پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,672 |
| تعداد مقالات | 13,656 |
| تعداد مشاهده مقاله | 31,592,656 |
| تعداد دریافت فایل اصل مقاله | 12,483,124 |
بررسی اثر بلندمدت و کوتاه‌مدت عوامل فنی و مالی بر کارمزد تراکنش شبکۀ بلاک‌چین بیت‌کوین | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مدیریت دارایی و تامین مالی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مقاله 2، دوره 12، شماره 4 - شماره پیاپی 47، دی 1403، صفحه 1-18 اصل مقاله (991.23 K) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/amf.2024.141264.1877 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| امین رستمی* 1؛ مهدی صفائی2 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1استادیار، گروه حسابداری، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2دانشجوی کارشناسی ارشدحسابداری، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| هدف: در سال‌های اخیر، توجه عموم و رسانه‌ها به بیت‌کوین افزایش پیدا کرده و سرمایه‌گذاری در این حوزه افزایش یافته است. این رمزارز درحال حاضر، بیشترین ارزش بازار را در بین ارزهای مجازی دارد که براساس انگیزه‌های تعریف‌شده، می‌تواند به شکل غیرمتمرکز کار کند. این انگیزه شامل دو بخش است: پاداش ثابت استخراج هر بلاک و پاداش متغیر که ناشی از بازار کارمزد تراکنش‌ها است. کارمزد تراکنش‌ها در شبکۀ بیت‌کوین غیرپایدار است و در لحظه تعیین می‌شود و باتوجه‌به کاهش پاداش ثابت ناشی از استخراج بلاک، روز به روز اهمیت آن بهعنوان تنها منبع درآمد استخراج‌کنندگان افزایش می‌یابد. این پژوهش به بررسی اثر بلندمدت و کوتاه‌مدت عوامل فنی و مالی بر کارمزد تراکنش‌ها و بررسی رفتار کاربران در تعیین کارمزد تراکنش می‌پردازد. روش: از مدل خودرگرسیونی با وقفۀ توزیعی (ARDL) برای آزمون فرضیه‌های پژوهش استفاده شده است. داده‌های استفاده‌شده مربوط به بازۀ زمانی از 10 آپریل 2018 تا 24 جولای 2023 است. عوامل فنی شامل میانگین اندازۀ بلاک، سختی شبکه و حجم تراکنش‌های ارسالی به شبکه و عوامل مالی شامل میانگین ارزش تراکنش‌های ارسالی به شبکه و میانگین قیمت بیت‌کوین است. یافته‌ها: نتایج نشان داد که در کوتاه‌مدت عوامل فنی و مالی هر دو بر کارمزد تراکنش تأثیر معنی‌داری دارد و دو عامل کارمزد تراکنش و حجم تراکنش ارسالی بیشترین میزان وقفۀ اثرگذار بر مدل را در کوتاه‌مدت دارند. در بلندمدت نیز عامل فنی سختی شبکه بیشترین تأثیر را بر کارمزد پردازش تراکنش‌ها دارد. همچنین، میانگین اندازۀ بلاک، اثر معنی‌داری بر کارمزد پردازش تراکنش‌ها در طولانی‌مدت دارد؛ بااین‌حال، قیمت بیت‌کوین تأثیر معنی‌داری در طولانی‌مدت بر کارمزد تراکنش ندارد. نوآوری: نتایج پژوهش حاضر می‌تواند به کاربران برای تصمیم‌گیری صحیح‌تر در هنگام تعیین کارمزد تراکنش‌ها و به استخراج‌کنندگان برای اتخاذ استراتژی‌های بهتر برای کسب درآمد کمک کند. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژه‌ها | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| بیت‌کوین؛ بازار کارمزد؛ عوامل فنی؛ عوامل مالی؛ بلاک‌چین؛ هزینۀ تراکنش. طبقه بندی JEL: G12؛ E42 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
مقدمه در سال 2008 ساتوشی ناکاموتو به‌منظور کاهش هزینه‌های انجام معاملات با هر ارزشی، شبکۀ مالی غیرمتمرکز بیت‌کوین را معرفی کرد و آن را سیستم پرداخت الکترونیک همتا به همتا نامید (Larimer, 2014; Huberman et al., 2019 ; Nakamoto, 2008). با افزایش هزینه‌های تأیید تراکنش، بازارها نیز به‌طور فزاینده‌ای کوچک می‌شوند؛ زیرا خریداران و فروشندگان کمتری معاملات را سودآور می‌دانند. زمانی که هزینۀ تأیید موفقیت‌آمیز یک معامله بیشتر از مزایای آن باشد، بازار دچار ازهم‌پاشیدگی می‌شود (Todorova, 2015; Catalini & Gans, 2020). شبکۀ مالی بیت‌کوین برای جلوگیری از دو بار خرج‌کردن و تأیید معاملات بدون نیاز به واسطه، راهکار ثبت تمامی معاملات در دفتر عمومی غیرمتمرکز را ارائه داد (Larimer, 2014). در این شبکه، اطلاعات بر روی واحد‌هایی به نام بلاک ثبت می‌شوند و برای تکمیل اهداف کارکرد غیرمتمرکز، ویژگی‌هایی همچون الگوریتم اجماع و فرایند استخراج معرفی می‌شوند (Franco, 2014; Gervais et al., 2016). استخراج‌کنندگان با حدس عدد یک تابع ریاضی یک‌طرفه معروف به تابع هش می‌توانند بلاک (واحد‌های ثبت اطلاعات) استخراج کنند (Franco, 2014) و به این شکل دیتابیس گسترش می‌یابد (Tan & Low, 2017). استخراج‌کننده با استفاده از قدرت محاسباتی در تلاش است تا بتواند هش صحیح را پیدا کند و بلاک جدید را استخراج کند (Bowden et al., 2018; Kraft, 2016). استخراج‌کنندۀ موفق در حدس صحیح هش و استخراج بلاک معتبر، این موضوع را به شرکت‌کنندگان اطلاع می‌دهد و پس از تأیید آن‌ها این بلاک به زنجیرۀ اصلی اضافه و اطلاعات بر روی شبکۀ بلاک‌چین آپدیت می‌شود (Bhaskar & Chuen, 2015; Velde, 2013). برای دستیابی به هدف متوسط سرعت استخراج در حدود 6 بلاک در هر ساعت (هر بلاک در حدود ده دقیقه)، شبکه هر 2016 بلاک یا 1209600 ثانیه یک بار، متوسط سرعت استخراج را محاسبه می‌کند و با استفاده از معیاری به نام سختی شبکه تعیین می‌کند که حل مسئلۀ لازم برای استخراج هر بلاک چقدر سخت باشد تا متناسب با توان محاسباتی شبکه، مانع از استخراج سریع یا کند بلاک توسط استخراج‌کنندگان شود. پس از تعیین سختی، میزان آن تا 2016 بلاک بعدی ثابت است (Bowden et al., 2018; Kraft, 2016; Bhaskar & Chuen, 2015; Velde, 2013). خرید بیت‌کوین به شکل مستقیم از داخل شبکه امکان‌پذیر نیست. خالق شبکه، بیت‌کوین را به این صورت تعریف کرد: رابطی برای برقراری تعادلی از منافع به شکل انگیزه برای کسانی که در شبکه شرکت می‌کنند و در پایداری شبکه نقش دارند. این انگیزه به دو شکل پاداش استخراج هر بلاک و کارمزد تراکنش تعریف شده است (O'Dwyer & Malone, 2014; Kaushal et al., 2017; Li et al., 2018). تعداد کل بیت‌کوین‌ها در پروتکل شبکه، 21 میلیون تعریف شده است (Cusumano, 2014; Østbye, 2018; Van Alstyne, 2014). این الگوریتم توسط جامعۀ بیت‌کوین تغییرپذیر نخواهد بود (Franco, 2014). با در نظرگرفتن