سائول هیمانس
مترجمان:محمدصادق‌الحسینی، محسن رنجبر
بخش دوم و پایانی
اغلب پیش‌بینی‌کننده‌های اقتصادسنجی بر این باورند که نه تنها قضاوت‌های اقتصادی را می‌توان و باید برای تعیین مقدار متغیرهای برون‌زا مورد استفاده قرارداد (که یک نیاز آشکار است)، بلکه آنها را می‌توان و می‌بایست برای کاهش اندازه احتمالی خطای مدل نیز به کار گرفت.

معادله C=100+0/0265W به معنای آن است که «هر گونه انحراف در خرید پوشاک نسبت به 100میلیارد دلار به اضافه 65/2درصد از درآمد خانوارها را باید به عنوان اختلال تصادفی از رفتار معمول یا مورد انتظار تلقی کرد». این تغییرات از آن دسته نوسانات ذاتا غیرقابل پیش‌بینی در رفتار انسان است که پیوسته ماموران سنجش افکار عمومی، اقتصاددان‌ها و دیگرانی را که تلاش می‌کنند رویدادهای اجتماعی-اقتصادی را پیش‌بینی نمایند به اشتباه می‌اندازند.
هر کسی که می‌خواهد اقتصاد را پیش‌بینی کند باید خود را برای ارتکاب اشتباه به خاطر خطای غیرقابل پیش‌بینی مدل آماده کند، اما آیا واقعا همه خطای مدل غیرقابل پیش‌بینی است؟ فرض کنید فرد پیش‌بینی‌کننده گزارشی را می‌خواند که نشان‌دهنده عکس‌العمل بسیار مطلوب مصرف‌کننده‌ها به آخرین مدل‌های لباس باشد. تصور کنید که این پیش‌بینی‌کننده بر این اساس فکر می‌کند که میزان خرید پوشاک در سال آینده حدودا به میزان ۳درصد از مقدار حداقلی خود فراتر خواهد رفت. آیا این فرد باید از این باور موجه و مستند مبنی بر آن که فروش پوشاک «زیاد خواهد شد» غفلت کرده و پیش‌بینی‌ای کند که انتظار می‌رود درست نباشد؟
پاسخ این پرسش به هدف پیش‌بینی بستگی دارد. اگر این هدف، کاملا علمی بوده و به تعیین میزان دقت پیش‌بینی یک مدل دارای ساختار مناسب مربوط باشد، پاسخ آن است که باید به اطلاعات بیرونی بی‌توجهی کرده و مدل را فارغ از آنها پیش‌ برد. اگر هدف علمی‌تر بوده و قرار باشد از بهترین اطلاعات موجود برای انجام روشنگرترین و آگاهی‌دهنده‌ترین پیش‌بینی استفاده شود، پاسخ آن است که باید اطلاعات بیرونی را به مدل وارد ساخت، حتی اگر این کار عملا به معنای حذف مقدار 265% پارامتر و استفاده از رقم 300% به جای آن باشد. روزی اعمال این گونه «تعدیل‌های ثابت» بر پیش‌بینی‌ها کاملا غیرعملی شمرده می‌شد، اما این روزها بسیاری از محققین، چنین رفتاری را در علم اجتماعی پیش‌بینی اقتصاد اجتناب‌ناپذیر می‌دانند و شروع به مطالعه این نکته کرده‌اند که چگونه می‌توان به بهترین وجهی (از نقطه نظر علمی) این قبیل اطلاعات خارجی را به مدل وارد ساخت.
معمول‌ترین معیار برای ارزیابی کیفیت یک پیش‌بینی اقتصاد کلان، دقت آن در پیش‌بینی رشد GDP واقعی است. GDP واقعی گسترده‌ترین معیار از تمام کالاها و خدمات نهایی است که درون مرزهای جغرافیایی یک کشور تولید می‌گردند. این که از قبل بدانیم آیا GDP واقعی با سرعت زیادی افزایش خواهد یافت (و رشد اقتصادی بیش از ۴درصد خواهد بود) و یا به زودی رو به کاهش خواهد‌گذارد(و رشد آن به کمتر از یک درصد می‌رسد یا حتی منفی می‌شود)،‌ از بسیاری جهات ارزش زیادی به همراه دارد. اطلاعات ارائه شده در شکل ۲ را می‌توان برای قضاوت درباره دقت پیش‌بینی‌های اقتصادسنجی که سمینار تحقیقاتی اقتصاد مقداری (RSQE) طی سه دهه گذشته در دانشگاه میشیگان انجام داده به کار گرفت.
پروژه پیش‌بینی RSQE که به دهه 1950 باز می‌گردد، یکی از قدیمی‌ترین پیش‌بینی‌های از این دست است که در آمریکا انجام شده است. در شکل 2 برای هر یک از سال‌های 1971 تا 2003 درصد تغییری که عملا در GDP واقعی روی داده است (نرخ رشد اقتصاد) با پیش‌بینی RSQE که در ماه نوامبر سال قبل از آن انتشار یافته است، مورد مقایسه قرار گرفته‌اند. کیفیت پیش‌بینی RSQE را می‌توان به شیوه‌های گوناگونی توصیف کرد.
اگر چه این پیش‌بینی‌ها به طور متوسط ۱/۱واحد درصد با درصد تغییر واقعی فاصله داشته‌اند (این رقم با استفاده از میانگین خطای پیش‌بینی و بدون توجه به علامت آن اندازه‌گیری شده است) اما میزان خطای پیش‌بینی در سیزده سال از سی‌وسه سال نشان داده شده در شکل ۵/۰ واحد درصد یا کمتر بوده است. از سوی دیگر خطای پیش‌بینی در شش سال از سالیان فوق ۲واحد درصد یا بیشتر بوده و در سال‌های ۱۹۸۲ و ۱۹۹۱ به ترتیب ۱/۳ و ۰/۳درصد بوده است، اما با وجود برخی خطاهای به نسبت بزرگی که دراین پیش‌بینی‌ها روی داده است، هرگز این گونه نبوده که RSQE یک سال ضعیف را پررونق یا یک‌سال پررونق را ضعیف پیش‌بینی کند. تنها نمونه‌های معدودی (در این اواخر،‌یعنی ۱۹۹۹ و ۲۰۰۱) وجود داشته است که در آنها پیش‌بینی RSQE واقعا «اشتباه» بوده است، ‌به این معنا که در این باره که آیا نرخ رشد اقتصاد نسبت به سال قبل افزایش یا کاهش خواهد یافت اشتباه فاحشی صورت گرفته است. تا این جای بحث توجه خود را به مدلی متمرکز کرده‌ایم که از آن با عنوان مدل اقتصادسنجی ساختاری یاد می‌شود، به این معنا که در آنها متخصص اقتصاد سنجی آمیزه‌ای از نظریات اقتصادی، ریاضیات و اطلاعات مربوط به ساختار اقتصاد را برای ساخت یک مدل مقداری اقتصادی به کار می‌گیرد. سپس این متخصص اقتصاد سنجی برای ارزیابی مقدار پارامترهای نامشخص و تبدیل این مدل اقتصادی به یک مدل اقتصادسنجی ساختاری به سراغ داده‌های مشاهده شده می‌رود. واژه «ساختاری» به این نکته اشاره دارد که مدل مورد اشاره ساختار یا ویژگی‌ خود را از نظریه اقتصادی که متخصص اقتصاد سنجی کار خود را با آن آغاز می‌کند می‌گیرد، به عنوان مثال این ایده که مخارج صرف شده روی لباس و کفش از روی درآمد خانوارها تعیین می‌شود، از نظریات اقتصادی اخذ می‌گردد.
نظریات اقتصادی هم پیچیده و هم ناقص هستند. مثلا:
* آیا مخارج صرف شده روی لباس و کفش در سال جاری تنها به درآمد همین سال وابسته است یا به الگوی درآمد در سال‌های اخیر نیز بستگی دارد؟
* عبارت سال‌های «اخیر» به چند سال اشاره دارد؟
*آیا متغیرهای دیگر از قبیل قیمت لباس نسبت به قیمت سایر کالاهای مصرفی اهمیتی ندارند؟
این شرایط باعث می‌شود تعیین مدل اقتصادی که باید کار ساخت مدل ساختاری اقتصادسنجی جهت استفاده در پیش‌بینی را با آن آغاز نموده از آن چه تا به حال بیان شد بسیار مشکل‌تر گردد. در سال‌های اخیر متخصصین اقتصادسنجی دریافته‌اند که می‌توان پیش‌بینی اقتصادی را با استفاده از یک روند ساده‌تر غیرساختاری و بی‌آنکه دقت پیش‌بینی به میزان زیادی کاهش پیدا کند انجام داد؛ اگر چه این روند ساده‌تر هزینه‌های قابل ملاحظه‌ای به همراه دارد، اما این هزینه‌ها در روند معمول پیش‌بینی چندان آشکار نخواهند بود.
این نکته پس از معرفی کوتاه روند جایگزین که «پیش‌بینی سری زمانی» نام دارد، توضیح داده خواهد شد.
شکل 2: دقت پیش‌بینی RSQE: رشد GOP واقعی، 2003-1971 (مقدار واقعی در مقابل پیش‌بینی RSQE در نوامبر سال قبل)


ایده پیش‌بینی سری زمانی به سادگی و با کمک شکل 3 توضیح داده می‌شود. شکل 3 تغییرات سالانه در مخارج صورت گرفته روی لباس و کفش را از سال 1981 تا 2002 نشان می‌دهد.
شکل ۳: تغییرات سالانه مخارج مربوط به لباس و کفش، ۲۰۰۲-۱۹۸۱ (محور عمومی: میلیارد دلار)


بخش عمده‌ای از تغییرات سالانه در گستره ۴/۴ تا ۲/۱۳میلیارد دلار قراردارند و تنها یک مورد مربوط به سال ۲۰۰۱ از این محدوده بیرون است. به عبارت دیگر این تغییرات سال به سال، پایدار به نظر می‌رسند. برخی از این تغییرات بیشتر از ۸/۸میلیارد دلار و برخی نیز کمتر از آن هستند. در فاصله ۱۹۸۳ تا ۱۹۸۸ زنجیره‌ای از تغییرات روی دادند که همگی نزدیک به ۱۱میلیارد دلار بودند، اما این غیرعادی بود. در اغلب موارد تغییر روی داده در یک سال راهنمای خیلی خوبی جهت پیش‌بینی تغییر مربوط به سال بعد نیست؛ چرا که میزان پرش‌ این تغییرات بسیار زیاد است. لذا اگر یک قاعده پیش‌بینی حاکی از آن باشد که مخارج سال آتی روی لباس و کفش به میزان ۸/۸میلیارد دلار بیشتر از مخارج سال جاری خواهد بود، معنادار است. این مثال ساده اصل و جوهر پیش‌بینی سری زمانی را نشان می‌دهد. در واقع در مدل‌های سری زمانی باید به دقت به رفتار متغیر مورد نظر در طول زمان نگاه کرد و اگر این متغیر در طول زمان رفتار باثباتی نشان داد از آن برای انجام پیش‌بینی استفاده کرد. «مشاهده» با ثبات بودن یا نبودن رفتار متغیرها (برای انجام یک پیش‌بینی قابل اتکا) همواره ساده نیست. متخصصین اقتصادسنجی شیوه‌های پیچیده‌ای را جهت تشخیص ثبات و اندازه‌گیری آن شکل داده‌اند.
به طور کلی به نظر می‌رسد که روش‌های سری زمانی و مدل ساختاری، پیش‌بینی‌های نسبتا خوبی را برای یک یا دو سال آینده انجام می‌دهند، اما روش سری زمانی از این مزیت آشکار برخوردار است که بسیار ساده‌تر است. می‌توان مخارج صورت گرفته روی لباس و کفش را بدون توجه به رابطه نظری میان مخارج و درآمد خانوارها پیش‌بینی نمود. نیازی به مشخص بودن این رابطه نیست و همچنین نیازی به برآورد کردن پارامترهای آن وجود ندارد و تنها باید بر خود متغیر پوشاک تمرکز کرد.
پس هزینه‌های قابل ملاحظه‌ مربوط به استفاده از شیوه پیش‌بینی سری زمانی چیست؟ هزینه‌های مورد اشاره از این واقعیت ناشی می‌شوند که روش مزبور تنها یک پاسخ عددی به ما می‌دهد و دیگر هیچ. اگر فرد استفاده‌کننده از این پیش‌بینی (مثلا یک تولیدکننده پوشاک) بپرسد که چرا این پیش‌بینی چنین رقمی را مطرح می‌کند،‌ متخصصین اقتصاد سنجی سری زمانی در پاسخ تنها می‌تواند بگوید«زیرا این شیوه‌ای است که مخارج مربوط به پوشاک در گذشته طبق آن رفتار کرده است» و نمی‌تواند بگوید «زیرا درآمد خانوارها در پاسخ به یک سیاست پولی انبساطی به شدت روبه افزایش است و هدف از اتخاذ این سیاست آن بوده است که...». به طور خلاصه در این تحلیل هیچ موضوع اقتصادی در درجه اول اهمیت قرار ندارد. اگر این گونه بود، فرد استفاده‌کننده می‌توانست پاسخ دهد: «این معنادار است و من براساس این پیش‌بینی برنامه‌ریزی خواهم کرد» یا می‌توانست بگوید «این پیش‌بینی نمی‌تواند صحیح باشد، زیرا من متقاعد شده‌ام که همین روزها سیاست پولی انبساطی معکوس خواهد شد و لذا من این پیش‌بینی را در برنامه‌ریزی خودم اصلاح می‌کنم.» پیش‌بینی سری زمانی فرد را در منگنه قرار می‌دهد. فرد باید یا پیش‌بینی مزبور را دربست بپذیرد یا آن را رها نماید.
از آنجا که بسیاری از پیش‌بینی‌کننده‌ها با مدل‌های ساختاری کار می‌کنند، افراد استفاده‌کننده از آنها نه تنها می‌توانند پیش‌بینی‌های عددی گوناگونی را به دست آوردند، ‌بلکه می‌توانند به تحلیل اقتصادی که با هر پیش‌بینی همراه است یا آن را توجیه کرده یا توضیح می‌دهد نیز دست یابند. مسلما کاربری که مجبور است بر مبنای یک پیش‌بینی عمل کند و می‌تواند پیش‌بینی مورد استفاده خود را از میان گزینه‌های مختلف موجود انتخاب نماید، در حالتی که این موارد یک مبنای اقتصادی ساختاری داشته باشند، به اطلاعات بسیار بیشتری دست خواهد یافت. نکته آخری که باید به آن اشاره کرد و به بحث‌های قبل نیز ارتباط دارد آن است که وقتی بحث به حوزه مهم تحلیل اقتصادسنجی سیاست‌ها یا به محاسبات «اگر A رخ دهد، آنگاه چه می‌شود؟» مربوط باشد، مدل‌های ساختاری «تنها راهکار ممکن» خواهند بود. از این رو پیش‌بینی اولیه با استفاده از یک مدل اقتصادسنجی ساختاری و بهترین اطلاعاتی که فرد پیش‌بینی‌کننده به آنها دسترسی دارد انجام می‌شود. سپس زمانی که کسی این سوال را مطرح می‌کند که«اگر گنکره نرخ مالیات بر درآمد را پنج واحد درصد افزایش دهد، چه می‌شود؟» آن گاه این تغییر ساده بر محاسبات اولیه اعمال گردیده و مقدار مورد پیش‌بینی دوباره محاسبه خواهد شد تا ارزیابی مدل از اثر تغییر سیاست مالی دولت به اقتصاد را نشان دهد.