آمار

تعداد نشریات280
تعداد نشریات سازمان79
تعداد شماره‌ها2,322
تعداد مقالات26,851
تعداد مشاهده مقاله14,741,107
تعداد دریافت فایل اصل مقاله11,790,473
دادرس مقدم, امیر, حسینی, سید مهدی, نوروزیان, محمد, مهدی, محمد. (1400). مدل سازی تأثیر شوک های اقتصادی بر بازده سهام صنعت قند و شکر. سامانه مدیریت نشریات علمی, 29(4), 151-179. doi: 10.30490/aead.2022.353126.1296
امیر دادرس مقدم; سید مهدی حسینی; محمد نوروزیان; محمد مهدی. "مدل سازی تأثیر شوک های اقتصادی بر بازده سهام صنعت قند و شکر". سامانه مدیریت نشریات علمی, 29, 4, 1400, 151-179. doi: 10.30490/aead.2022.353126.1296
دادرس مقدم, امیر, حسینی, سید مهدی, نوروزیان, محمد, مهدی, محمد. (1400). 'مدل سازی تأثیر شوک های اقتصادی بر بازده سهام صنعت قند و شکر', سامانه مدیریت نشریات علمی, 29(4), pp. 151-179. doi: 10.30490/aead.2022.353126.1296
دادرس مقدم, امیر, حسینی, سید مهدی, نوروزیان, محمد, مهدی, محمد. مدل سازی تأثیر شوک های اقتصادی بر بازده سهام صنعت قند و شکر. سامانه مدیریت نشریات علمی, 1400; 29(4): 151-179. doi: 10.30490/aead.2022.353126.1296

مدل سازی تأثیر شوک های اقتصادی بر بازده سهام صنعت قند و شکر

اقتصاد کشاورزی و توسعه
مقاله 6، دوره 29، شماره 4 - شماره پیاپی 116، اسفند 1400، صفحه 151-179  XML اصل مقاله (1.19 MB)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.30490/aead.2022.353126.1296
نویسندگان
امیر دادرس مقدم1؛ سید مهدی حسینی1؛ محمد نوروزیانorcid 2؛ محمد مهدی email 3
1استادیار گروه اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
2دانشجوی دکتری اقتصاد کشاورزی، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
3نویسنده مسئول و استادیار گروه اقتصاد و حسابداری، دانشگاه امام علی (ع)، تهران، ایران.
چکیده
یکی از مهم‏ترین مشکلات بخش کشاورزی نبود یا کمبود فرآوری محصولات کشاورزی است؛ اما در فرآوری دو محصول چغندرقند و نیشکر، ایران با جایگاهی مناسب در جهان توانسته است با ایجاد زیرساخت ‏های لازم و جذب سرمایه­ گذاری­های خصوصی و عمومی و از طریق بازار سرمایه، این فعالیت را گسترش دهد و زمینه خودکفایی نسبی در صنایع قندی را فراهم سازد. در پژوهش حاضر، با بررسی و شناسایی متغیرهای کلان اقتصادی مؤثر بر بازده سهام صنعت شکر و قند در بورس اوراق بهادار ایران در دوره زمانی 1389 تا 1398 با استفاده از الگوریتم تقریب تابع ژنتیک، تأثیر شوک های این متغیرها بر بازده این‏گونه سهام با بهره‏ یری از روش خودرگرسیون برداری پانل بررسی شد. نتایج نشان داد که از میان شش متغیر کلان اقتصادی، متغیرهای نرخ ارز دولتی، قیمت نفت اوپک و حجم نقدینگی اثر مثبت و معنی‏دار بر بازده سهام صنعت قند و شکر دارد، به‏گونه‌ای که با افزایش این متغیرها، انگیزه سرمایه­گذاری در صنعت قند و شکر افزایش می‏یابد؛ اما، قیمت زمین بر بازده سهام صنعت قند و شکر اثر منفی و معنی‏دار دارد، زیرا با افزایش قیمت در بازار زمین، انگیزه برای سرمایه­ گذاری در این بازار افزایش و به تبع آن، سرمایه‏ گذاری برای خرید سهام صنعت قند و شکر کاهش می­یابد. با توجه به توابع واکنش آنی، واکنش بازده سهام صنعت قند و شکر نسبت به نرخ ارز دولتی در ابتدا منفی بوده و سپس، از دوره دوم به بعد، صعودی شده است و واکنش بازده سهام صنعت قند و شکر نسبت به شوک قیمت نفت اوپک تا پنج دوره، مؤثر و صعودی بوده است و همچنین، واکنش بازده سهام صنعت قند و شکر نسبت به شوک متغیرهای حجم نقدینگی و قیمت زمین در ابتدای دوره، صعودی بوده و سپس، از دوره سوم تا پنجم، نزولی بوده است. با توجه به نتایج پژوهش، پیشنهاد می­ شود که با افزایش نرخ ارز دولتی، قیمت نفت اوپک و حجم نقدینگی، مدیریت صنعت قند و شکر سعی در جذب منابع مالی بیشتر از بازار سرمایه داشته باشند تا با سرمایه­ گذاری بیشتر، زمینه توسعه این صنعت و خودکفایی فرآوری این محصول راهبردی را فراهم سازد. همچنین، به سیاست‏گذاران توصیه می ­شود که با مهار نوسان‏ های قیمت در بازارهای موازی، از خروج سرمایه از بازار سرمایه جلوگیری کنند.
کلیدواژه‌ها
بازار سرمایه؛ صنعت قند و شکر؛ الگوریتم تقریب تابع ژنتیک؛ خودرگرسیون برداری پانل
عنوان مقاله [English]
Modeling the Impact of Economic Shocks on the Stock Returns of the Sugar Industry
نویسندگان [English]
A. Dadrasmoghaddam1؛ s. M Hosseini1؛ M. Norouzian2؛ M. Mehdi3
1Assistant Professor, Department of Agricultural Economics, Sistan and Baluchestan University, Zahedan, Iran.
2PhD Student in Agricultural Economics, Sistan and Baluchestan University, Zahedan, Iran.
3Assistant Professor, Department of Economics and Accounting, Imam Ali University, Tehran, Iran
چکیده [English]
One of the most important problems in the agricultural sector is the lack or deficiency of processing of agricultural products; however, in processing two products including sugar beet and sugarcane, Iran has a suitable position in the world, being able to expand this activity by creating the necessary infrastructure and attracting private and public investments through the capital market, and provide the ground for relative self-sufficiency in sugar industry. In the present study, by examining and identifying macroeconomic variables affecting the stock returns of the sugar industry in the Iranian Stock Exchange in the period 2010 to 2019 using the genetic function approximation algorithm, the effect of shocks of these variables on the returns of such stocks was examined using panel vector auto-regression method. The study results showed that among the six macroeconomic variables, the variables of government exchange rate, OPEC oil prices and liquidity volume had significantly positive effects on the stock returns of the sugar industry, so that with the increase of these variables, the incentive to invest would increase in the sugar industry; however, land prices had a significantly negative effect on the stock returns of the sugar industry, because with the increase in prices in the land market, the incentive to invest in this market would increase and, consequently, investment to buy shares in the sugar industry would decrease. According to the impulse reaction functions, the reaction of the sugar industry stock returns to the government exchange rate was initially negative and then, from the second period onwards, increased, and the sugar industry stock return reaction to the OPEC oil price shock have been effective and upward up to five periods; and also, the reaction of the sugar industry stocks to the shock of the variables of liquidity volume and land prices at the beginning of the period was upward and then, from the third to the fifth period, was downward. According to the study results, it is suggested that with the increase of government exchange rate, OPEC oil prices and liquidity, the management of the sugar industry should try to attract more financial resources from the capital market so that with more investment, it could pave the ground for the development of this industry and self-sufficiency in processing of this strategic product. Policymakers are also advised to prevent capital outflows by controlling price fluctuations in parallel markets.
کلیدواژه‌ها [English]
Capital Market, Sugar Industry, Genetic Function Approximation, Panel Vector Auto-Regression
مراجع
  1. Akbari, S.M.R., Dadrss Moghaddam, A. and Hazareh , A. (2017). Investigation of financial ratios with stock prices of agricultural related industries in Iranian stock exchange. Journal of Agricultural Economics Research, 9(33): 165-176. (Persian)
  2. Bala, J., Huary, J., Vafaie, H., De Jong, K. and Wechslev, H. (1995). Hybrid learning using genetic algorithms and decision trees for pattern classification. IJCAI Conference, Montreal, August, 19-25.
  3. Dube, M.S. and Shokoh, M.J. (2021). The impact of macroeconomic variables on stock market development in Zimbabwe. JournalNX, 6(09): 88-101.‏
  4. DeJong, T.M. (1975). A comparison of three diversity indices based on their components of richness and evenness. Oikos, 26(2): 222-227.‏
  5. Ebrahimi, M. (2020). Investigating the effect of macroeconomic variables on the Iranian stock market using data mining algorithms. Financial Economics, 13(49): 283-309. (Persian)
  6. Fama, E. (1981). Stock returns, real activity, inflation and money. The American Economic Review, 71(4): 545-565.
  7. Fajri, W.A. Nurdiana, D.A. and Rusgianto, S. (2021). The relationship between macroeconomics variables and Islamic stock market returns listed in Indonesian Islamic stock index. Journal of Islamic Economics Lariba, 6(2): 191-211.
  8. FAO (2016). Biodiversity: agricultural biodiversity. Food and Agriculture Organization (FAO). Available at http://www.fao.org/biodiversity.
  9. Farshadfar, Z. (2017). Investigating the relation between exchange rate as one of the microeconomic variable and stock return with APT model: a case study of export companies in Tehran Stock Exchange. Financial Knowledge of Securities Analysis, 10(33): 89-102. (Persian)
  10. Heidari, H., Mohammadzadeh, Y. and Refah-Kahriz, A. (2018). An investigation of the effect of exchange rate on the pharmaceutical industry stock return in Tehran Stock Exchange: an application of the Markov-Switching approach. Journal of Asset Management and Financing, 6(2): 35-56. (Persian)
  11. Holland, J.H. (1975). Adaptation in natural and artificial systems: an introductory analysis with applications to biology, control, and artificial intelligence. Ann Arbor, MI: University of Michigan Press.
  12. Hussain, N. and Qayyum Khan, A. (2014). An analysis of the stock return and exchange rate variation on market return of pharmaceutical industry in Pakistan. World Applied Sciences Journal, 31(6): 1180-1187.
  13. Isa, M.A.M., Nasrul, F., Noh, M.K.A. and Mohamed, S. (2018). A conceptual paper on cointegration and causality between the stock markets and macroeconomic variables. Global Business and Management Research, 10(2): 298.‏
  14. Jareño, F., Escribano, A. and Cuenca, A. (2019). Macroeconomic variables and stock markets: an international study. Applied Econometrics and International Development, 19(1): 43-54.‏
  15. Kazemi, A., Menhaj, M.B., Mehrgan, M.R. and Kamyab Moghaddas, A. (2007). Designing rating model of oil refineries of Iran using fuzzy data envelopment analysis. Paper Presented at the Fifth International Management Conference. (Persian)
  16. Karimi, M.Sh., Heydarian, M. and Dehghan Jabbarabadi, Sh. (2018). Analysis of the effects of overflow between oil markets and Tehran Stock Exchange during multiple time scales using VAR-GARCH-BEKK model based on wavelet). Financial Economics, 12(42): 25-46. (Persian)
  17. Khajeh, A. and Modarress. H, (2010). QSPR prediction of flash point of esters by means of GFA and ANFIS. Journal of Hazardous Materials. 179(1-3): 715-720.
  18. Khaled, K.F. and El-Sherik, A.M. (2013). Using molecular dynamics simulations and genetic function approximation to model corrosion Inhibition of iron in chloride solutions. International journal of Electrochemical Science, 8: 10022-10043.
  19. Levin, A., Lin, Ch-F. and James Chu, Ch-Sh. (2002). Unit root tests in panel data: asymptotic and finite-sample properties. Journal of Econometrics, Elsevier, 108(1): 1-24.
  20. Liu, X., An. H., Huang, Sh. and Wen, Sh., (2017). The evolution of spillover effects between oil and stock markets across multi-scales using a wavelet-based GARCH–BEKK model. Physica A 465(2017): 374-383.
