بررسی همبستگی پویا قیمت نفت و شاخص تولید صنعتی و زیست محیطی در کشورهای خاورمیانه و OECD با استفاده از رهیافت (DCC-GARCH)

سید نعمت اله موسوی ¹ ( معاونت برنامه ریزی واموراقتصاددانش بنیان دانشگاه آزاد مرودشت )
حمیدرضا پناه ² ( دانشجوی دکترای اقتصادنفت وگاز واحد مرودشت )

تاریخ ارسال : 1402/06/11 تاریخ تایید : 1403/05/31

کلید واژه: عدم قطعیت, قیمت نفت, شاخص تولید صنعتی, DCC-GARCH,

چکیده مقاله :

این مطالعه همبستگی میان متغیر با زمان بین قیمت جهانی نفت و بازده شاخص تولید صنعتی (GDP واقعی) در کشورهای صادرکننده نفت (ایران، عربستان صعودی، امارات) و کشورهای OECD بررسی می‌کند. از آنجا که قیمت جهانی نفت یکی از عوامل مهم، کلیدی و مؤثر در رشد و توسعه اقتصادی کشورها بشمار می‌آید، تجهیز و هدایت وجوه موجود در کشورها، به سمت بخش‌های تولیدی و صنعتی امری اجتناب‌ناپذیر است. علاوه بر این شناخت همبستگی میان متغیر قیمت جهانی نفت به صادرکننده این امکان را می‌دهد که دارایی‌شان را بدون اینکه بازده و سود به خطر بیفتد، کاهش دهند.
از این رو، در این مطالعه با استفاده از داده‌های ماهانه قیمت نفت جهانی، بازده شاخص تولید صنعتی کشورهای خاورمیانه و OECD از سال 2021- 2000 و با بکارگیری نرم‌افزار Oxmetrics، همبستگی متغیر با زمان قیمت جهانی نفت و بازده شاخص تولید صنعتی در کشورهای منتخب با روش DCC-GARCH بررسی شده است. نتایج نشان داد که همبستگی شرطی میان متغیر با زمان قیمت جهانی نفت و تولید ناخالص داخلی واقعی است و تغییرات در ق

چکیده انگلیسی :

This study examines the correlation between the time variable between world oil prices and the output of the industrial production index (real GDP) in the oil exporting countries of Iran, Saudi Arabia, the UAE and OECD countries. Since the global oil price is one of the important, key and effective factors in the economic growth and development of countries, equipping and directing the funds in the countries to the production and industrial sectors is inevitable. In addition, recognizing the correlation between the global oil price variable allows the exporter to reduce their assets without compromising returns and profits.
Therefore, in this study, using monthly data on world oil prices, the output of the Middle East and OECD industrial production index from 2021-2000 and using Oxmetrics software, The variable correlation with world oil price time and industrial production index efficiency in selected countries has been investigated using the DCC-GARCH dynamic conditional correlation method. The results show that the conditional correlation between the variable and the tim

متن کامل:



بررسی همبستگی پویا قیمت نفت و شاخص تولید صنعتی و زیست محیطی

 در کشورهای خاورمیانه و OECD با استفاده از رهیافت  (DCC-GARCH)

 

چکیده

این مطالعه همبستگی میان متغیر با زمان بین قیمت جهانی نفت و بازده شاخص تولید صنعتی (GDP واقعی) در کشورهای صادرکننده نفت (ایران، عربستان صعودی، امارات) و کشورهای OECD بررسی می­کند. از آنجا که قیمت جهانی نفت یکی از عوامل مهم، کلیدی و مؤثر در رشد و توسعه اقتصادی کشورها بشمار می­آید، تجهیز و هدایت وجوه موجود در کشورها، به سمت بخش­های تولیدی و صنعتی امری اجتناب­ناپذیر است. علاوه بر این شناخت همبستگی میان متغیر قیمت جهانی نفت به صادرکننده این امکان را می­دهد که دارایی­شان را بدون اینکه بازده و سود به خطر بیفتد، کاهش دهند.

از این رو، در این مطالعه با استفاده از داده­های ماهانه قیمت نفت جهانی، بازده شاخص تولید صنعتی کشورهای خاورمیانه و OECD از سال 2021- 2000 و با بکارگیری نرم­افزار Oxmetrics، همبستگی متغیر با زمان قیمت جهانی نفت و بازده شاخص تولید صنعتی در کشورهای منتخب با روش DCC-GARCH بررسی شده است. نتایج نشان داد که همبستگی شرطی میان متغیر با زمان قیمت جهانی نفت و تولید ناخالص داخلی واقعی است و تغییرات در قیمت نهایی نفت سبب تغییرات قابل توجهی در همبستگی پویا بین متغیرها بصورت عدم قطعیت شده است.

 

کلمات کلیدی: قیمت نفت، عدم قطعیت، شاخص تولید صنعتی، DCC-GARCH

 

 

مقدمه

از بین شوک­های طرف عرضه، شوک قیمت نفت یکی از مهمترین عوامل بوده است که اقتصاد را از دهه 1970 تحت تأثیر قرار داده است. افزایش قیمت نفت در رکود جهانی، افزایش میزان بیکاری و تورم و تشدید مشکلات مرتبط با کسری بودجه در بسیاری از کشورهای عضو سازمان همکاری­های اقتصادی و توسعه (OECD) و دیگر کشورهای واردکننده نفت، بشدت تأثیرگذار بوده است (Huntington, 1988).

نفت جزء کالاهای کمیاب است چرا که سنگ بنای انجام بسیاری از فعالیت­های اقتصادی و علوم کاربردی است. نفت مهمترین منبع انرژی و یکی از عوامل مهم در پیشبرد فعالیت­های اقتصادی است. در حال حاضر، تولید و مصرف نفت و فرآوردهای نفتی به شکل کالاهای واسطه­ای و نهایی، لازم و ضروری است. از این رو نوسانات غیرمتعارف در قیمت نفت و نوسانات ناشی از آن موجب افزایش قیمت تولیدات دیگر کالاها و خدمات شده است، علاوه براین سبب تغییر مزایای تولیدی در بازارهای داخلی و بین­المللی می­گردد. با توجه به جایگاه استراتژیک نفت در اقتصاد کشورها، بنظر می­رسد که علاوه بر تأثیرات مستقیم حاصل از نوسانات قیمت نفت، فضای نااطمینانی حاصل از آن می­تواند عملکرد اقتصادی کشورهای صادرکننده نفت را تحت تأثیر قرار بدهد. در حقیقت مطابق با نظریه برنانکی¹ نااطمینانی در فضای قیمت نفت می­تواند منجر به کاهش برگشت­ناپذیر سرمایه­گذاری شود و به علت باز توزیع درآمد بین کشورهای صادرکننده و واردکننده نفت، سبب تغییر در تولید ملی و در نهایت رشد اقتصادی و دیگر متغیرهای کلان اقتصادی از طریق به تعویق انداختن تصمیم­های سرمایه­گذاری گردد، که این امر برای کشورهای صادرکننده نفت قابل ملاحظه است (بیدآباد و پیکارجو، 1386 و سیف­الهی و همکاران، 1396).

سطح غیرقابل پیش­بینی بودن در بازار جهانی نفت و چرخه تجاری و بدنبال آن نوسانات تولید صنعتی نیاز به تحقیق در مورد اثرات کلان اقتصادی شوک‌های قیمت نفت دارد. این مطالعه با بررسی چگونگی تأثیر نوسانات و سطح بالای عدم اطمینان در بازار نفت بر تولید صنعتی کشورهای صادرکننده نفت در حال ظهور خاورمیانه (ایران، عربستان سعودی و امارات) و منتخبی از کشورهای عضو سازمان همکاری و توسعه اقتصادی² به این ادبیات کمک می‌کند. کشورهای انتخابی ازجمله کشورهایی هستند که بالاترین رتبه را در صادرات نفت را دارند.  با این علم که، سرریز متقارن و نامتقارن تولید صنعتی در کشورهای منتخب در ادبیات گذشته وجود ندارد و به آن پرداخت نشده است. دلیل این انتخاب مربوط به عرضه بالای صادرات می­باشد برای اینکه اقتصاد خود را حفظ کنند و در عین حال انرژی قطب صنعتی خود را تأمین کنند. 

در مطالعات گذشته عمدتاً بر نوسانات قیمت نفت و تأثیر آن بر سهام یا بازار سهام کشورها متمرکز شده است. لازم به ذکر است که مطالعات برجسته‌ای مانند آروری و همکاران³ (2012)، آیدوگان و همکاران⁴ (2017)، وحید و همکاران⁵ (2018)، حسین و همکاران⁶ (2019)، خلفائویی و همکاران⁷ (2019)، سرور و همکاران⁸ (2019؛ 2020) در مورد نوسانات / نوسانات قیمت نفت حول محور بازارهای سهام مطالبی را ارائه دادند در حالی که مطالعات بسیار اندک به بررسی حرکت قیمت نفت یا وابستگی متقابل به تولید صنعتی می‌پردازد که مطالعه حاضر در تلاش است تا این مقوله را مورد بررسی قرار دهد. دو هدف اصلی در این مطالعه وجود دارد. نخست، مطالعه حاضر به بررسی وابستگی متقابل بین قیمت نفت و شاخص تولید صنعتی⁹ می‌پردازد. دوم، این مطالعه وجود تأثیر نامتقارن قیمت نفت بر شاخص تولید صنعتی کشورهای مورد مطالعه را بررسی می‌کند. تخمین نامتقارن علائم و نشانه­هایی از شوک های منفی و مثبت را در شاخص تولید صنعتی نشان می­دهد. همچنین سطح تداوم نوسانات تاخیری را بر روی نوسانات مشروط فعلی تحلیل می کند. این مطالعه از آن جهت اهمیت دارد که با تفکری روشن و گویا در رابطه تنوع بخشیدن به اقتصاد نفتی و همچنین کمک در مورد علم رو به رشد در مورد تأثیر قیمت نفت بر شاخص تولید صنعتی در کشورهای منتخب ارائه می‌کند. قابل ذکر است که عدم قطعیت در قیمت نفت خام اغلب عامل مهمی برای درک نوسانات (صعود و رکود) در تولید صنعتی یا چرخه تجاری در نظر گرفته می شود. برای داشتن سیاست‌های تثبیت موثر، داشتن دانش عمیق از چرخه‌های تجاری¹⁰  یا وضعیت چرخه‌ای اقتصاد با پیش بینی‌های آن ضروری است. این دلیل اصلی است که تحلیل چرخه‌های تجاری به عنوان ابزاری تأثیرگذار برای برجسته کردن سطح اقتصاد در نظر گرفته می‌شود و اطلاعات مربوطه را برای تثبیت فعالیت‌های اقتصادی فراهم می‌کند. در این تحقیق از قیمت نفت استفاده می‌شود که بر حسب دلار اندازه‌گیری شده است. شاخص تولید صنعتی یک نشانگر ترکیبی است و به شکل یک عدد شاخص بیان می‌شود. این به بازده صنعتی اشاره دارد و بخش‌هایی مانند معدن، تولید و ساخت و ساز را پوشش می‌دهد. به عبارت دیگر، تغییرات کوتاه‌مدت در حجم تولید یک سبد کالای صنعتی را در یک زمان اندازه‌گیری می‌کند و در همان زمان پایه (100=2000) اندازه گیری می‌شود. شاخص تولید صنعتی به عنوان شاخص‌های فیشر با وزن بر اساس برآوردهای سالانه ارزش افزوده محاسبه می‌شود. از تحلیل‌های نظری، همواره اشاره می‌شود که هرگونه شوک از جانب عرضه در بازار جهانی نفت بر فعالیت اقتصادی واردکنندگان نفت تأثیر منفی می‌گذارد در حالی که کاهش تقاضا، موجب می­شود که اقتصاد وابسته به نفت (صادرکنندگان) را فلج کند.

مطالعه حاضر به دنبال پاسخ به سؤالات زیر است: (1) چگونه شاخص تولید صنعتی در کشورهای مورد مطالعه به نوسانات قیمت نفت پاسخ می‌دهند؟ بسیاری از مطالعات علمی گذشته نوسانات قیمت نفت بر سهام و سایر متغیرهای کلان اقتصادی را با استفاده از روش‌های توضیحی متنوع مورد بررسی قرار دادند. همچنین این مطالعات اثر نامتقارن را به ویژه در مورد تداوم اثر نوسان قیمت نفت بر تولید صنعتی مورد بررسی قرار نداده‌اند. نوآوری تحقیق حاضر در این است که تاکنون هیچ ادبیاتی برای استفاده از روش DCC-GARCH در مدل‌سازی قیمت نفت و پیوند شاخص‌های تولید صنعتی و همچنین اولین موردی که تداوم وابستگی متقابل بین را بررسی می‌کند، انجام نشده است.

 

پیشینه تحقیق

پژوهش­های زیادی در دنیا در زمینه تأثیر نوسانات نفت بر فعالیت­های اقتصاد در مطالعات داخلی و خارجی انجام گرفته است. در داخل کشور می­توان به مطالعات پاسبان (1383)، مهرارا و نیکی­اسکوئی (1385)، طیب­نیا و قاسمی (1385)، ابریشمی و همکاران (1387)، ابراهیمی و قنبری (1388)، جهادی و علمی (1390)، فرجی و افشاری (1394)، تکانه­های نفت را شناسایی کرده و سپس با استفاده از الگوی­های اقتصاد سنجی چون VAR، GARCH، تعادل عمومی به نتایجی رسیدند.

همچنین پژوهش­های متعددی در زمینه بازار سهام و انتقال نوسانات بین بخشی در این بازار و نیز تأثیرگذاری نوسان­های قیمت و بازدهی دارایی­ها بر بازار بورس انجام گرفته است. مطالعات داخلی در این زمینه می­توان به حیدری و همکاران (1389)، حسینی­نسب و همکاران (1390)، عباسی­نژاد و ابراهیمی (1392)، صادقی­شاهدانی و محسنی (1392)،خطیب­سمنانی و همکاران (1393)، حری و رحیمی (1393)، مقدم و واحدمقدم (1395)، فطرس و هوشیدری (1396) پرداخته­اند.

Pinno and Serletis (2013), Ahmed et al. (2012) و Elder (2018) اثر نوسان قیمت نفت را بر تولید صنعتی ایالات متحده و با استفاده از دو متغیر GARCH-in-Mean VAR با یک مشخصات واریانس BEKK،CGARCH با مدلVAR و مدل‌های چند متغیرهGARCH بررسی کردند. مدل GARCH-in-Mean VAR با مدل BEKK پینو و سرلتیس (2013) نتوانست حرکت یا همبستگی شرطی پویا سری را تعیین کند. این مطالعه فقط بررسی می‌کند که آیا نوسان قیمت نفت تولید صنعتی را کنترل می‌کند یا خیر و اثر آماری معنی‌داری را از نوسانات قیمت نفت با تولید صنعتی را بررسی می­کند. کاوالکانتی و جالس¹¹ (2013)، تأثیر عدم قطعیت قیمت نفت بر نرخ تورم برزیل و آمریکا را بررسی کرده­اند و دریافتند که نرخ وابستگی به واردات نفت در ایالات متحده به اوج خود رسیده است. بوباکر و رازا¹² (2017)، با استفاده از مدل  گارچcDCC  به بررسی اثرات نوسانات قیمت نفت بر بازارهای سهام BRICS پرداختند. این مطالعه شواهدی از نوسانات متغیر با زمان در تمام بازارهای مورد مطالعه ارائه می دهد.  وان ایدن و همکاران¹³ (2019)، به بررسی تأثیر نوسانات قیمت نفت بر رشد 17 کشور سازمان همکاری اقتصادی و توسعه برای سال‌های 1870-2013 پرداختند. و نتیج نشان داد که نوسان قیمت نفت تأثیر منفی و معناداری بر رشد OECD دارد. ساروار (2019) همبستگی شرطی پویا مدل شده (DCC-GARCH) و همبستگی شرطی پویا اصلاح شده (cDCC-GARCH) برای بررسی کنترل قیمت نفت بر بازده بازار سهام در برخی از کشورهای واردکننده نفت آسیایی بررسی کرد. نشان داد که مدلcDCC-GARCH  مدل بهتری در ریسک است. همچنین یافته‌ها نشان می‌دهد که نوسانات مشروط بسیار مهم‌تر از سرریز نوسان است. علی و همکاران (2019)، به تجزیه و تحلیل متقارن و نامتقارن GARCH در بازارهای سهام G7 را بررسی پرداختند. نتایج متقارن و نامتقارن نشان می­­دهد که اطلاعات گذشته و نوسانات تاخیری نشان دهنده اهمیتی بر نوسانات مشروط فعلی بازارهای سهام کشورها است و به طور خلاصه نشان می­دهد که بازارهای سهام نسبت به بازارهای نفتی نوسان بیشتری دارند. بناویدز و هیرا (2019) بررسی می‌کنند که عدم قطعیت قیمت‌های بین‌المللی نفت بر فعالیت اقتصادی مکزیک از سال 1983 تا 2017 تأثیر گذاشته و دریافتند که عدم اطمینان تأثیر منفی بر فعالیت اقتصادی مکزیک دارد. علاوه بر این، آن‌ها حضور اثرات نامتقارن را نشان می‌دهند، زیرا نرخ رشد تولید پس از شوک منفی (مثبت) قیمت نفت افزایش (کاهش) می‌یابد.

آلائو و پایاسلیگولو¹⁴ (2021)، به بررسی عدم قطعیت قیمت نفت و تولید صنعتی در کشورهای صادرکننده نفت پرداختند. نتایج حاصل از پارامترهای DCC و cDCC نشان داد که پیوندهای پویا بین قیمت نفت و تولید صنعتی در برزیل در برزیل و مکزیک به طور مداوم در حال حرکت است و وابستگی متقابل بین قیمت نفت و تولید صنعتی جهان موقتی است. نتایج برآورد متقارن و نامتقارن نشان داد که اخبار گذشته و نوسانات تأخیر یافته تأثیر قابل‌توجهی بر نوسانات شرطی فعلی متغیرها را نشان می‌دهد. این مطالعه همچنین گزارش می دهد که cDCC-GARCH تصحیح شده واقعاً برآوردهای DCC-GARCH را تأیید می کند و بیشتر نشان می دهد که مدل نامتقارن GJR-GARCH از مدل های متقارن GARCH بهتر عمل می کند. 

ام نوگو و همکاران¹⁵ (2020)، نیجریه را به عنوان مطالعه موردی، نوسانات بازده روزانه سهام را با استفاده از 9 نوع مدل گارچ  را بررسی کردند و دریافت که میانگین تعداد روزهای برگشتی برای بازده از مدلی به مدل دیگر، متفاوت است. 

یانگ و ژو¹⁶ (2020)، از مشاهدات بسیار نادر از 26 مارس 2018 تا 26 ژوئن 2018 با استفاده از بازده 5 دقیقه ای معاملات آتی نزدیک WTI ، برنت، و INE استفاده کرد. نتایج نشان می­دهد که معاملات آتی نفت چین پیوندهای قوی­تری با بازارهای آتی عمده بین المللی نسبت به عمان دارد.

از ادبیات گذشته، واضح است که بیشتر مطالعات بر تأثیر نوسانات قیمت نفت بر بازارهای سهام بازارهای توسعه یافته و نوظهور تمرکز دارند. با وجود تحقیقات فراوان در مورد وابستگی متقابل بین نفت و بازارهای سهام، بدیهی است که حرکت قیمت نفت نسبت به تولید صنعتی هنوز مورد مطالعه قرار نگرفته است. بنابراین مطالعه حاضر سعی دارد با بررسی کنترل یا ارتباط متقابل بین حرکت قیمت نفت و تولید صنعتی در کشورهای منتخب به ادبیات موجود کمک کند.

 

روش­شناسی تحقیق

برای تحلیل و برآورد داده­های مطالعه حاضر از روش واریانس ناهمسان شرطی چند متغیره استفاده شده است. استفاده از این مدل­ها در ایران کمتر استفاده شده است. بصورت کلی، برای تخمین عدم قطعیت نمی­توان از مدل­های تک متغیره استفاده کرد. همچنین مسئله مهم در این زمینه، وجود همبستگی میان عناصر آن است ولی مدل تک متغیره، قادر به توصیف آن نمی­باشد. در این بخش، مدل­های GARCH چند متغیره که بر همبستگی میان عناصر تمرکز دارند، مورد بررسی قرار می­گیرند.

یک دسته­بندی کلی از مدل­های MGARCH را می­توان بصورت زیر ارائه کرد:

تفاوت اصلی در رویکردهای فوق که برای ساخت مدل­های MGARCH ایجاد شده است در تصریح­هایی است که این رویکردها برای ماتریس واریانس- کوواریانس شرطی بکار می­برند (Bauwens et al., 2006).

براساس دسته­بندی فوق، مدل­های همبستگی شرطی پویا¹⁷ (DCC) در واقع بعنوان ترکیبات غیرخطی از مدل­های GARCH تک متغیره می­باشد. این مدل اجازه می­دهد که در یک طرف واریانس شرطی و در سوی دیگر ماتریس همبستگی شرطی بصورت جداگانه تصریح شود. ماتریس واریانس شرطی (Ht) این گروه از مدل­ها از طریق فرایند سلسله مراتبی تصریح می­شود به صورتیکه نخست یک مدل از نوع GARCH برای واریانس شرطی انتخاب شده و سپس براساس واریانس شرطی مرحله اول، ماتریس همبستگی شرطی مدلسازی می­گردد. در مدل DCC ماتریس واریانس- کوواریانس شرطی بصورت زیر تعریف می­شود.

(1)

که در آن

 

(2)

 

جدول 1. انواع مدل­های MGARCH

تعمیم مستقیم مدل­های GARCH تک متغیره بالرسلو (1986)	ترکیب خطی مدل­های GARCH تک متغیره	ترکیب غیرخطی مدل­های GARCH تک متغیره
VEC	Generalized Orthogonal Models (OGARCH, GO-GARCH) Latent Factor	CCC (Constant Conditional Correlation Model)
BEKK
Factor Models		DCC (Dynamic Conditional Correlation Model)
Flexible MGARCH
Riskmetrics		GDC (General Dynamic Covariance Model)
Full Factor GARCH Models		Copula-Garch Models

منبع: Bauwens et al., 2006

 یک ماتریس قطری است که iامین مؤلفه روی قطر آن با انحراف معیار شرطی iامین دارایی () متناظر است.  می­تواند بصورت هر مدل GARCH تک متغیره­ای تعریف شود. نسخه اصلی مدل DCC ارائه شده توسط انگل (2002) که به اختصار بصورت نشان داده می­شود تصریح  برای هر واریانس شرطی در  است؛ بعبارت دیگر:

                                     (3)

در نهایت  ماتریسی است که شامل همبستگی­های شرطی متغیر طی زمان است بنحوی که:

        (4)

     (5)

در مدل فوق  ماتریس کوواریانس غیرشرطی بردار پسماندهای استاندارد شده  در مرحله اول تخمین بوده و  ماتریس قطری مرکب از مجذور ریشه عناصر قطری  است. انگل و شپارد (2001) نشان دادند که برای مثبت معین بودن  باید ها و ها غیرمنفی باشند. بصورتیکه  باشد. در این حالت  نیز مثبت معین خواهد بود (Engle and Sheppard, 2001).

