پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,026 |
| تعداد مشاهده مقاله | 67,082,730 |
| تعداد دریافت فایل اصل مقاله | 7,656,160 |
کنون‌بینی رشد بخش خدمات در ایران با استفاده از داده‌های بخش حمل و نقل | ||
| مدلسازی اقتصادسنجی | ||
| مقاله 2، دوره 6، شماره 5 - شماره پیاپی 24، اسفند 1400، صفحه 41-68 اصل مقاله (6.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jem.2022.25553.1672 | ||
| نویسنده | ||
| سجاد ابراهیمی* | ||
| استادیار پژوهشکده پولی و بانکی | ||
| تاریخ دریافت: 20 آذر 1400، تاریخ بازنگری: 09 اسفند 1400، تاریخ پذیرش: 09 اسفند 1400 | ||
| چکیده | ||
| 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 ۲۵۹۰ نقطه از جاده‌های کشور از ابتدای سال ۱۳۹۴ تا شهریور ۱۴۰۰ 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. | ||
| کلیدواژه‌ها | ||
| خدمات؛ حمل و نقل؛ شبکه عصبی؛ پیش‌بینی؛ میانگین‌گیری مدل بیزین | ||
| عنوان مقاله [English] | ||
| Nowcasting of Service Sector by Using Traffic Counting Data in Iran | ||
| نویسندگان [English] | ||
| Sajad Ebrahimi | ||
| Assistant Professor at Monetary and Banking research institute | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Service, Transportation, Neural Network, Nowcasting, Bayesian Model Averaging | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 354 تعداد دریافت فایل اصل مقاله: 344 |
||