این موضوع که زمان استخراج هر بلاک در حدود ده دقیقه است، پاداش شبکه هر 210000 بلاک یا در حدود 4 سال یک بار نصف می‌شود (Franco, 2014; Ghimire & Selvaraj, 2018; Grinberg, 2012). انگیزه و درآمد دیگر استخراج‌کنندگان از کارمزد تراکنش‌ها است. سایز هر بلاک در شبکۀ بیت‌کوین به حدود یک مگابایت محدود شده است که این مسئله در هستۀ شبکه بیت‌کوین تعریف و در حال حاضر همین میزان باقی مانده است (Rizun, 2015; Göbel & Krzesinski, 2017). تعیین کارمزد تراکنش به عهدۀ ارسال‌کنندۀ تراکنش است. همچنین، انتخاب تراکنش‌ها برای قراردادن در بلاک استخراج‌شده، به عهدۀ استخراج‌کنندگان همان بلاک است (Kroll et al., 2013; Huberman et al., 2019; Jiang & Wu, 2019). استفاده‌کنندگان شبکه برای قراردادن تراکنش خود در فضای محدود بلاک باید با یکدیگر رقابت کنند؛ درنتیجه، مکانیزم بازار و عرضه و تقاضا کارمزد تراکنش پرداختی را تعیین می‌کند. از طرفی اگر فرد بخواهد تراکنشش در اولین بلاک استخراج‌شدۀ بعدی قرار گیرد یا به‌اصطلاح زودتر تأیید شود، باید کارمزد بیشتری بپردازد (Möser & Böhme, 2015)؛ درصورتی‌که افراد، کارمزد تراکنش پرداختی را بسیار کم تعیین کنند، تأیید این تراکنش‌ها زمان بیشتری خواهد برد (Kasahara & Kawahara, 2016). ممکن است تراکنش آن‌ها تأییدنشده باقی بماند یا زمانی تأیید شود که بار شبکه کمتر شده است که این اتفاق ممکن است تا چند روز طول بکشد. البته در بسیاری از کیف پول‌ها و صرافی‌ها کارمزد تراکنش‌ها برای شبکۀ بیت‌کوین به شکل خودکار تعیین شده و کاربران امکان تعیین آن را ندارند. یکی از اصلی‌ترین اهداف و کارکردهای اصلی دیگر کارمزد تراکنش‌ها، جلوگیری از ارسال بیش از حد تراکنش و مختل‌شدن شبکه است (Saad et al., 2019)؛ به همین منظور، در هستۀ شبکۀ بیت‌کوین حداقل کارمزد تراکنش تعیین شده است و میزان آن 1000 ساتوشی به ازای هر کیلوبایت است (Okupski, 2014). پاداش استخراج بلاک معتبر توسط شبکه و کارمزد تراکنش توسط افراد پرداخت می‌شود. افزایش قیمت بیت‌کوین باعث مشارکت بیشتر استخراج‌کنندگان می‌شود و درنتیجه، کسب درآمدِ بیشتر به قدرت استخراج و سرمایه‌گذاری بیشتری نیاز دارد. از طرف دیگر، پاداش ثابت شبکه که ناشی از استخراج بلاک است، در حال کاهش است؛ درنتیجه، تنها انگیزه و درآمد استخراج‌کنندگان در آینده فقط ازطریق کارمزد تراکنش‌ها خواهد بود. ازآنجاکه تعیین کارمزد تراکنش‌ها به عهدۀ کاربران و انتخاب آن‌ها به عهدۀ استخراج‌کنندگان بلاک است، درنتیجه می‌توان گفت که بازار کارمزد تراکنش‌ها، بازاری کامل و مبتنی بر عرضه و تقاضا است. مطالعات صورت‌گرفته در این رابطه نیز به تحلیل عرضه و تقاضا و بررسی کارکرد صحیح این بازار و بررسی وقایع صورت‌گرفته که منجر به افزایش کارمزد تراکنش‌ها شده است وگروه دیگری از مطالعات نیز کارمزدها و هزینه‌ها را در این شبکه با بازارهای مالی دیگر مقایسه کرده است. این در حالی است که میزان عرضه، یعنی سایز هر بلاک که فضایی است که در آن تراکنش‌ها قرار می‌گیرد، در شبکۀ بیت‌کوین تقریباً ثابت است. به علاوه، تقاضا تحت تأثیر عوامل متعددی ازجمله: تعداد تراکنش‌های ارسالی و سایر مسائل فنی شبکه و اطلاعات مالی بیت‌کوین است که می‌توانند تأثیر بااهمیتی بر رفتار کاربران در هنگام تعیین کارمزد بگذراند؛ به همین منظور، در این پژوهش عوامل فنی شبکه و عوامل مالی به‌منظور بررسی تأثیر آن‌ها بر روی کارمزد تراکنش بررسی شد و نتایج آن می‌تواند به کاربران برای تصمیم‌گیری صحیح‌تر در هنگام تعیین کارمزد تراکنش‌ها و همچنین به استخراج‌کنندگان برای اتخاذ استراتژی‌های بهتر برای کسب درآمد کمک کند.
مبانی نظری به‌طورکلی، پژوهش‌های صورت‌گرفته در حوزۀ کارمزد تراکنش و شبکه‌های بلاک‌چین در دو دسته قرار می‌گیرد: دستۀ اول پژوهش‌هایی هستند که بر تجزیهوتحلیل داده‌های تراکنش‌ها متمرکز شده است تا مشخص شود که چه چیزی باعث افزایش هزینه‌ها می‌شود. مطالعات هو و چن (Hou & Chen, 2020) و تسانگ و یانگ (Tsang & Yang, 2021) نشان داده‌اند که اندازۀ تراکنش به بایت تأثیر مثبت چشمگیری بر کارمزد دارد؛ زیرا تراکنش‌های بزرگ‌تر به پردازش بیشتری نیاز دارد. سایر ویژگی‌های تراکنش مانند تعداد ورودی‌ها و خروجی‌ها نیز با کارمزدهای بیشتر مرتبط هستند. علاوه بر این، اولویت زمانی که یک تراکنش پخش می‌شود، بر هزینه‌ها تأثیر می‌گذارد؛ زیرا کسانی که زودتر ارسال می‌کنند، معمولاً هزینۀ کمتری برای تأیید سریع‌تر توسط استخراج‌کنندگان می‌پردازند. ازدحام شبکه نیز عاملی مهم در هزینه‌ها شناسایی شده است. هنگامی که بلاک‌چین به دلیل افزایش تقاضای تراکنش، بار بیشتری متحمل می‌شود، بر همین اساس کارمزد استاندارد پیشنهادشده توسط کیف پول‌ها افزایش می‌یابد. رفتار کیف پول‌ها به دلیل فضای محدود بلاک در دسترس برای استخراج‌کنندگان جهت انتخاب تراکنش است. میانگین کارمزدهای بالاتر، کاربران را تشویق می‌کند تا بیش از مقدار معمول کارمزد پیشنهادی را تعیین کنند تا از انبوه تراکنش‌های معلق (منتظر تأیید) متمایز شوند. در دوره‌های اوج استفاده از بیت‌کوین، کارمزدها به‌طور چشمگیری افزایش یافته است. دستۀ دوم مانند لی و همکاران (Li et al., 2022) کارمزد تراکنش‌ها را در نقش واسطه بین کاربران و استخراج‌کنندگان شبکه (مسئول پردازش و اعتبارسنجی تراکنش‌ها) تأیید می‌کنند. از یک طرف، کارمزدهای زیاد تهدیدی برای جلوگیری از استفاده از سیستم بیت‌کوین برای پرداخت‌های کوچک است؛ اما از سوی دیگر، کارمزدها درآمد لازم را برای استخراج‌کنندگان فراهم می‌کند تا ازطریق اثبات کار، بلاک‌چین را ایمن کنند. درنتیجه، برخی از مطالعات مانند والانارو و همکاران (Vallarano et al., 2020) و باسو و همکاران (Basu et al., 2023) به شبیه‌سازی یا ارائۀ پیشنهاد برای تنظیم پویای ظرفیت‌ها یا هزینه‌های بلاک روی آورده‌اند، به‌گونه‌ای که نیازهای کاربران و نیز استخراج‌کنندگان را متعادل می‌کند تا از پایداری و رشد طولانی‌مدت شبکۀ بیت‌کوین اطمینان حاصل شود. به‌طورکلی، انواع فاکتورهای زنجیره‌ای و شبکه‌ای در تعامل هستند تا به طور جمعی بر کارمزد تراکنش‌هایی تأثیر بگذارد که درنهایت، کاربران بیت‌کوین می‌پردازند. با تجزیهوتحلیل پژوهش‌های صورت‌گرفته دربارۀ بازار کارمزدی شبکۀ بلاک‌چین