پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,669 |
| تعداد مقالات | 71,898 |
| تعداد مشاهده مقاله | 128,592,035 |
| تعداد دریافت فایل اصل مقاله | 101,421,452 |
تحلیل عوامل مؤثر بر تورم‌های بالا و ماندگار در اقتصاد ایران: رویکرد مبتنی بر یادگیری ماشین | ||
| فصلنامه تحقیقات اقتصادی | ||
| دوره 59، شماره 3، آذر 1403، صفحه 416-443 اصل مقاله (1017.45 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jte.2024.380881.1008930 | ||
| نویسندگان | ||
| روح اله شهنازی* ؛ مجید شفیعی | ||
| گروه اقتصاد، دانشکده اقتصاد، مدیریت و علوم اجتماعی، دانشگاه شیراز، شیراز، ایران. | ||
| چکیده | ||
| تورم‌های بالا و پرنوسان موضوعی بسیار مهم در اقتصاد ایران است که در سال‌های اخیر تبعات اقتصادی و تنش‌های اجتماعی زیادی را موجب شده است. رسیدگی و حل مشکل تورم توسط سیاست‌گذاران نیاز به شناخت مهم‌ترین عوامل اثرگذار بر ایجاد تورم دارد. با وجود اینکه اکثر اقتصاددانان رشد نقدینگی بیشتر از رشد تولید در اقتصاد را عامل اصلی تورم‌های ماندگار در اقتصاد ایران می‌دانند 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 می‌دهند. این مطالعه به دنبال شناسایی مهم‌ترین عوامل اثرگذار بر تورم‌های بالا و ماندگار در اقتصاد ایران است و برای این منظور از داده‌های مربوط به متغیرهای کلان اقتصادی ایران و چند متغیر بازارهای جهانی طی دوره زمانی 1387-1401 استفاده شده است. در این پژوهش از روش‌های گروهی مبتنی بر درخت که از روش‌های هوشمند یادگیری ماشین می‌باشند، استفاده شده است. به علاوه، از رویکرد توضیحات افزودنی (SHAP) برای تفسیر چگونگی پیش‌بینی و تعیین بااهمیت‌ترین متغیر اثرگذار در مدل‌های پیش‌بینی استفاده شده است. بر اساس نتایج بدست آمده، سه مدل گرادیان تقویتی (GB)، جنگل تصادفی (RF) و گرادیان تقویتی شدید (XGB) بهترین مدل‌ها با کمترین خطا بر اساس هر سه معیار خطای MAE،MAPE و RMSE می‌باشند. در مورد نتیجه حاصل از تفسیر مدل و اهمیت ویژگی، مشخص شد که مؤثرترین متغیر اثرگذار بر تورم‌های بالا و ماندگار در اقتصاد ایران، با میانگین 72 درصدی در کل مدل‌ها، رشد نقدینگی است. نرخ ارز نیز با میانگین حدود 17 درصد در رتبه بعدی قرار گرفته و در مقایسه با حجم نقدینگی نمی‌تواند نقش مهمی در شکل‌گیری ماندگار نیروهای تورمی داشته باشد. | ||
| کلیدواژه‌ها | ||
| تورم؛ نقدینگی؛ نرخ ارز؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| The Analysis of Factors Affecting High and Persistent Inflation in Iran's Economy: an Approach Based on Machine Learning | ||
| نویسندگان [English] | ||
| Rouhollah Shahnazi؛ Majid Shafiei | ||
| Department of Economics, Faculty of Economics, Management, and Social Sciences, Shiraz University, Shiraz, Iran. | ||
| چکیده [English] | ||
| 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. | ||
| کلیدواژه‌ها [English] | ||
| Broad Money, Exchange Rate, Inflation, Machine Learning | ||
| مراجع | ||
|
Ahmad, M., Kuldasheva, Z., Ismailova, N., Balbaa, M. E., Akramova, N., & Ain, N. U. (2024). Effect of the Supply-Side Factors on Inflation in South Asia: An Analysis of Oil Price, Technology, and Labor Market Dynamics. Research in Globalization, 8, 100210. Akbarifard, H., Ghaseminezhad, A., & Rezaei jafari, M. (2017). Modeling Factors Influencing Inflation Rate in Iran's Economy Using Firefly and Cuckoo Algorithm. Applied Theories of Economics, 4(3), 143-168 (in Persian). Anderl, C., & Caporale, G. M. (2023). Nonlinearities in the Exchange Rate Pass-Through: The Role of Inflation Expectations. International Economics, 173, 86-101. Asayesh, H., Mostafapur, Y., & Shamsolahi, R. (2023). The Effect of Factors Affecting Inflation in Iran's Economy with an Emphasis on the Epidemic of Covid-19. Economic Policies and Research, 2(1), 121-195 (in Persian). Bassetto, M., & Cui, W. (2018). The Fiscal Theory of the Price Level in a World of Low Interest Rates. Journal of Economic Dynamics and Control, 89, 5-22. Brownlee, J. (2021). Ensemble Learning Algorithms with Python: Make Better Predictions with Bagging, Boosting, and Stacking. San Francisco: Machine Learning Mastery. Caparrini, A., Arroyo, J., & Mansilla, J. E. (2024). S&P 500 Stock Selection Using Machine Learning Classifiers: A Look into the Changing Role of Factors. Research in International Business and Finance, 70, 102336. Çitçi, S. H., & Kaya, H. (2023). Exchange Rate Uncertainty and the Connectedness of Inflation. Borsa Istanbul Review, 23(3), 723-735. Danlami, I. A., Hidthiir, M. H., & Hassan, S. (2020). Money Supply and Inflation in Nigeria: The Myth of the Monetarist Theory of Inflation. Journal of Economics and Sustainability (JES), 2(2), 1-13. De Prado, M. L. (2020). Machine Learning for Asset Managers. Cambridge: Cambridge University Press. Ebipre, P., & Amaegberi, M. A. (2020). Money Supply and Inflation in Nigeria. Journal of Innovative Social Sciences and Humanities Research, 8(3), 61-68. Fisher, L. A., & Huh, H. S. (2002). Real Exchange Rates, Trade Balances, and Nominal Shocks: Evidence for the G-7. Journal of International Money and Finance, 21(4), 497-518. Friedman, M. (1970). The Counter-Revolution in Monetary Theory. In Explorations in Economic Liberalism: The Wincott Lectures (3-21). London: Palgrave Macmillan UK. Hull, J. C. (2021). Machine Learning In Business: An Introduction to the World of Data Science. Toronto: John C. Hull. Hoang, D., & Wiegratz, K. (2023). Machine Learning Methods in Finance: Recent Applications and Prospects. European Financial Management, 29(5), 1657-1701. Husaini, D. H., & Lean, H. H. (2021). Asymmetric Impact of Oil Price and Exchange Rate on Disaggregation Price Inflation. Resources Policy, 73, 102175. Hoseini, S., & Shokuhi, M. (2015). Examining Factors Affecting Inflation with Emphasis on the Role of Retrospective and Prospective Expectations. Economic Research (Sustainable Growth and Development), 15(1), 209-228 (in Persian). Ireland, P. (2014). The Classical Theory of Inflation and Its Uses Today. In Shadow Open Market Committee Meeting. New York: Economic Policies for the 21st Century. Izadkhasti, H., Negintaji, Z., & Najafi, M. (2022). Investigating Factors Affecting Inflation with Emphasis on Knowledge-Based Economy in Oil-Exporting Countries. Stable Economy, 3(3), 50-71 (in Persian). Jiang, Y., Qu, B., Hong, Y., & Xiao, X. (2024). Dynamic Connectedness of Inflation around the World: A Time-Varying Approach from G7 and E7 Countries. The Quarterly Review of Economics and Finance, 95, 111-125. Karimi, Z., Asadigorgo, H., & Asadi, N. (2014). Investigating Factors Affecting Inflation in Iran Using VAR Model. National Conference on Management and Information and Communication Technology, Tehran (in Persian). Kohlscheen, E. (2022). What does Machine Learning Say about the Drivers of Inflation? BIS Working Papers, 980, 1-22. Kyriazis, N., Papadamou, S., Tzeremes, P., & Corbet, S. (2024). Examining Spillovers and Connectedness among Commodities, Inflation, and Uncertainty: A Quantile-VAR Framework. Energy Economics, 133, 107508. Leeper, E. (1991). Equilibria under Active and Passive Monetary Policies. Journal of Monetary Economics, 27, 129-147. Lundberg, S. M., & Lee, S. I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems, 30, 1-10. Masini, R. P., Medeiros, M. C., & Mendes, E. F. (2023). Machine Learning Advances for Time Series Forecasting. Journal of Economic Surveys, 37(1), 76-111. Mehrara, M., Tayebnia, A., & Dehnavi, J. (2012). Determinants of Inflation in Iran Based on STR Approach. Economic Research, 101(47), 221-241 (in Persian). Najafi, M., & Memarnezhad, A. (in Press). Investigating Factors Affecting Inflation with Emphasis on Good Governance in Oil-Exporting Countries. Iranian Energy Economy Research Journal, Retrieved from https://jiee.atu.ac.ir/article_16503_en.html (in Persian). Okedigba, D. O., Akintola, A. A., Umaru, A., Mcdonald, Q. E., Inusa, E. M., Fashoro, B. O., Etudaiye, I. M., Joshua, R., & Osagu, F. N. (2024). Exploring Sub-Saharan Africa's Money Supply-Inflation Nexus: A GARCH-MIDAS Approach. Scientific African, 23, e02111. Oner, C. (2012). Inflation: Prices on the Rise. International Monetary Fund, Retrieved from http://www.tpscollegepatna.org/book/Economic-concepts-explained.pdf#page=35 Ozekhome, H. O. (2017). Does Money Supply Growth Cause Inflation in the West African Monetary Zone? West African Journal of Monetary and Economic Integration, 17(2), 57-80. Pourkazemi, M., Beyranvand, A., & Delfan, M. (2016). Designing a Warning System for Hyperinflation for Iran’s Economy. Economic Policy and Research, 23(76), 145-166 (in Persian). | ||
|
آمار تعداد مشاهده مقاله: 281 تعداد دریافت فایل اصل مقاله: 258 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب