بررسي توان پيش‌بيني الگوهاي اقتصادسنجي و شبكه عصبي‌ تورم در ايران

The Examination Of Forecasting Power Of Econometrics And ANN Models Of Inflation In Iran

تورم به عنوان يكي از بنيادي‌ترين چالش‌هاي اقتصادي، در طول حيات اقتصادي هر كشور شناخته مي‌شود، به همين دليل پيش‌بيني روند تورم براي تنظيم سياست‌هاي اقتصادي اهميت به‌سزايي دارد. اين نياز موجب توجه جدي به كاربرد مدل‌هاي مختلف براي پيش‌بيني نرخ تورم شده است؛ و بدين منظور مدل‌هاي پيش‌بيني گوناگوني در رقابت با يكديگر توسعه يافته‌اند. از اين رو اين پژوهش با هدف پيش‌بيني ماهيانه نرخ تورم در ايران براي سال 1390 با استفاده از داده‌هاي سري زماني ماهيانه شاخص بهاي كالا و خدمات مصرفي ايران در سال‌هاي 1383 تا 1389 انجام شده و اطلاعات مربوط به شاخص بهاي كالا و خدمات مصرفي نيز براي سال‌هاي مورد نظر از بانك مركزي جمهوري اسلامي ايران گرفته شده است. براي اين منظور از دو الگوي ميانگين متحرك هم‌انباشته خود توضيح (ARIMA) و شبكه عصبي (ANN) استفاده شده و همچنين در اين پژوهش به مقايسه الگوهاي اقتصادسنجي و شبكه عصبي و توان پيش‌بيني هر يك از الگوها با در نظر گرفتن ميانگين درصد خطاي مطلق آنها پرداخته شده است. نتايج پيش‌بيني با استفاده از اين دو الگو نشان داد، كه اگرچه هر دو الگوي ميانگين متحرك خود توضيح و شبكه‌ي عصبي، با توجه به ميانگين درصد خطاي مطلق پيش‌بيني درون نمونه‌اي، به ترتيب 86/0 و 94/0 درصد داراي توان پيش‌بيني بالايي بوده‌اند، اما الگوي ARIMA به نسبت الگوي ANN از داراي توان پيش‌بيني بالاتري بوده است. بنابراين در اين پژوهش مقادير پيش‌بيني شده شاخص بهاي كالا و خدمات مصرفي در ايران بر اساس الگوي سري زماني ARIMA تعيين شده است و نتايج پيش‌بيني اين الگو نشان مي‌دهد، با توجه به روند رو به رشد در شاخص بهاي كالا و خدمات مصرفي در ايران براي سال 1390، در پيش گرفتن سياست‌هاي كنترل حجم پول و نقدينگي از طريق اعمال سياست‌هاي پولي و مالي مناسب توسط سياستگذران مي‌تواند نقش مهمي در كنترل نرخ تورم داشته باشد.

Inflation is one of the most fundamental economic problems in each country, so inflation’s trend forecasting for arranging economical policies is very important. This necessity has caused serious attention to the application of different models for forecasting inflation’s rate, thus different forecasting models have developed in competition with one another. Hence this study aimed to forecast the monthly inflation rate in Iran in 1390, has performed using monthly time series data from Iran’s consumer price index of goods and services in the years 1383 to 1389. Information about consumer price index of goods and services for desired years has been obtained from Central Bank of Iran. Hence this study has used two models, Auto Regressive Integrated Moving Average (ARIMA) and Artificial Neural Network (ANN), and has compared the forecasting power of neural network models and econometric models by taking a mean absolute percentage error. Forecast results using these two models showed, although both ARIMA and ANN according to percentage of absolute prediction error within the sample, respectively, 0.86 and 0.94, have a high forecasting power, but ARIMA’s model, in comparison with ANN’s model, has higher forecasting power. Therefore in this study predicted value of consumer price index of goods and services in Iran is determined based on ARIMA time series model. