مدلسازي رفتار مصرف بنزين در ايران مبتني بر حافظه بلند و تغيير رژيم

Modeling Gasoline Consumption Behaviors in Iran Based on Long Memory and Regime Change

در اين پژوهش براي اولين بار به مدل‌سازي رفتار مصرف بنزين در ايران با استفاده از‌ مدل تعيين حافظه بلندمدت الگوي اتورگرسيو ميانگين متحرك انباشته كسري و مدل غيرخطي تغيير رژيم ماركوف-سوئچينگ پرداخته مي شود. در ابتدا با‌ استفاده از‌ داده‌هاي دوره زماني 1396-1306 به بررسي ويژگي حافظه بلندمدت مدل ARFIMA پرداخته شده است. نتايج نشانگر آن است كه سري‌ زماني‌ مورد بررسي داراي حافظه بلندمدت است لذا پس از انجام اين مرحله و تعيين وقفه‌‌ خودتوضيح (AR) و‌ ميانگين متحرك (MA)، تقاضاي بنزين براي اقتصاد ايران به كمك مدل (1,0.28,2) ARFIMA برآورد شد. همچنين در ادامه براي مدل‌سازي مصرف بنزين در ايران با مدل ماركوف - سوئچينگ، از ميان مدلهاي مختلف، مدل MSH براساس داشتن‌ كمترين مقدار آكائيك با 3 رژيم و 2 وقفه انتخاب و برآورد شد. ‌‌در نهايت نتايج الگوهاي اتورگرسيو ميانگين متحرك انباشته كسري و مدل ماركوف - سوئچينگ بر اساس معيارهاي مختلف حاكي از بهتر بودن نتايج ماركوف-سوئچينگ در مقايسه با مدل ARFIMA جهت مدل‌سازي مصرف بنزين در ايران است. لذا يافته هاي مقاله نشان ميدهد عدم توجه به رژيمهاي مختلف، از آثار سياست‌گذاري‌هاي مؤثر بر الگوي مصرف بنزين خواهد كاست.

In this study, for the first time, we model gasoline consumption behavior in Iran using the long-term memory model of the autoregressive fractionally integrated moving average and non-linear Markov-Switching regime change model. Initially, the long-term memory feature of the ARFIMA model is investigated using the data from 1927 to 2017. The results indicate that the time series studied has a long-term memory. Therefore, after this step and determining the autoregressive lag (AR) and moving average (MA) values, the demand for gasoline in the Iranian economy is estimated using ARFIMA model (1.0.28.2). We also estimate gasoline consumption in Iran using Markov-Switching model, with the MSH model based on the lowest Akaike with 3 regimes and 2 lags. Finally, for modeling gasoline consumption behaviors, the Markov-switching model based is superior to the ARFIMA model. Our findings indicate that if we do not use the most appropriate model for estimating future demand for gasoline, policy making in this area will not be optimal.