تحلیل عوامل مؤثر بر تقاضای مشتق شده ی گندم و پیش بینی آن با تأکید بر ترجیحات مصرف کننده

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

2 دانشجوی دکتری اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

3 دانشجوی دکتری اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران و کارشناس آمار کشوری، مرکز آمار ایران

چکیده

با توجه به افزایش روزافزون تقاضای گندم به‌عنوان نهاده تولید در کشورهای درحال‌توسعه و ضروری بودن این محصول در سبد خانوار، الگوسازی صحیح تابع تقاضای گندم و تعیین عوامل مؤثر برای برنامه‌ریزی و همچنین پیش‌بینی برای تأمین به‌موقع با هزینه­های کم اقتصادی و اجتماعی، دارای اهمیت زیادی است. در این مطالعه با استفاده از مفهوم روند ضمنی و ایجاد یک مدل- فضا حالت، با به‌کارگیری الگوریتم کالمن فیلتر، تقاضای گندم با تأکید بر ترجیحات مصرف‌کننده به‌عنوان نهاده تولید (تقاضای مشتق شده) برای دوره زمانی 1395-1361 برآورد شد. نتایج حاکی از غیر هموار و غیرخطی بودن روند ضمنی (ترجیحات مصرف‌کننده) است. کشش­های قیمتی و درآمدی تقاضای مشتق شده گندم کمتر از یک به ترتیب 0270/0- و 2148/0 برآورد گردید؛ بنابراین ازیک‌طرف گندم به‌عنوان یک محصول ضروری با درجه ضروریت بالا شناسایی شد و از طرف دیگر بنظر می رسد سیاست­های قیمتی و درآمدی برای کاهش مصرف، کارایی لازم را ندارند؛ بنابراین با توجه به ترجیحات مصرف‌کننده و ضروری بودن این محصول در سبد خانوار، سیاست  مصرف درست، پیشنهاد می­شود. افزایش راندمان در صنایع تبدیلی از جمله راهکارهای مصرف درست و کاهش تقاضای روزافزون این محصول است. نتایج حاصل از پیش‌بینی (در سال 1401 مقدار پیش بینی شده 48/24 میلیون تن) با لحاظ ترجیحات مصرف­کننده در الگو روند افزایش تقاضای گندم را نشان می­دهد. ازاین‌رو مدیران و برنامه­ریزان لازم است با اتخاذ تصمیماتی ازیک‌طرف تقاضا را کاهش داده و از طرف دیگر گندم موردنیاز برای صنایع تبدیلی را تأمین کنند.

کلیدواژه‌ها


  1. Alamri, Y. and Mark, T. (2018). Functions of Wheat Supply and Demand in Saudi Arabia, Journal of Agricultural Economics and Rural Development, 4(2), 461-468
  2. Amadeh, H., Mehregan, N., Haghani, H. and Haddad, M. (2013). Estimation of Gas oil Demand Function in Iraninan Agriculture Sector Using Structural Time Series Approach, Economics Research, 13(51), 53-80.
  3. Amadeh, H., Mehregan, N., Haghani, H. and Haddad, M. (2014). Estimation of Electricity demand structural model in the agricultural sector using Underlying Trend concept and Kalman filter algorithm, Quarterly Energy Economics Review, 10(42): 109-134.
  4. Balali , H. and Mohammadi, M. (2019). Investigating the economic behavior of wheat farmers in Kermanshah to reduce the negative environmental impacts of chemical fertilizers (Application of Contingent Valuation Method), Iranian Journal of Agricultural Economics and Development Research, 50(4): 643-657.
  5. Chitnis, M. (2005). Estimation of price elasticity of gasoline demand using structural time series model and implicit trend concept, The Economic Research, 5(3): 1-16.
  6. Doust Mohamadi, M. M., Ezadpanah, Z. (2013). Investigating variations in virtual water volume, production rate, yield, for increasing efficiency of agricultural water use in rainfed and irrigated wheat. (eds). Proceedings of First National Behran Water Conference, Islamic Azad university, Khorasgan Isfahan.
  7. Dilaver, Zafer and Hunt, Lester C (2010), Industrial Electricity Demand for Turkey: A Structural Time Series Analysis, Energy Economics, 33, 426-436.
  8. Emami Meibodi, A., Mohammadi, T. and Soltanololamaii, S.M.H. (2010). An Estimation of Natural Gas Domestic Demand Function by Using Kalman Filter Method (A Case Study of Residential Gas Demand Function in Tehran), Quarterly Journal of Quantitative Economics, 7(3): 23-41.
  9. Feiai, A., Mosavi, S.H. and Khalilian, S. (2017). Evaluating the impacts of removing government protection policies in the Iranian wheat market using market equilibrium approach. Iranian Journal of Agricultural Economics and Development Research, 48(2), 241-256.
  10. Haddad, M. and Sadeghi Saghdal, H. (2016). Understanding underlying trend and using it in Modeling of agricultural production function with respect to the water input, Journal of Water and Sustainable Development, 2(2): 15-26.
  11. Haddad, M. and Amadeh, H. (2017). Modeling Environmental Kuznets Curve in the transport sector in Iran Using Structural Time Series, Transportation Technology, 11(26), 57-73.

