ﺗﺨﻤﯿﻦ و ﭘﯿﺶﺑﯿﻨﯽ ﺗﺎﺑﻊ ﺗﻌﺪﯾﻞ ﺷﺪه ﺗﻘﺎﺿﺎي ﭘﻮل اﯾﺮان ﺑﺎ وﺟﻮد ﺗﺤﺮﯾﻢﻫﺎي اﻗﺘﺼﺎدي

Estimating and Forecasting Modified Money Demand Function in Iran Given Economic Sanctions

تقاضاي پول از متغيرهاي كليدي در اقتصاد است كه در تعيين سياست‌هاي پولي، مورد توجه سياست‌گذاران قرار مي‌گيرد؛ زيرا اثر اجراي سياست‌هاي پولي، از كانال تقاضاي پول، توسط بخش خصوصي به بخش واقعي اقتصاد انتقال مي‌يابد؛ بنابراين تخمين و پيش‌بيني هر چه دقيق‌تر اين متغير با لحاظ عوامل محيطي، مي‌تواند براي سياست‌گذاران پولي راهگشا باشد. در اين پژوهش، تابع تعديل شده‌ي تقاضاي پول حقيقي با لحاظ متغيرهاي تحريم‌هاي اقتصادي، نااطميناني‌هاي اقتصادي و اقتصاد زيرزميني با استفاده از روش ماركوف سوييچينگ براي بازه زماني (1397:4-1358:1) با دو رژيم تقاضاي پول بالا (رژيم داراي عرض از مبدأ بيشتر) و تقاضاي پول پايين (رژيم داراي عرض از مبدأ كمتر) تخمين زده شد. براي پيش‌بيني تابع تقاضاي پول از روش شبكه عصبي مصنوعي استفاده شد و سپس براي اطمينان از قدرت بالاي پيش‌بيني روش شبكه عصبي مصنوعي، پيش‌بيني با روش ماركوف سوييچينگ نيز انجام گرفت. نتايج پژوهش نشان مي‌دهد كه درآمد ملي اثر مثبت، بازدهي مسكن (پراكسي براي نرخ بهره) اثر منفي، نرخ ارز در هر دو رژيم اثر منفي، حجم اقتصاد زيرزميني در هر دو رژيم اثر مثبت، نااطميناني‌هاي اقتصادي در هر دو رژيم اثر منفي و تحريم‌هاي اقتصادي در هر دو رژيم اثر منفي بر تقاضاي پول حقيقي دارند. همچنين نتايج پيش‌بيني نشان مي‌دهد كه روش شبكه عصبي مصنوعي از قدرت پيش‌بيني بالاتري نسبت به روش ماركوف سوييچينگ برخوردار است.

Money demand is one of the key variables in the economy which is considered by the policymakers in determining monetary policies. In fact, the impact of monetary policies is transmitted from the money demand channel by the private sector to the real sector of the economy. Therefore, more accurate estimation and forecasting of this variable in terms of environmental factors could be helpful for the monetary policymakers. In the present study, the adjusted function of real money demand with respect to the variables of economic sanctions, economic uncertainties and underground economy by using Markov Switching Model for the period of 1979 to 2018 with two regimes of high money demand (a regime with greater y-intercept) and lower money demand (a regime with less y-intercept) were estimated. The Artificial Neural Network (ANN) method was used in order to forecast the money demand function. Then, in order to ensure the high predictive capability of the ANN method, the forecast was performed by Markov Switching Model. The results demonstrated that Measure of National Income and Output has a positive effect, housing returns (the proxy for interest rates) has a negative effect, exchange rate in both regimes has a negative effect, the volume of the underground economy in both regimes has a positive effect, economic uncertainties in both regimes have a negative effect and economic sanctions in both regimes have a negative effect on real money demand. Furthermore, the results of the forecast indicated that the ANN method has a higher predictive capability in comparison with Markov Switching Model.