لگاریتم تابع راستنمایی برای برآورد پارامترهای مدل DCC را می­توان بصورت زیر تصریح نمود:

        (6)

مدلسازی پژوهش حاضر شامل دو بخش است: نخست تلاش شده است تا با استفادده از تحلیل ضریب همبستگی و آزمون رایج t وجود پدیده سرایت در قیمت نفت و شاخص تولید صنعتی کشورهای ایران، عربستان، امارات و کشورهای OECD مورد آزمون قرار گیرد. برای این هدف می­توان مدل رگرسیون خطی زیر را در نظر گرفت:

  (7)

اگر تغییراتی در رابطه میان سری بازدهی  و  وجود داشته باشد (که بصورت تغییر معنی­دار در نشان داده می­شود) به معنی شواهدی مبنی بر وجود سرایت خواهد بود. این آزمون ساده زمانی پیچیده خواهد بود که تغییر نوسانات جزء اخلال ضمن حرکت از دوره غیربحرانی به دوره بحرانی در نظر گرفته شود. چنین رفتاری در تضاد با فرض واریانس همسانی جزء اخلال می-باشد. به منظور اجتناب از این مسئله فوربز و ریگوبن (2000) آزمون تغییر آماری در ضریب همبستگی، ، بین دو دوره بحرانی و غیربحرانی پیشنهاد کردند. با توجه به اینکه انتظار بر این است واریانس داده­ها با ورود به دوره بحرانی نسبت به دوره غیربحرانی افزایش یابد، بنابراین فوربز و ریگوبن تعدیل زیر را برای ضریب همبستگی ارائه نمودند:

          (8)

که در آن  بوده و بیانگر افزایش نسبی در واریانس بازدهی دارایی بین دوره غیربحرانی (ثبات) و دوره بحرانی است. نهایتا به منظور آزمون معنی­داری افزایش در ضریب همبستگی تعدیل شده فرضیه­های زیر رای می­توان در نظر گرفت:

 

 

(9)

                                                                               (10)

: ضریب همبستگی در دوره بحران

: ضریب همبستگی در دوره غیربحرانی

آزمون فرضیه فوق را می­توان با استفاده از آزمون t-Student انجام داد که آماره آزمون آن بصورت زیر تعریف شده است:

پذیرش فرضیه رقیب بیانگر وجود سرایت در بازار خواهد بود.

در گام بعدی از مدل GARCH چند متغیره بعنوان مدل پایه جهت بررسی همبستگی شرطی متغیر طی زمان استفاده شده است. در این مرحله با توجه به اینکه در آزمون وجود سرایت مالی از طریق همبستگی شرطی متغیر طی زمان، سرایت بعنوان شکست ساختاری معنی­دار در سری همبستگی پویا در دوره­های بحران تعریف می­شود، برای این منظور مدل همبستگی شرطی پویا با لحاظ یک متغیر موهومی زمان به منظور نشان دادن دوره پرتلاطم تعدیل یافته است؛ بنابراین فرم استاندارد مدل معرفی شده توسط انگل (2002) و فرم تعدیل یافته آن بصورت زیر خواهد بود:

مدل (1):

(11)

مدل (2): تعدیل یافته

 

 

(12)

در مدل تعدیل­یافته D نشان­دهنده متغیرموهومی است که برای دوره بحرانی مقدار 1 اختیار کرده و در غیراینصورت صفر خواهد بود. ضریب متغیر موهومی بوده و در صورت وجود تغییر در همبستگی شرطی، آن را در خود لحاظ می­کند. محدودیت­های لازم برای مثبت معین بودن ماتریس کوواریانس در مدل تعدیل یافته بصورت  وخواهد بود. با استفاده از مدل (2) بعنوان مدل غیرمقید، آزمون نسبت راستنمایی (LR) برای وجود سرایت در مقابل مدل (1) با فرضیه صفر  انجام می­گیرد. آماره آزمون مذکور دارای توزیع با یک درجه آزادی خواهد بود.

 

تجزیه و تحلیل و برآورد مدل

داده­ها و آماره­های توصیفی

در این پژوهش از داده­های ماهانه قیمت نفت (OP)، تولید صنعتی کشورهای ایران، عربستان، امارات و 35 کشور منتخب از کشورهای OECD در بازه زمانی 2000 تا 2021 به صورت ماهانه استفاده شده است. قیمت نفت با دلار آمریکا از اداره اطلاعات انرژی ایالات متحده در سال (2020) از منبع  FRED، که بانک فدرال رزرو سنت لوئیس است، اندازه گیری شده است. همچنین در این مطالعه از IPI-OECD  برای نشان دادن فعالیت‌های صنعتی جهانی یا تولید ناخالص داخلی (GDP) جهان از وب‌سایت OECD تهیه شده است. از آنجا که مدل­های گارچ چندمتغیره نیاز دارد تا در طول زمان پایا باشد، نرخ رشد با استفاده از فرمول نرخ رشد مرکب پیوسته زیر برای هر یک از سری ها محاسبه می شود:

 

 سریال را نشان می دهد. متغیرها عبارتند از: نفت، ایران، عربستان، امارات و کشورهای OECD، به ترتیب نشان دهنده بازده قیمت نفت، بازده شاخص تولید صنعتی ایران، عربستان، امارات و کشورهای OECD است.

جدول (2) آمار خلاصه­ای از داده­ها را نشان می­دهد. همانطور که گفته شد به منظور بررسی پایایی سری­های زمانی مورد مطالعه، از آزمون دیکی­فولر تعیمم یافته استفاده شده است. که نتایج آزمون دیکی­فولر تعمیم­یافته (ADF) در جدول (3) نشان می­دهد که در سطح قیمت نفت، شاخص تولید صنعتی ایران، عربستان، امارات و کشورهای OECD پایا هستند،که نتیجه آزمون دیکی­فولر تعمیم­یافته حاکی از پایا بودن متغیرها در سطح  می­باشد.

 

جدول 2. آمار خلاصه­ای از داده­های قیمت نفت و شاخص تولید صنعتی ایران، عربستان، امارات و کشورهای OECD

OECD	Emirates	Saudi	Iran	OP
0010/0	0017/0	0019/0	0005/0	0019/0	Mean
0011/0	0021/0	0015/0	0016/0	0009/0	Median
0044/0	0104/0	0114/0	01039/0	0927/0	Maximum
0031/0-	0105/0-	0096/0-	0182/0-	1441/0-	Minimum
0018/0	0047/0	0048/0	0069/0	0346/0	std.Dev.
1018/0-	4717/0-	0929/0-	7723/0-	8520/0-	Skewness
2865/2	6177/2	4137/2	6701/2	5418/5	kurtosis
0563/6	4006/11	1604/4	441/27	010/103	Jarque-bera
04/0	00/0	12/0	00/0	00/0	Probability*
264	264	264	264	264	bservations

Probability*: احتمال مربوط به فرض نرمال بودن سری را نشان می­دهد.

 

جدول3. نتایج ازمون دیکی فولر تعمیم­یافته

متغیر	آماره ADF		درجه انباشتگی
	سطح داده­ها	تفاضل داده­ها
OP	203/12-***	-	I(0)
Iran	273/3-***	-	I(0)
Saudi	032/5-***	-	I(0)
Emirates	539/4-***		I(0)
OECD	968/5-***	-	I(0)

                            مأخذ: یافته­های تحقیق.  *، **، *** به ترتیب معنی داری در سطح 90، 95، 99 درصد.

جدول (2)، میانگین، میانه، بیشینه، کمینه، انحراف معیار، چولگی¹⁸، کشیدگی¹⁹ و آماره جارگو- برا²⁰ را نیز نشان می­دهد. براساس جدول توصیفی، سری­ها دارای کشیدگی بیشتر از توزیع نرمال بوده و نتیجه آماره جارگو- برا نیز بیانگر این واقعیت است که فرضیه نرمال بودن بازده­ها رد می­شود. همه سری­های بازده، توزیع نرمال ندارند. آماره چولگی مثبت دلالت دارد که سری­ها، دنباله راست بلندتری نسبت به دنباله چپ دارد. کشیدگی زیاد توزیع بازده­ها نشان می­دهد که در مقایسه با زمانی که توزیع بازده­ها نرمال است، بازار احتمال بیشتری به مقادیر انتهایی می­دهد. نمودار (1) نمودارهای سطح برای قیمت نفت، شاخص تولید ایران، عربستان، امارات و کشورهای OECD را نشان می­دهد.

 

نمودار 1. نمودارهای سطح برای قیمت نفت، شاخص صنعتی ایران، عربستان، امارات و کشورهای OECD

 

مأخذ: یافته­های تحقیق

برآورد مدل

برای تصریح و برآورد مدل با استفاده از توابع خودهمبستگی²¹ و توابع خودهمبستگی جزئی²²، تعدادی از معادلات را برآورد کرده و براساس معیار اطلاعات آکائیک (AIC²³) و شوارتز- بیزین (SBC²⁴) و با توجه به معیارهای دیگر از جمله لگاریتم درستنمایی مدل AR(1)-GARCH انتخاب شد. همچنین آزمون لیون- باکس هاسکینگ و لی و مک­لوئد روی پسماندهای استاندارد شده و مربعات آن، که در مدل گارچ چند متغیره کاربرد دارد، به علت عدم وجود همبستگی پیاپی و عدم وجود اثر واریانس ناهمسانی در پسماندها، مناسب بودن مدل میانگین و واریانس را تأیید کرد. در اینجا کلیه برآوردها با استفاده از نرم­افزار Oxmetrics انجام شده است.

حال با استفاده از ماتریس کواریانس متغیر با زمان تخمین زده شده توسط مدل DCC(1,1) لگاریتم بازدهی دارایی­های مختلف با استفاده از روش حداکثر راستنمایی تخمین زده می­شود.

 

جدول 4. آزمون­های خودهمبستگی و واریانس ناهمسانی

P-values	Q2	P-values	Q	آماره
00/0	268/330	00/0	93/1607	Hosking(5)
00/0	874/443	00/0	03/2203	Hosking(10)
00/0	425/612	00/0	28/3330	Hosking(20)
00/0	95/1111	00/0	08/5560	Hosking(50)
00/0	160/329	00/0	56/1594	Li-McLeod(5)
00/0	207/443	00/0	50/2175	Li-McLeod(10)
00/0	681/616	00/0	28/3252	Li-McLeod(20)
00/0	26/1149	00/0	48/5289	Li-McLeod(50)

               مأخذ: یافته­های تحقیق

از آنجا که مقدار احتمال مربوط به آزمون هاسکینگ و لی و مک­لوئد روی پسماندهای استاندارد شده کمتر از 05/0 است، خود همبستگی در پسماندها وجود ندارد و مدل میانگین به درستی تصریح شده است. و چون مقدار احتمال مربوط به آزمون هاسکینگ و لی و مک­لوئد روی مربع پسماندهای استاندارد شده، کوچکتر از 05/0 است، واریانس ناهمسانی در پسماندها وجود ندارد و مدل واریانس مناسب است.

برای تعیین همبستگی پویا بین قیمت نفت، شاخص تولید صنعتی ایران، عربستان، امارات و کشورهای OECD، مدل DCC-GARCH با روش حداکثر راستنمایی تخمین زده می­شود. براساس نتایج پارامترهای  و  بصورت قابل توجهی متفاوت از صفر هستند و شرایط ،  و  تأمین شده است، نشان می­دهد مدل همبستگی شرطی متغیر با زمان از مدل همبستگی شرطی ثابت مناسب­تر است. نمودار (2) همبستگی شرطی متغیر با زمان بین دارایی­های مختلف را نشان می­دهد.

 

نمودار 2. همبستگی­های شرطی پویا

 

 

همانطور که از نمودار (2) مشخص می­شود، همبستگی بین قیمت نفت و شاخص صنعتی ایران، عربستان، امارات و کشورهای OECD در اکثر دوره مورد بررسی مثبت است. هر چند، این همبستگی مثبت در اکثر نمودارها در حال افزایش بوده و به مقدار 1 هم بعضا رسیده است اما در نمودارهای همبستگی بین قیمت نفت با شاخص تولید صنعتی کشورهای عربستان، امارات، ایران و کشورهای OECD تا مقدار صفر و کمتر از آن کاهش یافته است. علت این همبستگی مثبت قیمت نقت با شاخص تولید صنعتی کشورهای عربستان، امارات، ایران و کشورهای OECD ابتدا افزایش یافته ولی بعد از مدتی حدود سال 2015 به بعد کاهش می­یابد، این است که در طی بروز بحران مالی جهانی با کاهش تقاضا برای نفت، قیمت نفت هم کاهش پیدا کرد و این سبب کاهش تولید ناخالص داخلی کشورهای مذکور شده است. در نتیجه، سرمایه­گذاران ترجیح می­دهند که در موارد دیگری چون ارز و سکه سرمایه­گذاری کنند و این به نوبه خود، سبب کاهش بیش از حد در قیمت نفت می­گردد.

براساس نمودار (2)، وقوع یک شوک قیمتی نفت اثرات گوناگونی بر نرخ رشد تولید ناخالص داخلی واقعی کشورهای مورد بحث دارد. در ایران، عربستان صعودی و کشورهای OECD کاهش قیمت نفت سبب کاهش نرخ رشد تولید ناخالص داخلی این کشورها می­شود. در امارات با کاهش قیمت نفت، نرخ رشد تولید ناخالص داخلی با روند افزایشی­تری کاهش می­یابد.

یک تغییر در قیمت نفت ممکن است اثرات متفاوتی را در هر کشوری بهمراه داشته باشد. علت آن، اختلاف در ترکیب بخش­ها، تفاوت در وضعیت کشورها از لحاظ واردات و صادرات نفت دارد و همچنین تفاوت در ساختار مالیاتی دارد. زمانیکه میزان مالیات­های غیرمستقیم زیاد است، نوسانات قیمت نفت اثرات کمتری را بدنبال دارد.

سرور و همکاران، (2019)، آیدوگان و همکاران، (2017) و فیلیس و همکاران  (2011)، همانطور که مطالعه ما اقتصادهای صادرکننده نفت با قیمت نفت بالا و جنبش تولید صنعتی را هدف قرار می دهد، در فیلیس و همکاران (2011)  و آیدوگان و همکاران، (2017)، حرکت مشترک یا همبستگی مشروط پویا قیمت نفت و سهام برای واردکنندگان نفت بیشتر از کشورهای صادرکننده نفت است.

