---

شوک‌های پولی به‌عنوان یکی از ابزارهای کنترل اقتصاد در نظام‌های اقتصادی هستند. درک درست از چگونگی تأثیر این شوک‌ها بر نظام اقتصادی، راهنمایی خوب برای تعیین سیاست‌های مناسب برای اثرگذاری بر دیگر متغیرهای کلان اقتصادی است. در این مقاله با استفاده از شبکه‌های عصبی مصنوعی، تاثیر شوک‌های پولی بر میزان تولید در کشور مدل‌سازی و بررسی شده است. با بـررسـی جداگانه شوک‌های مثبت و منفی، تأثیرات متقارن و نامتقارن این شوک‌ها در حالت‌های مختلف و برای بازه‌های متفاوتی از مقادیر شوک‌ها براساس رفتار غیرخطی تولید به‌دست آمد. نتایج به دست آمده نشان می‌دهد که می‌توان با استفاده از مدل شبکه‌ی عصبی مصنوعی، حالت بهینه شوک‌های پولی را برای دستیابی به بیشترین رشد تولید در وضعیت‌های متفاوت اقتصادی به-دست آورد. به‌این صورت که متقارن یا نامتقارن بودن رفتار شوک‌های پولی بستگی به‌ اوضاع اقتصادی سال و دوره‌ی مورد بررسی دارد. افزون براین، برای اثرگذاری شوک‌ها(تأثیر مثبت یا منفی) بر تغییرات تولید نیز بستگی به مقدار شوک دارد و شوک‌ها یک اثر خاص بر تولید ندارند.

---

کمبود نقدینگی عواقب نامطلوب و متعددی برای بانک‌ها درپی دارد. به همین علت بررسی راهبردهای مختلف تأمین نقدینگی از اهمیت زیادی برخوردار است. در شرایط معمول بازار، راهبردهای تعدیل زیادی برای تأمین نقدینگی در اختیار بانک‌هاست که می‌توانند در صورت قرارگرفتن در معرض تعهدات پرداخت بالاتر، دارایی‌های نقد بیش‌تری داشته باشند. در این مقاله، سه راهبرد برای مدیریت نقدینگی نظام بانکی کشور در شرایط فوق مورد توجه قرار می‌گیرد. هدف این مقاله، آزمون سه راهبرد برای مدیریت نقدینگی مبتنی‌بر توصیه کمیته بال در شرایط افزایش تعهدات پرداخت شبکه بانکی کشور با استفاده از روش گشتاورهای تعمیم‌یافته(GMM) است. به این منظور، از داده‌های 20 بانک از شبکه بانکی کشور برای سال‌های 1388-1380 استفاده می‌شود. نتایج تحقیق، بیانگر رابطه مثبت میان نرخ رشد تعهدات پرداخت و نرخ رشد موجودی اوراق بهادار است. همچنین رابطه میان نرخ رشد تعهدات پرداخت و نرخ رشد بازپرداخت وام‌ها مثبت برآورده شده و در مقابل نتایج حاکی از رابطه معکوس میان نرخ رشد وام‌های بلندمدت و نرخ رشد تعهدات پرداخت است.

---

هدف این مقاله بررسی عوامل موثر بر شکاف قیمتی و آزمون اصل تقارن میان قیمت نفت خام و قیمت گازوئیل می باشد. در این راستا از قیمت نفت خام برنت، قیمت گازوییل 6 کشور اروپایی و نوسانات نرخ برابری یورو به دلار به صورت هفتگی در دوره زمانی1/1/1999ـ 25/8/2011 استفاده شده است. انجام مطالعه با استفاده از مدل خطی (داده های تابلویی) و مدل‌های غیرخطی (شبکه عصبی مصنوعی و تبدیل موجک) صورت گرفته است. نتایج مطالعه نشان می دهد که اگرچه طبق مدلهای خطی و غیرخطی متغیرهای مذکور تاثیر چندانی در نوسانات کوتاه‌مدت شکاف قیمتی ندارد، اما طبق مدلهای غیرخطی، این متغیرها حدود 92 درصد نوسانات بلندمدت شکاف قیمتی را توضیح می دهند. بر اساس نتایج حاصل از مدل‌های خطی و غیرخطی، اصل تقارن در نوسانات کوتاه‌مدت قیمت نفت خام پذیرفته میشود اما این امر در مورد نوسانات بلندمدت مصداق ندارد.

---

با توجه به سهم بالای دارایی مسکن در پرتفوی دارایی عاملان اقتصادی، درک، شناخت، پیش‌بینی و استخراج دوره‌های رونق و رکود قیمت مسکن می‌تواند برای خریداران مسکن و یاسرمایه‌گذاران بالقوه مسکن مفید باشد.طی بیست سال گذشته، افزایش قیمت مسکن در تهران و شهرهای بزرگ کشور به صورت پله‌ای بوده و رفتاری سیکلی (ادواری) داشته است. در این مقاله پس از استخراج سیکل‌های بلند مدت با فرکانس پایین قیمت مسکن توسط فیلتر موجک با استفاده از سری زمانی قیمت مسکن از Q41390Q3-1369، و با استفاده از شبکه عصبی اقدام به پیش‌بینی ادامه سیکل‌های قیمت مسکن با استفاده از سیکل‌های استخراج شده قیمت مسکن جهت شناسایی و پیش‌بینی دوره‌های رکود یا رونق قیمت مسکن، در فصولبعد از فصل چهارم سال 1391 شده است. که نتایج نشان داد که از فصل انتهایی سال 1391 تا  پایان فصل سوم  این سال شاهد طی‌شدن دوره‌های رونق قیمت مسکن هستیم و در ادامه قیمت مسکن از فصل پایانی سال 1392 با رکود مواجه می‌شود.

---

در این مقاله، پیش‌بینی درآمد حاصل از این منبع مالیاتی با استفاده از رویکرد مبتنی بر برآورد پایه مالیاتی مدنظر قرار گرفته است. بدین نحو که در مرحلۀ اول، پایۀ مالیات (مخارج مصرفی سیگار) برای دوره 1391 الی 1394 پیش بینی و سپس مالیات این سال‌ها با اعمال نرخ‌های مالیاتی، محاسبه خواهد شد. در این راستا از آنجا که یکی از دغدغه‌های سیاستگذاران دسترسی به پیش‌بینی‌های دقیق از درآمدهای مالیاتی است، از روش شبکه‌های عصبی با ناظر برای پیش‌بینی و برای آموزش شبکه‌ها از الگوریتم پس انتشار استفاده شده است. نتایج بیانگر آن است که درآمد مالیات بر ارزش افزوده ناشی از مصرف سیگار در سال‌های مورد پیش‌بینی، به‌طور متوسط از رشد سالانه 20 درصد برخوردار خواهد شد.

---

ین مطالعه به بررسی وضعیت سنجش سرمایۀ اجتماعی و مسائل و مشکلات آن می‌پردازد. از آنجا که سرمایه اجتماعی یک مقوله کیفی است، لذا سنجش آن با مشکلات خاصی مواجه است و به همین دلیل، هنوز روش و رویه یکسانی برای آن ارائه نشده است. این مشکل هم در سطح جهانی و هم در سطح ملی وجود دارد.  مطالعات مختلفی که در این خصوص صورت گرفته و در آینده نیز انجام می‌شود، دارای شیوه‌های کاملاً متفاوتی هستند و بدیهی است که نتایج آنها نیز کاملاً متفاوت و حتی گاهی اوقات، متناقض می‌باشد. این وضعیت به‌گونه‌ای است که مقایسه هر یک از مطالعات صورت گرفته با مطالعه پایه‌ای وزارت ارشاد، نشان‌دهندۀ تفاوت‌های اساسی بین نتایح آنها است. به‌عنوان مثال؛ در مطالعه وزارت ارشاد، نسبت حداکثر شاخص سرمایه اجتماعی به حداقل آن، حدود 84/1 برابر می‌باشد. این در حالی است که در برخی از مطالعات به 28 برابر می‌رسد و در برخی موارد نیز، تفاوت محسوسی مشاهده نمی‌شود و نسبت مذکور حدود 08/1 می باشد. اما تفاوت اساسی اینجا است که ضریب همبستگی شاخص سرمایه اجتماعی بین مطالعات مختلف با مطالعه وزارت ارشاد، اختلافات جدی را نشان می‌دهد، به‌گونه‌ای که در برخی از مطالعات نزدیک به صفر، در برخی منفی و در برخی نیز مثبت می‌باشد. بنابراین، هر یک از این مطالعات با توجه به اهداف و روش‌های خود به نتایج متفاوتی رسیده‌اند. این نتایج نشان می‌دهد که برآورد و تحلیل سرمایه اجتماعی در ایران نیازمند دقت بیشتر در انتخاب مفاهیم و روش‌های اندازه‌گیری است.

---

مصرف گاز طبیعی به عنوان یکی از مهم‌ترین حامل‌های انرژی، طی سالیان اخیر روند صعودی را داشته و مدیریت مصرف و برنامه‌ریزی جهت تأمین نیازهای آن، نیازمند شناخت وضعیت مصرف کنونی و پیش‌بینی روند آتی آن می‌باشد. با معرفی و کاربرد گسترده مدل‌های مختلف همچون شبکه‌های عصبی مصنوعی جهت برآورد روند آتی مصرف و از طرفی تصادفی بودن آن‌ها، آگاهی از دقت این مدل‌ها جهت نیل به هدف پیش‌بینی دقیق‌تر، اهمیت بیشتری یافته است. پژوهش حاضر سعی دارد با به‌کارگیری شبکه‌های عصبی مصنوعی به عنوان مدلی غیرخطی و مدل خطی ARIMA در پیش‌بینی مصرف ماهانه گاز طبیعی در بخش خانگی ایران به عنوان عمده‌ترین بخش مصرف‌کننده، به مقایسۀ دقیق‌تر این پیش‌بینی‌ها با استفاده از باز نمونه‌گیری از نمونه‌ها بپردازد. بدین منظور ابتدا آموزش شبکه با استفاده از الگوریتم‌های ژنتیک و ازدحام ذرات صورت گرفته و مقایسه آن‌ها با استفاده از روش «10-fold» حاکی از عملکرد بهتر الگوریتم ازدحام ذرات جهت آموزش شبکه بود. در ادامه شبکه عصبی با  استفاده از باز نمونه‌گیری با جایگذاری از ‌داده‌های اردیبهشت‌ماه 1381 تا اسفندماه 1388 به تعداد 2000 بار توسط الگوریتم ازدحام ذرات آموزش داده شد و مصرف ماهانه گاز طبیعی در بخش خانگی طی سال‌های‌ 1389 و 1390 توسط آن‌ها پیش‌بینی و فاصله اطمینان 95 درصدی برای پیش‌بینی‌ها محاسبه شد. نتایج بررسی معنی‌داری اختلاف پیش‌بینی مدل ترکیبی شبکه عصبی با مدل ARIMA  و همچنین مقادیر واقعی، بر اساس فاصله اطمینان به دست آمده حاکی از  عملکرد بهتر شبکه عصبی ترکیبی نسبت به مدل ARIMA در اغلب ماه‌ها بود.