بیت‌کوین، متغیرها را می‌توان در دو گروه فنی و مالی شناسایی و نقش آن‌ها را در تغییرات کارمزد تحلیل کرد. یکی از متغیرهای کلیدی شناسایی‌شده توسط تسانگ و یانگ (Tsang & Yang, 2021)، ازدحام شبکه است. همان‌طور که افراد بیشتری سعی می‌کنند در بلاک‌چین بیت‌کوین تراکنش انجام دهند، شبکه ترافیک بیشتری پیدا خواهد کرد و ازآنجاکه هر بلاک در هر ده دقیقه استخراج می‌شود و ظرفیت تراکنش‌های تأییدشده دارای سقف است، درنتیجه هزینه‌های لازم برای تأیید تراکنش‌ها افزایش می‌یابد. متغیر مهم دیگر شناسایی‌شده توسط هو و چن (Hou & Chen, 2020)، سطح رقابت بین کاربران است. همین مسئله باعث شده است تا حتی در دوره‌هایی که ترافیک شبکه وجود ندارد، کاربران برای کاهش ریسک تأییدنشدن و کاهش زمان انتظار تراکنش، کارمزد را به شکل غیرعادی بیشتر تعیین کنند. زمانی که رقابت زیادی برای فضای بلاک در بلاک‌چین بیت‌کوین وجود دارد، کاربران باید برای تأیید تراکنش‌های خود هزینۀ بیشتری بپردازند. باید اشاره کرد که در طول دوره‌های تقاضای زیاد، کاربران ازطریق پیشنهاد کارمزد بیشتر به استخراج‌کنندگان برای فضای بلاک رقابت می‌کنند. طبق پژوهش صورت‌گرفته توسط ایزلی و همکاران(Easley et al., 2019,) کارمزد تراکنش، نقشی مهم در پایداری شبکه دارد. از طرفی پاداش ثابت استخراج هر بلاک در تعیین سطح کارمزد در بلاک‌چین بیت‌کوین بااهمیت است؛ زیرا پاداش استخراج، مقدار بیت‌کوینی است که استخراج‌کنندگان برای افزودن یک بلاک جدید به بلاک‌چین دریافت می‌کنند. همان‌طور که پاداش استخراج در طول زمان کاهش می‌یابد، استخراج‌کنندگان برای کسب سود به طور فزاینده‌ای به کارمزد تراکنش متکی می‌شوند. با شروع شکل‌گیری سیستم‌های پرداخت اولیه با بیت‌کوین، لاوی و همکاران (Lavi et al., 2022) دو چالش عمده را تشخیص دادند که برای دوام طولانی‌مدت شبکۀ بلاک‌چین باید به آن‌ها توجه شود. در راه‌اندازی اولیه، استخراج‌کنندگان پاداش بلاک و هزینۀ تراکنش را بهعنوان پاداش برای تأیید بلاک‌های جدید دریافت می‌کردند. بااین‌حال، پاداش‌های بلاک به‌گونه‌ای طراحی شده است که در طول زمان کاهش یابد. همان‌طور که این اتفاق می‌افتد، کارمزد تراکنش به‌تدریج به انگیزۀ اصلی اقدامات استخراج‌کنندگان تبدیل می‌شود. مسئلۀ متغیربودن هزینۀ کارمزد تراکنش در هر لحظه باعث شد تا در پژوهش فوق، دو رویکرد مزایده‌ای «پرداخت پیشنهادی»[1] و حراج‌های «انحصاری»[2] را برای اولویت‌بندی تراکنش‌های منتظر تأیید، پیشنهاد و بررسی کنند. در یک مزایده با قیمت پیشنهادی، استخراج‌کنندگان تراکنش‌هایی را که بیشترین قیمت را پیشنهاد می‌دهند، برای گنجاندن در یک بلوک انتخاب می‌کنند و هر تراکنش مبلغی را پرداخت می‌کند که پیشنهاد داده است. بااین‌حال، این موضوع به تغییر در هزینه‌های پرداخت منجر شده است. این رویکرد، مطابق با رویکرد فعلی شبکۀ بیت‌کوین است. یک رویکرد حراج انحصاری جایگزین پیشنهاد شد که در آن همۀ تراکنش‌های منتخب در یک بلوک، هزینه‌ای برابر با کمترین پیشنهاد پرداخت و ساختار کارمزد را ساده‌تر می‌کنند. هر دو مدل شامل استخراج‌کنندگانی بودند که تراکنش‌ها را براساس پیشنهادات انتخاب می‌کردند، اما تمایز اصلی در نحوۀ تعیین کارمزدها است. با گسترش استفاده از بیت‌کوین در بیش از یک دهه، داده‌های زنجیره‌ای بینش‌هایی را دربارۀ تعاملات دنیای واقعی در شبکه ارائه کردند. هو و چن(Hou & Chen, 2020) با استفاده از بیش از 9 سال سابقۀ تراکنش، یکی از اولین تحلیل‌های کمی را از رفتارهای استخراج‌کننده و کاربر انجام دادند. آن‌ها روندهایی را در کارمزد تراکنش شناسایی کردند. چندین الگوی درخور توجه ظاهر شد. پژوهشگران به این نتیجه رسیدند که اکثر کاربران برای تسریع در تأیید و کاهش ریسک، هزینه‌های غیرمنتظرۀ زیادی را به طور پیشگیرانه تعیین می‌کنند. استخراج‌کنندگان تراکنش‌های با پیشنهاد بالاتر را در اولویت قرار دادند و به طور بالقوه انتقال‌های کم‌ارزش را مسدود کردند. فعل و انفعالات غیر‌استاندارد نادر بود، اما گاهی اوقات به اشتباه اجرا می‌شد. لزوم کارمزد تراکنش برای دوام طولانی‌مدت شبکه‌های بلاک‌چین به‌صورت ریاضی توسط ایزلی و همکاران (Easley et al., 2019) نشان داده شد. مدل‌های آن‌ها ثابت کرد که بدون پرداخت هزینه برای پردازش تراکنش‌ها ساختار مشوق در طول زمان از بین می‌رود و درنتبجه، کارمزدهای تراکنش نقش متعادل‌کنندۀ کلیدی بین مشوق‌های مشارکت دارند. تسانگ و یانگ (Tsang & Yang, 2021) روابط متقابل پویا بین کارمزدها، حجم تراکنش‌ها و بار شبکه را بررسی کردند. آن‌ها شواهدی پیدا کردند که نشان می‌دهد، در طول دوره‌های شلوغی، کارمزدها و نیز سطح فعالیت در شبکۀ بیت‌کوین به طور هم‌زمان افزایش می‌یابد. با ارزیابی اثرات عوامل فنی و مالی در بازه‌های کوتاه‌مدت و بلندمدت، پژوهش فعلی به‌دنبال ارائۀ نمایه‌ای جامع‌تر از نحوۀ ارتباط متغیرهای فنی و مالی بر هزینه‌های تراکنش است که درنهایت، توسط استفاده‌کنندگان شبکه متحمل می‌شود. همان‌طور که در مقدمه اشاره شد، کارمزد تراکنش یکی از دغدغه‌های اصلی کاربران، استخراج‌کنندگان و سرمایه‌گذاران بیت‌کوین است. باتوجه‌به اینکه مسائل فنی شبکه و اطلاعات مالی بیت‌کوین می‌توانند تأثیر بااهمیتی بر کارمزد تراکنش بگذارند، فرضیه‌های این پژوهش به‌صورت زیر (در بازۀ زمانی کوتاه‌مدت و بلندمدت) تدوین شده است: الف) کوتاه‌مدت فرضیۀ 1: متوسط ارزش تراکنش به بیت‌کوین در روز در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 2: حجم تراکنش‌های ارسال‌شده به بایت در روز در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 3: قیمت بیت‌کوین به دلار در روز در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 4: سختی شبکه در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 5: متوسط سایز بلاک‌ها به بایت در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 6: متوسط کارمزد تراکنش به بیت‌کوین در روز در کوتاه‌مدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. ب) بلند مدت فرضیۀ 7: حجم تراکنش‌های ارسال‌شده به بایت در روز بر کارمزد تراکنش در بلندمدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 8: قیمت بیت‌کوین به دلار در روز بر کارمزد تراکنش در بلندمدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 9: سختی شبکه بر کارمزد تراکنش در بلندمدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 1:. متوسط سایز بلاک‌ها به بایت بر کارمزد تراکنش در بلندمدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. فرضیۀ 11: متوسط ارزش تراکنش به بیت‌کوین در روز در بلندمدت بر کارمزد تراکنش تعیینی توسط کاربر اثر دارد. روش پژوهش اطلاعات مربوط به متغیرهای پژوهش از دو منبع جمع‌آوری شده است. داده‌های مربوط به قیمت بیت‌کوین به دلار از سایت Bitcoinity.org و بر اساس اطلاعات صرافی کوین بیس و داده‌های مربوط به تراکنش‌ها، بلاک و سختی شبکه از سایت Blockchair.com استخراج شده است. دامنۀ زمانی پژوهش از 10 آپریل 2018 تا 24 جولای 2023 است؛ زیرا نشان‌دهندۀ دورۀ چالش مقیاس‌پذیری برای شبکه است. با افزایش قیمت رمزارزها پس از سال 2017، توان عملیاتی برای پردازش تراکنش‌ها به طور فزاینده‌ای به عاملی محدودکننده در شبکه بیت‌کوین تبدیل شد و مشکلات مقیاس‌پذیری که شبکۀ بیت‌کوین به‌صورت نظری با آن مواجه بود، به‌وضوح مشاهده شد. در این دوره به علت استفاده از حداکثر ظرفیت شبکه، کارمزدها به‌شدت به نوسانات متغیرهای شبکه مانند تراکنش ارسالی به شبکه، اندازۀ بلاک و سختی شبکه وابسته است. آماده‌سازی و استانداردسازی متغیرها برای کاربرد در مدل با استفاده از نرم‌افزار SPSS و تحلیل نهایی با استفاده از نسخۀ یک نرم‌افزار Eviews صورت گرفته است. تحلیل داده‌ها با استفاده از مدل خودرگرسیونی با وقفۀ توزیعی[3] انجام شده است (Guizani & Nafti, 2019; Ye et al., 2023; Pesaran et al., 2001; Chen, 2021; Bouraoui, 2020)، اما به‌ندرت این مورد پیش می‌آید. پسران و شین ( Pesaran & Shin, 1995) و پسران و همکاران (Pesaran et al., 2001) نشان دادند با استفاده از رویکرد ARDL می‌توان رابطۀ هم‌جمعی را دربارۀ سری‌های مانا در سطح I (0) و مانا با یک وقفه I (1) بررسی کرد. علت استفاده از این روش، اهمیت‌داشتن تفسیرپذیربودن ضرایب بهعنوان بخشی از هدف پژوهش است. این درحالی است که در سایر روش‌های اقتصادسنجی مانند مدل خودرگرسیون‌برداری،[4] ضرایب تفسیرپذیر نیستند و از این مدل‌ها به‌منظور بررسی اثرات نوسانات متغیرهای مستقل و تأثیر آن بر نوسات متغیر وابسته استفاده می‌شود. از طرف دیگر، رویکرد ARDL امکان بررسی روابط کوتاه‌مدت و بلندمدت بین متغیرها را فراهم می‌کند و ضرایبی را ارائه می‌دهد که به‌راحتی تفسیرپذیر هستند. هنگام استفاده از مدل ARDL برای مطالعۀ روابط بین عوامل مختلف بیت‌کوین در طول زمان، نیاز به پیش‌پردازش داده‌ها است تا تفاوت‌های ناشی از مقیاس بین عوامل، باعث اثرگذاری بر روی ضرایب نشود. باتوجه‌به اینکه متغیرهای پژوهش دارای مقیاس و دامنه‌های متفاوت هستند، روش نرمال‌سازی بررسی شد. دربارۀ مقایسۀ روش‌های نرمال‌سازی که به شکل متداول استفاده شده است، بررسی ویژگی و ضعف روش‌ها به پژوهش‌های زیر مراجعه شده است (Freudenberg, 2003; Jacobs et al., 2004; Nardo et al., 2005; Ebert & Welsch, 2004; Joint Research Centre-European Commission, 2008)؛ همانند پژوهش‌های شانکر و همکاران (Shanker et al., 1996)، نایاک و همکاران (Nayak et al., 2014)، گال و روبینفلد (Gal & Rubinfeld, 2019) و کوماری و سوارنکار (Kumari & Swarnkar, 2020). در این روش داده‌ها باتوجه‌به میانگین و انحراف معیار (روش z-score) استاندارد شده و داده‌های متغیرها تبدیل به مقیاسی با میانگین صفر و انحراف معیار یک تبدیل می‌شوند. به‌منظور آزمون مانایی از تست دیکی _ فولر[5] استفاده می‌شود. پس از بررسی مانایی داده‌ها نیاز است تا رابطۀ (1) تخمین زده تا وجود رابطۀ بین متغیرها آزمایش شود. رابطۀ (1) به شرح زیر است:
رابطۀ (1):
ضرایب مدل ARDL مستقیماً روابط بین تغییرات در متغیرها را به‌جای اثرات وقفه‌ها نشان می‌دهد. برآورد مدل ARDL، فرایندی چندمرحله‌ای برای همۀ ترکیبات ممکن، براساس وقفه‌های متفاوت متغیرها برآورد می‌شود. پژوهشگر حداکثر تعداد وقفه‌ها را براساس تعداد مشاهدات تعیین می‌کند. برای یافتن وقفۀ بهینه از معیار آکائیک استفاده شده است. بعد از مرحلۀ برآورد، آزمون‌های ناهمسانی واریانس و خودهمبستگی انجام شده است تا از برآورد مدل در سطح بهینه اطمینان حاصل شود. برای بررسی ناهمسانی واریانس از آزمون وایت [6] و برای بررسی خودهمبستگی سریالی از آزمون بروش _ گادفری[7] استفاده شده است. وجود رابطۀ هم‌جمعی[8] بین متغیرها با استفاده از آزمون باند[9] انجام می‌شود که معنی‌داربودن سطح اطمینان ضرایب متغیرهای دارای وقفه را در مدل ARDL بررسی می‌کند، تا وجود یک رابطۀ هم‌انباشتگی بلندمدت بین آن‌ها را آزمون کند. آزمون F متشکل از دو قسمت حد بالا و حد پایین است. اگر مقدار F بیشتر از حد بالا باشد، ثابت می‌شود که رابطۀ هم‌جمعی وجود دارد و اگر مقدارF کمتر از حد پایین باشد، فرضیۀ صفر را نمی‌توان رد کرد. اگر آماره F بین دو حد باشد، نتایج مشخص نخواهد بود. بعد از تشخیص برقراری یک رابطۀ هم‌جمعی، رابطۀ (2) مدل بلندمدت ARDL برای محاسبه پویایی بلندمدت تخمین زده می‌شود. رابطۀ (2) به شرح زیر است: رابطه (2):
در رابطۀ (2)، ساختار بهینۀ وقفه با استفاده از معیار اطلاعاتی آکائیک انتخاب شده است. ضرایب اثر بلندمدت متغیرهای مستقل بر کارمزد تراکنش را اندازه‌گیری می‌کنند. پس از برآورد رابطۀ (2)، از باقیمانده‌ها بهعنوان مدل تصحیح خطا[10] استفاده می‌شود. این مدل نشان‌دهندۀ این است که چگونه متغیرها پس از یک شوک به‌سرعت به تعادل بلندمدت بازمی‌گردند. مدل تصحیح خطا باید دارای یک ضریب آماری با علامت منفی و مساوی یا کمتر از یک باشد (Kripfganz & Schneider, 2023). مدل تصحیح خطای رابطۀ (١) به شرح رابطۀ (3) فرموله شده است. رابطۀ (3):
متغیر وابسته، متوسط کارمزد تراکنش به بیت‌کوین در روز است. متغیرهای توضیحی، عوامل فنی شامل سختی شبکه در روز و متوسط سایز بلاک‌ها به بایت در روز و عوامل مالی شامل حجم تراکنش‌های ارسال‌شده به شبکه به بایت، قیمت روزانۀ بیت‌کوین به دلار و متوسط ارزش تراکنش‌ها به بیت‌کوین است. در جدول (1) تعریف و نحوۀ اندازه‌گیری هریک از متغیرها ارائه شده است. جدول (1): متغیرهای پژوهش Table (1): Research variables
یافته‌ها طبق نتایج، چهار متغیر حجم تراکنش‌های ارسال‌شده به بایت در روز (M)، قیمت بیت‌کوین به دلار در روز (P)، سختی شبکه (D) و متوسط سایز بلاک‌ها به بایت (S) در سطح پایا نیستند؛ بنابراین پایایی متغیرها را در حالت تفاضل بررسی می‌کنیم. نتایج حاصل از آزمون دیکی فولر تعمیم‌یافته برای تفاضل مرتبۀ اول متغیرها نشان می‌دهد که هر چهار متغیر حجم تراکنش‌های ارسال‌شده به بایت در روز (M)، قیمت بیت‌کوین به دلار در روز (P)، سختی شبکه (D) و متوسط سایز بلاک‌ها به بایت (S) با یک بار تفاضل‌گیری پایا می‌شوند؛ بنابراین در سطح اول مانا هستند. باتوجه‌به تعداد زیاد مشاهدات، معیار اطلاعاتی آکائیک، مدل (10،10،1،1،0،1) ARDL را بهترین مدل برآوردی انتخاب می‌کند. بعد از مرحلۀ برآورد، فروض کلاسیک رگرسیون بررسی شد. برای بررسی خودهمبستگی از آزمون همبستگی سریالی استفاده شد که نتایج برای مدل، نشان‌دهندۀ پذیرش فرض صفر و وجودنداشتن خودهمبستگی است. برای بررسی ناهمسانی واریانس از آزمون وایت استفاده شد که نتایج حاصل برای مدل، رد فرض صفر و وجود همسانی واریانس در جملات خطاست. به همین منظور در هنگام برآورد مدل، از مدل ARDL با استفاده از برآوردکنندۀ وایت استفاده شد تا ناهمسانی واریانس را در جملات خطا در هنگام تخمین ملاحظه کند. نتایج اثرات کوتاه‌مدت الگو در جدول 2 گزارش شده است. جدول (2): نتایج برآورد اثرات کوتاه‌مدت با استفاده از مدل ARDL Table (2): Short-run effects estimation results using the ARDL model
همان‌طور که در جدول (2) ملاحظه می‌شود، مدل برآوردشده دارای ضریب تعیین (R²) 90درصد است که نشان از قدرت زیاد توضیح‌دهندگی متغیرهای مستقل دارد. انتخاب وقفه‌ها توسط معیار آکائیک در مشخصات مدل ARDL نشان می‌دهد که دو متغیر کارمزد تراکنش و حجم تراکنش ارسالی، اثرات وقفه‌ای روی متغیر وابسته دارد که برای دوره‌های زمانی متعدد باقی می‌مانند. به طور خاص، برآوردها نشان می‌دهد که کاربران در تعیین کارمزد تراکنش، توجه بسیار زیادی به کارمزد تراکنش پرداختی روز قبل دارند؛ به‌طوری‌که یک واحد افزایش در کارمزد روز قبل، یک واحد افزایش در کارمزد تعیینی این دوره را داراست و سایر متغیرها به اندازۀ کارمزد تراکنش روز قبل اثرگذار نیستند. وقفه‌های اول و دوم هر دو متغیر توضیحی اول و دوم ازنظر آماری معنی‌دار هستند. دو متغیر میانگین کارمزد پرداختی تراکنش‌های تأییدشدۀ روز قبل و حجم تراکنش‌های ارسالی به شبکه، دارای بیشترین وقفه در تعیین کارمزد هستند. این در حالی است که سایر عوامل فنی شبکه این تعداد وقفه‌های تأثیرگذار را بر روی تعیین کارمزد پرداختی ندارد. اثرگذاری این دو متغیر با تعداد وقفه‌های بالا در حقیقت، رفتار کاربران را در هنگام تعیین کارمزد و پاسخ استخراج‌کنندگان به‌خوبی توصیف می‌کند. باتوجه‌به این، کاربران می‌توانند کارمزد تراکنش خود را تعیین و استخراج‌کنندگان نیز می‌توانند تراکنش‌های مورد نظر خود را انتخاب، پردازش و تأیید کنند. این سازوکار باعث شده تا کاربران هنگام تعیین کارمزد پرداختی، بیشتر از همۀ عوامل به کارمزد پرداختی تراکنش‌های تاییدشدۀ روز قبل توجه کنند و درنتیجه تا 10 وقفه کارمزد تراکنش پرداختی بر کارمزد تراکنش تعیینی اثرگذار است. این واقعیت که حجم کارمزد تراکنش ارسالی، دارای ضرایب مثبت و منفی در طول 10 وقفۀ خود است، نشان می‌دهد که رابطۀ بین حجم تراکنش واردشده به شبکه و میانگین کارمزد تراکنش در طول زمان پیچیده و پویا است. بسته به محیط اقتصادی و سایر عوامل هم‌زمان، حجم تراکنش‌ها می‌تواند به طرق مختلف بر کارمزدها تأثیر بگذارد. اگر بار شبکه زیاد نباشد، گاه حجم بیشتر ممکن است با کارمزدهای کمتر مطابقت داشته باشد. بااین‌حال، درصورتی‌که حجم تراکنش‌های ارسالی شبکه شروع به افزایش کند، که نشانی از بار شدید بر روی شبکه است، این حجم تراکنش می‌تواند کارمزدها را افزایش دهد. اثرگذاری شدید کارمزد تراکنش روز قبل (وقفۀ 1 دوره‌ای TR) بهعنوان متغیر مستقل به کنترل تعدیل‌های کوتاه‌مدت ناشی از سایر متغیرها در کارمزد تراکنش، در حدود سطح قبلی کارمزد کمک می‌کند. این بدان معنی است که کارمزدهای روز قبل، محدودۀ پایۀ کارمزد روز جاری را تعیین می‌کنند. این چسبندگی کارمزد تراکنش در کوتاه‌مدت، جداکردن پویایی روابط کوتاه‌مدت از روابط بلندمدت را تسهیل می‌کند و دیدگاه شفاف‌تری از نقش حجم کارمزد تراکنش ارسالی در شکل‌دادن به میانگین کارمزدهای تراکنش، فراتر از واکنش‌های فوری تعیین‌شده توسط سطح کارمزد قبلی ارائه می‌دهد؛ درنتیجه، اجازه می‌دهد تا اثرات طولانی‌مدتی را که حجم تراکنش ارسالی ممکن است در بازه‌های زمانی متعدد در گذشته اعمال کند، جدا کرده و در بلندمدت بررسی شود. از طرفی چسبندگی کارمزد تراکنش نشان‌دهندۀ این است که استخراج‌کنندگان می‌توانند براساس هزینه‌های استخراج بر پایۀ قیمت انرژی در رابطه با استخراج در بازۀ کوتاه‌مدت با اطمینان معقول تصمیم‌گیری کنند. سایز بلاک از متغیرهای دیگری است که می‌تواند به‌شدت بر کارمزد تراکنش اثرگذار باشد. استخراج بلاک بزرگ‌تر، ریسک استخراج‌کننده را افزایش می‌دهد؛ زیرا احتمال دارد در همان زمان یک استخراج‌کنندۀ دیگر بلاک را کشف کرده و به زنجیرۀ بلوکی متصل کند و بلاک وی نامعتبر شود. به همین دلیل، سایر بلاک در طول زمان معمولاً ثابت است؛ اما در زمانی که شبکه در اوج ترافیک خود باشد، تنها راه ممکن برای افزایش ظرفیت شبکه، افزایش سایز بلاک است. سختی شبکه عامل بعدی تأثیرگذار بر روی کارمزد تراکنش است. ازآنجاکه فرایند استخراج نوعی فرایند رقابتی است، افزایش سختی شبکه به معنی رقابت بیشتر است و درنتیجه، این افزایش رقابت منجر به کاهش کارمزد پذیرفته‌شده ازسوی استخراج‌کنندگان می‌شود و به همین علت سختی شبکه بر کارمزد تراکنش اثرگذار است. درنهایت، متغیر ارزش تراکنش نیز بر کارمزد تراکنش تأثیرگذار است. نتایج نشان می‌دهد که متوسط ارزش تراکنش‌ها در روز تا دو وقفه بر روی کارمزد تراکنش اثرگذار است، ولی این اثرگذاری بسیار اندک است. اگر ارزش تراکنش‌های کاربران در طول یک روز به طور متوسط افزایش یابد، آن‌ها کارمزد را به شکل بیشتری تعیین می‌کنند. با عنایت به نتایج حاصل‌شده، کلیۀ فرضیه‌های مربوط به دورۀ کوتاه‌مدت (فرضیۀ 1 تا 6) پذیرفته می‌شود.
