.
۱- مقدمه و بیان مسأله
امروزه کشورهای پیشرفته با انتشار آمار هفتگی، ماهیانه و فصلی بیش از ۲۵۰ متغیر مهم اقتصادی، نه تنها قادر به ارائه تصویری روشن و کامل از وضعیت اقتصادی خود هستند، بلکه از آن به عنوان ابزاری جهت پیش‌بینی جهت‌های آینده و بعضاً جلوگیری از بحران‌های آتی بهره می‌برند.
شناخت و دنبال کردن متغیرهای کلان اقتصادی و روند آنها و به ویژه رشد اقتصادی، رشد ارزش افزوده بخش‌های اقتصادی، رشد نقدینگی، تورم، نرخ بیکاری و ... ابزارهایی هستند که می‌توانند سیاستگذاران و نیز صاحبان کسب و کار و کار آفرینان را در تشخیص اوضاع و احوال اقتصادی از نقطه نظر دوره‌های اقتصادی (رونق، رکود و بحران) و پیش‌بینی دوره‌های آتی یاری دهند.
اصولاً شاخص‌های تشخیص دوره‌های فصلی به ۳ گروه؛ شاخص‌های پیش‌رو، شاخص‌های با وقفه و شاخص‌های وضع موجود قابل تقسیم می‌باشند.
شاخص‌های نوع اول شاخص‌هایی هستند که حرکت آنها زودتر از وضعیت کلان اقتصادی حادث شده صورت می‌گیرد. مثلاً اگر قرار است چند ماه دیگر وضع اقتصاد کلان به گونه‌ای باشد، این شاخص‌ها آن حالت را نشان می‌دهند (همانند زوزه و بی‌قراری برخی حیوانات قبل از وقوع زلزله). به عنوان نمونه‌هایی از این نوع شاخص‌ها می‌توان به این موارد اشاره کرد:
میزان تقاضا برای استفاده از بیمه بیکاری، سفارشات جدید کالاها، میزان عرضه پول، شاخص بازار سهام، تفاوت نرخ ارز رسمی و بازار آزاد و ... .
شاخص‌های نوع دوم (شاخص‌های با وقفه) شاخص‌هایی هستند که وضعیت امروزی آنها، وضعیت اقتصادی چند ماه پیش (یا فصول قبل) را نشان می‌دهد. به بیان دیگر اندازه این شاخص‌ها مبین و تأییدگر وضعیت رکود یا رونق در گذشته می‌باشد. مثل متوسط مدت زمان بیکاری، میزان تغییرات موجودی انبار، مانده وام‌ها، تغییرات در هزینه واحد کار یک واحد تولید محصول و ... و بالاخره گروه سوم که بیانگر وضعیت فعلی اقتصاد کشور هستند مثل اشتغال (البته غیر از بخش کشاورزی)، میزان تولیدات صنعتی، میزان فروش کالاهای صنعتی و از همه مهم‌تر رشد اقتصادی.
از آن‌جا که امکان پیش‌بینی و برنامه‌ریزی آینده بدون شناخت از وضعیت فعلی امکان‌پذیر نمی‌باشد، طبعاً آگاهی از میزان شاخص‌های دسته اول برای پیش‌بینی‌های رشد و شاخص‌های دسته سوم به ویژه رشد اقتصادی برای سیاستگذاران اقتصادی حائز اهمیت فراوان می‌باشد.
با توجه به اهمیتی که متغیر رشد اقتصادی (رشد GDP) به عنوان شاخصی برای سنجش عملکرد اقتصادی و سطح رفاه عمومی کشور دارد و علی‌رغم کاستی‌هایی که متغیر GDP در تبیین دقیق رفاه دارد، اما به جرأت می‌توان گفت که هنوز هیچ متغیر اقتصادی دیگری نتوانسته قابلیت‌های GDP را به عنوان یک بدیل داشته باشد، بنابراین آگاهی از اندازه GDP و اجزا آن (ارزش افزوده بخش‌های اقتصادی) و شناخت روند رشد اقتصادی چه در دوران گذشته و چه در دوره‌های آتی، در جهت کمک به سیاست‌گذاری‌ها و برنامه‌ریزی‌ها (در سطح ملی، بخشی، منطقه‌ای، دولتی و خصوصی) از اهمیت زیاد و ویژه‌ای برخوردار است. پیش‌بینی رشد اقتصادی به مسئولین، سیاستگذاران و صاحبان کسب و کار کمک می‌کند که تصویر روشن‌تری از شرایط آینده اقتصاد در اختیار داشته باشند و با استفاده از آمار و اطلاعات بهنگام‌تر، تصمیمات اقتصادی مناسبی را اتخاذ نمایند. در این راستا حسابهای ملی فصلی با ارائه تصویری از فعالیت‌های اقتصادی در بازه زمانی فصل و به منظور بررسی و رصد وضعیت اقتصادی و تغییرات آن، پیش‌بینی رشد اقتصادی و ایجاد آمادگی و واکنش مناسب برای هدایت اقتصاد کشور و کسب و کارها به نقطه مطلوب (هدف) تهیه می‌شود.
در مرکز آمار ایران محاسبه حسابهای ملی و رشد اقتصادی علاوه بر سالانه، برای مقاطع فصلی نیز با استفاده از نتایج طرح‌های آمارگیری و اطلاعات ثبتی جمع‌آوری شده از سازمان‌ها و نهادها (اعم از دولتی و غیر دولتی) به طور منظم انجام و ارائه می‌شود. اما از آن‌جا که نتایج حسابهای فصلی معمولاً یک فصل بعد از فصل مرجع منتشر و در اختیار کاربران قرار می‌گیرد، موضوع پیش‌بینی اهمیت و ضرورت بیشتری پیدا می‌کند.
خوشبختانه از اوایل سال 1399 پژوهشکده‌ی آمار با هدف کمک به ارائه آمار بهنگام‌تر، مبادرت به پیش‌بینی رشد اقتصادی فصول آینده نموده که در این راستا پیش‌بینی رشد اقتصادی فصل بهار، تابستان و پاییز را یک ماه قبل از شروع این فصول انجام داده است. گزارش حاضر که سومین گزارش از مجموعه گزارش‌های پیش‌بینی فصلی پژوهشکده‌ی آمار است، اختصاص به تبیین روش شناختی پیش‌بینی رشد اقتصادی زمستان ۱۳۹۹ و کل سال ۱۳۹۹ (روش‌های پیش‌بینی، منابع اطلاعاتی و مدل‌های به کار گرفته شده)، مقایسه نتایج روش‌های گوناگون، انجام محاسبات، جمع‌بندی نهایی و بالاخره تحلیل نتایج دارد. پیش‌بینی حاضر با استفاده از اطلاعات سری زمانی فصلی مرکز آمار ایران، مجموعه‌ای از اطلاعات جانبی و نقطه نظرات کارشناسی گروه پیش‌بینی و سایر اطلاعاتی که می‌توانست به دقت و غنای پیش‌بینی‌ها کمک کند صورت پذیرفته است.
لازم به اشاره است که در حال حاضر صرف آگاهی از اندازه رشد اقتصادی تنها هدف این تحقیق نیست بلکه هدف مهم دیگر این است که تمامی مدل‌ها و روش‌های پیش‌بینی برای رشد اقتصادی فصل به کار گرفته شوند و با استفاده از مقایسه نتایج پیش‌بینی هر کدام از روش‌ها با عملکرد تحقق یافته رشد، روش‌های مطمئن و قابل اتکایی برای شناسایی و پیش‌بینی‌های بعدی، انتخاب و به کار گرفته شوند.
بدیهی است اعتبارسنجی و راستی‌آزمایی روش‌های پیش‌بینی رشد اقتصادی فصلی، تحقیق علمی جداگانه‌ای را می‌طلبد که این امر نیز در دستور کار پژوهشکده‌ی آمار قرار دارد و پس از اتمام در قالب یک مقاله علمی ارائه خواهد شد.
۲- مدل‌های پیش‌بینی و منابع اطلاعاتی
۲-1- مدل‌های پیش‌بینی
تصمیم‌گیری در زمینه‌های مختلف به نحوی با پیش‌بینی سر وکار دارد. این پیش‌بینی‌ها می‌تواند در برخی از جهات ساده و برخی دیگر پیچیده باشد. همچنین پیش‌بینی‌ها می‌توانند برای دوره‌های زمانی کوتاه مدت یا بلند مدت انجام گیرند. پیش‌بینی دقیقاً با واقعیت تطبیق نمی‌کند، و باید کوشید خطای پیش‌بینی به حداقل ممکن کاهش یابد. امروزه، فنون و تکنیک‌های مختلفی برای پیش‌بینی ابداع گردیده و در اختیار کاربران قرار گرفته است. هر یک از این تکنیک‌ها کاربرد خاص خود را دارند و با آگاهی از آنها می‌توان پیش‌بینی موفق‌تری را انجام داد.
به طور کلی برای انتخاب مدل مناسب پیش‌بینی توجه به موارد زیر ضروری است :
محدوده زمانی
آمار و ارقارم داده شده
ارتباط اطلاعات با متغیر مورد نظر
هزینه
دقت
سادگی
به طور کلی می‌توان روش‌های پیش‌بینی را در سه گروه مختلف دسته‌بندی کرد که این سه دسته عبارتند از پیش‌بینی‌های مبتنی بر قضاوت، پیش‌بینی‌های مبتنی بر اطلاعات گذشته و پیش‌بینی‌های علت و معلولی.
پیش‌بینی قضاوتی؛ در مواقعی که اطلاعات دقیق و کاملی در مورد مسئله وجود نداشته باشد از این نوع پیش‌بینی استفاده می‌شود. در این روش کوشش می‌شود نظرات ذهنی به صورت پیش‌بینی‌های کمی در آید و قابل استفاده شود. استفاده از نظرات کارشناسان فن، سازمان‌هایی که در آینده‌نگری صاحب تجربه‌اند و سایر متخصصان می‌توانند در انجام این نوع پیش‌بینی‌ها مفید باشد. از این نوع پیش‌بینی می‌توان از روش دلفی و روش توافق جمعی نام برد.
پیش‌بینی مبتنی بر اطلاعات گذشته؛ در این نوع پیش‌بینی اطلاعات گذشته اساس پیش‌بینی قرار می‌گیرد. به عبارت دیگر فرض بر این است که در کوتاه مدت می‌توان روند گذشته را به آینده تسری داد. بنابراین، این روش برای پیش‌بینی‌های بلند مدت قابلیت استفاده چندانی ندارد. از این نوع پیش‌بینی می‌توان از انواع روش‌های مبتنی بر میانگین متحرک، روش نمو هموار، روش باکس– جنکینز، روش‌های تعیین روند، روش نمو هموار دوبل و روش کمترین مجذورات نام برد.
پیش‌بینی علت و معلولی؛ هنگامی‌که اطلاعات کافی در مورد موضوع پیش‌بینی موجود و روابط بین متغیرها نیز مشخص است، استفاده از این روش مزیت فراوانی دارد. از این نوع پیش‌بینی می‌توان از روش رگرسیون، مدل‌های اقتصادسنجی، مدل داده- ستاده، مدل شاخص راهنما و مدل مدت طول عمر نام برد.
در این مطالعه، برای انتخاب روش‌های پیش‌بینی، از روش‌های مؤثر در زمینه مدل‌سازی سری‌های زمانی که به روش‌های گذشته نگر مشهورند استفاده می‌شود. این روش‌ها عبارتند از:
پیش‌بینی سری‌های زمانی مالی از اهمیت ویژه‌ای برخوردار می‌باشند. مدل‌های آماری زیادی برای پیش‌بینی سری زمانی وجود دارند. از جمله این مدل‌ها می‌توان از مدل‌های خطی AR، MA، ARMA و ARIMA نام برد که برای مدل‌سازی و پیش‌بینی سری‌های زمانی ایستا فراوان به کار گرفته شده‌اند و توسط باکس و جیکنز معرفی و بسط داده شده‌اند. این روش برای پیش‌بینی فرآیندهای خطی کاربرد فراوانی دارد.
