دانشگاه تبریز
فهرست نشریات دارای اعتبار وزارت علوم، تحقیقات و فناوری
پایگاه استنادی علوم جهان اسلام (ISC)

 آمار

تعداد نشریات45
تعداد شماره‌ها1,551
تعداد مقالات18,922
تعداد مشاهده مقاله63,435,441
تعداد دریافت فایل اصل مقاله23,151,997
شاهمرادی, ئه سرین, متفکرآزاد, محمدعلی, رنج پور, رضا, برقی اسکویی, محمدمهدی. (1405). ارزیابی اثر پولشویی بر نابرابری درآمدی با رویکرد PSTR: مطالعه موردی کشورهای منتخب اسلامی. سامانه مدیریت نشریات علمی, 13(3), 171-196. doi: 10.22034/ecoj.2026.72567.3516
ئه سرین شاهمرادی; محمدعلی متفکرآزاد; رضا رنج پور; محمدمهدی برقی اسکویی. "ارزیابی اثر پولشویی بر نابرابری درآمدی با رویکرد PSTR: مطالعه موردی کشورهای منتخب اسلامی". سامانه مدیریت نشریات علمی, 13, 3, 1405, 171-196. doi: 10.22034/ecoj.2026.72567.3516
شاهمرادی, ئه سرین, متفکرآزاد, محمدعلی, رنج پور, رضا, برقی اسکویی, محمدمهدی. (1405). 'ارزیابی اثر پولشویی بر نابرابری درآمدی با رویکرد PSTR: مطالعه موردی کشورهای منتخب اسلامی', سامانه مدیریت نشریات علمی, 13(3), pp. 171-196. doi: 10.22034/ecoj.2026.72567.3516
شاهمرادی, ئه سرین, متفکرآزاد, محمدعلی, رنج پور, رضا, برقی اسکویی, محمدمهدی. ارزیابی اثر پولشویی بر نابرابری درآمدی با رویکرد PSTR: مطالعه موردی کشورهای منتخب اسلامی. سامانه مدیریت نشریات علمی, 1405; 13(3): 171-196. doi: 10.22034/ecoj.2026.72567.3516

ارزیابی اثر پولشویی بر نابرابری درآمدی با رویکرد PSTR: مطالعه موردی کشورهای منتخب اسلامی

نظریه های کاربردی اقتصاد
دوره 13، شماره 3 - شماره پیاپی 50، شهریور 1405، صفحه 171-196    اصل مقاله (758.36 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/ecoj.2026.72567.3516
نویسندگان
ئه سرین شاهمرادی1؛ محمدعلی متفکرآزاد* 2؛ رضا رنج پور2؛ محمدمهدی برقی اسکویی2
1دانشجوی دکترای اقتصاد اسلامی، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران
2استاد، گروه اقتصاد، دانشکده اقتصاد و مدیریت، دانشگاه تبریز، تبریز، ایران
چکیده
هدف این پژوهش بررسی اثر غیرخطی پولشویی بر نابرابری درآمدی در کشورهای اسلامی منتخب شامل ایران، ترکیه، اندونزی، مالزی، پاکستان، مصر، قزاقستان و قرقیزستان طی دوره 2024-2012 است. با توجه به محدودیت دسترسی به شاخص‌های مستقیم و قابل مقایسه پولشویی، از شاخص ادراک فساد و نسبت حجم پول به تولید ناخالص داخلی به‌عنوان شاخص جایگزین‌های پولشویی استفاده شده است. همچنین متغیرهای تورم، درآمد سرانه، توان دوم درآمد سرانه و بازبودن اقتصادی به‌عنوان متغیرهای کنترلی در مدل وارد شده‌اند.