برآورد ضرایب بلندمدت قبل از آنکه ضرایب بلندمدت مدل را با استفاده از روش ARDL برآورد کنیم، لازم است آزمون هم‌جمعی را انجام داده تا از وجود رابطۀ بلندمدت برای متغیرهای مدل، اطمینان حاصل شود. برای انجام آزمون هم‌جمعی از روش پسران و شین (1997) استفاده می‌شود. نتایج آزمون باند نشان داد، F محاسبه‌شدۀ آزمون هم‌جمعی (99/5) بزرگ‌تر از کمیت بحرانی (15/4) است و درنتیجه، فرض صفر مبتنی بر نبود رابطۀ بلندمدت رد می‌شود (Usman, 2023) و متغیرهای مدل مذکور دارای رابطۀ بلندمدت هستند که برآورد مدل در زیر ارائه می‌شود. جدول (3): نتایج برآورد اثرات بلندمدت با استفاده از مدل ARDL Table (3): Long-run effects estimation results using the ARDL model
همان‌طور که در جدول (3) مشاهده می‌شود، متوسط سایز بلاک‌ها در کنار سختی شبکه دو متغیر اثرگذار بر کارمزد تراکنش‌ها در بلندمدت است. سایز بلاک‌ها، طرف عرضه و توانایی شبکه را در پردازش تراکنش‌ها نشان می‌دهد. ازآنجاکه هرچه سایز بلاک استخراجی بزرگ‌تر شود، احتمال کشف هم‌زمان بلاک و اتصال آن به زنجیرۀ اصلی توسط استخراج‌کننده دیگر، افزایش می‌یابد؛ درنتیجه، سایز بلاک در شبکۀ بیت‌کوین، نوسانات چندانی ندارد، مگر آنکه شبکه با افزایش بار شدیدی روبه‌رو شود و ازآنجاکه در شبکۀ بیت‌کوین هر بلاک به طور متوسط در ده دقیقه استخراج می‌شود، درنتیجه، تعداد بلاک استخراجی و حجم کل تراکنش تأییدشده در هر روز محدود است. به همین دلیل در بلندمدت افزایش سایز بلاک، اثر معنی‌داری بر کارمزد تراکنش دارد. از طرف دیگر در بلندمدت قیمت بیت‌کوین به دلار، تأثیر معنی‌دار بر کارمزد تراکنش ندارد. این بدین معنی است که افزایش قیمت یا کاهش قیمت بیت‌کوین نمی‌تواند تأثیر مستقیمی در بلندمدت بر کارمزد تراکنش بگذارد. همچنین، استخراج‌کنندگان لازم نیست برای سرمایه‌گذاری در دستگاه‌های استخراج‌کننده، نگران تغییر شدید درکارمزد پرداختی در اثر تغییر در قیمت بیت‌کوین در بلندمدت باشند. از طرف دیگر، حجم تراکنش‌های ارسالی به شبکه دارای تأثیر بلندمدت برکارمزد تراکنش نیستند، بدین معنی که شبکه در بلندمدت به طرف تقاضا حساس نیست. این امکان برای استخراج‌کنندگان وجود دارد تا در هر دورۀ زمانی که سطح کارمزد تعیینی کاربران کاهش می‌یابد، آن‌ها اقدام به انتخاب تراکنش‌هایی مربوط به دوره‌های قبل‌تر، ولی با کارمزد تراکنش بیشتر کنند و هرچه میزان تراکنش ارسالی بیشتر باشد، این انتخاب برای استخراج‌کنندگان بیشتر خواهد بود. از طرفی کاربران نیز باتوجه‌به روز قبل یک حد پایینی در نظر دارند. عامل بعدی سختی شبکه است. همان‌طور که بیان شد، سختی شبکه بیشتر به معنی مصرف انرژی بیشتر خواهد بود و درنتیجه، استخراج‌کننده، انتظار بیشتری برای کسب درآمد به‌منظور جبران سرمایه‌گذاری خود دارد؛ اما از طرفی نتایج نشان می‌دهد، رفتار استخراج‌کنندگان نوعی رقابت در میان استخراج‌کنندگان شکل می‌دهد که باعث می‌شود کارمزد تراکنش در کوتاه‌مدت کاهش یابد؛ اما این رقابت در بلندمدت به نفع استخراج‌کنندگان بوده و باعث شده که بیشترین میزان تأثیرگذاری در بلندمدت بر کارمزد تراکنش مربوط به سختی شبکه باشد و برخلاف دورۀ کوتاه‌مدت در بلندمدت مثبت است. متغیر دیگر متوسط ارزش تراکنش‌ها به بیت‌کوین است. این متغیر در بلندمدت رابطۀ مستقیم با کارمزد تراکنش ندارد؛ درنتیجه، فرضیۀ 8، فرضیۀ 10 و فرضیۀ 11 رد و فرضیۀ 7 و فرضیۀ 9 پذیرفته می‌شود.
نتیجه‌گیری امروزه بیت‌کوین بیشترین ارزش بازار را در میان ارزهای مجازی داراست و توجه سرمایه‌گذاران و استخراج‌کنندگان را به خود جلب کرده است. باید دانست که استفاده‌کنندگان شبکه و استخراج‌کنندگان بلاک‌ها، دارای تضاد منافع بالقوه در مسئلۀ کارمزد تراکنش‌ها هستند. استخراج‌کنندگان درآمد خود را به دو طریق کسب می‌کنند: یکی ازطریق پاداش شبکه، بابت استخراج هر بلاک که در هر چهار سال نصف می‌شود و دیگری ازطریق کارمزد تراکنش‌ها که به‌منظور قراردادن و پردازش تراکنش‌ها در بلاک اکتشافی آن‌ها توسط کاربران پرداخت می‌شود؛ درنتیجه در آیندۀ نزدیک، کارمزد تراکنش تنها منبع درآمد استخراج‌کنندگان خواهد بود. صنعت استخراج رمزارز، امروزه بسیار توسعه پیدا کرده و شرکت‌ها و استارت‌آپ‌هایی با تمرکز بر حوزۀ استخراج ایجاد شده‌اند. فعالیت این شرکت‌ها ساخت دستگاه‌های استخراج با راندمان بیشتر یا تولید سخت‌افزار مورد نیاز دستگاه‌های استخراج را شامل می‌شود. بعضی این شرکت‌ها امروزه در بازارهای بورس جهانی معامله می‌شوند و ارزش بازار آن‌ها میلیارد دلاری است. از طرف دیگر، اساس ایجاد شبکۀ بلاک‌چین بیت‌کوین، ایجاد یک سیستم پرداخت غیرمتمرکز است؛ درنتیجه، تمرکز اصلی آن باید بر رضایت استفاده‌کنندگان شبکه از رقبا متمرکز باشد؛ بنابراین باید بتواند تراکنش‌ها را با کارمزد منطقی و بدون نوسانات زیاد پردازش کند، تا وظیفۀ اصلی خود را انجام دهد. اگر میزان تأخیر در پردازش تراکنش‌ها افزایش یابد یا کاربران مجبور به پرداخت کارمزدهای زیادی باشند، درنهایت شبکه را ترک خواهند کرد. کارمزد تراکنش بهعنوان نقطۀ تضاد منافع میان دو گروه، نقش اصلی در پایداری و عدم فروپاشی شبکۀ بیت‌کوین دارد؛ لذا اهمیت بررسی کارمزد تراکنش و عوامل تعیین‌کنندۀ آن برای استفاده‌کنندگان، استخراج‌کنندگان و توسعه‌دهندگان شبکه‌های غیرمتمرکز حیاتی است. نتایج این پژوهش می‌تواند به کاربران هنگام تعیین کارمزد و از طرف دیگر، به استخراج‌کنندگان و سرمایه‌گذاران به اتخاذ رویکرد برای کاهش هزینه و افزایش سود کمک کند. این پژوهش اهمیت عوامل فنی و مالی را بر کارمزد تراکنش در کوتاه‌مدت و بلندمدت نشان می‌دهد. یافته‌های پژوهش نشان داد که در کوتاه‌مدت عامل میانگین کارمزد پرداختی تراکنش‌های تأییدشدۀ روز قبل، قیمت و حجم تراکنش‌های ارسالی، سختی شبکه و سایز بلاک بر کارمزد تراکنش اثرگذار بودند. دو عامل کارمزد تراکنش‌ها و حجم تراکنش‌های ارسالی دارای بیشترین میزان وقفۀ اثرگذار بر روی تعیین کارمزد تراکنش در کوتاه‌مدت بودند. نتیجه‌گیری دیگر در بررسی کوتاه‌مدت این است که مبنای اصلی تصمیم‌گیری کاربران هنگام تعیین کارمزد تراکنش‌های خود با اختلاف بسیار زیاد، کارمزد پرداختی تراکنش‌های تأییدی روز‌های گذشته است. همچنین در بلندمدت مهم‌ترین عوامل، شامل متوسط سایز بلاک و سختی شبکه است. سختی شبکه بیشترین اثرگذاری بلندمدت را بر روی کارمزد تراکنش دارد. سختی شبکه بیشتر به معنای قدرت محاسباتی قوی‌تر شبکه است و از طرفی قدرت محاسباتی قوی‌تر به تجهیزات محاسباتی و استخراج قوی‌تر، گران‌تر و مصرف انرژی بیشتری نیاز دارد. تمامی این موارد باعث می‌شود تا هزینۀ استخراج بیشتر شود. نتایج پژوهش نشان داد که در کوتاه‌مدت با افزایش سختی شبکه، باوجود افزایش هزینه‌های استخراج، کارمزد تراکنش‌ها کاهش می‌یابد؛ اما در بلندمدت این روند برعکس شده و افزایش سختی شبکه به معنی افزایش کارمزد شبکه است. نتایج نشان داد که در کوتاه‌مدت چسبندگی کارمزد وجود دارد و همین مسئله باعث می‌شود تا نوسانات متغیرهای توضیحی، تأثیر زیادی بر کارمزد تراکنش نداشته باشد. همین مسئله به تصمیم‌گیری کاربران در تعیین سطح کارمزد و پایداری سطح آن کمک خواهد کرد. از طرفی استخراج‌کنندگان با درنظرداشتن پایداری کارمزد در کوتاه‌مدت، می‌توانند براساس قیمت انرژی و سایر هزینه‌ها درخصوص استخراج در کوتاه‌مدت تصمیم‌گیری کنند. در بلندمدت نیز نتایج نشان داد که اگرچه کارمزد تراکنش دچار چسبندگی است، اما باتوجه‌به وظیفۀ متعادل‌کننده‌ای که در شبکه دارد، در بلندمدت انعطاف‌پذیر بوده و منجر به پویایی کارمزد تراکنش باتوجه‌به عرضه و تقاضا می‌شود. در انتها پیشنهاد می‌شود که کاربران هنگام تعیین کارمزد تراکنش، عوامل اثرگذار کوتاه‌مدت را در نظر بگیرند تا بتوانند کارمزد تراکنش بهینه‌تری را تعیین کنند. از طرف دیگر، با کاهش پاداش استخراج هر بلاک در سال‌های آتی و سرعت عالی رشد توان محاسباتی شبکه در سال‌های اخیر، استخراج‌کنندگان با در نظرگرفتن عوامل کوتاه‌مدت و بلندمدت می‌توانند استراتژی درآمدی کارا و بهینه‌ای را برای کسب درآمد با تمرکز بیشتر بر کارمزد تراکنش‌ها اتخاذ کنند. همچنین پیشنهاد می‌شود، در پژوهش‌های بعدی شبیه‌سازی سناریو رفتار استخراج‌کنندگان با استفاده از نظریۀ بازی‌ها صورت گیرد تا از این طریق بتوان به افزایش کارایی سرمایه‌گذاری در این حوزه کمک کرد.
