|
|
|
|
تاثیر شاخص فلاکت بر نابرابری درآمد در ایران: کاربرد الگوریتمهای ماشین و یادگیری عمیق
|
|
|
|
|
|
|
|
نویسنده
|
کیان پور سعید ,داربیدی مریم ,شمس اللهی رضا ,بیات فائزه
|
|
منبع
|
بررسي مسائل اقتصاد ايران - 1403 - دوره : 11 - شماره : 2 - صفحه:235 -263
|
|
چکیده
|
نابرابری درآمدی یکی از چالشهای اصلی اقتصاد ایران است که با تشدید فقر، کاهش سرمایهگذاری، و بیثباتی اجتماعی، ضرورت بررسی دقیق عوامل موثر بر آن را برجسته میکند. در این پژوهش، تاثیر شاخص فلاکت (ترکیب تورم و بیکاری) بر نابرابری درآمدی در ایران طی دوره 1400-1360 با استفاده از الگوریتمهای یادگیری ماشین و یادگیری عمیق بررسی شده است. این مطالعه با بهرهگیری از نرمافزار پایتون، گوگل کولب، و روش توضیحات جمعپذیر شاپلی انجام شده است. نتایج نشان میدهد که شاخص فلاکت، سرمایهگذاری مستقیم خارجی، درجه باز بودن اقتصاد، و اندازه دولت اثر مثبت و معناداری بر نابرابری درآمدی داشته و آن را افزایش دادهاند، در حالی که رشد جمعیت شهری اثر منفی داشته و به کاهش نابرابری کمک کرده است. با توجه به شرایط خاص اقتصاد ایران، از جمله تورم بالا و تحریمها، پیشنهاد میشود دولت با اجرای سیاستهای حمایتی نظیر افزایش حداقل دستمزد، ارائه یارانههای هدفمند به دهکهای پایین درآمدی، و ایجاد فرصتهای شغلی پایدار، نابرابری درآمدی را کاهش دهد. این سیاستها میتوانند قدرت خرید اقشار کمدرآمد را تقویت کرده و به تحقق عدالت اجتماعی کمک کنند.
|
|
کلیدواژه
|
شاخص فلاکت ,نابرابری درآمدی ,الگوریتمهای یادگیری ماشین ,روش شاپلی ,سیاستگذاری اقتصادی
|
|
آدرس
|
دانشگاه پیام نور مرکز تهران, گروه اقتصاد, ایران, دانشگاه رازی کرمانشاه, ایران, دانشگاه آیت ا...بروجردی, ایران, دانشگاه اصفهان, ایران
|
|
پست الکترونیکی
|
f_bayat76@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
the effect of misery index on income inequality in iran: application of machine algorithms and deep learning
|
|
|
|
|
Authors
|
kian poor saeed ,darbidi maryam ,shamsollahi reza ,bayat faezeh
|
|
Abstract
|
income inequality remains a critical issue in iran's economy, exacerbating poverty, reducing investment, and threatening social stability, necessitating a thorough investigation of its determinants. this study examines the impact of the misery index (a composite of inflation and unemployment) on income inequality in iran over the period 1981–2022, employing machine learning and deep learning algorithms implemented via python and google colab, with the shapley additive explanations (shap) method for data analysis. findings reveal that the misery index, foreign direct investment, economic openness, and government size positively and significantly affect income inequality, increasing the income gap, while urban population growth has a negative effect, contributing to reduced inequality. given iran's unique economic conditions, including high inflation and sanctions, the study recommends that the government implement supportive policies such as raising the minimum wage, providing targeted subsidies to lower-income deciles, and creating sustainable employment opportunities to reduce income inequality. these measures can enhance the purchasing power of low-income groups and promote social justice.
|
|
Keywords
|
misery index ,income inequality ,machine learning algorithms ,shapley method ,economic policy
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|