12.    Hosseini, S.S. and Shahbazi, H. (2013). Estimation of Iran's Agricultural Aggregate Demand and Supply: 1959-2007, Agricultural Economics and Development, 27(1): 16-24.

  1. Hojabr Kiani, K. and Haji Ahmadi, N. (2002). Estimation of Demand Functions of Inputs for Production and Supply of Irrigated and Dryland Wheat in Iranian Agriculture, Agricultural Economics and Development, 10(39): 49-70.
  2. Harvey, A. C. (1989), Forecasting, Structural Time Series Models and The Kalman Filter, Cambridge University Press, Cambridge, UK.
  3. Harvey, A. C. and Koopman, S. J. (1992). Diagnostic Checking of Unobserved Components Time Series Models, Journal of Business and Economic Statistics, 10: 377-389.
  4. Heckelei, T. and Britz, W. (1999) Maximum Entropy Specification of PMP in CAPRI. Capri working paper 99-08. Institute for Agricultural Policy, University of Bonn. 22 p. Available in website: http://a16.agp.uni-bonn.de:80/agpo.
  5. Ho, S. L. Xie, M. Goh, T. N (2002), A comparative study of neural network and Box-Jenkins ARIMA modeling in time series prodiction. Computers and Industrial Engineering, 371-375.
  6. Iran Ministry of Health and Medical Education. (2013). Good food basket for Iranian society. Qom. Andishe Mandegar Press.
  7. Keshavarz Haddad, GH.R. and Mirbagherijam, M. (2007). Estimation of Residential and Commercial Demand for Natural Gas in Iran Using the Structural Time Series Model. Iranian Journal of Economic research, 9(32), 137-160.
  8. Mahmood, N., Arshad, M., Kächele, H., Ma, H., Ullah, A., & Müller, K. (2019). Wheat yield response to input and socioeconomic factors under changing climate: Evidence from rainfed environments of Pakistan. Science of the Total Environment, 688, 1275-1285
  9. Ministry of Jihad Keshavarzi. (2020) Office of Statistics and Information Technology, Volume One: Crop Products - Agricultural Statistics, Tehran, Iran.
  10. Rezaee, B. and Torkamani, J. (2000). Estimation of production input demand functions and wheat supply in Iranian agriculture, Agricultural Economics and Development, 8(31): 87-113.
  11. Statistics Center of Iran (2020). Results of Household Income and Income Survey 2011-2019.
  12. Sa’ad, Suleiman (2009), Electricity Demand for South Korean Residential Sector, Energy Policy, 37, 5469-5474.

25.    Sadeghi, H., Akhondali, A., Haddad, M. and Golabi, M. (2015). Modeling and Forecasting of Water Demand in Isfahan Using Underlying Trend Concept and Time Series, Journal of Water and Soil, 29(2): 251-262.

  1. Sabouhi, M and Ahmadpour M. (2012). Estimation of iran agricultural products demand functions using mathematical programming (Application of maximum entropy method), Agricultural Economics, 6(1), 71-91.
  2. Shakeri, A., Mohammadi, T., jahangard, A. and Mosavi, M.H. (2010). Estimation of gasoline demand modeling in Iran's transportation sector, Quarterly Energy Economics Review, 7(25): 1-31.
  3. Uuld, U. and Magda, R. (2019). Import demand analysis for wheat in Mongolia, Economics & working capital, 124-138.
  4. Yazdani, S., Hasanaki, M. and Norouzi, H. (2019). Investigating The Effects of Guaranteed Prices and Production Costs on The Cultivated Area of Agricultural Strategic Crops, Iranian Journal of Agricultural Economics and Development Research, 50(2): 19-28.
  5. Zulfiqar, M. and Chishti, A. F. (2010). Development of Supply and Demand Functions of Pakistan’s Wheat Crop. The Lahore Journal of Economics, 15(1): 91- 102.
  6. http://www.fao.org/home/en/