ارزیابی ریسک سود واحدهای پرواربندی گوساله در ایران: رویکرد ارزش در معرض ریسک (VaR)

اقتصاد و توسعه کشاورزی

مقاله 4، دوره 35، شماره 1 - شماره پیاپی 51، خرداد 1400، صفحه 47-62   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead.2021.17805.0

نویسندگان

صبا مرادی¹؛ عذرا جوان بخت^{* 2}؛ حامد خلیل وندی بهروزیار³

¹فارغ التحصیل کارشناسی ارشد اقتصاد کشاورزی، دانشگاه ارومیه

²گروه اقتصاد کشاورزی، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه.

³گروه علوم دامی، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه.

چکیده

تولیدکنندگان در طول زمان با ریسک­های بالایی در ارتباط با بازده تولید مواجه می‌باشند. بی­اطمینانی از سود بدست آمده در این واحدها، سرمایه‌گذاران را بی­انگیزه و جذب سرما­یه را با مشکل روبرو می­کند. به طور کلی معیارهای اندکی برای اندازه­گیری و پیش­بینی­ ریسک سود واحدهای کشاورزی وجود دارد. مطالعه حاضر با هدف بررسی و ارزیابی ریسک سود صنعت پرواربندی با استفاده از معیار ارزش در معرض ریسک انجام گرفت و برای این منظور از تکنیک شبیه­­سازی مونت­کارلو بهره گرفته شد. داده­ها و اطلاعات به کار رفته در این تحقیق، از طریق پایگاه های اطلاعاتی شرکت سهامی پشتیبانی امور دام، بانک مرکزی ایران و بخشی از داده­ها به صورت مصاحبه با محققان و متخصصین تغذیه دام و بازار نهاده­های کشاورزی جمع‌آوری شدند. این داده‌ها، شامل قیمت هفتگی نهاده­های خوراک دام و محصول طی سال‌های 1383 تا 1397 می­باشد که از افزونه @Risk جهت تجزیه و تحلیل آنها استفاده شده است. نتایج به دست آمده، نشان می‌دهد که ارزش در معرض ریسک هفتگی هر رأس گوساله­پرواری در سطح 95 درصد، با استفاده از داده­های 14 ساله مذکور 302108 ریال است و انتظار می­رود در هفته بعد ازبرآورد مدل با احتمال تنها 5% ضرری بیشتر از این مقدار وجود نداشته باشد. مبلغ محاسبه شدهVaR  برای هر رأس گوساله در هر هفته، رقم اندکی نمی‌باشد و ریسک بالای سود را در این صنعت نشان می‌دهد. همچنین مؤثرترین عوامل بر سود واحدهای پرواربندی در ایران، به ترتیب قیمت نهاده گوساله، ذرت و یونجه می‌باشند. بنابراین به منظور کاهش ریسک سود واحدهای پرواربندی کنترل بازار این نهاده­ها توصیه می­گردد.

