Islamic Economics & Banking

fa طراحی سیستم هوشمند پیش‌بینی و مدیریت تورم در ایران با استفاده از شبکه‌ی عصبی مصنوعی و برنامه‌ریزی آرمانی فازی Designing an Intelligent System for Inflation Forecasting and Management in Iran Using Artificial Neural Networks and Fuzzy Goal Programming عمومى General پژوهشي Research <div style="text-align: justify;">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.  </div> <div style="text-align: justify;">This paper presents an intelligent framework based on Artificial Neural Networks (ANN) and Fuzzy Goal Programming (FGP) to analyze and forecast inflation in Iran. Time-series data spanning from 1959 to 2023 (1338–1402 SH), encompassing key macroeconomic variables such as exchange rates, liquidity, gold prices, oil prices, Gross Domestic Product (GDP), and unemployment rates, are utilized. The findings indicate that the causal structure of inflation underwent significant structural shifts across two distinct historical periods: pre- and post-Islamic Revolution. In the pre-revolutionary period, endogenous variables—predominantly liquidity growth and inflationary expectations—played a dominant role. Conversely, in the post-revolutionary period, exchange rate fluctuations, international sanctions, and subsidy policies exerted a more pronounced impact on driving inflation. Furthermore, integrating the ANN model with FGP improved forecasting precision, reducing the Mean Absolute Error (MAE) to below 3% under standard economic conditions and 5% during crisis scenarios. Policy scenario analyses—focusing on monetary discipline, sanctions relief, and subsidy reforms—demonstrate that this hybrid computational approach significantly enhances policy decision-making in managing inflation dynamics.  </div> تورم, شبکه‌ عصبی مصنوعی, برنامه‌ریزی آرمانی فازی, تحریم, سیاست‌های اقتصادی, پیش‌بینی هوشمند Keywords: Inflation, Artificial Neural Network (ANN), Fuzzy Goal Programming (FGP), Sanctions, Economic Policies, Intelligent Forecasting. 0 0 http://mieaoi.ir/browse.php?a_code=A-10-2009-1&slc_lang=fa&sid=1 Reza Najafi رضا نجفی reza.najafi5958@iau.ir 100319475328460015642 100319475328460015642 No Department of Economics, CT.C., Islamic Azad University, Tehran, Iran گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Nazi Mohammadzadeh Asl نازی محمدزاده اصل n.asl34@iau.ac.ir 100319475328460015643 100319475328460015643 Yes Department of Economics, CT.C., Islamic Azad University, Tehran, Iran گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Shahriyar nessabian شهریار نصابیان Sh.nessabian@iau.ac.ir 100319475328460015644 100319475328460015644 No Department of Economics, CT.C., Islamic Azad University, Tehran, Iran گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران Marjan Daman keshideh مرجان دامن کشیده m.damankeshideh@iau.ac.ir 100319475328460015645 100319475328460015645 No Department of Economics, CT.C., Islamic Azad University, Tehran, Iran گروه اقتصاد، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران