تحلیل عوامل موثر بر تورم‌های بالا و ماندگار در اقتصاد ایران: رویکرد مبتنی بر یادگیری ماشین

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 موثرترین 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.

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.