تاثير سياست‌هاي پولي بر ارزش افزوده صنايع توليد فلزات اساسي ايران (رهيافت برنامه‌ريزي رياضي مثبت)

Impact of Monetary Policy on Value Added in Iran's Industrial Sub-Sectors (Positive Mathematical Programing Approach) with Emphasis on Basic Metals sub-sector

بخش صنعت يكي از بخش‌هاي مهم و اساسي اقتصاد كشور محسوب شده و به دليل ارتباط با بخش‌هاي ديگر نقش مهمي در افزايش توليد و بهره‌وري آن‌ها دارد. از سوي ديگر، سياست‌هاي پولي نيز با تحريك طرف تقاضاي اقتصاد بر رشد توليد و اشتغال و سطح قيمت‌ها تاثير بسزايي دارد. از اين رو، هدف اصلي اين مطالعه بررسي تأثير سياست‌هاي پولي بر ارزش افزوده زيربخش صنايع توليد فلزات اساسي با بهره‌گيري از رهيافت برنامه-ريزي رياضي مثبت طي سال‌هاي 1396-1369 مي‌باشد. براي اين منظور ابتدا با بهره‌گيري از رهيافت هم‌جمعي خودرگرسيوني با وقفه‌هاي توزيعي به تخمين الگو در بلندمدت پرداخته شد و در ادامه تعيين سناريو و تحليل حساسيت توسط رهيافت برنامه‌ريزي رياضي مثبت صورت گرفت. نتايج برآورد مدل نشان داد سياست‌هاي كاهشي و افزايشي متغيرهاي پولي (حجم نقدينگي ونرخ سود بانكي) در سناريوهاي مختلف بر ارزش افزوده بهينه آن زيربخش تأثير دارد. همچنين شاخصه مهم اين روش محاسبه مقدار بهينه ارزش افزوده هر زيربخش در سال پايه وامكان هدف‌گذاري آن در سناريوهاي مختلف است. به‌عنوان مثال در سناريو اول، در صورت كاهش 5، 10 و 20 درصد حجم نقدينگي، ارزش افزوده زير بخش صنايع توليد فلزات اساسي به ميزان 4، 8 و 18 درصد افزايش مي‌يابد. علاوه بر اين، در اين سناريو كاهش متغير سياست نرخ سود به همان نسبت موجب افزايش 5، 8 و 16 درصدي در ميزان ارزش افزوده صنايع توليدي فلزات اساسي خواهد شد.

The main purpose of this paper is to investigate the effect of monetary policy on the value added in the basic metal Industries sector is based on the use of positive mathematical programming during the periode of 1990 - 2017. For achieving this, at first the long-run relationship between variables has been estimated by using of ARDL approach and then, the scenario designing and sensitivity analysis has been implemented through PMP model.The results of this study showed that the decreasing and incremental policies of monetary variables (liquidity and bank interest rate) in different scenarios have an effect on the added value of optimizing that subsection. Also, an important indicator of this method is to calculate the optimal value added of each sub-section in its base year and its targeting capability in some other scenarios. For example, in the first scenario, in the case of 5, 10, and 20 percent reduction in liquidity, value added will increase by 4, 9 and 18 percent in Basic Material Production industries. In this scenario, the drop in the policy variable will also increase the bank interest rate by as much as 3, 7 and 15 percent in the added value.