در بیشتر سیستم‌ها، برای نشان دادن ارتباط بین ورودی و خروجی‌ها از تابع انتقال استفاده می‌شود. این روش بیشتر برای سیستم‌های دارای تک ورودی و تک خروجی کاربرد دارد؛ اما مدل‌بندی فضای حالت این محدودیت‌ها را ندارد و انواع سیستم‌ها با داد و ستدهای چندگانه، سیستم‌های غیرخطی ناپیوسته و سیستم‌های مستقل از زمان را می‌توان با این روش تحلیل کرد. روش فضای حالت بـه یـک ابـزار قدرتمنـد بـرای مـدل‌بنـدی و پیش‌بینی سیستم‌های پویا تبدیل شده است.
در این روش ابتدا هر یک از سری‌های زمانی با استفاده از هر یک از روش‌های تبدیلات موجک گسسته که انواع مختلفی دارد در سطوح مختلفی که مد نظر است تجزیه می‌شود. بنابراین هر سری زمانی به چند زیر سری با همان اندازه سری اولیه تجزیه می‌شود. سپس هر یک از این زیر سری‌ها با استفاده از مدل‌سازی ARIMA مدل و پیش‌بینی می‌گردد و با استفاده از روش‌های موجود هر یک از زیر سری‌ها تجمیع و به سری اولیه تبدیل می‌شوند. سری به دست آمده یک سری با نقاط پیش‌بینی شده است.
تبدیل موجک یکی از تبدیلات مهم ریاضی است که در حوزه‌های مختلف علوم کاربرد دارد و نقاط ضعف و محدودیت‌های موجود در تبدیل فوریه را می‌تواند پوشش دهد. این تبدیل را بر خلاف تبدیل فوریه، می‌توان در مورد سیگنال‌های غیر ایستا و سیستم‌های دینامیک نیز مورد استفاده قرار داد.
به کار گرفتن این تبدیل در کنار مدل‌های آماری به خصوص در فرآیندهای غیر ایستا می‌تواند نتایج قابل باورتری از پیش‌بینی را بدنبال داشته باشد.
یک روش ناپارامتری است که در داده‌کاوی، یادگیری ماشین و تشخیص الگو مورد استفاده قرار می‌گیرد. بر اساس آمارهای ارائه شده الگوریتم k-nn-نزدیک‌ترین همسایگی یکی از ده الگوریتمی است که بیشترین استفاده را در پروژه‌های گوناگون یادگیری ماشین و داده‌کاوی، هم در صنعت و هم در دانشگاه داشته است. الگوریتم K-nn در فرایندهای پیش‌بینی دارای مزیت‌هایی از قبیل اجرای ساده، عدم نیاز به مرحله تخمین پارامترها، قابلیت مدل‌سازی غیرخطی و مؤثر بودن و عملکرد با بازدهی بالا در برخورد با تعداد دسته‌های زیاد از داده‌ها است. در این مطالعه برای پیش‌بینی از نرم افزار آماری R و پکیج‌های Forecast و WaveletArima استفاده شده است.
۲-2- منابع اطلاعاتی
برخی نیازهای آماری و اطلاعاتی برای انجام محاسبات حسابهای ملی فصل مرجع، معمولاً حتی تا 2 فصل بعد از فصل مرجع تولید و در دسترس قرار نمی‌گیرد این موضوع از یک‌سو و سنگین بودن هزینه‌های تولید داده‌ها و آمارهای مورد نیاز محاسبات حسابهای ملی فصلی از سوی دیگر باعث می‌شود که تهیه حسابهای ملی فصلی به طور معمول به روش مستقیم (منظور همانند حسابهای ملی سالانه است که تماماً براساس داده‌های آماری ناشی از طرح های آماری و آمارهای ثبتی است) انجام نگیرد. لذا در اغلب کشورها از روش‌هایی غیرمستقیم و جایگزین، برای تهیه این حساب‌ها استفاده می‌شود.
به‌طور کلی دو رویکرد اساسی برای تولید و برآورد سری‌های زمانی فصلی وجود دارد که با عناوین «رویکرد محاسباتی» و «رویکرد آماری» شناخته می‌شوند. در رویکرد محاسباتی که در واقع مبتنی بر روش کمینه‌سازی حداقل مربعات است، بر اساس رفتار سالانه یک متغیر و با استفاده از یک شاخص کمکی فصلی، سری زمانی فصلی مورد نظر برآورد می‌شود. در چارچوب «رویکرد محاسباتی»، روش‌های متعددی از جمله روش دنتون مورد استفاده قرار می‌گیرد.
در رویکرد محاسباتی تلاش می‌شود حداکثر شاخص‌های کمکی موجود اعم از اطلاعات طرح‌های آماری و برآوردهای موجود در دفاتر مرکز آمار ایران و اطلاعات ثبتی موجود در سازمان‌ها استفاده شود، که این اطلاعات در فصل پاییز به شرح زیر بوده است:
در «رویکرد آماری» نیز برآورد ارقام فصلی بر اساس رفتار سالانه و فصلی سری زمانی مورد نظر صورت می‌گیرد، اما برخلاف روش محاسباتی، در این روش از یک مدل آماری استفاده می‌شود. الگوهای رگرسیونی و مدل‌های اقتصادسنجی از ابزارهای اصلی مورد استفاده در این رویکرد هستند.
در رویکرد آماری نیز اطلاعات سری زمانی فصلی در ریزترین سطح تفکیک ممکن مبنای محاسبه قرار گرفته است. برآورد به روش‌های ARIMA،Exponential smoothing state space model وWaveletArima و ترکیبی هیبریدیHYB انجام شده و در هر سطح تفکیک، یک روش به عنوان بهترین برازش با استفاده از روش MSE انتخاب شده است. این رویکرد در قالب 5 سناریو به شرح ذیل اجرا شد:
بر اساس تجربیات حاصله در فرآیند پیش‌بینی صورت گرفته در فصول قبل و تطبیق نتایج پیش‌بینی‌ها با ارقام تحقق یافته و نهایتاً بر اساس نقطه نظرات تکمیلی اعضای کمیته‌ی پیش‌بینی حسابهای ملی فصلی و نرخ رشد اقتصادی فصل پاییز با استفاده از یک رویکرد تلفیقی انجام شد. بدین معنی که تمرکز اصلی بر جمع‌آوری حداکثر اطلاعات موجود در کشور و استفاده از روش دنتون بوده است. از طرفی برای برخی از فعالیت‌ها که امکان استفاده از مدل‌های سری زمانی برای آنها وجود دارد و کمتر تحت تأثیر شرایط خاص (مانند وضعیت حاکم بر کشور پس از شیوع ویروس کرونا) قرار می‌گیرند، از مدل‌های آماری استفاده شده است.
در ادامه نتایج حاصل از رویکرد تلفیقی در هر یک از رشته فعالیت‌ها و در نهایت پیش‌بینی محصول ناخالص داخلی ارائه شده است.
۳- محاسبات و خلاصه نتایج
انجام محاسبات و پیش‌بینی با استفاده از 5 مدل ARIMA،Exponential smoothing state space model ،WaveletArima ،K-nn و روش هیبریدیHYB انجام شده است و رشد اغلب بخش‌ها از روش HYB و بعضاً K-nn پیش‌بینی شده است، سپس بر اساس تجربیات حاصله در فرآیند پیش‌بینی صورت گرفته در فصول قبل و تطبیق نتایج پیش‌بینی‌ها با ارقام تحقق یافته نهایتاً بر اساس نقطه نظرات تكمیلی اعضای كمیته‌ی پیش‌بینی حسابهای ملی فصلی، از بین روش‌های فوق آنهایی كه با مشاهدات اقتصاد ایران و برخی اطلاعات ثبتی در دسترس، سازگاری بیشتری دارند، سناریویی تحت عنوان سناریوی محتمل انتخاب گردید که خلاصه نتایج آن به شرح جداول زیر می‌باشد:
جدول ۱- پیش‌بینی رشد اقتصادی فصل زمستان ۱۳۹۹
شرح
پیش‌بینی فصل زمستان
1- گروه كشاورزی
6/5
2- گروه صنایع و معادن
7/5
۲-۱- استخراج نفت و گاز طبیعی
13/7
2-2- سایر معادن
1/2
۲-۳- صنعت
3/1
۲-۴- تأمین آب ، برق و گاز طبیعی
۲-۵- ساختمان
7/7
3- گروه خدمات
1/0
۳-۱- عمده و خرده فروشی، هتل و رستوران
1/1
۳-۲- حمل و نقل، انبارداری و ارتباطات
3-3- واسطه گری‌های مالی
3/0
۳-۴- مستغلات ، كرایه و خدمات كسب و كار
۳-۵- امور عمومی، آموزش، بهداشت و مددكاری
-0/8
۳-۶- سایر خدمات عمومی، اجتماعی و شخصی
-32/1
جمع ارزش افزوده رشته‌فعالیت‌ها
3/9
خالص مالیات بر واردات
8/3
محصول ناخالص داخلی (به قیمت بازار)
4/0
محصول ناخالص داخلی بدون نفت (به قیمت بازار)
2/6
جدول ۲- رشد محصول ناخالص داخلی و ارزش افزوده رشته فعالیت‌های عمده اقتصادی به قیمت‌های ثابت در سال ۱۳۹۹
بهار
تابستان
پاییز
پیش بینی
زمستان
سال
0/1
2/7
5/5
3/6
-5/3
4/2
3/7
2/5
-14/5
3/4
4/9
1/3
0/5
2/2
1/6
1/4
-1/2
2/0
11/6
5/2
-2/1
5/4
8/5
-4/2
-3/7
-1/8
-2/2
-8/2
-6/4
-2/6
-4/1
-2/8
0/2
12/0
2/4
-6/6
0/9
1/5
-0/3
-2/0
-3/9
-3/2
-2/5
-62/3
-60/9
-56/9
-54/0
جمع ارزش افزوده رشته‌فعالیت‌های اقتصادی
-4/4
-0/2
5/6
-10/3
-20/8
0/4
0/8
-2/7
-0/7
-0/1
۴- پیش‌بینی نهادها و مؤسسات بین‌المللی برای رشد اقتصادی ۲۰۲۱
۴-۱- گزارش‌های صندوق بین‌المللی در مورد پیش‌بینی رشد اقتصادی
بنابر پیش‌بینی‌های صورت گرفته صندوق بین‌المللی پول، نرخ رشد اقتصادی ایران به شرح جدول ۲ می‌باشد:
صندوق بین‌المللی پول در آوریل سال 2021، پیش‌بینی خود از نرخ رشد اقتصادی جهان را مورد بازنگری قرار داده که بر این اساس نرخ رشد اقتصادی جهان و کشورهای منطقه خاورمیانه و آسیای مرکزی در سال جاری میلادی به ترتیب 6.0 درصد و 3.7 درصد پیش‌بینی شده است.
بر طبق اظهارات صندوق بین‌المللی پول به دلیل همه‌گیری کووید ۱۹ و با وجود شروع تزریق واکسن، نااطمینانی بالا همچنان اقتصاد جهانی را احاطه کرده است از این‌رو تحقق پیش‌بینی‌های رشد اقتصادی تا حد زیادی به نتیجه واکسیناسیون بستگی دارد. هر چقدر پیشرفت بیشتری در واکسیناسیون حاصل شود، احتمال بهبودی فراتر از پیش‌بینی‌ها وجود دارد و در صورت عدم پیشرفت در واکسیناسیون و پیدایش گونه‌های جدید ویروس کرونا، اقتصاد جهانی ممکن است به سمت یک افت شدید سوق یابد.
پیش‌بینی نرخ رشد اقتصادی بنا بر این گزارش صندوق بین‌المللی پول برای جهان و کشورهای بزرگ اقتصادی برای سال‌های 2020 الی 2022 به شرح جدول ذیل می‌باشد:
جدول ۳- پیش بینی صندوق بین المللی پول از رشد اقتصادی جهان و کشورهای بزرگ اقتصادی (درصد)
نرخ رشد اقتصادی
2020
2021
2022
جهان
3.3-
6.0
4.4
آمریکا
3.5-
6.4
3.5
چین
2.3
8.4
5.6
ژاپن
4.8-
3.3
2.5
آلمان
4.9-
3.6
3.4
انگلیس
9.9-
5.3
5.1
فرانسه
8.2-
5.8
4.2
هند
8.0-
12.5
6.9
ایتالیا
8.9-
برزیل
4.1-
3.7
2.6
روسیه
3.1-
3.8
جدول ۴- پیش‌بینی صندوق بین‌المللی پول از رشد اقتصادی کشورهای خاورمیانه و آسیای مرکزی (درصد)
ایران
1.5
2.1
اردن
2.0-
2.0
2.7
الجزایر
6.0-
2.9
امارات
5.9-
3.1
کویت
8.1-
0.7
3.2
عربستان
4.0
عراق
10.9-
1.1
عمان
6.4-
1.8
7.4
قطر
2.6-
2.4
مصر
5.7
تونس
8.8-
پاکستان
0.4-
افغانستان
5.0-
4.5
تاجیکستان
5.5
ترکمنستان
0.8
4.6
4.3
ازبکستان
1.6
5.0
3.9
۴-۲- پیش‌بنی بانک خاور میانه از رشد اقتصادی ایران
بانک خاورمیانه با استفاده از مدل تعادل عمومی پویای تصادفی[1] به پیش بینی متغیرهای کلان اقتصادی در بهمن 1399 و اردیبهشت 1400 پرداخته است. داده‌های مورد استفاده برای پیش بینی شامل داده‌های فصلی حسابهای ملی به قیمت پایه 1۳۹۰ می باشد که با استفاده از این داده‌ها و با توجه به شرایط تداوم همه گیری بیماری کرونا در کشور و این نکته مهم که فرایند واکسیناسیون همگانی در ایران به نسبت سایر کشورها از سرعت به مراتب پایینتری برخوردار است و همچنین با توجه به اینکه افق اقتصاد جهانی بر اساس پیش بینی صندوق بین المللی پول بهبود یافته سناریوی ارائه شده به صورت خروج تدریجی اقتصاد جهان از رکود ناشی از همه گیری کروناست به پیش بینی پرداخته است که به شرح جدول ذیل می باشد:
جدول ۵- پیش بینی بانک خاورمیانه از رشد اقتصادی ایران (درصد)
1399
1400
فصل اول
فصل
دوم
سوم
چهارم
اول
پیش بینی بهمن 1399
رشد اقتصادی
1.4
1.0
1.2
1.7
رشد اقتصادی بدون نفت
2.2
پیش بینی اردیبهشت 1400
_
2.8
3.0
5.2
4.7
4.9
۴-۳- شامخ کل اقتصاد
شاخص مدیران خرید (PMI) مقیاسی است که با تکمیل سؤالات مشخص از سوی بنگاه‌های نمونه استخراج و اوایل هر ماه توسط اتاق بازرگانی ایران منتشر می‌شود و رونق، رکود یا ثبات کسب و کارهای مورد بررسی را نشان می‌دهد.
در جدول شماره ۶، شامخ کل اقتصاد طی فصول پاییز سال 1398 الی زمستان 1399 و رشد تولید ناخالص داخلی طی این دوره، مورد مقایسه قرار گرفته است. نتایج طرح شامخ روند رو به بهبود رشد کل اقتصاد را از زمستان سال 1398 تازمستان 1399 را نشان می‌دهد واین با محاسبات رشد محصول ناخالص داخلی که نشان دهنده بهبود رشد اقتصادی و فضای کسب و کار است هم خوانی دارد.