برای بررسی روابط غیرخطی و وابستگی نتایج به شرایط اقتصادی، از الگوی رگرسیون انتقال ملایم پانلی (PSTR) استفاده شده است. در این چارچوب، سه متغیر آستانه‌ای شامل نرخ ارز، رشد اقتصادی و بازبودن اقتصادی در نظر گرفته شد تا امکان شناسایی رژیم‌های مختلف اقتصادی و تغییر رفتار متغیرها در سطوح متفاوت این شاخص‌ها فراهم شود. مزیت این روش آن است که برخلاف الگوهای خطی، می‌تواند تغییرات تدریجی ضرایب و ناهمگنی میان کشورها را در شرایط اقتصادی مختلف منعکس کند.
یافته‌های پژوهش نشان می‌دهد که رابطه میان پولشویی و نابرابری درآمدی خطی و یکنواخت نیست و اثر آن به شرایط اقتصاد کلان بستگی دارد. نتایج بیانگر آن است که تورم به‌طور پایدار موجب افزایش نابرابری درآمدی می‌شود. همچنین ضرایب درآمد سرانه و توان دوم آن مؤید وجود رابطه‌ای غیرخطی میان توسعه اقتصادی و نابرابری درآمدی و سازگار با فرضیه کوزنتس است. افزون بر این، اثر شاخص ادراک فساد و نسبت حجم پول به تولید ناخالص داخلی در تمامی رژیم‌های اقتصادی یکسان نبوده و شدت تأثیر آن‌ها با تغییر شرایط نرخ ارز، رشد اقتصادی و بازبودن اقتصادی تغییر می‌کند. به‌طور کلی، نتایج نشان می‌دهد که متغیرهای کلان اقتصادی و نهادی نقش مهمی در انتقال آثار پولشویی به نابرابری درآمدی ایفا می‌کنند.
کلیدواژه‌ها
نابرابری درآمد؛ پولشویی؛ PSTR
مراجع
  1. Abiloro, T. O., Olawole, A., & Adeniran, T. E. (2019). Corruption, income inequality, and economic development in Nigeria. Sciences, 9(4), 304-319.
  2. Acemoglu, D., & Robinson, J. A. (2012). Why nations fail: The origins of power, prosperity, and poverty. Crown Business.
  3. Aghion, P., Akcigit, U., Bergeaud, A., Blundell, R., & Hémous, D. (2021). Innovation and top income inequality. Review of Economic Studies, 88(1), 1–45.
  4. Ajide, F. M., Ojeyinka, T. A., Egbewole, A. B., & Ridwan, I. (2025). Do less harm than good? Analyzing the effects of anti-money laundering regulations on income inequality in developing economies. Journal of Banking Regulation, 26(3), 215–233.
  5. Alfada, A. (2020). The destructive effect of corruption on economic growth in Indonesia: A threshold regression approach. Heliyon, 6(10), e05006.
  6. Alvaredo, F., Chancel, L., Piketty, T., Saez, E., & Zucman, G. (2023). World Inequality Database. https://wid.world/
  7. Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. Review of Economic Studies, 58(2), 277–297.
  8. Asongu, S. A., & Odhiambo, N. M. (2021). Inequality, finance and renewable energy consumption in Sub-Saharan Africa. Renewable Energy, 175, 468–482.
  9. Atkinson, A. B., & Bourguignon, F. (2015). Handbook of Income Distribution (Vol. 2). Elsevier.
  10. Bai, J., & Carrion-i-Silvestre, J. (2009). Stationarity tests in panels with multiple structural breaks. Econometric Theory, 25(6), 1754–1790.
  11. Barone, R., & Kreuter, H. (2021). Money laundering and banking sector stability: New evidence from emerging Europe. Journal of Financial Crime, 28(3), 789–806.
  12. Barro, R. J. (2000). Inequality and growth in a panel of countries. Journal of Economic Growth, 5(1), 5–32.
  13. Bastagli, F., Hagen-Zanker, J., & Harman, L. (2019). Cash transfers: What does the evidence say? ODI Report.
  14. Beck, T., Demirgüç-Kunt, A., & Levine, R. (2010). Financial institutions and markets across countries and over time: The updated financial development and structure database. World Bank Economic Review, 24(1), 77–92.
