كنون‌ بيني رشد بخش خدمات در ايران با استفاده از ‌‌داده‌هاي بخش حمل و نقل

Nowcasting of Service Sector by Using Traffic Counting Data in Iran

وقفه‌هاي قابل پيش‌بيني و غيرقابل پيش‌بيني در انتشار داده‌هاي حساب‌هاي ملي در ايران ضرورت پيش‌بيني وضعيت كنوني اقتصاد (كنون‌بيني) را با استفاده از داده‌هاي به‌هنگام و با تواتر بالا نشان مي‌دهد. كنون‌بيني رشد بخش خدمات با توجه به سهم بالايي كه اين بخش در GDP دارد از اهميت بالاتري برخوردار است. اين پژوهش به دنبال پاسخ به اين سوال است كه آيا با استفاده از مجموعه داده‌هاي ترددشماري وسايل نقليه در جاده‌هاي كشور مي‌توان وضعيت بخش خدمات و حمل و نقل را پيش‌بيني كرد. در اين راستا از داده‌هاي روزانه 2590 نقطه از جاده‌هاي كشور از ابتداي سال 1394 تا شهريور 1400 استفاده شده است. علاوه بر بكارگيري روش تجميعي ساده براي ساخت شاخص، از مدل‌هاي شبكه عصبي و ميانگين‌گيري مدل بيزين نيز به استفاده شده است. نتايج نشان مي‌دهد كه شاخص‌هاي برآوردي مستخرج از اين داده‌ها خطاي كمتري نسبت به مدل‌هاي معيار (ARMA) داشته‌اند و مي‌توانند نمايان‌گر تغييرات هر دو بخش خدمات و حمل و نقل باشند. يافته‌هاي پژوهش نشان مي‌دهد كه در بين روش‌هاي مختلف ساخت شاخص، شاخص خروجي شبكه عصبي عملكرد بهتر و خطاي كمتري داشته است.

Predictable and unpredictable delays in the national accounts data dissemination in Iran highlight the nowcasting of the economy’s state with using timely and high-frequency data. The large share of service sectors in GDP make forecasting of this sector more important. This paper seeks to answer the question of whether the status of the service and transportation sector can be predicted by using the vehicle traffic count dataset. In this regard, daily data on 2590 points of the country's roads from 2015 to September 2021 is used. In addition to using a simple aggregation method to construct the index, Artificial Neural Network model (ANNs) and Bayesian Model Averaging (BMA) are also used. The results show that the estimation indices extracted from these data have less forecast error than the benchmark models (ARMA) and can represent changes in both services and transportation sectors. The comparison of different methods of index construction shows the index extracted from Neural Network model has less error than other methods.