پيش‌بيني آثار تحريم‌هاي جديد و ارزيابي سياست‌هاي مالي در چارچوب يك الگوي كلان‌سنجي با داده‌هاي تركيبي تواتر متفاوت براي اقتصاد ايران در شرايط تحريم

Predicting the Effects of New Sanctions and Evaluating Fiscal Policies in the Context of a Macroeconomic Model with Mixed-Frequency Data Sampling for the Iranian Economy Under Sanctions

در اقتصاد ايران كه تحريم هاي مختلفي را تجربه نموده، پيش بيني متغيرهاي كلان اقتصادي به هنگام اعمال تحريم جديد ضروري بوده و از سويي در شرايط تحريم، امكان ارزيابي دقيق تري از سياست هاي اقتصادي مورد انتظار است تا امكان واكنش به موقع به اين شوكها و لزوم برنامه ريزي متناسب و ايجاد ايمني در برابر آن ها ايجاد گردد. از اينرو در مطالعه حاضر، از يك الگوي كلان سنجي داده هاي تركيبي با تواتر متفاوت بهره گرفته شده است كه ضمن داشتن دقت بالا در پيش بيني، اين امكان در آن فراهم است كه وقتي اطلاع جديدي در مورد متغيرهاي پرتواتر بدست آيد، بر اساس آن در پيش بيني قبلي ارايه شده براي متغير وابسته كم تواتر الگو، تجديد نظر كرد. الگو متشكل از 27 معادله رفتاري،8 معادله ارتباطي و 33 رابطه تعريفي و اتحادي است و پارامترهاي الگو به كمك داده هاي سري زماني در محدوده سال هاي 1338 تا 1396 برآورد شده اند. نتايج پيش بيني نشان مي دهد كه استفاده از مشاهدات جديد در متغيرهاي با تواتر بالا در الگو، منجر به بهبود دقت نتايج در پيش بيني متغيرهاي درون زاي الگو شده است.

In the Iranian economy, which has experienced various sanctions, it was necessary to anticipate macroeconomic variables when imposing new sanctions. On the other hand, in the context of sanctions, it is possible to make a more accurate assessment of economic policies in order to be able to respond in a timely manner to these shocks and the need for appropriate planning and security against them. Therefore, in the present study, a macroeconomic model with Mixed-frequency data sampling has been used,While having a high accuracy in prediction, it is possible that when new information about multivariate variables is obtained, based on it, the previous prediction for the dependent variable of the pattern is revised. The model consists of 27 behavioral equations, 8 communication equations and 33 definitional and unio‎n relations and the parameters of the model are estimated using time series data in the period 1338 to 1396. Predictive results show that the use of new observations in high frequency variables in the model has led to improved accuracy in predicting the endogenous variables of the model.