  15. Beck, T., Levine, R., & Levkov, A. (2020). Big bad banks? The winners and losers from bank deregulation in the United States. Journal of Finance, 75(2), 1197–1235.
  16. Blackburn, K., Bose, N., & Capasso, S. (2017). Financial development, the shadow economy and income inequality. Journal of Economic Behavior & Organization, 141, 65–81.
  17. Breen, M., & Gillanders, R. (2015). Corruption, institutions and regulation. Economics of Governance, 16(3), 203–228.
  18. Breusch, T., & Pagan, A. (1980). The Lagrange multiplier test and its applications to model specification. Review of Economic Studies, 47(1), 239–253.
  19. Bruno, G. (2005). Approximating the bias of the LSDV estimator for dynamic unbalanced panel data models. Economics Letters, 87(3), 361–366.
  20. Caner, M., & Hansen, B. E. (2004). Instrumental variable estimation of a threshold model. Econometric Theory, 20(5), 813–843.
  21. Chong, A., & Gradstein, M. (2019). Institutional persistence, income inequality, and individual attitudes. Journal of Economic Behavior & Organization, 166, 784–803.
  22. Cooley, A., & Heathershaw, J. (2021). Dictators without borders: Power and money in Central Asia. Yale University Press.
  23. Cooray, A., & Schneider, F. (2016). Does corruption promote shadow economy? A panel data analysis. International Tax and Public Finance, 23(4), 581–605.
  24. Cvijanović, D., & Spaenjers, C. (2021). “We’ll always have Paris”: The hedging value of urban real estate. Review of Financial Studies, 34(11), 5355–5401.
  25. Demirgüç-Kunt, A., & Levine, R. (2009). Finance and inequality: Theory and evidence. Annual Review of Financial Economics, 1, 287–318.
  26. Demirgüç-Kunt, A., Klapper, L., Singer, D., Ansar, S., & Hess, J. (2022). The Global Findex Database 2021: Financial inclusion, digital payments, and resilience in the age of COVID-19. World Bank.
  27. Dollar, D., & Kraay, A. (2002). Growth is good for the poor. Journal of Economic Growth, 7(3), 195–225.
  28. Ehrlich, I., & Lui, F. (1999). Bureaucratic corruption and endogenous economic growth. Journal of Political Economy, 107(6), S270–S293.
  29. Friedman, E., Johnson, S., Kaufmann, D., & Zoido-Lobatón, P. (2000). Dodging the grabbing hand: The determinants of unofficial activity in 69 countries. Journal of Public Economics, 76(3), 459–493.
  30. González, A., Teräsvirta, T., van Dijk, D., & Medeiros, M. C. (2017). Panel smooth transition regression models. CREATES Research Paper 2017-36.
  31. Gupta, S., Davoodi, H., & Alonso-Terme, R. (2002). Does corruption affect income inequality and poverty? Economics of Governance, 3(1), 23–45.
  32. Hansen, B. E. (1999). Threshold effects in non-dynamic panels: Estimation, testing, and inference. Journal of Econometrics, 93(2), 345–368.
  33. Hassan, M., & Schneider, F. (2016). Size and development of the shadow economies of 157 countries worldwide. IZA Discussion Paper, No. 10281.
  34. Hayakawa, K. (2009). First difference or forward orthogonal deviations—which transformation should be used in dynamic panel data models?: A simulation study. Economics Bulletin, 29(3), 2008–2017.
  35. International Monetary Fund. (2023). Middle East and Central Asia Regional Economic Outlook. IMF.
  36. Kar, D., & Spanjers, J. (2022). Illicit financial flows from developing countries: 2009–2018. Global Financial Integrity.
  37. Kaufmann, D., & Kraay, A. (2024). The worldwide governance indicators: Methodology and 2024 update. Available at SSRN 5154675.
  38. Kaufmann, D., Kraay, A., & Mastruzzi, M. (2011). The worldwide governance indicators: Methodology and analytical issues. Hague Journal on the Rule of Law, 3(2), 220–246.
