برآورد تولید ناخالص داخلی فصلی ایران با استفاده از تصاویر ماهواره‌ای نور شب

اقتصاد و توسعه منطقه ای

مقاله 1، دوره 29، پاییز و زمستان 24، اسفند 1401، صفحه 1-29   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/erd.2023.77085.1127

نویسندگان

وحید فولادگر¹؛ مهدی فیضی^{* 2}

¹دانشجوی دکتری اقتصاد دانشگاه فردوسی مشهد

²استادیار اقتصاد دانشگاه فردوسی مشهد

چکیده

با وجود اهمیت و ضرورت وجود آمار دقیق و با توالی مناسب برای سیاست‌گذاری اقتصادی، داده‌های اقتصادی در بسیاری از کشورهای درحال‌توسعه ازجمله ایران به دلایل متعدد با دقتی پایین و توالی کم تولید می‌شوند. در سال‌های اخیر، استفاده از تصاویر ماهواره‌ای، مخصوصاً تصاویر نور شب، با دقت بالا و توالی زیاد به‌عنوان یکی از منابع مهم اطلاعاتی برای برآورد میزان فعالیت اقتصادی در کشورهای جهان مورداستفاده قرار گرفته است. در این مقاله، برای نخستین بار، نسل جدید داده‌های ماهانه نور شب برای ایران گردآوری، پردازش و پالایش شدند و از این داده‌ها برای برآورد تولید ناخالص داخلی در ایران در مقاطع فصلی استفاده شده است. نتایج نشان داد که این داده‌ها، برآورد بسیار خوبی از تولید ناخالص داخلی ایران در سطح ملی ارائه می‌دهد و استفاده از آن‌ها در کنار برآورد جمعیت کشور و در نظر گرفتن تغییرات فصلی، می‌تواند قابلیت پیش‌بینی مدل را افزایش دهد.

کلیدواژه‌ها

نور شب؛ تصاویر ماهواره ای؛ تولید ناخالص داخلی ایران؛ شاخص های اقتصاد کلان

مراجع

References

Akhbari, R.; Shakibai, A., & Nejati, M. (2019). Nighttime monitoring of economy: introducing a modern regional approach to regional planning. Quarterly Journals of Urban and Regional Development Planning, 3(7), 141-184. doi: 10.22054/urdp. (in Persian)

Bell, W. R., & Hillmer, S. C. (1984). Issues Involved With the Seasonal Adjustment of Economic Time Series. Journal of Business & Economic Statistics, 2(4), doi:10.1080/07350015.1984.10509398.

Beyer, R. C. M.; Chhabra, E.; Galdo, V., & Rama, M. G. (2018). Measuring districts' monthly economic activity from outer space,Policy Research working paper; no. WPS 8523. Washington, D.C.: World Bank Group.

Brendstrup, B.; Hylleberg, S.; Nielsen, M. R.; Skipper, L., & Stentoft, L. (2004). Seasonality In Economic Models. Macroeconomic Dynamics, 8(3), doi:10.1017/s1365100504030111.

Chen, X., & Nordhaus, W. D. (2011). Using luminosity data as a proxy for economic statistics. Proc. Natl. Acad. Sci. U.S.A. 108, 8589–8594

Chen, X., & Nordhaus, W. (2015). A Test of the New VIIRS Lights Data Set: Population and Economic Output in Africa. Remote Sens, 7, 4937-4947.

Chen, X., & Nordhaus, W. D. (2019). VIIRS Nighttime Lights in the Estimation of Cross-Sectional and Time-Series GDP. Remote Sens., 11, 1057.

Farzanegan, M. R., & Hayo, B. (2018). Sanctions and the shadow economy: empirical evidence from Iranian provinces, Applied Economics Letters, DOI: 10.1080/13504851.2018.1486981

Farzanegan, M. R., & Fischer, S. (2021). Lifting of International Sanctions and the Shadow Economy in Iran—A View from Outer Space. Remote Sens., 13, 4620. https://doi.org/ 10.3390/rs13224620

Henderson, J.; Vernon, A. S., & David N. W. (2012). Measuring economic growth from outer space. American Economic Review, 102(2): 994-1028.

Mirhosseini, S.; Ebrahimzadeh, E.; Rafieian, M.; Modiri, M., & Ahadnejad Roshti, M. (2015). Monitoring the dynamics of urbanization in contemporary iran using multi-temporal images DMSP / OLS. Geographical Data, 24(96), 21-37. https://www.sid.ir/en/journal/ViewPaper.aspx?id=486389.(in Persian)

Nasr Esfahani, R.; Akbari, N., & Bidram, R. (2005). Determinants of Seasonal Output Gap in Iran. Iranian Journal of Economic Research, 7(22), 43-68. (in persian)

Rezaeei Rad, H., & Rafieyan, M. (2017). Estimating the spatial-temporal changes in intensity of the heat island in tehran metropolitan by using aster and landsat8 satellite images. Journal Of Regional Planning, 7(27),47-60.  https://www.sid.ir/en/journal/ViewPaper.aspx?id=565421.(in persian)

Shi, K.; Yu, B.; Huang, Y.; Hu, Y.; Yin, B.; Chen, Z.; Chen, L., & Wu, J. (2014). Evaluating the Ability of NPP-VIIRS Nighttime Light Data to Estimate the Gross Domestic Product and the Electric Power Consumption of China at Multiple Scales: A Comparison with DMSP-OLS Data. Remote Sens., 6, 1705-1724. https://doi.org/10.3390/rs6021705

Skoufias, E.; Strobl, E., & Tveit, T. (2021). Can we rely on VIIRS nightlights to estimate the short-term impacts of natural hazards? Evidence from five South East Asian countries, Geomatics, Natural Hazards and Risk, 12:1, 381-404, DOI: 10.1080/19475705.2021.1879943

Sun, J.; Di, L.; Sun, Z.; Wang, J., & Wu, Y. (2020). Estimation of GDP Using Deep Learning With NPP-VIIRS Imagery and Land Cover Data at the County Level in CONUS, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 1400-1415

Wang, X.; Rafa, M.; Moyer, J.D.; Li, J.; Scheer, J., & Sutton, P.(2019). Estimation and Mapping of Sub-National GDP in Uganda Using NPP-VIIRS Imagery. Remote Sens., 11, 163. https://doi.org/10.3390/rs11020163

Zhao, M.; Cheng, W.; Zhou, C.; Li, M.; Wang, N., & Liu, Q.(2017). GDP Spatialization and Economic Differences in South China Based on NPP-VIIRS Nighttime Light Imagery. Remote Sens., 9, 673.

 https://doi.org/10.3390/rs9070673

Zuleta, H, (2008). Seasons, Savings and GDP, Documentos de Trabajo, Facultad de Economía, Universidad del Rosario, No. 32

https://doi:10.2139/ssrn.1537093