[1] . pay-your-bid approach [2] monopolistic auction [3]. Autoregressive Distributed Lag (ARDL) [5] Augmented Dickey–Fuller test (ADF) [6] White [7] Breusch-Godfrey [8] Cointegration [9] Bound [10] ECM [11] Coinbase [12] Binance [13] Kraken [14] Mempool | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
Basu, S., Easley, D., O’Hara, M., & Sirer, E. G. (2023). StableFees: A predictable fee market for cryptocurrencies. Management Science, 69(11), 6508-6524. https://doi.org/10.1287/mnsc.2023.4735 Bhaskar, N. D., & Chuen, D. L. K. (2015). Bitcoin mining technology. In Handbook of Digital Currency, 45-65. https://doi.org/10.1016/B978-0-12-802117-0.00003-5 Bouraoui, T., (2020). The drivers of Bitcoin trading volume in selected emerging countries. The Quarterly Review of Economics and Finance, 76, 218-229. https://doi.org/10.1016/j.qref.2019.07.003 Bouznit, M., & Pablo-Romero, M. D. P. (2016). CO2 emission and economic growth in Algeria. Energy Policy, 96, 93-104. https://doi.org/10.1016/j.enpol.2016.05.036 Bowden, R., Keeler, H. P., Krzesinski, A. E., & Taylor, P. G. (2018). Block arrivals in the bitcoin blockchain. Arxiv Preprint Arxiv:07447/1801. https://doi.org/10.48550/arXiv.1801.07447 Catalini, C., & Gans, J. S. (2020). Some simple economics of the blockchain. Communications of the ACM, 63(7), 80-90. https://doi.org/10.1145/3359552 Chen, Y. (2021). Empirical analysis of bitcoin price. Journal of Economics and Finance, 45(4), 692-715. https://doi.org/10.1007/s12197-021-09549-5 Cusumano, M. A. (2014). The bitcoin ecosystem. Communications of the ACM, 57(10), 22-24. https://doi.org/10.1145/2661047 Easley, D., O'Hara, M., & Basu, S. (2019). From mining to markets: The evolution of bitcoin transaction fees. Journal of Financial Economics, 134(1), 91-109. https://doi.org/10.1016/j.jfineco.2019.03.004 Ebert, U., & Welsch, H. (2004). Meaningful environmental indices: A social choice approach. Journal of Environmental Economics and Management, 47(2), 270-283. https://doi.org/10.1016/j.jeem.2003.09.001 Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: Representation, estimation, and testing. Econometrica: Journal of the Econometric Society, 55(2), 251-276. https://doi.org/10.2307/1913236 Franco, P. (2014). Understanding Bitcoin: Cryptography, Engineering and Economics. John Wiley & Sons. https:/doi.org/10.1002/9781119019138 Freudenberg, M. (2003). Composite Indicators of Country Performance: A Critical Assessment. OECD. https://doi.org/10.1787/18151965 Gal, M. S., & Rubinfeld, D. L. (2019). Data Standardization. NYU Law and Economics Research, 94, 17-19. http://dx.doi.org/10.2139/ssrn.3326377 Gervais, A., Karame, G. O., Wüst, K., Glykantzis, V., Ritzdorf, H., & Capkun, S. (2016). On the security and performance of proof of work blockchains. ACM SIGSAC Conference on Computer and Communications Security, 3-16. https://doi.org/10.1145/2976749.2978341 Ghimire, S., & Selvaraj, H. (2018). A survey on bitcoin cryptocurrency and its mining. 26th International Conference on Systems Engineering (ICSEng). https://doi.org/10.1109/ICSENG.2018.8638208 Göbel, J., & Krzesinski, A. E. (2017). Increased block size and Bitcoin blockchain dynamics. 27th International Telecommunication Networks and Applications Conference (ITNAC). https://doi.org/10.1109/ATNAC.2017.8215367 Grinberg, R. (2012). Bitcoin: An innovative alternative digital currency. Hastings Science & Technology Law Journal, 4, 159. https://repository.uclawsf.edu/hastings_science_technology_law_journal/vol4/iss1/3 Guizani, S., & Nafti, I. K. (2019). The determinants of bitcoin price volatility: An investigation with ARDL model. Procedia Computer Science, 164, 233-238. https://doi.org/10.1016/j.procs.2019.12.177 Hayes, A. S. (2017). Cryptocurrency value formation: An empirical study leading to a cost of production model for valuing bitcoin. Telematics and Informatics, 34(7), 1308-1321. https://doi.org/10.1016/j.tele.2016.05.005 Hou, B., & Chen, F. (2020). A study on nine years of Bitcoin transactions: Understanding real-world behaviors of bitcoin miners and users. IEEE 40th International Conference on Distributed Computing Systems (ICDCS). https://doi.org/10.1109/ICDCS47774.2020.00091 Huberman, G., Leshno, J. D., & Moallemi, C. (2019). An economist’s perspective on the bitcoin payment system. In AEA Papers and Proceedings, 109, 93-96. https://doi.org/10.1257/pandp.20191019 Jacobs, R., Smith, P., & Goddard, M. (2004). Measuring performance: An examination of composite performance indicators. The University of York. https://www.york.ac.uk/che/pdf/tp29.pdf Jiang, S., & Wu, J. (2019). Bitcoin mining with transaction fees: A game on the block size. IEEE International Conference on Blockchain (Blockchain). https://doi.org/10.1109/Blockchain.2019.00023 Joint Research Centre-European Commission. (2008). Handbook on Constructing Composite Indicators: Methodology and User Guide. OECD publishing. https://doi.org/10.1787/9789264043466-en Kasahara, S., & Kawahara, J. (2016). Effect of Bitcoin fee on transaction-confirmation process. Arxiv Preprint Arxiv:00103/1604. https://doi.org/10.48550/arXiv.1604.00103 Kaushal, P. K., Bagga, A., & Sobti, R. (2017). Evolution of Bitcoin and security risk in bitcoin wallets. International Conference on