سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات158
تعداد شماره‌ها6,243
تعداد مقالات67,877
تعداد مشاهده مقاله115,499,610
تعداد دریافت فایل اصل مقاله90,275,734
باستانزاد, حسین, داودی, پدرام. (1400). رژیم پولی هدف‌گذاری روی نرخ ارز در قالب کریدور در اقتصاد ایران. , 56(3), 435-470. doi: 10.22059/jte.2022.332159.1008560
حسین باستانزاد; پدرام داودی. "رژیم پولی هدف‌گذاری روی نرخ ارز در قالب کریدور در اقتصاد ایران". , 56, 3, 1400, 435-470. doi: 10.22059/jte.2022.332159.1008560
باستانزاد, حسین, داودی, پدرام. (1400). 'رژیم پولی هدف‌گذاری روی نرخ ارز در قالب کریدور در اقتصاد ایران', , 56(3), pp. 435-470. doi: 10.22059/jte.2022.332159.1008560
باستانزاد, حسین, داودی, پدرام. رژیم پولی هدف‌گذاری روی نرخ ارز در قالب کریدور در اقتصاد ایران. , 1400; 56(3): 435-470. doi: 10.22059/jte.2022.332159.1008560

رژیم پولی هدف‌گذاری روی نرخ ارز در قالب کریدور در اقتصاد ایران

فصلنامه تحقیقات اقتصادی
مقاله 1، دوره 56، شماره 3 - شماره پیاپی 136، دی 1400، صفحه 435-470    اصل مقاله (609.95 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jte.2022.332159.1008560
نویسندگان
حسین باستانزاد1؛ پدرام داودی* 2
1پژوهشگر ارشد/ پژوهشکده پولی و بانکی بانک مرکزی
2استادیار، پژوهشگاه قوه قضاییه
چکیده
بروز ناپایداری مالی و تکانه‌های خارجی در اقتصاد ایران و اثرات انتقالی آن‌ها بر بازارهای پول و اسعار به‌ترتیب موجب جهش‌های مقطعی در تورم، شکل‌گیری نرخ‌های بهرۀ سیاستی منفی، انتقال منابع مالی از بخش‌های حقیقی به سمت بخش‌های مالی، کاهش سهم سرمایه‌گذاری از تولید ناخالص داخلی، افزایش تقاضاهای احتیاطی و سوداگرانه در بازار دارایی‌ها به‌طور عام و بازار ارز به‌طور خاص و همچنین رشدهای پلکانی نرخ‌های برابری اسعار شد که در شرایط مذکور، گرایش به رژیم پولی هدف‌گذاری روی نرخ ارز در دامنه‌های قابل‌تعدیل اجتناب‌ناپذیر است. در این تحقیق، فرضیۀ تأثیرپذیری کریدور رشد نرخ ارز از تکانه‌های بخش‌های حقیقی، مالی، پولی و موازنۀ پرداخت‌ها با استفاده از یک الگوی خودبازگشت برداری تحت سیاست آزمون می‌شود تا از یک سو مکانیسم واکنشی بهینۀ کریدور به ازای تکانه‌های مذکور پایش شود و از سوی دیگر رابطۀ میان رشد نرخ ارز و متغیرهای وضعیت بخش‌های فوق برآورد شود. براساس نتایج مندرج در توابع کنش-واکنش مبتنی بر کرانۀ بالای کریدور، می‌ةوان گفت با افزایش تورم، تغییرات ذخایر خارجی و سهم دیون دولت از پایۀ پولی بهتر است تا کرانه بالا وسیع‌تر شود و درخصوص تکانه های بهبود نرخ بهره واقعی، سهم دیون بانکی از پایه پولی و نسبت سرمایه گذاری به تولید کاهش دامنه نوسانات پیشنهاد شده است.
طبقه‌بندی JEL: E52, C32.
کلیدواژه‌ها
الگوی خودرگرسیون برداری تحت سیاست؛ رژیم ارزی؛ رژیم پولی؛ سیاست پولی؛ کریدور ارز
عنوان مقاله [English]
Exchange Rate Corridor Target Currency Regime in the Iranian Economy
نویسندگان [English]
Hossein Bastanzad1؛ Pedram Davoudi2
1Senior Researcher, Monetary and Banking Research Institute of the Central Bank
2Assistant Professor, Judiciary Research Institute
چکیده [English]
Sustained fiscal deficits and external shocks have affected the monetary and foreign exchange markets, leading to periodic increases in inflation, the formation of negative policy rates, the transfer of financial resources from the real sector to the financial sector, a reduction in the ratio of investment to GDP, an acceleration of speculative demand in the asset and foreign exchange markets, and rapid depreciation in the foreign exchange market. Therefore, the inflation target is inevitably replaced by the exchange rate target within a flexible corridor to improve financial stability, while the interest rate loses its role as a nominal anchor. In this study, the effects of real, fiscal, monetary and BOP shocks on the exchange rate corridor were statistically estimated using the policy vector auto-regression (PVAR) method to calculate the relationship between exchange rate growth and macroeconomic variables. In addition, the optimal response of the exchange rate corridor to the shocks of the contingent state variables is also investigated. The result of the Impulse Response Function (IRF) shows that higher inflation, international reserves, and the ratio of the net claim on the government to the monetary base (MB) cause the upper band of the exchange rate corridor to widen, and conversely, a reduction in the volatility of real interest rates, the ratio of the net claim on banks to MB, and the ratio of gross investment to GDP could narrow the EXR corridor.
JEL Clasification: E52, C32.
کلیدواژه‌ها [English]
VAR under Policy, Monetary Regime, Exchange Rate Regime, Exchange Rate Corridor, Monetary Policy
مراجع
  1. براتی، جواد، کریمی موغاری، زهرا و مهرگان، نادر (1396). تعیین و تحلیل فضایی سرریز سرمایه‌گذاری صنعتی استان‌های ایران. فصلنامۀ تحقیقات مدل‌سازی اقتصادی، 29، 133-99.
  2. پورمحمدی، محمدرضا، قربانی، رسول و تقی‌پور، علی‌اکبر (1397). بررسی تطبیقی رهیافت‌های رگرسیون وزنی جغرافیایی و حداقل مربعات معمولی در برآورد مدل‌های مکان. نشریۀ پژوهش‌های جغرافیا و برنامه‌ریزی، 23(63)، 76.
  3. خلیلی عراقی، سید منصور، کمیجانی، اکبر، مهرآرا، محسن و عظیمی، سید رضا (1392). اثر انتشار فضایی تغییرات قیمت مسکن در ایران با استفاده از مدل وقفۀ فضایی و داده‌های ترکیبی. فصلنامۀ پژوهش و سیاست‌های اقتصادی، 67، 48-25.
  4. دهقانی، سحر، موسوی جهرمی، یگانه و عبدلی، قهرمان (1397). تئوری چشم‌انداز؛ رهیافتی نوین در توضیح پدیدۀ فرار مالیاتی. تحقیقات اقتصادی، 53(1)، 23-1.
  5. رضایی، هادی، علیزاده، محمد و نادمی، یونس (1396). عوامل مؤثر بر مخارج بهداشتی سرانه: مقایسۀ مدل‌های فضایی در منتخبی از کشورهای درحال‌توسعه. فصلنامۀ نظریه‌های کاربردی اقتصاد، 4(4)، 26-
  6. صارمی، حمیدرضا، حیدری، محمد و آقایی، فاطمه (1397). تحلیل فضایی قیمت مسکن با استفاده از تکنیک رگرسیون موزون جغرافیایی؛ مورد مطالعه: منطقۀ دو شهرداری تهران. فصلنامۀ اقتصاد شهری دانشگاه اصفهان، 3(2)، 38 -19.
  7. طالبلو، رضا، محمدی، تیمور و پیردایه، هادی (1396). تحلیل انتشار فضایی تغییرات قیمت مسکن در استان‌های ایران (رهیافت اقتصادسنجی فضایی). فصلنامۀ پژوهشنامه اقتصادی، 7(66)، 95.
  8. عسکری، حشمت‌الله و همکاران (1398). اقتصادسنجی فضایی در داده‌های مقطعی و ترکیبی (به کمک نرم‌افزار استتا). چاپ اول. ایلام: دانشگاه ایلام.
  9. عسکری، علی و اکبری، نعمت‌الله (1380). روش‌شناسی اقتصادسنجی فضایی (تئوری و کاربرد). مجلۀ جامعه‌شناسی کاربردی، 12(1-2)، 122-93.
  10. عظیمی،‌ سیدرضا (1391). نقش عوامل پایه‌ای و حباب بر نوسانات قیمت مسکن در ایران با استفاده از رویکرد ترکیبی فضایی. رسالۀ دکتری اقتصاد. دانشگاه تهران.
  11. فرهمند، شکوفه و فروغی، فردوس (1390). تحلیل فضایی عوامل مؤثر بر قیمت مسکن در ایران (رهیافت رگرسیون وزنی جغرافیایی). سومین کنفرانس برنامه‌ریزی و مدیریت شهری. مشهد.
  12. قلی‌زاده، علی‌اکبر و بختیاری‌پور، سمیرا (1391). اثر اعتبارات بر قیمت مسکن در ایران. فصلنامۀ مطالعات اقتصادی کاربردی ایران، 1(3)، 180-
  13. قلی‌زاده، علی‌اکبر و کمیاب، بهناز (1394). غرامت‌های بیکاری منطقه‌ای در بازار مسکن استان‌های ایران. پژوهش‌های رشد و توسعۀ پایدار (پژوهش‌های اقتصادی)، 15(3)، 66-
  14. قلی‌زاده، علی‌اکبر و عقیقی، بهاره (1394). اهرم و زمین و نوسانات قیمت مسکن در ایران. فصلنامۀ مطالعات اقتصادی کاربردی ایران، 4(14)، 67-49.
  15. قلی‌زاده، علی‌اکبر (1387). نظریۀ قیمت مسکن در ایران (به زبان ساده). چاپ اول. تهران: نور علم.
  16. لیسج، جیمز و پیس، کلی (1392). مقدمه‌ای بر اقتصادسنجی فضایی. ترجمۀ جلایی اسفندیاری، عبدالمجید و جمشیدنژاد، آرش. چاپ اول. تهران: نور علم.
  17. Anenberg, E. (2011). Loss aversion, equity constraints and seller behavior in the real estate market. Regional Science and Urban Economics, 41(1), 67–76.
  18. Anselin, L. (1988). Spatial Econometrics: Methods and Models. Dodrecht. The Netherlands: Kluwer Academic Publishers.
  19. Anselin, L. (2003). Spatial externalities, spatial multipliers, and spatial econometrics. International Regional Science Review, 26, 153–166.
  20. Aquaro, M., Bailey, N., & Pesaran, M. H. (2021). Estimation and inference for spatial models with heterogeneous coefficients: An application to US house prices. Journal of Applied Econometrics, 36(1), 18-44.
  21. Astuti, A. M., Zain, I., & Purnomo, J. D. T. (2020). A Review of Panel Data on Spatial Econometrics Models. In Journal of Physics: Conference Series(Vol. 1490, No. 1, p. 012032). IOP Publishing. ‌
  22. Bandt, O., & Malik, S. (2010). Is there evidence of shift-contagion in international housing markets? Banque de France Working Paper 295, Banque de France.
  23. Bivand, R., Millo, G., & Piras, G. (2021). A Review of Software for Spatial Econometrics in R. Mathematics, 9, 1276.
  24. Brady, R. R. (2014). The spatial diffusion of regional housing prices across US states. Regional Science and Urban Economics, 46: 150–166.
  25. Case, K., & Shiller, R. (1988). The behavior of home buyers in boom and post-boom markets. New England Economic Review, Nov, 29–46.
  26. Cellmer, R., Cichulska, A., & Bełej, M. (2020). Spatial Analysis of Housing Prices and Market Activity with the Geographically Weighted Regression. International Journal of Geo–Information, 9(6), 380.
  27. Cohen, J., Ioannides, Y., & Thanapisitikul, W. (2016). Spatial effects and house price dynamics in the USA. Journal of Housing Economics, 31, 1-13.
  28. Cohen, J. P., Ioannides, Y. M., & Thanapisitikul, W. (2016). Spatial effects and house price dynamics in the USA. Journal of Housing Economics, 31, 1-13.
  29. Colletaz, G., & Hurlin, C. (2006). Threshold effects of the public capital productivity: an international panel smooth transition approach.‌ Retrieved from: https://halshs.archives-ouvertes.fr/halshs-00008056.
  30. DeFusco, A., Ding, W., Ferreira, F., & Gyourko, J. (2018). The role of price spillover in the American housing boom. Journal of Urban Economics, 108, 72-84.
  31. Elhorst, J. P. (2021). Cross-section dependence and spillovers in space and time. Journal of Economic Surveys, 35(1), 192–226.
  32. Elhorst, J. P. (2017). Spatial Panel Data Analysis, 2nd edition, pp. 2050-2058. Springer International Publishing, Cham, Switzerland.
  33. Elhorst, J. P. (2014). Spatial Econometrics: From Cross-sectional Data to Spatial Panels. Berlin. Heidelberg.
  34. Elhorst, J. P. (2011). Dynamic spatial panels: models, methods and inferences. Journal of Geographical Systems, 14, 5–28.
  35. Genesove, D., & Mayer, C. (2001). Loss aversion and seller behavior: Evidence from the housing market. The Quarterly Journal of Economics, 116(4), 1233–1260.
  36. Gillen, K., Thibodeau, T., & Wachter, S. (2001). Anisotropic autocorrelation in house prices. The Journal of Real Estate Finance and Economics, 23(1), 5-30. ‌
  37. Gong Y., Boelhouwer, P., & de Haan, J. (2014). Spatial dependence in house prices: Evidence from china’s interurban housing market. Ersa Conference Regional Science Association, 14- 448.
  38. González, A., Teräsvirta, T., van Dijk, D., & Yang, Y. (2005). Panel Smooth Transition Regression model. SSE/EFI Working Paper Series in Economics and Finance 604. Stockholm School of Economics. ‌
  39. Guo, J., & Qu, X. (2018). Spatial interactive effects on housing prices in Shanghai and Beijin. Regional Science and Urban Economics, 76(C), 147-160.
  40. Holly, S., Pesaran, M. H., & Yamagata, T. (2011). The spatial and temporal diffusion of house prices in the UK. Journal of Urban Economics, 69(1), 2-23.
  41. Hyun, D., & Milcheva, S. (2017). Spatial dependence in apartment transaction prices during boom and bust. Regional Science and Urban Economics, 68, 36-45.
  42. Ioannides, Y. M., & Thanapisitikul, W. W. (2008). Spatial effects and house price dynamics in the continental US. 2014-10-15]. Retrieved from:

http://www. tufts. edu/yioannid/IoannidesThanapisitikulSpatEffects-07-08-08. pdf.‌

  1. Kahneman, D., & Egan, P. (2011). Thinking, Fast and Slow (Farrar, Straus and Giroux, New York). Cited on (2011), 15. ‌
  2. Meen, G. (1999). Regional house prices and the ripple effect: A new interpretation. Housing Studies, 14(6), 733–753.
  3. Moralı, O., & Yılmaz, N. (2020). An analysis of spatial dependence in real estate prices. The Journal of Real Estate Finance and Economics?, 1-23.
  4. Mussa, A., Nwaogu, U. G., & Pozo, S. (2017). Immigration and housing: A spatial econometric analysis. Journal of Housing Economics, 35, 13-25.
  5. Oikarinen, E., Bourassa, S. C., Hoesli, M., & Engblom, J. (2018). US metropolitan house price dynamics. Journal of Urban Economics, 105, 54-69.‌
  6. Pijnenburg, K. (2017). The spatial dimension of US house prices. Urban Studies, 54(2), 466-481. ‌
  7. Thaler, R. H. (1999). Mental accounting matters. Journal of Behavioral Decision Making, 12, 183–206.
  8. Wen, H. et al. (2017). Spatial heterogeneity in implicit housing prices: evidence from Hangzhou, China. Journal of Strategic Property Management, 21(1), 15–28.
  9. Wen, H., Jin, Y., & Zhang, L. (2017). Spatial heterogeneity in implicit housing prices: evidence from Hangzhou, China. International Journal of Strategic Property Management, 21(1), 15-28.‌
  10. Wood, R. (2003). The information content of regional house prices: Can they be used to improve national house price forecasts? Bank of England Quarterly Bulletin, 43(3), 304–314.
  11. Wu, Y., Wei. Y.D. & Li, H. (2020). Analyzing spatial heterogeneity of housing prices using large datasets, applied spatial analysis and policy. Applied Spatial Analysis and Policy, 13, 223–256.
  12. Xu, Y., & Yang, Z. (2020). Specification tests for temporal heterogeneity in spatial panel data models with fixed effects. Regional Science and Urban Economics. 81, Research Collection School of Economics. Retrieved from:

 https://ink.library.smu.edu.sg/ soe_research/2361.

Zhang, L., Wang, H., Song, Y., & Wen, H. (2019). Spatial spillover of house prices: An empirical study of the Yangtze Delta urban agglomeration in China. Sustainability, 11(2), 544.

آمار
تعداد مشاهده مقاله: 639
تعداد دریافت فایل اصل مقاله: 492


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب