این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت بحران، جلد ۱۴، شماره ۳، صفحات ۴۲-۵۸
عنوان فارسی مدل‌سازی و پیش‌بینی بحران‌های اقتصادی با استفاده از روش‌های داده محور: کاربرد مدل‌های جنگل تصادفی در کشورهای درحال‌توسعه
چکیده فارسی مقاله در دهه‌های اخیر، افزایش فراوانی و شدت بحران‌های اقتصادی در کشورهای درحال‌توسعه، ضرورت طراحی ابزارهای پیش‌بینی ‌کننده دقیق و داده محور را دوچندان کرده است. هدف این پژوهش، مدل‌سازی و پیش‌بینی بحران‌های اقتصادی با بهره‌گیری از الگوریتم جنگل تصادفی به‌عنوان یکی از روش‌های قدرتمند یادگیری ماشین است. جامعه آماری شامل 15 کشور درحال‌توسعه آسیب‌پذیر اقتصادی (ازجمله ایران، هند، مصر، نیجریه، اوکراین و...) بوده و دوره زمانی مطالعه بازه سال‌های 2010 تا 2023 را در برمی‌گیرد که شامل چندین دوره بحران منطقه‌ای و جهانی است. در این پژوهش، متغیر وابسته، شاخص باینری «احتمال وقوع بحران اقتصادی» تعریف‌شده که بر مبنای تحقق هم‌زمان دو مورد از سه معیار زیر در یک سال معین تعیین می‌شود: رشد اقتصادی کمتر از 2 درصد، تورم بیش از 20 درصد و کاهش ارزش پول ملی بیش از 30 درصد. شش متغیر کلیدی اقتصادی به‌عنوان متغیرهای مستقل مورداستفاده قرار گرفتند: نرخ تورم، رشد تولید ناخالص داخلی، نرخ ارز، نسبت بدهی عمومی به GDP، نرخ بیکاری و تراز حساب‌جاری. تحلیل داده‌ها با استفاده از زبان Python و کتابخانه Scikit-learn در محیط Jupyter انجام گرفت. نتایج نشان داد که مدل جنگل تصادفی با دقت 79 درصد، حساسیت 77 درصد و امتیاز F1 معادل 85/0 عملکرد مناسبی در پیش‌بینی وضعیت بحران یا غیر بحران داشته است. همچنین، متغیر رشد اقتصادی مهم‌ترین شاخص پیش‌بینی کننده بحران شناسایی شد و پس‌ازآن نرخ ارز و نرخ تورم بیشترین نقش را ایفا کردند. یافته‌ها بیانگر کارایی بالای مدل در تشخیص الگوهای منجر به بحران اقتصادی در کشورهای آسیب‌پذیر است.
کلیدواژه‌های فارسی مقاله مدل‌سازی،پیش‌بینی،بحران‌های اقتصادی،روش‌های داده محور،مدل‌های جنگل تصادفی،
عنوان انگلیسی Modeling and Forecasting Economic Crises Using Data-Driven Approaches: Application of Random Forest Models in Developing Countries
چکیده انگلیسی مقاله In recent decades, the increasing frequency and severity of economic crises in developing countries have highlighted the need for accurate and data-driven predictive tools. This study aims to model and forecast economic crises using the Random Forest algorithm, one of the most powerful machine learning techniques. The statistical population includes 15 economically vulnerable developing countries (including Iran, India, Egypt, Nigeria, Ukraine, etc.), and the study covers the period from 2010 to 2023, which encompasses several regional and global economic crises. The dependent variable in this research is a binary indicator of the "probability of an economic crisis", defined by the simultaneous occurrence of at least two out of the following three criteria in a given year: economic growth below 2% inflation above 20%, and currency depreciation over 30%. Six key macroeconomic indicators were used as independent variables: inflation rate, GDP growth, exchange rate, public debt to GDP ratio, unemployment rate, and current account balance. Data analysis was conducted using Python programming language and the Scikit-learn library within the Jupyter Notebook environment. The results indicate that the Random Forest model demonstrated strong performance in predicting crisis and non-crisis situations, with an accuracy of 79%, a sensitivity of 77%, and an F1-score of 0.85. Among the predictors, GDP growth emerged as the most influential variable, followed by exchange rate and inflation rate. These findings confirm the high predictive power of the model in identifying patterns leading to economic crises in vulnerable countries.
کلیدواژه‌های انگلیسی مقاله مدل‌سازی,پیش‌بینی,بحران‌های اقتصادی,روش‌های داده محور,مدل‌های جنگل تصادفی
نویسندگان مقاله نیلوفر خاتمی |
دانش آموخته دکتری اقتصاد بین الملل، گروه اقتصاد، دانشکده حکمرانی، واحد اصفهان (خوراسگان)، دانشگاه آزاد اسلامی، اصفهان، ایران

نشانی اینترنتی https://www.joem.ir/article_728559_c86a1006bf9c47ac03f0ca91a0594980.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