بررسی حباب قیمتی گوشت در ایران: کاربرد مدل فضا-حالت

اقتصاد و توسعه کشاورزی

مقاله 4، دوره 36، شماره 2 - شماره پیاپی 55، شهریور 1401، صفحه 157-167   

نوع مقاله: مقالات پژوهشی به زبان انگلیسی

شناسه دیجیتال (DOI): 10.22067/jead.2022.72570.1083

نویسندگان

زینب شکوهی^{* 1}؛ محمد حسن طرازکار²

¹اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شیراز

²اقتصاد کشاورزی- دانشگاه شیراز

چکیده

حباب‌های قیمتی و نوسانات قیمت محصولات کشاورزی از چالش‌های مهمی است که می‌تواند رفاه مصرف‌کنندگان و تولیدکنندگان را به طور قابل توجهی تحت تاثیر قرار دهد. بنابراین، در این مطالعه، حباب‌های قیمت در سه محصول پروتئینی اصلی، یعنی گوشت گوسفند، گوشت گاو و مرغ، با استفاده از مدل فضا-حالت بر اساس فیلتر کالمن با استفاده از داده‌های ماهانه از سال 1380 تا 1399 مورد بررسی قرار گرفت. در این راستا، به ترتیب قیمت جو، قیمت کنسانتره، جوجه یکروزه و ذرت را به عنوان نهاده‌های مهم مورد استفاده برای تولید گوشت گوسفند، گاو و مرغ در نظر گرفته شد. همچنین از نرخ واقعی ارز و قیمت واقعی نفت در مدل استفاده شده است. نتایج نشان دهنده تفاوت ساختارهای در حباب‌های قیمتی مثبت و منفی، دوره و تعداد وقوع و فروپاشی حباب در موراد مورد مطالعه بود. همچنین بر خلاف قیمت مرغ، به این نتیجه رسیدیم که حباب قیمت گوشت گوسفند و گوساله نسبت به سطح قیمت قابل توجه نیست. در بازار گوشت مرغ علت اصلی حباب‌های قیمتی را می‌توان به دلیل اختلال در روند بازاریابی این محصولات، عدم شفافیت اطلاعات و دخالت‌های متناقض دولت در بازار دانست. برای مقابله با این مشکل، پیاده‌سازی اطلاعات بازار بصورت تجمیع شده از طریق فناوری اطلاعات و ارتباطات می‌تواند ابزاری کارآمد در جهت حل چالش مذکور در نظر گرفته شود. علاوه بر این، مداخله دولت باید به جای کنترل قیمت‌ها، اصلاح ساختار بازار باشد.

