1- گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران 2- گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران ، n.asl34@iau.ac.ir
چکیده: (6 مشاهده)
در این مقاله، چارچوبی هوشمند مبتنی بر شبکهی عصبی مصنوعی(ANN) و برنامهریزی آرمانی فازی (FGP)برای تحلیل و پیشبینی تورم در ایران ارائه شده است. دادههای سریزمانی سالهای ۱۳۳۸ تا ۱۴۰۲ شامل متغیرهای کلیدی اقتصادی نظیر نرخ ارز، نقدینگی، قیمت طلا، قیمت نفت، تولید ناخالص داخلی و نرخ بیکاری مورد استفاده قرار گرفتهاند. یافتهها نشان میدهد که ساختار علّی تورم در دو دورهی تاریخی (پیش و پس از انقلاب اسلامی) دستخوش تغییرات معناداری شده است. در دورهی پیش از انقلاب، متغیرهای درونزا مانند نقدینگی و تورم انتظاری نقش غالب داشتند؛ اما پس از انقلاب، نرخ ارز، تحریمها و سیاستهای یارانهای سهم بیشتری در بروز تورم ایفا کردهاند. همچنین تلفیق مدل ANN با FGP منجر به بهبود دقت پیشبینی و کاهش خطای میانگین مطلق(MAE) به زیر ۳٪ در شرایط عادی و ۵٪ در شرایط بحرانی شده است. تحلیل سناریوهای سیاستی نظیر انضباط پولی، تحریمزدایی و اصلاح یارانهها نشان داد که رویکرد ترکیبی میتواند به تصمیمسازی دقیقتر در مدیریت تورم کمک کند.
