تحلیل عوامل مؤثر بر تورم های بالا و ماندگار در اقتصاد ایران: رویکرد مبتنی بر یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تورم های بالا و پرنوسان موضوعی بسیار مهم در اقتصاد ایران است که در سال های اخیر تبعات اقتصادی و تنش های اجتماعی زیادی را موجب شده است. رسیدگی و حل مشکل تورم توسط سیاست گذاران نیاز به شناخت مهم ترین عوامل اثرگذار بر ایجاد تورم دارد. با وجود اینکه اکثر اقتصاددانان رشد نقدینگی بیشتر از رشد تولید در اقتصاد را عامل اصلی تورم های ماندگار در اقتصاد ایران می دانند اما افراد کمی نیز وجود دارند که چنین باوری نداشته و تورم در ایران را به موضوعاتی چون افزایش نرخ ارز، تحریم و مشکلات ساختاری ربط می دهند. این مطالعه به دنبال شناسایی مهم ترین عوامل اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران است و برای این منظور از داده های مربوط به متغیرهای کلان اقتصادی ایران و چند متغیر بازارهای جهانی طی دوره زمانی 1387-1401 استفاده شده است. در این پژوهش از روش های گروهی مبتنی بر درخت که از روش های هوشمند یادگیری ماشین می باشند، استفاده شده است. به علاوه، از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش بینی و تعیین بااهمیت ترین متغیر اثرگذار در مدل های پیش بینی استفاده شده است. بر اساس نتایج بدست آمده، سه مدل گرادیان تقویتی (GB)، جنگل تصادفی (RF) و گرادیان تقویتی شدید (XGB) بهترین مدل ها با کمترین خطا بر اساس هر سه معیار خطای MAE،MAPE و RMSE می باشند. در مورد نتیجه حاصل از تفسیر مدل و اهمیت ویژگی، مشخص شد که مؤثرترین متغیر اثرگذار بر تورم های بالا و ماندگار در اقتصاد ایران، با میانگین 72 درصدی در کل مدل ها، رشد نقدینگی است. نرخ ارز نیز با میانگین حدود 17 درصد در رتبه بعدی قرار گرفته و در مقایسه با حجم نقدینگی نمی تواند نقش مهمی در شکل گیری ماندگار نیروهای تورمی داشته باشد.The Analysis of Factors Affecting High and Persistent Inflation in Iran's Economy: an Approach Based on Machine Learning
High and volatile inflation has had numerous adverse effects on the Iranian economy. Effective inflation-targeting policies require a thorough understanding of the key drivers of inflation. This study aims to identify the most important determinants of inflation in the Iranian economy from 2008 to 2022. In this study, tree-based ensemble methods, which are a class of intelligent machine-learning techniques, have been utilized. Furthermore, Shapley Additive Explanations (SHAP) are utilized to interpret model predictions and determine feature importance. Model performance is evaluated using three error metrics: Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Squared Error (RMSE). Results indicate that Gradient Boosting (GB), Random Forest (RF), and Extreme Gradient Boosting (XGB) exhibit the lowest error rates across all three metrics. The findings reveal that broad money growth is the most significant determinant of inflation, contributing an average of 72% across all models. The exchange rate, while a contributing factor, plays a less substantial role compared to broad money, accounting for approximately 17% of the inflationary pressures.
تبلیغات
