تاثیر سیاست‌های پولی بر ارزش افزوده صنایع تولید فلزات اساسی ایران (رهیافت برنامه‌ریزی ریاضی مثبت)

بخش صنعت یکی از بخش‌های مهم و اساسی اقتصاد کشور محسوب شده و به دلیل ارتباط با بخش‌های دیگر نقش مهمی در افزایش تولید و بهره‌وری آن‌ها دارد. از سوی دیگر، سیاست‌های پولی نیز با تحریک طرف تقاضای اقتصاد بر رشد تولید و اشتغال و سطح قیمت‌ها تاثیر بسزایی دارد. از این رو، هدف اصلی این مطالعه بررسی تاثیر سیاست‌های پولی بر ارزش افزوده زیربخش صنایع تولید فلزات اساسی با بهره‌گیری از رهیافت برنامهریزی ریاضی مثبت طی سال‌های 1396-1369 می‌باشد. برای این منظور ابتدا با بهره‌گیری از رهیافت هم‌جمعی خودرگرسیونی با وقفه‌های توزیعی به تخمین الگو در بلندمدت پرداخته شد و در ادامه تعیین سناریو و تحلیل حساسیت توسط رهیافت برنامه‌ریزی ریاضی مثبت صورت گرفت. نتایج برآورد مدل نشان داد سیاست‌های کاهشی و افزایشی متغیرهای پولی (حجم نقدینگی ونرخ سود بانکی) در سناریوهای مختلف بر ارزش افزوده بهینه آن زیربخش تاثیر دارد. همچنین شاخصه مهم این روش محاسبه مقدار بهینه ارزش افزوده هر زیربخش در سال پایه وامکان هدف‌گذاری آن در سناریوهای مختلف است. به‌عنوان مثال در سناریو اول، در صورت کاهش 5، 10 و 20 درصد حجم نقدینگی، ارزش افزوده زیر بخش صنایع تولید فلزات اساسی به میزان 4، 8 و 18 درصد افزایش می‌یابد. علاوه بر این، در این سناریو کاهش متغیر سیاست نرخ سود به همان نسبت موجب افزایش 5، 8 و 16 درصدی در میزان ارزش افزوده صنایع تولیدی فلزات اساسی خواهد شد.

Impact of Monetary Policy on Value Added in Iran’s Industrial SubSectors (Positive Mathematical Programing Approach) with Emphasis on Basic Metals subsector

The main purpose of this paper is to investigate the effect of monetary policy on the value added in the basic metal Industries sector is based on the use of positive mathematical programming during the periode of 1990 2017. For achieving this, at first the longrun relationship between variables has been estimated by using of ARDL approach and then, the scenario designing and sensitivity analysis has been implemented through PMP model.The results of this study showed that the decreasing and incremental policies of monetary variables (liquidity and bank interest rate) in different scenarios have an effect on the added value of optimizing that subsection. Also, an important indicator of this method is to calculate the optimal value added of each subsection in its base year and its targeting capability in some other scenarios. For example, in the first scenario, in the case of 5, 10, and 20 percent reduction in liquidity, value added will increase by 4, 9 and 18 percent in Basic Material Production industries. In this scenario, the drop in the policy variable will also increase the bank interest rate by as much as 3, 7 and 15 percent in the added value.