سیاستگذاری سیستم‌های مالی در شرایط بحران با مدل‌سازی مبتنی بر شبکه‌های عصبی مصنوعی

امروزه سیاستگذاری در شرایط بحران مالی با هدف خنثی‌سازی تبعات سوء اقتصادی، اجتماعی و سیاسی به یکی از مهم‌ترین ارکان مدیریت اقتصاد جهانی تبدیل شده است. با عنایت به پیشرفت سریع فناوری و تکنولوژی‌ها‌ی کامپیوتری می‌توان الگوی دقیق تری از این پدیده بر اساس تجربیات قبلی ترسیم و در قالب یک سیستم پشتیبان تصمیم گیری مورد استفاده قرار داد. با تکیه بر قابلیت تعمیم‌دهی مدل‌های شبکه عصبی مصنوعی، این رویکرد به منظور مدل‌سازی دینامیک‌های موجود در پدیده بحران مالی مورد استفاده قرار گرفته است. متغیرهای وضعیت اقتصادی، تولید ناخالص داخلی، شاخص ارزش صادرات، شاخص ارزش واردات، موقعیت زمانی و موقعیت جغرافیایی هر کشور در هنگام وقوع بحران مالی به‌عنوان ورودی‌های مدل شبکه عصبی مصنوعی و ترکیب بهینه سیاست‌ها برای مقابله با بحران مالی به‌عنوان خروجی مدل تعریف شده است. به‌منظور آموزش این شبکه، از اطلاعات مشخصات و شرایط حاکم بر سیستم‌ها و نیز سیاست‌های اتخاذ شده در مواجهه با بحران‌های مالی بزرگ دنیا از سال 1997 تا به امروز استفاده شده است. به‌منظور نشان دادن قابلیت مدل پیشنهادی، نحوه طراحی و پیاده‌سازی سیستم پیشنهادی در مورد بحران شیوع ویروس کووید-19 در ایران مورد کاوی شد. نتایج به‌دست‌آمده بیانگر آن می‌باشد که استفاده از مدل پیشنهادی به‌عنوان پشتیبان سیاستگذاران و تصمیم‌گیران حوزه‌های مدیریت مالی می‌تواند در حل مسائل نیمه ساختار یافته کمک‌کننده باشد و موجب بهبود کارایی تصمیم‌گیری و توجه بیشتر به اثر بخشی آن شود. به‌طوری که با توجه به نتایج حاصل از پژوهش حاضر، اتخاذ سیاست‌های پولی و مالی انبساطی و اعطای بسته‌های حمایتی به‌عنوان راهکارهای اساسی جهت کاهش اثرات بحران مالی ناشی از همه‌گیری کرونا در کشور ایران توصیه می‌شود.

sustainable policy-making of financial systems in crisis situations with modelling based on artificial neural networks

today, policy-making in times of financial crisis with the aim of neutralizing the adverse economic, social and political consequences has become one of the most important pillars of global economic management. due to the rapid advancement of technology and computer technologies, a more accurate model of this phenomenon can be drawn based on previous experiences and used in the form of a decision support system. relying on the generalizability of artificial neural network models, this approach has been used to model the dynamics of the financial crisis phenomenon. variables of economic status, gdp, export value index, import value index, time position and geographical location of each country during the financial crisis as inputs of the artificial neural network model and the optimal combination of policies to deal with the financial crisis as model output is defined. in order to show the capability of the proposed model, how to design and implement the proposed system in the event of a covid-19 virus outbreak crisis in iran was explored. the results indicate that using the proposed model as a support for policymakers and decision makers in the field of financial management can help solve semi-structured problems and improve decision-making efficiency and pay more attention to its effectiveness. according to the results of the present study, the adoption of expansionary monetary and fiscal policies and the provision of support packages as basic solutions to reduce the effects of the financial crisis caused by the corona epidemic in iran is recommended.