کلیدواژه‌ها

گوشت گوسفند؛ گوشت مرغ؛ گوشت گاو؛ کالمن فیلتر

مراجع

1. Adämmer P., and Bohl M.T. 2015. Speculative bubbles in agricultural prices. The Quarterly Review of Economics and Finance 55: 67-76. https://doi.org/10.1016/j.qref.2014.06.003.
2. Afrasiyabei M., and Tarazkar M.H. 2020. Price bubble in agricultural production, second conference in innovations in business administration and economics, 9 September 2020, Iran, Tehran.
3. Areal F.J., Balcombe K., and Rapsomanikis G. 2016. Testing for bubbles in agriculture commodity markets. Economía Agraria y Recursos Naturales-Agricultural and Resource Economics 16(1): 59-79. https://doi.org/10.7201/earn.2016.01.04.
4. Arshanapalli B., and Nelson W.B. 2016. Testing for stock price bubbles: A review of econometric tools. The International Journal of Business and Finance Research 10(4): 29-42.  https://ssrn.com/abstract=2913177.
5. 2021. Selected Economic Indicators report, Central Bank of Iran.
6. Etienne X.L., Irwin S.H., and Garcia P. 2015. Price explosiveness, speculation, and grain futures prices. American Journal of Agricultural Economics 97(1): 65-87.https://doi.org/10.1093/ajae/aau069.
7. Garber P.M. 1989. Tulipmania. Journal of Political Economy 97(3): 535-560.
8. GarberM. 2001. Famous First Bubbles: The Fundamentals of Early Manias. MIT Press.
9. Gil-Alana L.A. 2007. Testing of seasonal integration and co-integration with fractionally integrated techniques: An application to the Danish Labor demand. Journal of Economic Modeling 25: 326-339. https://doi.org/10.1016/j.econmod.2007.06.003.
10. GilbertL. 2010, March. speculative influences on commodity futures prices 2006-2008. Geneva, Switzerland: United Nations Conference on Trade and Development.
11. Gutierrez 2011. Looking for rational bubbles in agricultural commodity markets (No. 726-2016-50062).
12. HamiltonJ. 1994. State space models, Chapter 50 in Robert F. Engle and Daniel L. McFadden (eds.), Handbook of Econometrics, Volume 4, Amsterdam: Elsevier Science B.V.
13. HarveyC. 1989. Forecasting, structural time series models and the Kalman Filter, Cambridge: Cambridge University Press.
14. Jiang M., Liu J., and Zhang L. 2021. An extended regularized Kalman Filter based on genetic algorithm: Application to dynamic asset pricing models. The Quarterly Review of Economics and Finance 79: 28-44. https://doi.org/10.1016/j.qref.2020.12.005.
15. Kizys R., and Pierdzioch Ch. 2011. The financial crisis and the stock markets of the CEE countries. Czech Journal of Economics and Finance 61(2): 153-172.
16. KoopmanJ., Shephard N., and Doornik J.A. 1999. Statistical algorithms for models in state space using SsfPack 2.2. Econometrics Journal 2(1): 107-160. https://doi.org/10.1111/1368-423X.00023.
17. Li, Chavas J.P., Etienne X.L., and Li C. 2017. Commodity price bubbles and macroeconomics: Evidence from the Chinese agricultural markets. Agricultural Economics 48(6): 755-768. https://doi.org/10.1111/agec.12372.
18. Liao-EtienneL., Irwin S.H., and Garcia P. 2012. Price explosiveness and index trader behavior in the Corn, Soybean, and Wheat futures markets. American Journal of Agricultural Economics 97(1): 65-87. https://www.jstor.org/stable/24477001.
19. Liu, Filler G., and Odening M. 2013. Testing for speculative bubbles in agricultural commodity prices: a regime switching approach. Agricultural Finance Review 73(1): 179-200. https://doi.org/10.1108/00021461311321384.
20. Madah 2018. Testing for bubbles in the import market of some strategic agricultural commodities of Iran. Journal of Agricultural Economic Research 39(10): 261-276. http://jae.miau.ac.ir/article_2893_en...
21. Mohammadi, Mohammadi H., and Azami H. 2016. Identifying price bubbles in chicken and beef meat markets with rational expectations. Journal of Economics and Agricultural Development 30(2): 88-96.
22. Rasekhi, Shahrazi M., and Mila Elmi Z. 2018. Examining the price bubbles in Iran’s foreign exchange market using Nonlinear state space model: An Application of Sigma-Point Kalman Filter (SPKF), Monetary and Financial Economics 25(15): 33-50.
23. Tadasse, Algieri B., Kalkuhl M., and Braun J.V. 2014. Drivers and triggers of international food price spikes and volatility. Food Policy 47: 117-128. https://doi.org/10.1016/j.foodpol.2013.08.014.
24. Taylor A.R. 1998. Testing for unit roots in monthly time series. Journal of Time Series Analysis 19(3): 349-368. https://doi.org/10.1111/1467-9892.00096.
25. Umar, Jareño F., and Escribano A. 2021. Agricultural commodity markets and oil prices: An analysis of the dynamic return and volatility connectedness. Resources Policy 73: 102147. https://doi.org/10.1016/j.resourpol.2021.102147.
26. Wang X.Q., Su Ch., Tao R., and LOBONŢ O.R. 2018. When will food price bubbles burst? A Review. Agricultural Economics 64(12): 566-573. https://doi.org/10.17221/21/2018-AGRICECON.
27. Yildirim 2021. Testing bubbles formation at real‐time commodity prices. Journal of Public Affairs 21(3): e2243. https://doi.org/10.1002/pa.2243.
28. Zhang H., Hudson R., Metcalf H., and Manahov V. 2015. Identification of house price bubbles using user cost in a state space model. Applied Economics 47(56): 6088-6101. https://doi.org/10.1080/00036846.2015.1064078.
29. ZhangX., Liu L., Su C.W., Tao R., Lobonţ O.R., and Moldovan N.C. 2019. Bubbles in agricultural commodity markets of China. Complexity. https://doi.org/10.1155/2019/2896479.