این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
نظریه های کاربردی اقتصاد، جلد ۱۱، شماره ۳، صفحات ۱۳۵-۱۶۴
عنوان فارسی پیش‌بینی به هنگام تولید ناخالص داخلی ایران با استفاده از تحلیل احساس اخبار اقتصادی
چکیده فارسی مقاله این پژوهش، روشی برای کمّی‌سازی اطلاعات بدون‌ ساختار اخبار اقتصادی برای به‌کارگیری در ارزیابی به‌هنگام شرایط اقتصادی را پیشنهاد می‌دهد. به همین منظور، اخبار اقتصادی به صورت روزانه از ابتدای سال 1384 تا انتهای آذرماه سال 1402، از پایگاه اینترنتی خبرگزاری فارس استخراج شده است. متون خبری، پس از پیش‌پردازش اولیه، با استفاده از مدل تخصیص پنهان دیریکله (LDA) در دسته‌های مختلفی طبقه‌بندی شدند به نحوی ‌که هر دسته، یک موضوع خبری را نشان می‌دهد. سپس با استفاده از رویکرد تحلیل احساس مبتنی بر واژه‌نامه، امتیاز یا نمره­ حسی هر خبر مشخص شده است. از تجمیع فصلی امتیازات حسی اخبار ذیل هر موضوع، سری‌های زمانی حسی ایجاد و توانایی این سری‌های زمانی در پیش‌بینی تولید ناخالص داخلی فصلی ایران با استفاده از روش‌های ریج، لسو، الستیک‌نت و تقویت گرادیان ارزیابی شده­اند. نتایج نشان داده­اند که به‌کارگیری داده‌های حسی می­تواند خطای پیش‌بینی را بین 12 تا 18 درصد نسبت به الگوی سری ‌زمانی تک‌متغیره کاهش دهد. علاوه بر این، با استفاده از رویکرد پیشنهادی این پژوهش می‌توان بلافاصله بعد از اتمام هر فصل مرجع و با استفاده از اخبار اقتصادی منتشر شده در همان فصل، برآوردی به‌هنگام از تولید ناخالص داخلی فصلی ارائه کرد
کلیدواژه‌های فارسی مقاله اخبار اقتصادی، پیش‌بینی به‌هنگام، تولید ناخالص داخلی، مدل‌سازی موضوعی، تحلیل احساس،
عنوان انگلیسی Nowcasting Iran's GDP Using Sentiment Analysis of Economic News
چکیده انگلیسی مقاله This study examines textual data's ability to nowcast Iran's gross domestic product (GDP). To this end, 301,498 economic news articles from March 2005 to December 2023 were extracted from the Fars news agency website using a web crawling technique. Following initial preprocessing, the news texts were sorted into various categories via the Dirichlet Latent Allocation (LDA) model, wherein each category corresponds to a distinct news topic. Subsequently, to ascertain whether an article conveys a positive or negative sentiment, we executed lexicon-based sentiment analysis utilizing SentiStrength. Ultimately, by aggregating the news sentiment scores seasonally under each topic, we constructed a seasonal sentiment time series. These time series were then assessed for their efficacy in nowcasting Iran's quarterly GDP, employing ridge regression, lasso regression, elastic net, and gradient boosting methods. The findings reveal that incorporating textual data can reduce prediction errors by 12 to 18 percent relative to a univariate time series model. Moreover, our results suggest that sentiment extracted from textual content, particularly news articles, is a viable approach. This strategy could potentially enable the provision of immediate GDP estimates following the end of each reference quarter.
کلیدواژه‌های انگلیسی مقاله اخبار اقتصادی, پیش‌بینی به‌هنگام, تولید ناخالص داخلی, مدل‌سازی موضوعی, تحلیل احساس
نویسندگان مقاله مرتضی بیرانوند |
دانشجوی دکتری، گروه اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی، مشهد، ایران

سید سعید ملک الساداتی |
استادیار، گروه اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی، مشهد، ایران

سید محمد جواد رزمی |
استاد، گروه اقتصاد، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی، مشهد، ایران

نشانی اینترنتی https://ecoj.tabrizu.ac.ir/article_18907_c6ce6440ab20bedccc63f7da3c9ca84a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات