شناسایی و تحلیل نقش عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در ایران با رویکرد شبکه عصبی مصنوعی

اقتصاد مالی

مقاله 4، دوره 9، شماره 31، شهریور 1394، صفحه 41-56   

نوع مقاله: علمی پژوهشی

نویسندگان

سید سجاد علم الهدی^{* 1}؛ سمانه طریقی²؛ مهدی شعبان زاده³؛ امین خواجویی پور⁴

¹عضو هیئت علمی گروه اقتصاد، پژوهشکده مطالعات تطبیقی و اقتصاد پژوهشگاه علوم انسانی و مطالعات فرهنگی .تهران.ایران

²دانشجوی دکتری اقتصاد، دانشگاه علوم و تحقیقات، تهران. ایران

³دانشجوی دکتری اقتصاد کشاورزی، دانشگاه تهران. ایران

⁴دانشجوی کارشناسی‌ارشد اقتصاد کشاورزی، دانشگاه علوم و تحقیقات، تهران. ایران

چکیده

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

کلیدواژه‌ها

گروه‌هایاصلی، تورم، تحلیل حساسیت شبکه عصبی. طبقه بندی JEL : C53؛ E31؛ E3

اصل مقاله

شناسایی و تحلیل نقش عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در ایران با رویکرد شبکه عصبی مصنوعی

 

سید سجاد علم‌الهدی[1]

 

تاریخ دریافت: 24/1/1394              تاریخ پذیرش: 26/3/1394

سمانه طریقی[2]

مهدی شعبان زاده[3]

امین خواجویی‌پور[4]

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.

واژه‌های کلیدی:گروه‌هایاصلی، تورم، تحلیل حساسیت شبکه عصبی.

طبقه بندی JEL : C53; E31; E3

1- مقدمه

تورم، رشد اقتصادی و بیکاری از شاخص‌های مهم اقتصاد کلان هستند که همواره در کانون توجه اقتصاددانان و سیاستمداران کشورها قرار دارندبه طوری که سیاست‌گذاران می‌توانند با تنظیم آن‌ها، شرایط اقتصادی جامعه را بهبود بخشیده و مردم جامعه را به رفاه برسانند. با این وجود بسیاری از اقتصاددانان معتقدند که اهمیت نرخ تورم بیشتر از شاخص‌های دیگر اقتصادی است، چرا کهافزایش سطح عمومی قیمت‌ها و یا به عبارت دیگر تورم اثرات متعددی بر جنبه‌های مختلف اقتصادی و اجتماعی جامعه دارد. تورم سبب می‌شود تا درآمد حقیقی برخی افراد جامعه از جمله دارندگان درآمدهای متغیر چون تجار، مالکان مستغلات و صاحبان حرفه‌ها و مشاغل آزاد افزایش یابد و در عوض درآمد افرادی که دارای درآمدهای ثابت هستند، کاهش پیدا کند (مهربانی، ۱۳۸۹). همچنین بر اثر کاهش ارزش پول ملی ناشی از افزایش نرخ تورم نیز، تمام افرادی که سرمایه نقدی خود را به صورت پس انداز نگهداری می‌کنند متضرر خواهند شد که این امر بر تمایل افراد به پس انداز اثر منفیداشته و میل به کالاهای بادوام و سرمایه‌ای مانند زمین و مسکن افزایش پیدا خواهد کرد که می‌تواند نوع مصرف را تحت تأثیر قرار دهد (پرمه و قربانی، ۱۳۸۳). از طرف دیگرافزایش تورم می‌تواند عاملان اقتصادی را در تصمیم‌گیری خود دچار بلاتکلیفی کند، زیرا وجود تورم، بنگاه‌های اقتصادی را در زمینه برآورد درآمد و هزینه، با مشکل مواجه می‌کند؛ و در نهایت آن که تورم در بیشتر مواقع موجب اخلال در موازنه پرداخت‌ها می‌شود، زیرا از یک سو به دلیل افزایش قیمت‌ها در داخل، میزان صادرات کاهش و از سوی دیگر مقدار واردات افزایش می‌یابد. نکته قابل‌توجه در خصوص تورم آن است که علی‌رغم وجود یک تعریف مشخص در خصوص تورم، دیدگاه واحدی در خصوص علل ایجاد تورم وجود ندارد. برخی از اقتصاددانان رشد بی‌رویه حجم پول، گروهی دیگر اضافه تقاضا در بازار کالا، برخی فشار هزینه و افزایش قیمت نهاده‌های تولیدی و در نهایت عده‌ای دیگر عوامل ساختاری و تنگناهای موجود در بخش‌های مختلف و ضعف بخش‌های کشاورزی و تجارت خارجی را منشأ اصلی تورم می‌دانند (سلطانی و لشکری، ۱۳۹۰). بر این مبنا تاکنون تحقیقات بسیار زیادی در مورد شناسایی عوامل موثر بر تورم انجام‌شده و بسته به مبانی نظری و تئوریک موجود در ارتباط با چگونگی شکل‌گیری تورم که نسبتاً گسترده نیز می‌باشد، کارهای تجربی بسیار متنوعی انجام‌شده و در نهایت نیز راهکارهای اجرایی متفاوتی جهت کنترل تورم ارائه شده است.

نصراصفهانیویاوری (۱۳۸۲)، عواملاسمیوواقعیموثربرتورمدرایران را مورد بررسی قراردادند نتایج حاصل از مطالعه های آن‌هانشان داد کهتورمدرایران فقطپدیدهپولی نمی‌باشد بلکهنرخارزوتکانه‌هایتورمنیزدرکوتاه‌مدتبرنوساناتتورمتأثیرمثبتدارند. عماد زادهو همکاران (۱۳۸۴)، با مطالعه بر رویعوامل پولیوغیر پولیموثربر تورمدرایران سهمتورموارداتی، تورمانتظاری، رشد نرخ ارز و شکاف تولید از تورم را به ترتیب ۶/۲۲‌، ۳/۷‌، ۲/۶ و ۶/۵ درصد برآورد کردند. مهرابیبشر آبادی و همکاران (۱۳۸۹)، تأثیرشوک‌هاینرخارزوشکافتولیدبرتورمدر ایران را مورد بررسی قراردادند. نتایج حاصل از این مطالعه نشان داد شکافتولیدناخالص داخلیوحجمپول از عوامل مهم وتأثیرگذار برنرخ تورمدر ایران به شمار می‌روند.دهمرده و کسایی (۱۳۹۰)، ریشه‌هایتورمدراقتصادایران را مورد بررسی قراردادند نتایج حاصل از این مطالعه نشان داد که نرخرشدنقدینگی،نرخرشدتورموارداتی،نرخرشدبهره‌ورینیرویکار،نسبتنرخارزبازارآزادبهنرخارزبازاررسمی،شکافتولید،کسریبودجهوتنگناهای بخشکشاورزی از عوامل اصلی موثر بر تورم در ایران به شمار می‌روند. آگوستینوهمکاران (۲۰۰۴)، ارتباط بیننرخارزاسمیو نرختورمرا در ۸۲ کشور جهان مورد بررسی قراردادند نتایج حاصل از این مطالعه نشان داد ارتباطمثبتومعنی داریبیننرخارزاسمیونرخ تورم این کشورها وجود دارد. الجبرین (۲۰۰۶)،درمطالعهخودعواملتعیین‌کنندهتورمدرسهکشورعربستان، کویتوبحرین رامورد بررسی قرارداد. نتایج حاصل از این مطالعه نشان داد رشدتولیداتنفتی،نرخرشدقیمتنفت،نرخرشدتولیدناخالص داخلیبدوننفتوحجمنقدینگی،ازعواملمهمایجادکنندهتورمدر این کشورها می‌باشند. ایوان و همکاران (۲۰۰۸) علل تورم در کشور اکوادور را مورد بررسی قراردادند نتایج حاصل از این مطالعه نشان داد که نرخ تورم در این کشور طی دوره مورد بررسی به طور عمده تحت تأثیر قیمت‌های بین‌المللی، نرخ ارز و سیاست‌های پولی و مالی دولت قرار داشته است.

در مطالعات عنوان‌شده جدا از متغیرهای توضیحی تأثیرگذار بر تورم که بر گرفته از نظریه‌های مختلف ارائه‌شده درباره تورم می‌باشند، آن چه که در همه مطالعات مشترک به نظر می‌رسد نگاه و تعریف آن‌ها از مسئله تورم می‌باشد. به طوری که در همه این مطالعات شاخص قیمت کل بهای کالاها و خدمات مصرفی (CPI) و یا رشد آن، به عنوان متغیری برای  تورم در نظر گرفته‌شده و با توجه به نظریه‌های مختلف تورم، اثرات عوامل مختلفی چون نرخ ارز،شکافتولید، تورموارداتی، تورمانتظاری و ... بر روی آن مورد بررسی قرار گرفته است؛ اما آن چه که در این مطالعه های کمتر به آن توجه شده‌ است ۱۲ گروه اصلی کالایی است که تورم از آن تشکیل شده است.[i]در این صورت بیان مسئله به صورت آن چه که در این مطالعات به آن اشاره شده است صحیح نمی‌باشد و نمی‌توان تنها از متغیر CPI و یا رشد آن به عنوان متغیری برای تورم استفاده نمود. چرا که منشأتأثیرپذیری گروه‌های کالایی از نظریه‌های مختلف تورم یکسان نبوده و برخی از کالاها ممکن است از برخی سیاست‌ها بیشتر متأثر و برخی دیگر از گروه‌های کالایی ممکن است از آن سیاست کمتر متأثر شوند و یا به کل از آن تأثیر نپذیرند؛ بنابراین سؤال مهمی که مطرح می‌شود آن است که گروه‌های کالایی و خدمات اصلی تشکیل‌دهنده تورم از چه سیاست‌های متأثر می‌شوند؟ وزن و اهمیت سیاست‌های مختلف در این گروه‌ها به چه صورت می‌باشد؟ بنابراین مطالعه حاضر با این رویکرد و باهدف پاسخگویی به این سؤالات، به شناسایی و تحلیل حساسیت عوامل موثر بر گروه‌های کالایی اصلی تشکیل‌دهنده تورم طی سال‌های اجرای برنامه چهارم توسعه (۱۳۸۹-۱۳۸۴) پرداخته است.

 

۲- روش پژوهش

در مطالعه حاضر به منظور شناسایی و بررسی اثرات عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم، از الگوی تحلیل حساسیت با استفاده از نمونه‌های شبکه عصبی مصنوعی[ii](ANN) استفاده شده است. این روش نسبت به روش­های اقتصادسنجی دارای مزیت­های زیادی استکه از آن جمله می‌توان به مستقل بودن این روش از توزیع آماری داده­ها اشاره نمود (کانیانی و همکاران، ۲۰۰۸). همچنین با استفاده از روش شبکه عصبی مصنوعی می‌توان مسائل و مشکلاتی را مورد بررسی قرارداد که روش­های آماری به دلیل محدودیت نظریه‌شان قادر به پاسخ­گویی به آن­ها نیستند (ارمینی و همکاران، ۲۰۰۵). بر این اساس در ادامه ابتدا مبانی شبکه­های عصبی مصنوعی بیان، سپس متغیرهای الگوی تورم تبیین و در نهایت نیز نحوه طراحی الگوی تحلیل حساسیت شبکه عصبی مصنوعی با توجه به متغیرهای تحقیق مطالعه حاضر مورد بحث و بررسی قرار خواهد گرفت.

 

۳- مبانی مدل‌های شبکه­ عصبی مصنوعی

شبکه‌های عصبی مصنوعی، برای اولین‌بار توسط مک‌کولاک و پیتس (۱۹۴۳) معرفی شدند و سپس با ظهور الگوریتم آموزش پس انتشار خطا^[iii] برای شبکه‌های پیشخور^[iv]توسط راملهارت و همکاران (۱۹۸۶) استفاده از شبکه عصبی وارد مرحله تازه‌ای گردید. شبکه‌های عصبی مصنوعی همانند شبکه عصبی طبیعی، از اجزایی به نام سلول عصبی تشکیل‌شده‌اند. به طوری که در این شبکه‌ها تعدادی از سلول‌ها وظیفه دریافت اثر محرک خارجی، تعدادی پردازش اطلاعات و تعدادی نیز انتقال پاسخ محرک به عضو مورد نظر را بر عهده‌دارند. سلول‌هایی که وظیفه آن‌ها دریافت معلومات مسأله می باشد، سلول‌های لایه‌ی ورودی، سلول‌هایی که پردازش اطلاعات را بر عهده‌دارند، سلول‌های لایه پنهان و سلول‌هایی که علاوه بر پردازش اطلاعات، پاسخ محرک را نیز بر عهده‌دارند سلول‌های لایه خروجی نامیده می‌شوند (منهاج،۱۳۷۹). تعیین تعداد لایه­های ورودی و خروجی در شبکه عصبی مصنوعی با توجه به شرایط حاکم بر مسأله، بانک اطلاعاتی موجود و عوامل موثر تعیین می‌شود. همچنین لایه‌های پنهان نقش عمده­ای در قدرت شبکه دارند، به طوری که اگر تعداد لایه­های پنهان کم باشد شبکه عصبی نمی‌تواند نگاشت غیرخطی بین ورودی و خروجی را با دقت لازم منعکس کند و اگر تعداد آن­ها زیاد باشد شبکه نگاشت غیرخطی پیچیده­ای تولید می­کند که در مقابل داده­های جدید عملکرد مناسبی ندارد (بنی­مهد و همکاران، ۱۳۸۲). در مدل‌های شبکه عصبی مصنوعی داده‌ها قبل از ارائه به شبکه باید نرمال شوند؛ زیرا واردکردن داده­ها به صورت خام باعث کاهش سرعت و دقت شبکه می­شود (حسینی و همکاران، ۱۳۸۶). جهت نرمال‌سازی داده‌ها به طور معمول از رابطه زیر استفاده می‌شود:

 

(1)       

 

در رابطه (۱)، مقدارنرمالشدهورودی، میانگین داده‌ها،  و  به ترتیب مقادیر مربوط به حداکثر و حداقل داده‌ها می‌باشند‌(راکعی و همکاران، ۱۳۸۶). در هر شبکه عصبی مصنوعی لایه ورودی، لایه پنهان و لایه خروجی توسط اتصالاتی با وزن­های مختلف به هم متصل می‌باشند. برای تعیین وزن‌های اتصال در یک شبکه ی عصبی مصنوعی، ابتدا اطلاعات مربوط به مثال­هایی که در زمینه‌ی مسأله مورد نظر در اختیار می باشد به کار برده می‌شود سپس به کمک این اطلاعات و یک برنامه کامپیوتری، وزن­های اتصال به نحوی تعیین می‌گردند که بتوانند رفتار مسأله را منتقل نمایند. به تعیین وزن­های اتصال، به اصطلاح آموزش شبکه^[v]گفته می‌شود. این مرحله شبیه به کالیبراسیون می­باشد. اطلاعات مورد نظر به عنوان داده­های آموزش به شبکه معرفی می­شوند و شبکه در جریان فرآیند یادگیری، بر اساس اشتباه یا تفاوت بین خروجی شبکه و واکنش مورد انتظار، مقادیر وزن­های خود را اصلاح می­کند. پس از تکرار این کار برای دفعه های زیاد وزن­ها به گونه‌ای ­هنگام می­شوند که با دیدن اطلاعات جدید جواب مناسبی ارائه می­دهند (لی و همکاران، ۲۰۰۶).

 برای آموزش شبکه‌های عصبی می‌توان از الگوریتم پس انتشار خطا^[vi] (BP)‌، الگوریتم گرادیان نزولی^[vii]‌(CG)‌، الگوریتم مومنتم^[viii] و الگوریتم لِوِنبرگ ـ مارکوئت^[ix]استفاده نمود. در ادامه زمانی که مقادیر معلوم در مسأله به لایه ورودی داده می‌شود، در وزن اتصال میان آن سلول و سلول لایه بعد ضرب شده و به سلول بعدی منتقل می شود. در لایه بعدی تمام ورودی‌هایی که به سلول وارد می‌شوند باهم جمع شده و مجموع به دست آمده از یک تابع به نام تابع فعالیت می‌گذرد و خروجی سلول را تشکیل میدهد. توابع فعالیت دارای انواع مختلفی نظیر توابع باینری، سیگموئید، تانژانت هیپرلیک، خطی و گوسی می­باشند. مقادیری که از سلول‌های لایه‌ی آخر به دست می‌آید، جواب‌های مسأله خواهند بود که با جواب­های واقعی مقایسه شده و در صورت کم بودن خطای بین دو مقدار به عنوان جواب اصلی پذیرفته می‌شوند (منهاج،۱۳۷۹).

جهت مقایسهدقتپیش‌بینیشبکهعصبیمصنوعی در ساختارهای مختلف طراحی‌شده از معیارهایمختلفی، نظیر میانگینمجذورخطا (‌MSE)، میانگین مجذور خطای استاندارد نرمال شده(NMSE)، میانگینقدرمطلقخطا  (MAE)‌ و ضریب همبستگی (R) استفادهمی‌شوداینمعیارهارامی‌توانبهصورتروابط(۲) تا(۵) نشانداد:

(۲)

 

(۳)

 

(۴)

 

                                                               (۵)  

 

(منهاج،۱۳۷۹). در نهایت نیز، با اطمینان از قابلیت مناسب ساختار طراحی‌شده با استفاده از معیارهای دقتپیش‌بینیشبکهعصبیمصنوعی، تحلیل حساسیت ارتباط بین متغیرهای ورودی (s) و متغیرهای خروجی (p) انجام می‌گیرد.

 

۴-تبیین متغیرهای الگوی تورم

در مطالعه حاضر جهت تبیین الگوی متغیرهای موثر بر تورم از الگوی ارائه‌شده توسط دارات و آریز (۱۹۹۰)، دیم و فیزا (۱۹۹۵) و سیرگار و راجاگورو (۲۰۰۵) استفاده شده است. الگویموردنظربه گونه‌ایانتخابشدهاستکهازتمامی نظریه هایاقتصادی،در خصوصمنشأتورم،نماینده‌ایوجودداشتهباشد. به این منظور جهت بررسیمیزاناثرگذاری طرفعرضهاقتصادبرسطحعمومیقیمت‌ها متغیرشکاف تولید،جهتبررسیانطباقنظریهفشارهزینه متغیرنرخارز، جهت بررسیانطباقنظریه ها انتظارهای تورمی شاخص قیمت بهای کالاها و خدمات مصرفی با یک وقفه و در نهایت جهتبررسیانطباقنظریهپولیونمتغیرحجمنقدینگی وارد مدل شده است. همچنین با توجه به مطالعه فرزین وشو لشکری(۱۳۸۲) متغیرنرخبهرهداخلیبه عنوان عامل موثربرتقاضایپولداخلیو بنابراینبه عنوان عاملی کهبه طورغیرمستقیمبرسطحعمومیقیمت‌هامؤثر است وارد مدل شده‌ است. درادامهباتوجهبهوابستگیکشورهایدرحالتوسعهوازجملهایرانبهدرآمدهای حاصلاز  صدورنفت و همچنین کسری بودجه مداوم دولت طی سال‌های اخیراین دو متغیر نیزواردمدلشده‌اند.

در نهایت الگوی متغیرهای اثرگذار بر تورم به صورت رابطه (۶) تبیین شده است:

 

                     (۶)

 

در رابطه (۶)، P شامل شاخص بهای ۱۲ گروه کالاها و خدمات اصلی تشکیل‌دهنده نرخ تورمبهقیمتثابتسال ۱۳۸۳، Y شکاف تولیدناخالصداخلیبهقیمتثابتسال ۱۳۸۳‌، EX نرخارزدربازارموازیارز (نرخبازارغیررسمیدلار آمریکابهریال)،  شاخص قیمت کالاها و خدمات مصرفی با یک وقفه،  حجمنقدینگی، r نرخ بازدهی اجاره مسکن در مناطق شهری^[x]، کسری بودجه دولت، و OIمتغیر مربوط بهدرآمدهاینفتی می‌باشد.

 

۵. طراحی الگو و معرفی متغیرها

جهت دستیابی به اهداف مورد نظر در مطالعه حاضر، در مرحله اول تحلیل حساسیت بین شاخص قیمت گروه‌های کالایی اصلی تشکیل‌دهنده تورم و شاخص قیمت کل مصرف‌کننده انجام شده است. برای این منظور، ۱۲ گروهاصلی تشکیل‌دهنده شاخص قیمت کل بهای کالاها و خدمات مصرفی شامل (۱) خوراکی‌هاوآشامیدنی‌ها، (۲) دخانیات، (۳) پوشاکوکفش، (۴) مسکن،آب،برقوگازوسایرسوخت‌ها، (۵) اثاث،لوازمو خدماتمورداستفادهدر خانه (۶)بهداشتودرمان، (۷) حمل‌ونقل، (۸) ارتباطات، (۹) تفریحوامورفرهنگی، (۱۰) تحصیل، (۱۱) رستورانوهتل و (۱۲) کالاهاوخدماتمتفرقه به عنوان متغیرهای ورودی (s) انتخاب و شاخص بهای کل کالاها و خدمات مصرفی نیز به عنوان متغیر خروجی (p) وارد مدل شبکه عصبی شده است. در این مرحله اثرهای هر یک از ۱۲ گروه کالایی بر شاخص قیمت کل مصرف‌کننده مورد بررسی قرارگرفته و در نهایت مشخص خواهد شد که کدام یک از این گروه‌های کالایی بیشترین نقش را در ایجاد تورم طی دوره مورد بررسی (۱۳۸۴-۱۳۸۹) ایفا نموده‌اند. با شناسایی مهم‌ترین گروه‌های کالایی تأثیرگذار بر شاخص قیمت کل مصرف‌کننده از میان ۱۲ گروه کالایی موجود، در مرحله دوم علل و منشأ رشد شاخص قیمت این گروه‌های کالایی با استفاده از عوامل موثر بر تورم که در قسمت قبل تبیین شدند مورد بررسی قرار می‌گیرد. برای این منظور عوامل موثر بر تورم شامل (۱) شکاف تولیدناخالصداخلی (Y)، (۲) نرخارزدربازارموازیارز (Ex)، (۳) شاخص قیمت کالاها و خدمات مصرفی با یک وقفه ( )، (۴) حجمنقدینگی ( )، (۵) نرخ بازدهی اجاره مسکن در مناطق شهری (r)، (۶) کسری بودجه دولت (Bs)، (۷) درآمدهاینفتی (OI) به عنوان متغیرهای ورودی (s) و گروه‌هایکالایی اصلی حاصل از مرحله اول به عنوان متغیر خروجی (p) وارد مدل شبکه عصبی شده است.

در ادامه با توجه به مراحل انجام کار در مدل‌های شبکه عصبی مصنوعی، متغیرهای ورودی (s‌ها) در هر یک از این دو مرحله به سه زیرمجموعه مجزا تحت عنوان داده­های آموزش (S₁)، داده‌های اعتبارسنجی[xi] (S₂) و داده­های آزمون (S₃) تقسیمو بر این اساس ۴۰ درصد از داده‌ها به عنوان داده‌های آموزش و به ترتیب ۳۰ و ۳۰ درصد داده‌ها به امر اعتبارسنجی و آزمون اختصاص داده شده است. سپس با توجه به قابلیت‌های بالای شبکه‌ پرسپترون چند لایه، این شبکه جهت طراحی ساختار‌های مختلف مورد استفاده قرار گرفته است. جهت تعیین تعداد لایه مخفی برای هر شبکه، بر اساس تجربیات گذشته تنها یک لایه مخفی برای هر شبکه در نظر گرفته شده و تعداد نرون‌ها در لایه‌های مخفی نیز بین ۲ تا ۲0 نرون متغیر بوده است. به منظور تعیین توابع فعالیت در لایه مخفی و خروجی از آن جا که تابع سیگموئید در ساختارهای مختلف طراحی‌شده دارای عملکرد بهتری بوده از این تابع به عنوان تابع فعالیت در لایه مخفی و خروجی استفاده شده است. همچنین با توجه به مزیت بالای الگوریتم آموزش مومنتم نسبت به سایر الگوریتم‌های آموزش، جهت فرار از دام مینیمم‌ محلی[xii]، برای تصحیح وزن­ها و به دست آوردن وزن‌های بهینه شبکه از الگوریتم آموزش مومنتم و جهت آموزش و یادگیری شبکه به ترتیب از نرخ‌های آموزش و یادگیری ‌۱/۰ و ۵/۰ استفاده شده است؛ و در نهایت جهت مقایسهدقتپیش‌بینیشبکهعصبیمصنوعی در ساختارهای مختلف طراحی‌شده و همچنین اطمینان از نتایج تحلیل حساسیت بین متغیرهای ورودی (s) و متغیرهای خروجی (p) در بهترین ساختار طراحی‌شده در هر یک از مراحل اول و دوم از معیارهایمیانگینمجذورخطا، میانگین مجذور خطای استاندارد نرمال شده، میانگینقدرمطلقخطا ضریب همبستگی استفادهشدهاست.

 

روش جمع‌آوری اطلاعات

اطلاعات مربوط به کلیه متغیرهای مورد استفاده در مطالعه حاضر به صورت ماهانه و برای دوره زمانی(۱۳۸۹-۱۳۸۴)از منابع مختلف آماری بانک مرکزی جمهوری اسلامی ایران جمع‌آوری شده است. برای برخی از متغیرها که مقادیر ماهانه آن‌ها موجود نبوده است با بررسی سری متغیر و درون‌یابی، نرخ رشد ماهانه متغیر به صورت خطی و یا نمایی محاسبه‌شده و بر این اساس این مقادیر نیز به صورت ماهانه محاسبه‌شده‌اند. همچنین جهت محاسبه شکاف تولید و عرضه از روش فیلترینگ هودریک-پرسکات استفاده شده است.

جهت بررسی و تحلیل حساسیت اثر گروه‌های کالایی بر شاخص کل قیمت مصرف‌کننده با توجه به آن چه گفته شد، ساختارهایی متفاوت ایجاد، که این ساختارها، از لحاظ تعداد لایه‌های مخفی، تابع فعالیت لایه مخفی و تابع فعالیت لایه خروجی یکسان و تنها در تعداد نرون‌های لایه مخفی متفاوت بوده‌اند. از آنجا که تعداد نرون­ها در لایه مخفی بین ۲ تا ۲0 نرون متغیر بوده است در مجموع ۱9 شبکه طراحی و در نهایت با توجه به معیار حداقل MSE داده­های آموزش، شبکه ۱۸ با ۱۹ نرون در لایه مخفی به عنوان بهترین شبکه انتخاب شده است. جدول‌(۱) نتایج مربوط به مشخصات شبکه‌ها برای هر یک از ساختارهای طراحی‌شده را نشان می‌دهد.

 

جدول ۱- مشخصات شبکه‌ها برای هر یک از ساختارهای طراحی‌شده

تعداد نرون در لایه مخفی	حداقل MSE
۲	۰/۰۰۲۲۹
۳	۰/۰۰۱۷۷
۴	۰/۰۰۱۰۷
۵	۰/۰۰۱۰۲
۶	۰/۰۰۰۹۵
۷	۰/۰۰۰۹۸
۸	۰/۰۰۰۷۳
۹	۰/۰۰۰۷۰
۱۰	۰/۰۰۰۶۸
۱۱	۰/۰۰۰۷۴
۱۲	۰/۰۰۰۷۱
۱۳	۰/۰۰۰۶۲
۱۴	۰/۰۰۰۶۲
۱۵	۰/۰۰۰۶۲
۱۶	۰/۰۰۰۶۴
۱۷	۰/۰۰۰۶۲
۱۸	۰/۰۰۰۶۳
۱۹	۰/۰۰۰۵۷
۲۰	۰/۰۰۰۶۷

منبع: یافته‌های تحقیق

 

در ادامه، برای آن که تحلیل حساسیت اثرهای شاخص قیمت کالای گروه‌های مصرفی بر شاخص کل قیمت مصرف‌کننده، از قابلیت مناسبی برخوردار و بتواند خروجی شبکه و خروجی واقعی را با بالاترین درجه صحت و کمترین خطا شبیه‌سازی نماید لازم است نتایجمعیارهای دقتپیش‌بینیشبکهعصبیمصنوعی برای بهترین ساختار طراحی‌شده مورد بررسی قرار گیرد. جدول (۲) آماره‌های مربوط به معیارهایدقتپیش‌بینیشبکهعصبیمصنوعی را در بهترین ساختار طراحی‌شده نشان می‌دهد. بر اساس نتایج این جدول مشخص است شبکه شماره ۱۸ بهترین شبکه برای پیش‌بینی داده‌های آزمون می‌باشد به طوری که به عنوان مثال ضریب همبستگی (R) در این ساختار طراحی‌شده برابر با ۰/۹۹۴ بوده و سایر معیارهایدقتپیش‌بینیشبکهعصبیمصنوعی نیز در حد مطلوبی قرار دارند.

 

جدول۲- نتایجمعیارهایدقتپیش‌بینیشبکهعصبیمصنوعی

معیار دقت	مقدار
MSE	۰/۰۰۲
NMSE	۰/۰۱۱
MAE	۰/۰۴۱
R	۰/۹۹۴

منبع: یافته‌های تحقیق

 

با اطمینان از قابلیت مناسب بهترین ساختار طراحی‌شده، تحلیل حساسیت ارتباط میان کالاهای گروه‌های اصلی و شاخصبهایکالاهاو خدمات مصرفی طی دوره(۸۹-۱۳۸۴)انجامو نتایج مربوط به آن در نمودار (۱) نشان داده شده است. همان‌گونه که نتایج این نمودار نشان می‌دهد اگر چه ارتباط میان ۱۲ گروه کالایی اصلی و شاخصبهایکالاهاو خدمات مصرفی ارتباطی مثبت می‌باشد با این وجود گروه‌های کالایی فوق اثرهای یکسانی بر تورم ندارند. 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 تورم را طی دوره مورد بررسی توضیح می‌دهند. همچنین کالاهای گروه ارتباطات (گروه ۸) و گروه تفریح و امور فرهنگی (گروه ۹) نسبت به سایر گروه‌ها از کمترین توضیح دهندگی تورم برخوردار می‌باشند. به طوری که تغییر در شاخص قیمت این دو گروه از کالاها، به ترتیب تنها ۶۲/۱‌ و ۱۲/۲ درصد از افزایش تورم در دوره مورد نظر را توضیح می‌دهند.

 

نمودار۱- تحلیل حساسیت نقش کالاهای گروه‌هایاصلی در شکل‌گیری شاخصبهایکالاهاو خدمات مصرفی (منبع: یافته‌های تحقیق)

 

اگر چه نتایج حاصل از تحلیل حساسیت ارتباط میان کالاهای گروه‌های اصلی و شاخص بهایکالاهاو خدمات مصرفی (نمودار ۲) اطلاعات مفیدی را از نقش و سهم هر یک از کالاهای گروه‌های اصلی در نرخ تورم ارائه می‌نماید با این وجود اطلاعاتی را در مورد علل و منشأ تورمو این که تغییر در شاخص بهای هر یک از کالاهای گروه‌های اصلی از چه عواملی ناشی شده است ارائه نمی‌دهد. درحالی‌که شناخت سهم و میزان اهمیت این عوامل از نقش مهمی جهت سیاست‌گذاری در امر کنترل نرخ تورم برخوردار می‌باشد؛ بنابراین به منظور شناسایی این عوامل، با توجه به نظریه‌های مختلف اقتصادی و مطالعه های داخلی‌ بیان‌شده در قسمت‌های قبل، اثرهای (۱) شکاف تولیدناخالصداخلی (GY)، (۲) نرخارزدربازارموازی ارز (Ex)، (۳) شاخص قیمت کالاها و خدمات مصرفی با یک وقفه ( )، (۴) حجمنقدینگی ( )، (۵) نرخ بازدهی اجاره مسکن در مناطق شهری (r)، (۶) کسری بودجه دولت (Bs) و (۷) درآمدهاینفتی (OI) بر شاخص قیمت گروه‌های ۱، ۴ و ۷ که دارای بیشترین اثر بر روی شاخص کل کالاها و خدمات مصرفی بوده‌اند مورد بحث و بررسی قرار می‌گیرد.

جهت بررسی و تحلیل حساسیت این مسأله همانند قبل نیاز به طراحی شبکه با بالاترین معیارهایدقت می‌باشد. جهت طراحی شبکه مورد نظر همانند قبل، در مجموع ۱9 شبکه طراحی و در نهایت با توجه به معیار حداقل MSE داده­های آموزش، شبکه ۱۳ با ۱۴ نرون در لایه مخفی به عنوان بهترین شبکه انتخاب شده است. جدول ۳ و ۴ به ترتیب نتایج مربوط به مشخصات شبکه‌های مختلف طراحی‌شده و همچنین نتایجمعیارهایدقتپیش‌بینیشبکهعصبیمصنوعی در بهترین ساختار طراحی‌شده را نشان می‌دهند. همان‌گونه که از جدول ۴ مشاهده می‌شود شبکه‌ی ۱۳ از قابلیت مناسبی برخوردار بوده و شبیه‌سازی بین خروجی شبکه و خروجی واقعی در این ساختار بر اساس معیارهای ارائه‌شده دارای بالاترین درجه صحت و کمترین خطا می‌باشد.

 

جدول ۳- مشخصات شبکه‌ها برای هر یک از ساختارهای طراحی‌شده

تعداد نرون در لایه مخفی	حداقل MSE
۲	۰/۰۱۰۹
۳	۰/۰۱۰۸
۴	۰/۰۰۸۲
۵	۰/۰۱۲۹
۶	۰/۰۰۸۵
۷	۰/۰۰۸۴
۸	۰/۰۰۸۱
۹	۰/۰۰۸۰
۱۰	۰/۰۰۸۱
۱۱	۰/۰۰۷۹
۱۲	۰/۰۰۸۰
۱۳	۰/۰۰۸۱
۱۴	۰/۰۰۷۸
۱۵	۰/۰۰۸۱
۱۶	۰/۰۰۸۱
۱۷	۰/۰۰۷۹
۱۸	۰/۰۰۷۹
۱۹	۰/۰۰۸۵
۲۰	۰/۰۰۹۰

منبع: یافته‌های تحقیق

 

 

 

 

 

 

جدول۴- نتایجمعیارهایدقتپیش‌بینیشبکهعصبیمصنوعی

عوامل موثر                     بر تورم معیار دقت	شکاف تولیدناخالص داخلی (GY)	نرخارزدربازارموازیارز (Ex)	انتظارات تورمی ( )	حجمنقدینگی ( )	نرخ بازدهی اجاره مسکن (r)	کسری بودجه دولت  (Bs)	درآمدهاینفتی (OI)
MSE	۰/۰۶	۰/۱	۰/۰۲	۰/۹۵	۰/۰۶	۰/۰۰۳	۰/۰۰۹
NMSE	4/0	۰/۲۶	۰/۰۹	۱/۰۱	۰/۸۴	۰/۰۱	۰/۰۵
MAE	۰/۲	۰/۲۸	۰/۱	۰/۷۴	۰/۱۸	۰/۰۴	۰/۰۸
R	۰/۹۱	۰/۹۰	۰/۹۶	۰/۵۲	۰/۴۳	۰/۹۹	۰/۹۹

منبع: یافته‌های تحقیق

 

با توجه به مناسب بودن معیارهای دقتپیش‌بین در بهترین شبکه، تحلیل حساسیت ارتباط میان ۳ گروه‌ اصلی کالایی ۱، ۴ و ۷ و متغیرهای (۱) شکاف تولیدناخالصداخلی، (۲) نرخارزبازار آزاد، (۳) شاخص قیمت کالاها و خدمات مصرفی با یک وقفه، (۴) حجمنقدینگی، (۵) نرخ بازدهی اجاره مسکن در مناطق شهری‌، (۶) کسری بودجه دولت  و (۷) درآمدهاینفتی انجام و نتایج مربوط به این تحلیل حساسیت در جدول‌(پنج) ارائه داده شده است. همان‌گونه که نتایج این جدول نشان می‌دهد میزان تأثیرپذیری هر ۱ از گروه‌های‌ کالایی مورد بررسی از این عوامل هفت گانه متفاوت بوده است. همان‌گونه که نتایج جدول مذکور نشان می‌دهد کالاهای گروه خوراکی‌ها و آشامیدنی‌ها بیشتر تحت تأثیر تغییرهای نقدینگی، نرخ ارز بازار آزاد، شکاف تولید ناخالص داخلی و انتظارهای تورمی قرار داشته است به طوری که این متغیرها، به ترتیب سه/۲۸، ۵/۲۱، ۲/۲۰ و ۱۳/۴درصد از کل تغییرات شاخص بهای کالاهایگروه خوراکی‌ها و آشامیدنی‌ها را طی دوره مورد بررسی توضیح می‌دهند. تأثیرگذاری این متغیرها بر شاخص بهای کالاهایگروه خوراکی‌ها و آشامیدنی‌ها را می‌توان با توجه به مسأله خشکسالی در کشور‌(به خصوص سال زراعی ۸۶-۸۷) و نرخ بالای رشد نقدینگی(به طور متوسط ۳/۲۴ درصد در سال) طی سال‌های اجرای برنامه چهارم توسعه مورد بررسی قرارداد. از یک سو بروز خشکسالی طی این دوره شکاف در عرضه و تقاضا را افزایش داد و از سوی دیگر سیاست‌های انبساطی دولت سبب افزایش نقدینگی در جامعه گردید بنابراین مازاد تقاضا افزایش و با دخالت دولت جهت کنترل قیمت خوراکی‌ها و آشامیدنی‌ها از طریق واردات و همچنین با توجه به ثابت نبودن نرخ ارز شاخص بهای کالاهایگروه خوراکی‌ها و آشامیدنی‌ها افزایش یافته است.

کالاهای گروه مسکن، آب، برق، گاز و سایر سوخت‌ها نیز اگر چه طی دوره مورد بررسی تحت تأثیر کسری بودجه دولت و تورم انتظاری قرار داشته‌اند با این وجود متغیری که این گروه کالایی را بیش از این دو متغیر متأثر ساخته است نرخ بازدهی اجاره مسکن در مناطق شهری می‌باشد به گونه‌ای که تغییر در این متغیر حدود ۴۰/۲ درصد از افزایش در شاخص بهای کالاهای گروه مسکن، آب، برق، گاز و سایر سوخت‌ها را طی دوره مورد بررسی توضیح می‌دهد. این مسأله را می‌توان در چارچوب طرح کاهش نرخ سود بانکی که باعنوان «طرحمنطقیکردننرخسودتسهیلاتبانکی، متناسببانرخ بازدهیدربخش‌های مختلفاقتصادی‌»در سال ۱۳۸۵ تصویب و به اجرا درآمد بررسی نمود. چرا که به موجب این طرح دولتوبانکمرکزیمکلفشدندتا سودمورد انتظارتسهیلاتبانکیدرعقودبابازدهیثابت راطیبرنامهچهارمتوسعهطوریکاهشدهندکهقبلازپایان برنامه،نرخسوداین‌گونهتسهیلاتدرتمامیبخش‌هایاقتصادییکرقمیشود؛بنابراین با اجرایی شدن این طرح از سال ۱۳۸۵، پس‌اندازها از سیستم بانکی خارج و به سمت بازار دارایی‌ها به خصوص مسکن منتقل‌شده و سبب افزایش شاخص قیمت کالاهای مربوط به این بخش شده است.

همچنین همان‌گونه که نتایج نشان می‌دهند کالاهای گروه حمل‌ونقل نیز طی دوره مورد بررسی بیشتر تحت تأثیر حجم نقدینگی، انتظارهای تورمی و نرخ ارز بازار آزاد قرار داشته‌است به طوری‌ که تغییر در این متغیرها، به ترتیب ۴/۲۶، ۶/۲۰‌ و ۵/۱۹درصد از تغییرهای شاخص بهای کالاهایگروه حمل‌ونقل را طی دوره مورد بررسی توضیح می‌دهد. افزایش نقدینگی از طریق سیاست‌های انبساطی دولت طی دوره مورد بررسی و همچنین وابستگی شدید کرایه حمل‌ونقلدرون‌شهری و برون‌شهری به قیمت سوخت و همچنین افزایش هزینه تولید ناشی از شکل‌گیری انتظارهای تورمی تأثیر بالای دو متغیر نقدینگی و انتظارهای تورمی را بر شاخص کالاهای گروه حمل‌ونقل منطقی به نظر می‌رساند. از طرف دیگر تأثیرگذاری نرخ ارز را نیز، با توجه به آن که بسیاری از وسایل و قطعه های تعمیراتی مربوط بهوسایلنقلیهداخلی از خارج از کشور وارد می‌شود می‌توان توجیه نمود.

 

جدول ۵- تحلیل حساسیت نقش عوامل موثر بر تورم در ایران و شاخص بهای کالاهای گروه‌هایاصلی

عوامل موثر بر تورم گروه‌های کالایی	شکاف تولیدناخالص داخلی (GY)	نرخارزدربازارموازیارز (Ex)	انتظارات تورمی ( )	حجمنقدینگی ( )	نرخ بازدهی اجاره مسکن (r)	کسری بودجه دولت  (Bs)	درآمدهاینفتی (OI)
خوراکی‌ها و آشامیدنی‌ها	۲۰/۲	۲۱/۵	۱۳/۴	۲۸/۳	۵	۶	۵/۶
مسکن، آب، برق، گاز و سایر سوخت‌ها	۱۵/۱	۲/۸	۸/۱۲	۶/۶	۴۰/۲	۱۳/۲	۹/۴
حمل‌ونقل	۵/۶	۱۹/۵	۲۰/۶	۲۶/۴	۴/۹	۹/۹	۱۳/۱

منبع: یافته‌های تحقیق

 

۶- جمع‌بندی و پیشنهاد‌ها

بسیاری از اقتصاددانان معتقدند اهمیت نرخ تورم بیشتر از شاخص‌های دیگر اقتصادی است، چرا که تورم اثرهای متعددی بر جنبه‌های مختلف اقتصادی و اجتماعی جامعه دارد. با این رویکرد، در مطالعه حاضر عوامل موثر بر گروه‌هایاصلی تشکیل‌دهنده تورم در برنامه چهارم توسعه مورد بررسی قرار گرفته 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 مدل تحلیل حساسیت شبکه عصبی مصنوعی شناسایی شدند. سپس با تبیین علل و منشأ تورم در ایران به کمک نظریه‌های مختلف اقتصادی و مطالعه های داخلی، اثرهای این 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 کالاهای گروه ارتباطات (گروه ۸) و گروه تفریح و امور فرهنگی (گروه ۹) نسبت به سایر گروه‌ها از کمترین توضیح دهندگی تورم برخوردار بوده‌اند. همچنین نتایج نشان می‌دهند کالاهای گروه‌های خوراکی‌ها و آشامیدنی‌ها طی دوره مورد بررسی بیشتر تحت تأثیر تغییرهای نقدینگی، نرخ ارز بازار آزاد و شکاف تولید ناخالص داخلی، کالاهای گروه مسکن، آب، برق، گاز و سایر سوخت‌ها تحت تأثیر نرخ بازدهی اجاره مسکن در مناطق شهری و در نهایت کالاهای گروه حمل‌ونقل نیز بیشتر تحت تأثیر حجم نقدینگی، انتظارهای تورمی و نرخ ارز بازار آزاد قرار داشته‌‌اند. با توجه به نتایج به دست آمده مشخص است که منشأتأثیرپذیری گروه‌های کالایی از نظریه‌های مختلف تورم یکسان نبوده و برخی از کالاها ممکن است از برخی سیاست‌ها بیشتر متأثر و برخی دیگر از گروه‌های کالایی ممکن است از آن سیاست کمتر متأثر شوند و یا اصلاً از آن تأثیر نپذیرند؛ بنابراین این فرضیه که تأثیر سیاست‌های مختلف بر گروه‌های مختلف کالایی تشکیل‌دهنده شاخص بهای کالاها و خدمات مصرفی یکسان می‌باشد و مبنای بسیاری از مطالعه های انجام‌گرفته در زمینه ریشه و علل تورم در کشور می‌باشد در این مطالعه رد و مورد تأیید قرار نمی‌گیرد. بر این اساس پیشنهاد می‌شود جهت ارائه راه حل منطقی و حل مسأله تورم به ریشه‌های تورم در هر یک از گروه‌های کالایی و عوامل موثر بر آن‌ها توجه و با معیار قرار دادن این عوامل راه‌حل‌های سیاستی مناسب اتخاذ گردد.

 

 

 

 

 

 

 

 

 

 

---

1- عضو هیئت علمی گروه اقتصاد، پژوهشکده مطالعات تطبیقی و اقتصاد پژوهشگاه علوم انسانی و مطالعات فرهنگی (نویسنده مسئول)[e-mail]

2- دانشجوی دکتری اقتصاد، دانشگاه علوم و تحقیقات، تهران.

3- دانشجوی دکتری اقتصاد کشاورزی، دانشگاه تهران.

4- دانشجوی کارشناسی‌ارشد اقتصاد کشاورزی، دانشگاه علوم و تحقیقات، تهران.

---

۱. این ۱۲ گروه کالایی شامل (۱) خوراکی‌هاوآشامیدنی‌ها، (۲) دخانیات، (۳) پوشاکوکفش، (۴) مسکن،آب،برقوگازوسایرسوخت‌ها، (۵) اثاث،لوازموخدماتمورداستفادهدرخانه، (۶ )بهداشتودرمان، (۷) حملونقل، (۸) ارتباطات، (۹) تفریحوامورفرهنگی، (۱۰) تحصیل، (۱۱) رستورانوهتل و (۱۲) کالاهاوخدماتمتفرقه می‌باشد.

[ii]. Artificial Neural Network

[iii]. Back Propagation Algorithm

[iv]. Feed Forward

[v]. Training

[vi]. Back Propagation Algorithm

[vii]. Conjugate Gradient

[viii]. Momentum

[ix]. Levenberg-Marquardt

۹. از آن جا که نرخ سود بانکی در ایران توسط مقام های پولی به صورت دستوری و بدون ارتباط با عرضه و تقاضای پول تعیین می‌شود در این مطالعه از نرخ بازدهی اجاره مسکن در مناطق شهری به عنوان جایگزینی برای نرخبهرهداخلی استفاده شده است.

[xi]. Cross Validation

^[xii]. local minima

مراجع

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.