  39. Knoll, K., Schularick, M., & Steger, T. (2017). No price like home: Global house prices, 1870–2012. American Economic Review, 107(2), 331–353.
  40. Kuznets, S. (1955). Economic growth and income inequality. American Economic Review, 45(1), 1–28.
  41. Law, S. H., Tan, H. B., & Azman-Saini, W. N. W. (2020). Corruption and income inequality: A nonparametric approach. Journal of Economic Studies, 47(5), 1055–1077.
  42. Levine, R. (2005). Finance and growth: Theory and evidence. In P. Aghion & S. Durlauf (Eds.), Handbook of Economic Growth (pp. 865–934). Elsevier.
  43. Lustig, N. (2020). Inequality and social policy in Latin America. World Development, 134, 105–129.
  44. Mauro, P. (2016). Corruption and inequality: The impact on economic growth. IMF Working Paper.
  45. Menaldo, V. (2016). The institutions curse: Natural resources, politics, and development. Cambridge University Press.
  46. Narayan, P. K., & Narayan, S. (2010). Carbon dioxide emissions and economic growth: Panel data evidence from developing countries. Energy Policy, 38(1), 661–666.
  47. North, D. C., Wallis, J. J., & Weingast, B. R. (2009). Violence and social orders: A conceptual framework for interpreting recorded human history. Cambridge University Press.
  48. Pesaran, M. H. (2007). A simple panel unit root test in the presence of cross‐section dependence. Journal of Applied Econometrics, 22(2), 265–312.
  49. Phillips, P. C. B., & Sul, D. (2007). Transition modeling and econometric convergence tests. Econometrica, 75(6), 1771–1855.
  50. Reuter, P., & Truman, E. M. (2019). Chasing dirty money: The fight against money laundering. Peterson Institute for International Economics.
  51. Rodrik, D. (2000). Institutions for high-quality growth: What they are and how to acquire them. Studies in Comparative International Development, 35(3), 3–31.
  52. Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM. Stata Journal, 9(1), 86–136.
  53. Ross, M. L. (2015). What have we learned about the resource curse? Annual Review of Political Science, 18, 239–259.
  54. Saiz, A., & Wachter, S. (2022). Urban amenities and urban inequality. Journal of Urban Economics, 129, 103–132.
  55. Schneider, F. (2010). Shadow economies and corruption all over the world: New estimates for 145 countries. Economics: The Open-Access, Open-Assessment E-Journal, 1(9), 1–66.
  56. Sen, A. (1997). On Economic Inequality. Clarendon Press.
  57. Solt, F. (2020). Measuring income inequality across countries and over time: The Standardized World Income Inequality Database (SWIID v9.5). Social Science Quarterly, 101(3), 1183–1199.
  58. Sulemana, I., Kpienbaareh, D., & Osei-Koranteng, E. (2019). Corruption and economic development in Africa. Journal of Money Laundering Control, 22(4), 732–749.
  59. Bougatef, K. (2015). The impact of corruption on the soundness of Islamic banks. Borsa Istanbul Review, 15(4), 283–295.
  60. Tavares, J. (2003). Does foreign direct investment reduce corruption?. Economics Letters, 79(1), 103–109.
  61. Torgler, B., & Schneider, F. (2009). The impact of tax morale and institutional quality on the shadow economy. Journal of Economic Psychology, 30(2), 228–245.
  62. Unger, B., Addink, H., Busuioc, M., & Ferwerda, J. (2020). Combating fiscal fraud and empowering regulators. Oxford University Press
  63. World Bank. (2023). World Development Indicators. World Bank.
  64. Zellner, A. (1962). An efficient method of estimating seemingly unrelated regression equations and tests for aggregation bias. Journal of the American Statistical Association, 57(298), 348–368.
آمار
تعداد مشاهده مقاله: 166
تعداد دریافت فایل اصل مقاله: 64


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب