع اعتبارات استانی مشاهده شده است، به نظر می‫رسد افزایش سهم بودجه استان‏های کم‌تر توسعه‏یافته و افزایش اختیارات استانی در توزیع بودجه به منظور ایجاد تعادل بین استان‏های مختلف کشور از نظر سطح توسعه، امری ضروری است.

---

[1] Owyang, Zubairy & Durham

[2] Hayo & Uhl

[3] Global Vector Auto Regressive

[4] Chudik, Grossman & Pesaran

[5] Barro

[6] Crowding Out

[7] Dornbusch, Favero & Giavazzi

[8] Mankiw

[9] Lucas

[10] Neo-Classic

[11] Rotemberg & Woodford

[12] Countercyclical Markups

[13] International Monetary Found

[14] Sanchez Robels

[15] Gwaterny, Lawson & Holcombe

[16] Sectoral Effects

[17] Shevchuk & Kopych

[18] Jitsuchon

[19] Silva

[20] Pesaran, Schuermann & Weiner

[21] Generalized Impulse Response Function

[22] www.databank.mefa.ir

[23] www.cbi.ir, www.amar.org.ir.

مراجع

منابع

-        اسنودان، برایان، و وین، هوارد. (1383). راهنمای نوین اقتصاد کلان، ترجمه: منصور خلیلی عراقی و علی سوری، انتشارات برادران: تهران.

-        بانک مرکزی جمهوری اسلامی ایران، گزارش شاخص قیمت مصرف‏کننده، سال‏های مختلف.

www.cbi.ir

-        مرکز آمار ایران، طرح آمارگیری نیروی کار، سال‏های مختلف.

www.amar.org.ir

-        مرکز پژوهش‌های مجلس (1395). بررسی لایحه بودجه سال 1396 کل کشور، بودجه به زبان ساده. دفتر مطالعات اقتصاد بخش عمومی مرکز پژوهش‏های مجلس شورای اسلامی.

-         Barro, R. J. (1991). Economic growth in a cross section of countries. The quarterly journal of economics, 106(2), 407-443.

-         Chudik, A., Grossman, V., & Pesaran, M. H. (2016). A multi-country approach to forecasting output growth using PMIs. Journal of Econometrics, 192(2), 349-365.

-         Dornbusch, R., Favero, C., & Giavazzi, F. (1998). Immediate challenges for the European central bank. Economic Policy, 13(26), 16-64.

-         Gwartney, J. D., Lawson, R., & Holcombe, R. G. (1998). The size and functions of government and economic growth (pp. 1-32). Washington, DC: Joint Economic Committee.

-         Hayo, B., & Uhl, M. (2015). Regional effects of federal tax shocks. Southern Economic Journal, 82(2), 343-360.

-         Hayo, B., & Uhl, M. (2015). Regional effects of federal tax shocks. Southern Economic Journal, 82(2), 343-360.

-         International Monetary Fund (IMF). (2015). Fiscal Policy and Long-term Growth, IMF Policy Paper.

-         Jitsuchon, S. (2010). Fiscal policy issues in Thailand after the current economic crisis. Public Policy Review, 6(4), 741-768.

-         Lucas Jr, R. E. (1975). An equilibrium model of the business cycle. Journal of political economy, 83(6), 1113-1144.

-         Mankiw G. (2000). Macroeconomics, 4th edition. New York, NY: Worth

-         Owyang, M. T., J. Piger, and H. J. Wall (2005). Business cycle phases in U.S. states. Review of Economics and Statistics 87(4), 604–616.

-         Owyang, M. T., Zubairy, S., & Durham, N. C. (2008). The Regional Variation in the Response to Government Spending Shocks. Federal Reserve Bank of St. Louis, Working Paper.

-         Pesaran, M. H., Schuermann, T., & Weiner, S. M. (2004). Modeling regional interdependencies using a global error-correcting macroeconometric model. Journal of Business & Economic Statistics, 22(2), 129-162.

-         Rotemberg, Julio J., & Woodford, M. (1999). The cyclical behavior of prices and costs. Handbook of macroeconomics, 1051-1135.

-         Sanchez‐Robles, B. (1998). Infrastructure investment and growth: Some empirical evidence. Contemporary economic policy, 16(1), 98-108.

-         Shevchuk, V. I. C. T. O. R., & Kopych, R. (2017). Modelling of fiscal policy effects on agriculture and industry in Ukraine. Information Systems in Management, 6.

-         Silva, I. É. M. (2014). The differential regional effects of monetary and fiscal policies in Brazil. In Anais do XLII Encontro Nacional de Economia [Proceedings of the 42nd Brazilian Economics Meeting] (No. 040).