جدول 5. نتایج تخمین مدل DCC-GARCH

Coefficient	همبستگی متغیر
188/0
159/0
044/0-
164/0
750/0
390/0-
909/0
270/0-
648/0
495/0-
62/0	alpha
29/0	beta
99/7806	Log Likelihood

 

نتیجه­گیری و پیشنهادات سیاستی

این تحقیق به منظور بررسی رفتار متقارن و نامتقارن نوسانات در ایران، عربستان­سعودی، امارات و کشورهای OECD بر اساس قیمت ماهانه نفت و رشد شاخص IP از ژانویه 2000 تا دسامبر 2021 با استفاده از مدل‌های DCC-GARC ، انجام شده است. یافته‌ها نشان می‌دهد که مدل GARCH نامتقارن نتایج بهتری را نسبت به مدل‌های GARCH متقارن استناد می‌کند. این تحقیق تایید می کند که نوسان قیمت نفت نقش مهمی در تعیین نوسانات تولید صنعتی دارد. یافته‌های حاصل از تخمین‌های همبستگی شرطی پویا (DCC) نشان می‌دهد که نوسان سری‌های بازده بر تولید تأثیر قابل‌توجهی بر رابطه بین نفت و تولیدات صنعتی کشورهای مورد مطالعه دارد. این تحقیق خاطرنشان کرد که وابستگی متقابل قیمت نفت و تولید صنعتی در عربستان سعودی، امارات و کشورهای OECD برای مدت طولانی ادامه خواهد داشت و برای ایران ثابت است. همچنین برخی از نتایج نشان از ویژگی‌های حیاتی شوک‌های نفتی و سری بازده شاخص IP را در زمان‌های مختلف، به‌ویژه زمانی که بحران‌های مالی جهانی تأثیری حیاتی بر وابستگی متقابل عدم قطعیت‌های قیمت نفت و سری‌های بازگشت شاخص IP داشتند، آشکار می‌کند.

برخی پیامدهای مهم سیاستی از یافته ها وجود دارد. سیاستگذاران کشورهای نفت خیز در مطالعه کنونی باید مدالیته هایی را برای جذب شوک قوی قیمت نفت و جلوگیری از وقوع نااطمینانی قیمت نفت در آینده بررسی کنند. با توجه به نتایج بدست آمده پیوستگی یا وابستگی متقابل قیمت نفت و تولید صنعتی در عربستان، امارات و کشورهای OECD برای مدت طولانی ادامه خواهد داشت. در حالت کلی وابستگی کشورهای مورد مطالعه به صادرات نفت و در نتیجه به درآمدهای نفتی را نمی­توان رد کرد. ضرائب همبستگی، بیانگر معناداری همبستگی تولید ناخالص داخلی، با درآمدهای نفتی است. افزایش قیمت جهانی نفت، موجب افزایش تولید ناخالص داخلی (GDP)، می­گردد که این افزایش ناشی از افزایش در تمامی اجزاء GDP است، می­گردد.

بنابراین، سیاست گذاران در کشورهای نفت خیز باید استراتژی هایی را برای نوسانات قیمت نفت ترسیم کنند تا از وقوع نااطمینانی های قیمت نفت در آینده جلوگیری کنند. علاوه بر این، سیاستگذاران نیاز به ایجاد برنامه‌های تعدیل ساختاری پایدار با بررسی‌های بلندمدت سیاستی برای کاهش اثرات نوسانات قیمت نفت در آینده دارند. با افزایش عدم اطمینان در بخش آینده قیمت نفت، تولید باید به شدت تعدیل شود تا زمانی که این عدم قطعیت و غیرقابل پیش بینی بودن در نهایت حل شود.

 

 

منابع

ابراهیمی، م و قنبری، ع. ر. 1388. پوشش ریسک نوسانات درآمدهای نفتی با استفاده از قراردادهای آتی در ایران، پژوهشنامه اقتصادی، شماره 3، پیاپی 34، ص 204- 173.

ابریشمی، ح؛ مهرآرا، م؛ غنیمی­فرد، ح. ا؛ تقی­زاده، م و کشاورزیان، م. 1387. اثرات نامتقارن قیمت نفت بر رشد اقتصادی کشورهای OECD، مجله تحقیقات اقتصادی، دوره 43، شماره 4، ص 16-1.

بیدآباد، بو پیکارجو، ک. 1386. شبیه­سازی و پیش­بینی قیمت جهانی نفت، پژوهشنامه اقتصادی، شماره 4، ص 83- 117.

پاسبان، ف. 1383. تأثیر نوسانات قیمت نفت بر تولید بخش کشاورزی ایران (بیماری هلندی)، پژوهشنامه اقتصادی، دوره 4، شماره 1، پیاپی 12، ص 136- 117.

حری، ح. ر و رحیمی، ا، 1393. تأثیر نوسان­های قیمت نفت بر تابع سرمایه­گذاری Qتوبین رویکردی از تئوری اختیار واقعی، فصلنامه پژوهش­ها و سیاست­های اقتصادی، سال بیست و دوم، شماره 72، ص 126- 105.

حسینی­نسب، س. ا؛ خضری، م و رسولی، ا. 1390. تعیین اثرات قیمت نفت بر روش بازده سهام بورس اوراق بهادار تهران: آنالیز موجک و راه­گزینی مارکف، فصلنامه مطالعات اقتصاد انرژی، سال 8، شماره 29، ص 60- 31.

حیدری، ح و بشیری، س. 1389. بررسی رابطه بین نااطمینانی نرخ واقعی ارز و شاخص قیمت سهام در بورس اوراق بهادار تهران: مشاهداتی بر پایه مدل VAR- GARCH، فصلنامه تحقیقات مدلسازی اقتصادی، شماره 9، ص 92- 71.

خطیب­سمنانی، م. ع؛ شجاعی، م و غیاثی­خسروشاهی، م. 1393. بررسی اثر نوسانات قیمت نفت خام بر شاخص بازدهی بورس اوراق بهادار، فصلنامه علوم اقتصادی، سال 8، شماره 29، ص 113- 89.

خیابانی، ن و غلنجه­ای، س. 1393. رژیم­های ارزی و فشار بازار ارز در یک اقتصاد صادرکننده نفت (مورد ایران)، فصلنامه برنامه ریزی و بودجه، سال نوزدهم، شماره 3، ص 22-3.

رستمی، م. ر و فرهمندی، س. 1391. برآورد ارزش در معرض ریسک قیمت نفت خام و اثرات سرریز آن با استفاده از مدل گارچ چند متغیره MGARCH، فصلنامه دانش سرمایه­گذاری، شماره 4، ص 228- 215.

سیف­الهی، ن؛ امامی، ع؛ آماده، ح و تکلیف، ع. 1396. بررسی و مقایسه اثر عدم تقارن تکانه­های قیمت نفت بر رشد اقتصادی (کشورهای منتخب صادرکننده و واردمننده نفت به روش GMM)، فصلنامه اقتصادی، سال یازدهم، شماره 38، ص 55-76.

صادقی­شاهدانی، م و محسنی، ح. 1392. تأثیر قیمت نفت بر بازده بازار سهام: شواهدی از کشورهای صادرکننده نفت خاورمیانه، پژوهش­های برنامه­ریزی و سیاست­گذاری انرژی، سال اول، شماره 3، ص 16-1.

طیب­نیا، ع و قاسمی، ف. 1385. نقش تکانه­های نفتی در چرخه­های تجاری اقتصاد ایران، پژوهش­نامه بازرگانی، سال ششم، شماره 23، ص 80- 49.

عباسی، ا؛ هادی­نژاد، م و کریمی، ج. 1394. بررسی اثرات نامتقارن نوسانات قیمت نفت بر روی بازار سهارم بورس توراق بهادار تهران (با استفاده از مدل MS-EGARCH)، فصلنامه روند، سال بیست و دوم، شماره 72، ص 127- 105.

عباسی­نژاد، ح و ابراهیمی، س. 1392. اثر نوسان­های قیمتی نفت بر بازده بورس اوراق بهادار تهران، فصلنامه پژوهش­ها و سیاست­های اقتصادی، سال بیست و یکم، شماره 68، ص 108- 83.

فطرس، م. ح و هوشیدری، م. 1396. بررسی میزان اثرپذیری نوسانات شاخص قیمت بورس اوراق بهادار تهران و دوبی از نوسانات قیمت جهانی نفت خام (WTI)، فصلنامه علمی- پژوهشی مطالعات اقتصادی کاربردی ایران، سال ششم، شماره 22، ص 195- 171.

مقدم، ع. ک و واحدمقدم، ح. 1395. بررسی تأثیر نوسانات قیمت نفت بر بازده غیرعادی سهام شرکت­های پذیرفته شده در بورس اوراق بهادار تهران، تحقیقات حسابدارس و حسابرسی، شماره 29، ص 23-1.

مهرآرا، م و نیکی­اسکویی، ک. 1385. تکانه­های نفتی و اثرات پویای آن بر متغیرهای کلان اقتصادی، پژوهش­نامه بازرگانی، شماره 40، ص 63- 32.

Abdulkareem, A., Abdulhakeem, K.A., 2016. Analysing oil price-macroeconomic volatility in Nigeria. CBN J. Appl. Stat. 7 (1), 1–22.

Ahmed, H.J.A., Bashar, O.H., Wadud, I.M., 2012. The transitory and permanent volatility of oil prices: what implications are there for the US industrial production? Appl. Energy 92, 447–455.

Aielli, G.P., 2008. Consistent Estimation of Large Scale Dynamic Conditional Correlations (Working Paper No. 47). Department of Economics, Statistics, Mathematics, and Sociology, University of Messina, Messina, Italy.

Aielli, G.P., 2013. Dynamic conditional correlation: on properties and estimation. J. Bus. Econ. Stat. 31 (3), 282–299.

Ali, S., Zhang, J., Abbas, M., Draz, M.U., Ahmad, F., 2019. Symmetric and asymmetric GARCH estimations and portfolio optimization: evidence from G7 stock markets. SAGE Open 9 (2), 2158244019850243.

Arouri, M.E.H., Jouini, J., Nguyen, D.K., 2012. On the impacts of oil price fluctuations on European equity markets: volatility spillover and hedging effectiveness. Energy Econ. 34 (2), 611–617.

Aydo˘gan, B., Tunç, G., Yelkenci, T., 2017. The impact of oil price volatility on net-oil exporter and importer countries’ stock markets. Eurasian Econ. Rev. 7 (2), 231–253.

Becker, R., Wang, Y., 2013. Measuring the Chinese business cycle. Appl. Econ. 45 (28), 3988–4003.

Bollerslev, T., 1990. Modeling the coherence in short-run nominal exchange rates: a multivariate generalized ARCH model. Rev. Econ. Stat. 72 (3), 498–505.

Boubaker, H., Raza, S.A., 2017. A wavelet analysis of mean and volatility spillovers between oil and BRICS stock markets. Energy Econ. 64, 105–117.

Bry, G., Boschan, C., 1971. Front matter to" cyclical analysis of time series: selected procedures and computer programs. In: Cyclical Analysis of Time Series: Selected Procedures and Computer Programs. NBER (pp. 13–2).

Cai, et al., 2020. Multi-Horizon Dependence between Crude Oil and East Asian Stock Markets and Implications in Risk Management. Energies 13. (2).

Cavalcanti, T., Jalles, J.T., 2013. Macroeconomic effects of oil price shocks in Brazil and the United States. Appl. Energy 104, 475–486.

Elder, J., 2018. Oil price volatility: industrial production and special aggregates. Macroecon. Dyn. 22 (3), 640–653.

Emenogu, et al., 2020. On the volatility of daily stock returns of Total Nigeria Plc: evidence from GARCH models, value-at-risk and backtesting. Financial Innovation 6 (1), 25-1.

Energy Information Administration, 2019. Crude Oil Prices: West Texas Intermediate (WTI) - Cushing, Oklahoma, Retrieved from FRED. Federal Reserve Bank of St. Louis.

https://fred.stlouisfed.org/series/DCOILWTICO.

Engle, 1982. Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation. Econometrica 50, 1–50.

Engle, R., 2002. Dynamic conditional correlation. J. Bus. Econ. Stat. 20 (3), 339e50.

Filis, G., Degiannakis, S., Floros, C., 2011. Dynamic correlation between the stock market and oil prices: the case of oil-importing and oil-exporting countries. Int. Rev. Financ. Anal. 20 (3), 152–164.

Glosten, L.R., jagannathan, R., Runkle, D., 1993. On the relation between the expected value and the volatility of the nominal excess return on stocks. J. Finance 43, 1779- 1301.

Hamilton, J.D., 1983. Oil and the macroeconomy since world war II. J. Polit. Econ. 91 (2), 228-248.

Husain, S., Tiwari, A.K., Sohag, K., Shahbaz, M., 2019. Connectedness among crude oil prices, stock index and metal prices: an application of network approach in the USA. Resour. Pol. 62, 57–65.

Jiang, Y., Jiang, C., Nie, H., Mo, B., 2019. The time-varying linkages between the global oil market and China’s commodity sectors: evidence from DCC-GJR-GARCH analyses. Energy 166, 577–586.

Jim´enez-Rodríguez, R., S´anchez, M., 2005. Oil price shocks and real GDP growth: empirical evidence for some OECD countries. Appl. Econ. 37 (2), 201–228.

Katircioglu, S.T., Sertoglu, K., Candemir, M., Mercan, M., 2015. Oil price movements and macroeconomic performance: evidence from twenty-six OECD countries. Renew. Sustain. Energy Rev. 44, 257–270.

Khalfaoui, R., Sarwar, S., Tiwari, A.K., 2019. Analysing volatility spillover between the oil market and the stock market in oil-importing and oil-exporting countries: implications on portfolio management. Resour. Pol. 62, 22–32.

Laurent, S., 2007. Estimating and Forecasting ARCH Models Using GARCH 5. Timberlake consultants, London.

Lin, B., Wesseh Jr., P.K., Appiah, M.O., 2014. Oil price fluctuation, volatility spillover and the Ghanaian equity market: implication for portfolio management and hedging effectiveness. Energy Econ. 42, 172–182.

Mohammadi, H., Su, L., 2010. International evidence on crude oil price dynamics: applications of ARIMA-GARCH models. Energy Econ. 32 (5), 1001–1008.

Morana, C., 2001. A semiparametric approach to short-term oil price forecasting. Energy Econ. 23 (3), 325–338.

Mork, K.A., Olsen, Ø., Mysen, H.T., 1994. Macroeconomic responses to oil price increases and decreases in seven OECD countries. Energy J. 19–35.

Papapetrou, E., 2001. Oil price shocks, stock market, economic activity and employment in Greece. Energy Econ. 23 (5), 511–532.

Pinno, K., Serletis, A., 2013. Oil price uncertainty and industrial production. Energy J. 34 (3).

Rodriguez-Benavides, D., Lopez-Herrera, F., 2019. Effects of oil prices uncertainty on Mexico’s economic growth. Invest. Economica 78 (309), 80–106.

Sarwar, S., Shahbaz, M., Anwar, A., Tiwari, A.K., 2019a. The importance of oil assets for portfolio optimization: the analysis of firm level stocks. Energy Econ. 78, 217–234.

Sarwar, S., Khalfaoui, R., Waheed, R., Dastgerdi, H.G., 2019b. Volatility spillovers and hedging: evidence from Asian oil-importing countries. Resour. Pol. 61, 479–488.

Sarwar, S., Tiwari, A.K., Tingqiu, C., 2020. Analyzing volatility spillovers between oil market and Asian stock markets. Resour. Pol. 66, 101608.

Shahbaz, M., Sarwar, S., Chen, W., Malik, M.N., 2017. Dynamics of electricity consumption, oil price, and economic growth: global perspective. Energy Pol. 108,256-270.

Thiem, C., 2018. Oil price uncertainty and the business cycle: accounting for the influences of global supply and demand within a VAR GARCH-in-mean framework. Appl. Econ. 50 (34–35), 3735–3751.

Van Eyden, R., Difeto, M., Gupta, R., Wohar, M.E., 2019. Oil price volatility and economic growth: evidence from advanced economies using more than a century’s data. Appl. Energy 233, 612–621.

Waheed, R., Wei, C., Sarwar, S., Lv, Y., 2018. Impact of oil prices on firm stock return: industry-wise analysis. Empir. Econ. 55 (2), 765–780.

Wajdi, et al., 2020. Asymmetric effect and dynamic relationships over the cryptocurrencies market. Computers & Security.

Yang, Zhou, 2020. Return and volatility transmission between China’s and international crude oil futures markets: A first look. Journal of Futures Markets 40 (6), 860–884.

Zakoian, J.M., 1994. Threshold heteroskedastic models. J. Econ. Dynam. Contr. 18, 931–955.

 

 

 

Investigating the Relationship between Dynamic Correlation (DCC-GARCH) of Oil Prices and Industry Production Index in the Middle East and OECD Countries

 

Abstract

 This study examines the correlation between the time variable between world oil prices and the output of the industrial production index (real GDP) in the oil exporting countries of Iran, Saudi Arabia, the UAE and OECD countries. Since the global oil price is one of the important, key and effective factors in the economic growth and development of countries, equipping and directing the funds in the countries to the production and industrial sectors is inevitable. In addition, recognizing the correlation between the global oil price variable allows the exporter to reduce their assets without compromising returns and profits.

Therefore, in this study, using monthly data on world oil prices, the output of the Middle East and OECD industrial production index from 2021-2000 and using Oxmetrics software, The variable correlation with world oil price time and industrial production index efficiency in selected countries has been investigated using the DCC-GARCH dynamic conditional correlation method. The results show that the conditional correlation between the variable and the time of world oil price and GDP is real and the changes in the final oil price have caused significant changes in the dynamic correlation between the variables but in the mentioned uncertainty.

 

Extended abstract

Introduction: The level of unpredictability in the global oil market and the subsequent business cycle in the face of fluctuations in industrial production requires research into the macroeconomic effects of oil price shocks. This study contributes to the literature by examining how fluctuations and high levels of uncertainty in the oil market affect the industrial production of emerging Middle East oil exporting countries and selected OECD member countries. According to previous studies, there is no symmetric and asymmetric industrial production of selected countries in the existing literature. The reason for this choice is attributed to the high supply of exports in order to maintain their economy and at the same time provide energy for their industrial hub.

Research method: Based on the above classification, dynamic conditional correlation (DCC) models are in fact non-linear combinations of univariate GARCH models. This model allows the conditional variance on one side and the conditional correlation matrix to be specified separately on the other. Conditional variance matrix (Ht) This group of models is defined through a hierarchical process by first selecting a GARCH model for conditional variance and then modeling the conditional correlation matrix based on the first stage conditional variance. In the DCC model, the conditional variance-covariance matrix is defined as follows.

 

(1)

where in

 

(2)

The modeling of the present study consists of two parts: First, an attempt has been made to test the existence of transmission phenomenon in oil prices and industrial production index of Iran, Saudi Arabia, UAE and OECD countries by using correlation coefficient analysis and t-test. For this purpose, the following linear regression model can be considered:

                                             (3)   

In the next step, the multivariate GARCH model is used as the basic model to investigate the conditional correlation of the variable over time. At this stage, considering that in the test of financial transmission through variable conditional correlation over time, transmission is defined as a significant structural failure in the dynamic correlation series in periods of crisis, For this purpose, the dynamic conditional correlation model has been modified with respect to an imaginary variable of time in order to show the turbulent period; Therefore, the standard form of the model introduced by Engel (2002) and its modified form will be as follows:

Model (1):  

                      (4)  

                                                                                               

 Results and discussion: Since the probability values for the Husking and Lee and McLaughlin tests on standardized wastes are less than 0.05, there is no autocorrelation in the wastes and the mean model is correctly specified. And since the probability value for the Husking, Lee, and McLuyd test on the standardized waste squares is less than 0.05, there is no heterogeneous variance in the wastes and the variance model is appropriate. To determine the dynamic correlation between oil prices, industrial production index of Iran, Saudi Arabia, UAE and OECD countries, DCC-GARCH model is estimated by maximum likelihood method.

Based on the results, the parameters  and  are significantly different from zero and the conditions ,  and are provided, indicating that the conditional variable conditional correlation model is more appropriate than the fixed conditional correlation model.

The occurrence of an oil price shock has various effects on the real GDP growth rate of the countries in question. In Iran, Saudi Arabia and OECD countries, falling oil prices are reducing the growth rate of their GDP. In the UAE, as oil prices fall, the GDP growth rate slows down further. A change in oil prices may have different effects in each country. The reason is the difference in the composition of the sectors, the difference in the situation of countries in terms of oil imports and exports, and also the difference in the tax structure. When indirect taxes are high, oil price fluctuations have fewer effects.

Conclusion: Findings from Dynamic Conditional Correlation (DCC) estimates show that fluctuations in output series on production have a significant effect on the relationship between oil and industrial production of the countries under study. The study noted that the interdependence of oil prices and industrial production in Saudi Arabia, the UAE and OECD countries will continue for a long time and is stable for Iran. Some results also reveal the vital characteristics of oil shocks and the IP index return series at different times, especially when global financial crises had a critical effect on the interdependence of oil price uncertainties and IP index return series. There are some important policy implications of the findings. In the current study, policymakers in oil-rich countries should look at ways to absorb strong oil price shocks and prevent future oil price uncertainty. According to the results, the interdependence or interdependence of oil prices and industrial production in Saudi Arabia, the UAE and OECD countries will continue for a long time. Therefore, policymakers in oil-rich countries need to devise strategies for oil price fluctuations to prevent future oil price uncertainties.

 

 

---

[1]  - Bernanke, 1997.

[2] - Organization for Economic Co-operation and Development (OECD)

[3] -  Arouri et al

[4] -  Aydogan et al

[5]  - Waheed, et al

[6] - Husain et al

[7] -  Khalfaoui et al

[8] - Sarwar et al

[9]  - Industrial Production Index (IP)

[10]   Business cycles (BC)

[11]  Cavalcanti and Jalles 

[12]  - Boubaker and Raza

[13]  - Van Eyden et al

[14]  Alao & Payaslioglu

[15]  - Emenogu et al

[16]  - Yang and Zhou

[17]  - Dynamic Conditional Correlation (DCC) Model

[18]  - Skewness

[19]  - kurtosis

[20]  - Jarque-bera

[21]  - Autocorrelation Functions (ACF)

[22]  - Partial Autocorrelation Functions (PACF)

[23]  - Akaike Information Criterion

[24]  -Schwarz Bayesian Criterion

---