جدول ۶: مقایسه رشد تولید ناخالص داخلی و شامخ کل اقتصاد
۱۳۹۷
۱۳۹۸
۱۳۹۹
فصل پاییز
فصل زمستان
فصل بهار
فصل تابستان
تولید ناخالص داخلی
1761211
1816619
1729603
1806933
1759217
1732558
1653884
1803373
1773986
تولید ناخالص داخلی(بدون نفت)
1488927
1532602
1483480
1581479
1528868
1524988
1443427
1570321
1532323
PMI کل
45/9
41/1
42/4
46/3
46/0
52/4
شامخ کل صنعت
40/7
47/4
49/5
48/8
53/0
50/2
49/4
52/6
49/7
55/1
مقدار تولید
48/1
48/0
52/8
48/6
50/3
53.0
50.3
54.8
۵- تحلیل نهایی
بر اساس یک جمع‌بندی از نتایج روش‌های مختلف به کار گرفته شده و مقایسه با سایر پیش‌بینی‌ها اعم از داخلی و بین‌المللی، رشد اقتصادی فصل زمستان ۱۳۹۹، ۴ درصد و رشد محصول ناخالص داخلی (بدون نفت) ۲٫۶ درصد پیش‌بینی می‌شود. پیش‌بینی اخیر پژوهشکده‌ی آمار بر اساس روش‌های HYB و بعضاً k-nn صورت گرفته که با پیش‌بینی بانک خاورمیانه که با استفاده از مدل تعادل عمومی پویای تصادفی (DSGE) صورت گرفته و رشد ۲٫۸ درصد را برای زمستان سال ۱۳۹۹ پیش‌بینی کرده است، سازگاری بیشتری دارد. با توجه به رشد ۴ درصدی فصل زمستان اقتصاد کشور در سال ۱۳۹۹ از رکود بیرون آمده و اقتصاد کشور رشدی حدود ۰٫۱ درصد را در سال مزبور به دست آورده است.
۶- مرجع‌ها
اطلاعات مقدار توليد محصولات منتخب صنعتی، وزارت صنعت، معدن و تجارت، ارديبهشت 1400
طرح شاخص مدیران خرید، مرکز پژوهش‌های اتاق ایران،ارديبهشت 1400
پیش‌بینی متغیرهای کلان اقتصادی ایران، با استفاده از مدل تعادل عمومی پویای تصادفی، مدیریت تحقیقات اقتصادی بانک خاورمیانه، اردیبهشت 1400
پیش‌بینی متغیرهای کلان اقتصادی ایران، با استفاده از مدل تعادل عمومی پویای تصادفی، مدیریت تحقیقات اقتصادی بانک خاورمیانه، بهمن ۱۳۹۹.
World Economic Outlook, IMF, April 2021
petroleum Intelligence weekly , April 2021
Box, George; Jenkins, Gwilym (1970). Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day.
Commandeur, J. J. F.; Koopman, S. J. (2007). Introduction to State Space Time Series Analysis. Oxford University Press.
Aminghafari, M. and Poggi, J.M. 2007. Forecasting time series using wavelets. Internationa Journalof Wavelets, Multiresolution and Inforamtion Processing, 5, 709 to 724
Percival D. B. and Walden A. T. 2000. Wavelet Methods for Time-Series Analysis. CambridgeUniv. Press, U.K
Paul R. K., Prajneshu and Ghosh H. 2013. Wavelet Frequency Domain Approach for Modellingand Forecasting of Indian Monsoon Rainfall Time-Series Data. Journal of the Indian society ofagricultural statistics, 67, 319 to 327
Time Series Forecasting with KNN in R: the tsfknn Package, Francisco Martínez, María P. Frías, Francisco Charte, and Antonio J. Rivera
Hybrid model for forecasting time series with trend, seasonal and salendar variation patterns
Suhartono1, S.P. Rahayu1, D.D. Prastyo1, D.G.P. Wijayanti1 and Juliyanto1
Published under licence by IOP Publishing Ltd
Journal of Physics: Conference Series, Volume 890, 1st International Conference on Applied & Industrial Mathematics and Statistics 2017 (ICoAIMS 2017) 8–10 August 2017, Kuantan, Pahang, Malaysia Citation Suhartono et al 2017 J. Phys.: Conf. Ser. 890 012160