Computer, Communications and Electronics (Comptelix). https://doi.org/10.1109/COMPTELIX.2017.8003959 Kim, T. (2017). On the transaction cost of Bitcoin. Finance Research Letters, 23, 300-305. https://doi.org/10.1016/j.frl.2017.07.014 Kraft, D. (2016). Difficulty control for blockchain-based consensus systems. Peer-to-peer Networking and Applications, 9, 397-413. https://doi.org/10.1007/s12083-015-0347-x Kripfganz, S., & Schneider, D. C. (2023). ARDL: Estimating autoregressive distributed lag and equilibrium correction models. The Stata Journal, 23(4), 983-1019. https://doi.org/10.1177/1536867X231212434 Kroll, J. A., Davey, I. C., & Felten, E. W. (2013). The economics of Bitcoin mining, or Bitcoin in the presence of adversaries. In Proceedings of WEIS, 2013(11), 1-21 Kumari, B., & Swarnkar, T. (2020). Importance of data standardization methods on stock indices prediction accuracy. In Advanced Computing and Intelligent Engineering: Proceedings of ICACIE 2018, 1, 309-318. https://doi.org/10.1007/978-981-15-1081-6_26 Larimer, D. (2014). Delegated proof-of-stake (dpos). Bitshare Whitepaper, 81, 85. Retrieved from: https://blog.bitmex.com/wp-content/uploads/2018/06/173481633-BitShares-White-Paper.pdf Lavi, R., Sattath, O., & Zohar, A. (2022). Redesigning Bitcoin’s fee market. ACM Transactions on Economics and Computation, 10(1), 1-31. https://doi.org/10.1145/3530799 Li, J., Yuan, Y., & Wang, F. Y. (2022). Analyzing Bitcoin transaction fees using a queueing game model. Electronic Commerce Research, 22, 1-21. https://doi.org/10.1007/s10660-020-09414-3 Li, J., Yuan, Y., Wang, S., & Wang, F. Y. (2018). Transaction queuing game in bitcoin blockchain. In 2018 IEEE Intelligent Vehicles Symposium, IV,114-119. https://doi.org/10.1109/IVS.2018.8500403 Mihăilescu, R. (2018). Blockchain technologies: A new approach to old challenges. Revista tinerilor Economişti, 31, 7-21. https://www.ceeol.com/search/article-detail?id=1031642 Möser, M., & Böhme, R. (2015). Trends, tips, tolls: A longitudinal study of Bitcoin transaction fees. In Financial Cryptography and Data Security: FC 2015 International Workshops, BITCOIN, WAHC, and Wearable, San Juan, Puerto Rico. https://doi.org/10.1007/978-3-662-48051-9_2 Nakamoto, S., & Bitcoin, A. (2008). A peer-to-peer electronic cash system. Bitcoin.–URL: https://bitcoin. org/bitcoin. pdf, 4(2), 15. Nardo, M., Saisana, M., Saltelli, A., Tarantola, S., Hoffman, H., & Giovannini, E. (2005). Handbook on constructing composite indicators: Methodology and user guide. Organisation for Economic Cooperation and Development (OECD). Statistics Working Paper JT00188147, OECD, France, 164. https://doi.org/10.1787/18152031 Nayak, S. C., Misra, B. B., & Behera, H. S. (2014). Impact of data normalization on stock index forecasting. International Journal of Computer Information Systems and Industrial Management Applications, 6, 257-269. Nguyen, G. T., & Kim, K. (2018). A survey about consensus algorithms used in blockchain. Journal of Information processing systems, 14(1), 101-128. https://dx.doi.org/10.3745/JIPS.01.0024 O'Dwyer, K. J., & Malone, D. (2014). Bitcoin mining and its energy footprint. China-Ireland International Conference on Information and Communities Technologies (ISSC 2014/CIICT 2014), https://doi.org/10.1049/cp.2014.0699 Okupski, K. (2014). Bitcoin Developer Reference. Eindhoven. https://www.lopp.net/pdf/Bitcoin_Developer_Reference.pdf Ostbye, P. (2018). The Case for a 21 million Bitcoin Conspiracy. SSRN Electronic Journal, 3136044, https://doi.org/10.2139/ssrn.3136044 Pesaran, M. H., & Shin, Y. (1995). An Autoregressive Distributed Lag Modelling Approach to Cointegration Analysis. Department of Applied Economics, University of Cambridge. http://dx.doi.org/10.1017/CCOL0521633230.011 Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326. https://doi.org/10.1002/jae.616 Rizun, P. R. (2015). A transaction fee market exists without a block size limit. Block Size Limit Debate Working Paper, 2327-4697. https://blog.bitmex.com/wp-content/uploads/2018/01/feemarket.pdf Saad, M., Njilla, L., Kamhoua, C., Kim, J., Nyang, D., & Mohaisen, A. (2019). Mempool optimization for defending against DDoS attacks in PoW-based blockchain systems. In 2019 IEEE International Conference on Blockchain and Cryptocurrency (ICBC), 285-292. https://doi.org/10.1109/BLOC.2019.8751476 Shanker, M., Hu, M. Y., & Hung, M. S. (1996). Effect of data standardization on neural network training. Omega, 24(4), 385-397. https://doi.org/10.1016/0305-0483(96)00010-2 Tan, B. S., & Low, K. Y. (2017). Bitcoin–its economics for financial reporting. Australian Accounting Review, 27(2), 220-227. https://doi.org/10.1111/auar.12167 Todorova, T. (2015). The transaction-cost roots of market failure. Journal of Advanced Research in Management (JARM), 6(11), 30-44. https://mpra.ub.uni-muenchen.de/66757/1/MPRA_paper_66757.pdf Tsang, K. P., & Yang, Z. (2021). The market for bitcoin transactions. Journal of International Financial Markets, Institutions and Money, 71, 101282. https://doi.org/10.1016/j.intfin.2021.101282 Usman, K. (2023). The linkages between trade, financial openness, and economic growth in China: An ARDL-bound test approach. Journal of Applied Economics, 26(1), 2258616. https://doi.org/10.1080/15140326.2023.2258616 Vallarano, N., Tessone, C. J., & Squartini, T. (2020). Bitcoin transaction networks: an overview of recent results. Frontiers in Physics, 8, 286. https://doi.org/10.3389/fphy.2020.00286 Van Alstyne, M. (2014). Why Bitcoin has value. Communications of the ACM, 57(5), 30-32. https://doi.org/10.1145/2594288 Velde, F. (2013). Bitcoin: A Primer. https://www.chicagofed.org/publications/chicago-fed-letter/2013/december-317 Ye, W., Wong, W. K., Arnone, G., Nassani, A. A., Haffar, M., & Faiz, M. F. (2023). Crypto currency and green investment impact on global environment: A time series analysis. International Review of Economics & Finance, 86, 155-169. https://doi.org/10.1016/j.iref.2023.01.030
| ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 266 تعداد دریافت فایل اصل مقاله: 239 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||