این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدلسازی اقتصاد سنجی، جلد ۶، شماره ۵، صفحات ۴۱-۶۸
عنوان فارسی کنون‌بینی رشد بخش خدمات در ایران با استفاده از ‌‌داده‌های بخش حمل و نقل
چکیده فارسی مقاله وقفه‌های قابل پیش‌بینی و غیرقابل پیش‌بینی در انتشار داده‌های حساب‌های ملی در ایران ضرورت پیش‌بینی وضعیت کنونی اقتصاد (کنون‌بینی) را با استفاده از داده‌های به‌هنگام و با تواتر بالا نشان می‌دهد. کنون‌بینی رشد بخش خدمات با توجه به سهم بالایی که این بخش در GDP دارد از اهمیت بالاتری برخوردار است. این پژوهش به دنبال پاسخ به این سوال است که آیا با استفاده از مجموعه داده‌های ترددشماری وسایل نقلیه در جاده‌های کشور می‌توان وضعیت بخش خدمات و حمل و نقل را پیش‌بینی کرد. در این راستا از داده‌های روزانه 2590 نقطه از جاده‌های کشور از ابتدای سال 1394 تا شهریور 1400 استفاده شده است. علاوه بر بکارگیری روش تجمیعی ساده برای ساخت شاخص، از مدل‌های شبکه عصبی و میانگین‌گیری مدل بیزین نیز به استفاده شده است. نتایج نشان می‌دهد که شاخص‌های برآوردی مستخرج از این داده‌ها خطای کمتری نسبت به مدل‌های معیار (ARMA) داشته‌اند و می‌توانند نمایان‌گر تغییرات هر دو بخش خدمات و حمل و نقل باشند. یافته‌های پژوهش نشان می‌دهد که در بین روش‌های مختلف ساخت شاخص، شاخص خروجی شبکه عصبی عملکرد بهتر و خطای کمتری داشته است.
کلیدواژه‌های فارسی مقاله خدمات، حمل و نقل، شبکه عصبی، پیش‌بینی، میانگین‌گیری مدل بیزین،
عنوان انگلیسی Nowcasting of Service Sector by Using Traffic Counting Data in Iran
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله خدمات, حمل و نقل, شبکه عصبی, پیش‌بینی, میانگین‌گیری مدل بیزین
نویسندگان مقاله سجاد ابراهیمی |
استادیار پژوهشکده پولی و بانکی

نشانی اینترنتی https://jem.semnan.ac.ir/article_6253_b0f7c62b6bf178fb83e2e593d89f8885.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات