پژوهشهای آتی:
برای تکمیل مطالعهی صورت گرفته در این پژوهش، چند پیشنهاد برای مطالعاتی که در آینده صورت خواهد گرفت مطرح میشود.
اثر بحران مالی بر سهم تجارت دوجانبه خدمات از کل تجارت دوجانبه بین شرکای تجاری بررسی شود.
میزان اثرگذاری بحران بر حجم تجارت دوجانبه در دو بخش خدمات و کالا مقایسه شود .
اثر بحران مالی بر سهم تجارت دوجانبه خدمات گردشگری از کل تجارت دوجانبه خدمات بین شرکای تجاری مطرح شده در این پژوهش بررسی شود.
میزان اثرگذاری بحران بر خدمات گردشگری در کشورهای پیشرفته و کشورهای در حال توسعه مقایسه شود.
با توجه به کمبود اطلاعات و فقدان پایگاه داده در رابطه با گردشگری پیشنهاد می شود تا مطالعه ای به گردآوری اطلاعات در این زمینه اختصاص یابد و با توجه به اهمیت گردشگری و نقش آن در رشد و توسعه اقتصادی کشورها و ضرورت مطالعه در این زمینه لازم است تا  اطلاعات غیر متمرکز در زمینه گردشگری را در پایگاهی به صورت متمرکز فراهم آید.

پیوست:
پیوست فصل سوم: مباحثی پیرامون رهیافت دادههای تابلویی:
با توجه به این که الگوی جاذبه با داده‌های مقطعی در طی یک دوره زمانی تخمین زده می‌شود بنابراین باید از رویکرد داده‌های ترکیبی یا پانل دیتا استفاده نمود. به طورکلی داده‌های ترکیبی را به دو روش پول یا پنل می‌توان تخمین زد. روش پنل دیتا، در حقیقت پولینگ کردن مشاهدات روی دادههای مقطعی در طول چندین دورهی زمانی است و استفاده از این روش نسبت به الگوهای مقطعی و ترکیبی(پولینگ) دارای دو منفعت عمده است؛ نخست آنکه، به محقق این امکان را میدهد تا ارتباط میان متغیرها را در طول زمان در نظر گرفته و به بررسی آنها بپردازد. دوم، توانایی این روش در کنترل انفرادی مربوط به هر یک از جفت شرکای تجاری است که قابل مشاهده و اندازهگیری نیستند. باید توجه داشت زمانی که این اثرات با متغیرهای توضیحی و متغیر وابسته مرتبط هستند، حذف آن منجر به پیدایش اریب در روشOLS خواهد شد.
داده‌های تابلویی روش مناسبتری نسبت به روش پولد برای تخمین الگوی جاذبه است (اکبری دهباغی، 1385). یکی از روش‌های غلبه بر ناهمگنی شرکای تجاری، در الگوی جاذبه استفاده از روش داده‌های تابلویی است که برای شرکای تجاری عرض از مبدا مشخص در نظر می‌گیرد. این روش در حقیقت ترکیب کردن مشاهدات روی داده‌های مقطعی در طی چندین دوره زمانی است..
در دادههای تابلویی، واحدهای مقطعی یکسان ( برای مثال، خانوار، بنگاه،کشور یا ایالت) طی زمان، بررسی و سنجش می‌شوند. دادههای تابلویی دارای ابعاد فضائی (مکانی) و زمانی‌اند و به حرکت واحدهای مقطعی طی زمان اشاره می‌کنند (گجراتی،2004). به طور کلی داده‌های پانل دارای ویژگی‌های خوبی می‌باشند که، همین ویژگی‌های مناسب، عاملی شده است تا در پژوهشهای زیادی از آن برای تخمیین الگوی سنجی استفاده شود. که در زیر به شماری از آنها اشاره می‌شود:
1- کنترل ناهمگنی فردی: در واقع ایده اصلی الگو‌های داده‌ها تابلویی این است که افراد، بنگاه‌ها و استان‌ها و غیره از نظر رفتاری همگن نیستند. الگوهای سری زمانی به تنهایی و نیز داده‌های مقطعی به تنهایی نمی‌توانند این ناهمگنی‌ها را الگو‌سازی کنند، در نتیجه تخمین زن‌ها حاصل از آنها تورش‌دار می‌شود.
2- حل مشکل کوتاه بودن دوره زمانی داده‌ها، در پژوهشهایی که دوره زمانی پژوهش کوتاه است با ادغام داده‌های سری زمانی با داده‌های مقطعی، می‌توان مشکل کم بودن اطلاعات را حل می‌کند.
3- داده‌های پانل با حجم زیاد، باعث هم خطی کم در میان متغیرها، و ایجاد درجه آزادی و کارایی بیشتر می‌شود.
4 – داده‌های پانلی امکان طراحی الگوهای رفتاری پیچیدهتری را فراهم میکنند.
5 – داده‌های پانلی امکان بیشتری را برای شناسایی و اندازهگیری اثراتی فراهم میکنند که با اتکای صرف به آمارهای مقطعی یا سری زمانی به سادگی قابل شناسایی نیستند.
به طور کلی در داده‌های ترکیبی سه نوع متغیر حذف شده وجود دارد که خود را در عرض از مبدا‌ها نشان می‌دهد و بسته به این که الگوی پژوهش با کدام یک سازگاری بیشتری دارد، تخمین براساس آن انجام می‌گیرد.
الف – متغیرهایی که در طول واحدهای انفرادی ثابتند ولی در طول زمان تغییر می‌کنند (اثرات بین گروهی).
تخمین بین گروهی از اختلاف بین کشورها بهره برداری می‌کند، اما از هرگونه اطلاعاتی در درون کشورها صرف‌نظر می‌کند و به عبارتی این نوع تخمین‌ها، رگرسیون روی میانگین است و معمولا برای تخمین ضرایب بلند‌مدت از این روش استفاه می‌شود (نصیری،1390).
ب – اثرات انفرادی که در طول زمان ثابتند ولی در بین واحد‌های انفرادی تغیر می‌کنند (اثرات ثابت).
در روش ترکیبی (پولینگ) فرض بر این است که عرض از مبدا برای همه جفت کشورها یکسان است. علاوه براین، فرض می شود بردار پارامترها نیز که بیانگر شیب معادله است برای همهی زمانها یکسان است. به همین دلیل است که گفته می شود OLS به علت اعمال محدودیت بر الگو مذکور مبنی بر یکسان پارامترها برای همه جفت کشورها دچار اریب ناهمگنی میگردد. برای رفع این مشکل در روش اثرات ثابت، محدودیت یکسان بودن اثرات انفرادی حذف میگردد، ولی یکسان بودن شیب معادله همچنان برقرار است. به عبارتی تحت این روش برای هر واحد انفرادی (جفت کشورهای شریک تجاری)، عرض از مبدا جداگانه‌ای وجود دارد که می‌تواند با
متغیر‌های توضیحی الگو همبستگی داشته‌ باشد و یا نداشته باشد. در این روش استفاده ‌از روش حداقل مربعات معمولی برای تخمین پارامترها دارای نتایج بدون تورش و سازگار است.
ج- متغیر‌هایی که در طول زمان و هم در ارتباط با واحد‌های انفرادی متغیرند (اثرات تصادفی).
یک روش جایگزین برای تخمین الگوی اثرات ثابت، تخمین الگوی اثرات تصادفی است. در این روش فرض می‌شود عرض از مبدا‌ها (ijα) دارای توزیع مشترکی با میانگین α و واریانس2σ بوده و بر خلاف روش اثرات ثابت، با متغیرهای توضیحی الگو همبستگی ندارد.
همانگونه که از الگوی جاذبه مشخص است و در بسیاری از پژوهشها نیز به آن اشاره می‌کنند روش اثرات ثابت برای الگوی جاذبه می‌تواند کارایی بیشتری دارد زیرا در حقیقت برای بسیاری از جفت کشورها عواملی حذف شده در الگو وجود دارند که در طی زمان بین جفت کشورها مشترک است اما از یک جفت کشور به جفت کشور دیگر متفاوت است مثل زبان که می‌توان در بین یک جفت کشور در طی زمان مشترک است اما همزمان بین یک جفت کشور دیگر این همگنی وجود ندارد در حالیکه این عامل بر تجارت اثر دارد (اما در الگو به شکل صریح بدان اشاره نشده است). اما همزمان می‌تواند که مسائلی بین دو جفت کشور وجو داشته باشد که در طی زمان نیز عوض شده باشد اما همین عامل موثر بر تجارت برای جفت کشور دیگر موجود نباشد. در نتیجه به شکل قطع نمی‌توان در مورد اینکه کدام الگو مناسب تر است تصمیم گرفت. برای آنکه بتوانیم بین الگوهای اثرات ثابت و اثرات تصادفی از نظر قدرت توضیح دهندگی متغیر وابسته مقایسه ای انجام دهیم، از آزمونی به نام آزمون هاسمن استفاده میکنیم. از آنجا که برای انجام مقایسه بین این دو الگو باید وجود همبستگی بین اثرات تصادفی(αi) و متغیر‌های تو‌ضیحی را مورد آزمون قرار دهیم، لذا در آزمون هاسمن فرضیه صفر این است که هیچ همبستگی میان اثرات تصادفی و متغیر‌های تو‌ضیحی وجود ندارد. تحت این فرضیه، تخمین‌زن‌هایOLS و GLS(حداقل مربعات تعمیمیافته) هر دو سازگار هستند ولی تخمین زن OLS ناکاراست. در شرایطی که تحت فرضیه مقابل، تخمین زن OLS کارا و سازگار ولی تخمین زن GLS ناسازگار است. تابع آزمون هاسمن دارای توزیع2χ بادرجه آزادی K(تعداد پارامتر قابل برآورد ) است. چنانچه آماره به دست آمده کوچکتر از مقدار جدول باشد، روش اثرات تصادفی پذیرفته می شود. در غیر این صورت فرضیه H1 مورد پذیرش است و تخمین با اثرات ثابت انجام می‌شود. در ادامه آنچه در بالا ذکر شد همراه با الگو و به صورت سنجی بیان شده است.
در یک شکل کلی و در قالب پنل دیتا می توان الگوی جاذبهای به صورت زیر را در نظر گرفت:

مطلب مشابه :  پایان نامه ارشد دربارهغزلیات حافظ، عوامل محیطی، حیات اجتماعی، عوامل اجتماعی

〖lnX〗_ijt=α_0+α_t+α_ij+〖βʹ〗_ijt Z_ijt+ε_ijt (3-8)
که Xijt، صادرات از کشور i به j در سال t 〖Zʹ〗_ijt=[Z_it,Z_jt,…] یک بردار1×k از لگاریتم متغیرهای جاذبه (GDP، جمعیت ومولفههای خاص) است. منظور از مولفه‌های خاص در الگوی جاذبه، ویژگی‌های فرهنگی، تاریخی، سیاسی و سایر متغیرهای کشورها است که بایکدیگر تفاوت دارند والبته هر کدام از عوامل، سطح مبادلات تجاری را بین کشورها تحت تاثیر قرار می‌دهد و با متغیرهای اصلی جاذبه (تولید ناخالص و جمعیت) همبستگی پیدا می‌کند. سایر عوامل است که در غالب متغیرهای قابل مشاهده نیستند در واقع این عوامل خود را در قالب عرض از مبدا یا مقدار ثابت نشان می‌دهند. در این الگو کلی عرض از مبدا شامل سه قسمت است؛ α_0 که برای همه سالها و همه جفت کشورها مشترک است. α_t که برای سال t بوده و برای همه جفت کشورها به عنوان واحدهای انفرادی مشترک است و بالاخره α_ij که برای هر یک از جفت کشورها منحصر به فرد بوده و برای همه ی سالها مشترک است، این قسمت از عرض از مبدا را اصطلاحا اثرات انفرادی مینامند. چنانچه α_t وارد الگو شود، به آن الگوی پنل دیتا دو طرفه82 گفته میشود. در حالی که هر گاه این جزء از عرض از مبدا وارد الگو نگردد، پنل تشکلیل شده به صورت پنل دیتا یک طرفه83 خواهد بود. ε_ijt نیز جزء اخلال است که فرض میشود بطور نرمال (با میانگین صفر و واریانس ثابت برای همه ی مشاهدات) توزیع شده است که با هم ناهمبسته اند، یعنی:

ε_ijt~IND(0,〖σ_t〗^2 ) , E(ε_ijt,〖εʹ〗_ijt )=0
E(ε_ijt,ε_ijt )=0(3-9)
در روش ترکیبی (پولینگ) فرض بر این است که عرض از مبدا برای همه ی جفت کشورها یکسان است، علاوه بر این فرض میشود بردار پارامترها نیز که بیانگر شیب معامله است برای همه ی tها یکسان است. به عبارت دیگر:
α_ij=0 ,β_1=β_2=…=β_T=β
به همین دلیل است که گفته میشود روشOLS به علت اعمال محدودیت بر الگو مذکور مبتی بر یکسان بودن پارامترها برای همه جفت کشورها دچار اریب ناهمگنی میگردد. برای رفع این مشکل در روش پنل دیتا، محدوودیت یکسان بودن اثرات انفرادی (α_ij) حذف میشود ولی یکسان بودن شیب معادله همچنان برقرار است.
در روش پنل دیتا خود مشتمل بر سه نوع تخمین یعنی، تخمینهای بین گروه، تخمینهای درون گروه ( اثرات ثابت (FE)) و اثرات تصادفی (RE) است. تخمینهای بین گروه از اختلاف بین کشورها (صرف نظر میکند و به عبارتی این نوع تخمینها، رگرسیون روی میانگینهاست و معمولا برای تخمین ضرائب بلند مدت از این روش استفاده میشود (اگر84، 2000).
در روش اثرات ثابت (FE) فرض میشود که شیب معادله (3-7) برای همه ی جفت کشورها یکسان است ولی برای هر واحد انفرادی (هر یک از جفت شرکای تجاری)، عرض از مبدا جداگانه ای وجود دارد که میتواند با متغیرهای توضیحی الگو هم
بستگی داشته و یا نداشته باشد. این روش، روش حداقل مربعات مجازی85 نامیده میشود، چرا که به معرفی متغیرهای مجازی میپردازد که بیانگر اثار عوامل حذف شدهای است که مربوط به خصوصیات هر یک از کشورها به عنوان واحدهای انفرادی بوده و در قالب عرض از مبدا (α_ij) وارد الگو میگردند. بنابراین در روش اثرات ثابت، بعد زمان در نظر گرفته نشده و تنها اثراتی که مختص هر یک از کشورهاست به عنوان اثرات انفرادی منظور میگردد.
در روش اثرات تصادفی(RE) که به روش اجزاء واریانس نیز معروف است، فرض میشود عرض از مبداها (α_ijها) دارای توزیع مشترکی با میانگین α و واریانس 〖σ^2〗_α بوده و بر خلاف روش اثرات ثابت (FE)، با متغیرهای توضیحی الگو ناهمبسته اند.
به طور کلی سه نوع متغیر حذف شده وجود دارد که خود را در عرض از مبداها (α_ijها) نشان میدهد:1-اثرات انفرادی که در طول زمان ثابتند ولی در بین واحدهای انفرادی تغییر