  21. Lovell, D., Pawlowsky-Glahn, V., Egozcue, J.J., Marguerat, S. and Bähler, J. (2015). Proportionality: a valid alternative to correlation for relative data. PLoS Comput Biol, 11(3): e1004075.
  22. Mamipour, S.and Feli, A. (2017). The impact of oil price volatility on Tehran Stock Market at sector-level: a variance decomposition approach. Monetary and Financial Economics, 24(13): 205-236. (Persian)
  23. Mohammadi, H., Shabanian, F. and Kaseb, A. (2015). The effect of macro-economic variables on Tobin's Q indicator in the agro-based companies (case study: sugar industry). Journal of Economics and Agricultural Development, 28(4): 343-351. (Persian)
  24. Molaei, S., Vaez Barzani, M., Samadi, S. and Parvardeh, A. (2017). Analyzing the relationship between the foreign exchange market and the Tehran Stock Exchange price index: nonparametric approach and Copula. Journal of Economic Research (Tahghighat- E- Eghtesadi), 52(2): 457-476. DOI: 10.22059/jte.2017.61861. (Persian)
  25. Mosleh Shirazi, A., Moosavi Haghighi, M. and Pashootanizadeh, H. (2018). Simulation of model changes by exchange rates and gold price on the Tehran Stock Exchange performance with system dynamics approach. Journal of Investment Knowledge, 7(25): 17-38. (Persian)
  26. Rostami, M., Kalantari Bonjar, M. and Noori Jafarabad, D. (2016). Evaluation of the efficiency of the motion of the industry indexes in Tehran Stock Exchange with a market yield of oil, gold, Dollar and Euro using wavelet analysis. Journal of Investment Knowledge, 5(17): 227-251. (Persian)
  27. Rogers, D. and Hopfinger, A.J. (1994). Application of genetic function approximation to quantitative structure-activity relationships and quantitative structure-property relationships. Journal Chemical Infornation Computre Science, 34: 854-866.
  28. Sameti, M., Sameti, M. and Mollaesmaeili Dehshiri, H. (2014). Analyzing the role of legal structure and security of property rights in attracting foreign direct investment in P-VAR method: the case of oil exporting countries. Economic Policy, 6(12): 155-177. (Persian)
  29. Samuel, H., Uzairu, A., Mamza1, P. and Oluwole Joshua, O. (2015). Quantitative structure-toxicity relationship study of some polychlorinated aromatic compounds using molecular descriptors. Journal of Computational Methods in Molecular Design, 5(3): 106-119.
  30. Sensoy, A. and Sobaci, C. (2014). Effects of volatility shocks on the dynamic linkages between exchange rate, interest rate and the stock market: the case of Turkey. Economic Modelling, 43: 448-457.
  31. Sharma, N. (2016). Causal relation between stock return and exchange rate: evidence from India. Global Journal of Management and Business Research. 15(11): 26-32.
  32. Tseng, L.Y. and Yang, S. (1997). Genetic algorithms for clustering, feature selection and classification. IEEE Int. Conference on Neural Networks, 1612-1616.
  33. Vafaie, H. and DeJong, K. (1992). Genetic algorithms as a tool for feature selection in machine learning. Proceedings of the Fourth Conference on Tools for Artificial Intelligence, 200-204.
  34. Vafaie, H. and DeJong, K. (1993). Robust feature selection algorithms, Proceedings of the Fifth Conference on Tools for Artificial Intelligence, Boston, MA: IEEE Computer Society Press, Boston, MA: IEEE Computer Society Press, 356-363.
  35. Varahrami, V. and Abbas-gholinejad Esbaqi, R. (2019). Investigating the effect of micro and macro variables on the stock price index of twelve more active groups of companies in the stock market using the dynamic panel data method. Applied Economics, 8(27): 13-26. (Persian)
  36. Zainuddini, Sh., Karimi, M.Sh. and Khanzadi, A. (2020). Investigating the effect of oil price shocks on the performance of the Iranian stock market. Financial Economics, 14(50): 145-170. (Persian)
آمار
تعداد مشاهده مقاله: 92
تعداد دریافت فایل اصل مقاله: 49


Contact Us | Help & Support | Site Map
counter

Journal Management System. Designed by sinaweb.