پژوهشکده تحقیقات راهبردی مجمع تشخیص مصلحت نظام فصلنامه علمی پژوهشی راهبرد اقتصادی 2252-0597 10 38 2021 11 22 Estimating and Forecasting Modified Money Demand Function in Iran Given Economic Sanctions تخمین و پیش‌بینی تابع تعدیل شده تقاضای پول ایران با وجود تحریم‌های اقتصادی 463 498 143285 FA سیدعزیز آرمن عضو هیئت علمی دانشگاه شهید چمران اهواز اشکان بذرافکن دانشگاه شهید چمران اهواز امیرحسین منتظرحجت عضو هیئت علمی دانشگاه شهید چمران اهواز سید امین منصوری عضو هئیت علمی دانشگاه شهید چمران اهواز 0000-0003-1537-9212 Journal Article 2021 06 24 Money demand is one of the key variables in the economy which is considered by the policymakers in determining monetary policies. In fact, the impact of monetary policies is transmitted from the money demand channel by the private sector to the real sector of the economy. Therefore, more accurate estimation and forecasting of this variable in terms of environmental factors could be helpful for the monetary policymakers. In the present study, the adjusted function of real money demand with respect to the variables of economic sanctions, economic uncertainties and underground economy by using Markov Switching Model for the period of 1979 to 2018 with two regimes of high money demand (a regime with greater y-intercept) and lower money demand (a regime with less y-intercept) were estimated. The Artificial Neural Network (ANN) method was used in order to forecast the money demand function. Then, in order to ensure the high predictive capability of the ANN method, the forecast was performed by Markov Switching Model. The results demonstrated that Measure of National Income and Output has a positive effect, housing returns (the proxy for interest rates) has a negative effect, exchange rate in both regimes has a negative effect, the volume of the underground economy in both regimes has a positive effect, economic uncertainties in both regimes have a negative effect and economic sanctions in both regimes have a negative effect on real money demand. Furthermore, the results of the forecast indicated that the ANN method has a higher predictive capability in comparison with Markov Switching Model. تقاضای پول از متغیرهای کلیدی در اقتصاد است که در تعیین سیاست‌های پولی، مورد توجه سیاست‌گذاران قرار می‌گیرد؛ زیرا اثر اجرای سیاست‌های پولی، از کانال تقاضای پول، توسط بخش خصوصی به بخش واقعی اقتصاد انتقال می‌یابد؛ بنابراین تخمین و پیش‌بینی هر چه دقیق‌تر این متغیر با لحاظ عوامل محیطی، می‌تواند برای سیاست‌گذاران پولی راهگشا باشد. در این پژوهش، تابع تعدیل شده‌ی تقاضای پول حقیقی با لحاظ متغیرهای تحریم‌های اقتصادی، نااطمینانی‌های اقتصادی و اقتصاد زیرزمینی با استفاده از روش مارکوف سوییچینگ برای بازه زمانی (1397:4-1358:1) با دو رژیم تقاضای پول بالا (رژیم دارای عرض از مبدأ بیشتر) و تقاضای پول پایین (رژیم دارای عرض از مبدأ کمتر) تخمین زده شد. برای پیش‌بینی تابع تقاضای پول از روش شبکه عصبی مصنوعی استفاده شد و سپس برای اطمینان از قدرت بالای پیش‌بینی روش شبکه عصبی مصنوعی، پیش‌بینی با روش مارکوف سوییچینگ نیز انجام گرفت. نتایج پژوهش نشان می‌دهد که درآمد ملی اثر مثبت، بازدهی مسکن (پراکسی برای نرخ بهره) اثر منفی، نرخ ارز در هر دو رژیم اثر منفی، حجم اقتصاد زیرزمینی در هر دو رژیم اثر مثبت، نااطمینانی‌های اقتصادی در هر دو رژیم اثر منفی و تحریم‌های اقتصادی در هر دو رژیم اثر منفی بر تقاضای پول حقیقی دارند. همچنین نتایج پیش‌بینی نشان می‌دهد که روش شبکه عصبی مصنوعی از قدرت پیش‌بینی بالاتری نسبت به روش مارکوف سوییچینگ برخوردار است. https://econrahbord.csr.ir/article_143285_94cf27f1c7198bbc4b3487f1fdff80e6.pdf