کلیدواژه‌ها

ارزش در معرض ریسک؛ ایران؛ پرواربندی گوساله؛ ریسک سود؛ شبیه‌سازی مونت‌کارلو

مراجع

1. Alexander C. 2005. The Present and Future of Financial Risk Management. Journal of Financial Econometrics 3(1): 3–25.
2. Badiei H., Emami A., Gholami R., and Yousfi M. 2011. Inferring the most significant parameters associated with beneficial index of industrial and mining project using sensitivity analysis.‏ Journal of Financial Engineering and Securities Management 2: 155-169. (In Persian with English abstract)
3. Belasco E.J. 2008. The Role of Price Risk Management in Mitigating Fed Cattle Profit Exposure. The Journal of Agricultural and Resource Economics 33(3): 332-348.
4. Belasco E. J., Cheng Y., & Schroeder T. C. 2015. The impact of extreme weather on cattle feeding profits. Journal of agricultural and resource economics, 40(2): 285-305.
5. Glasserman P., Heidelberger P., and Shahabuddin P. 2000. Variance reduction techniques for estimating value-at-risk. Management Science 46(10): 1349-1364.
6. Hawes C.R., Wilson W.W., and Dahl B. L. 2005. Value at risk: Agricultural processor procurement and hedging strategies (No. 1187-2016-93686).‏
7. Herrington M.A. 2013. An evaluation of changing profit risks in Kansas cattle feeding operations (Doctoral dissertation, Kansas State University).
8. Janzen M.G. 2017. Fed Cattle Marketing: A Field Experiment (Doctoral dissertation, Mississippi State University).
9. Jorion Ph. 2001. Value at risk: the new benchmark for managing financial risk. NY: McGraw-Hill Professional.‏
10. Karlsson M., and Flodman J. 2011. Value at Risk: A comparison of Value at Risk models during the 2007/2008 financial crisis.‏
11. Kastens T., and Schroeder T.C. 1994. Cattle feeder behavior and feeder cattle placements. Journal of Agricultural and Resource Economics 19: 337-348.
12. Langemeier M., Schroeder T., and Mintert J. 1992. Determinants of cattle finishing profitability. Journal of Agricultural and Applied Economics 25(2): 41-47.
13. Larsen R.C. 2017. Economic analysis of profitability factors in cattle feeding: modeling optimal feeding to achieve maximum profitability (Doctoral dissertation, Colorado State University).
14. Linsmeier T.J., and Pearson N.D. 2012. “Value at Risk.” Financial Analysts Journal 56(2): 47-67.
15. Lawrence J., Wang Z., and Loy D. 1999. Elements of cattle feeding profitability in Midwest feedlots. Journal of Agricultural and Applied Economics 31(2): 349
16. Manfredo M.R., and Leuthold R.M. 2001. Market risk and the cattle feeding margin: An application of value‐at‐risk. Agribusiness: an International Journal 17(3): 333-353.
17. McNeil A.J., Frey R., and Embrechts P. 2015. Quantitative Risk Management: Concepts, Techniques and Tools-revised edition. Princeton university press.‏
18. Moltz B., Yu M., Osei E., Smith W.B., and Poe B. 2019. The economic analysis of corn grain optimization and price variation for cattle on feed in Texas. Agriculture 9(7): 159.
19. Oppong S., Asamoah D., and Oppong E. 2016. Value at risk: historical simulation or Monte Carlo simulation. In International Conference on Management, Communication and Technology (ICMCT) 4(1): 45-51.
20. Palisade Corporation. 2012. Guide to Using @Risk: Risk Analysis and Simulation. Available at www.palisade.com
21. Purwaningsih R., Arief M., Handayani N.U., Rahmawati D., and Mustikasari A. 2018. Market risk assessment on poultry industry using Monte Carlo simulation. In IOP Conference Series: Materials Science and Engineering 403: 012044.‏
22. Radpour M., and Abeduh Tabrizi H. 2009. Market risk measurement and management: A Value-at-risk approach. Agah and pishbord Publications, Tehran. ‏(In Persian)
23. Raei R., and Falahtalab H. 2013. Application of Monte Carlo Simulation and Random Walk Process to Value at Risk Forecasting. Quarterly Financial Engineering and Securities Management (Portfolio Management) 4: 75-92.‏ ‏(In Persian with English abstract)
24. Sinclair C.D., Spurr B.D., and Ahmad M.I. 1990. Modified Anderson darling test. Communications in Statistics-Theory and Methods 19(10): 3677-3686.
25. Tonsor G.T., and Schroeder T.C. 2011. Multivariate forecasting of a commodity portfolio: application to cattle feeding margins and risk. Applied Economics 43: 1329-1339.
26. Zomorodian G. 2015. Comparison of Parametric (Applide Econometric) and Nonparammetric (Monte Carlo) in Measuring the Amount of Value at Riske (VaR) in the Portfolio of Investment Companies for Determining the Optimum in Capital Market of Iran. Financial Engineering and Securities Management 6: 147-164. (In Persian with English abstract)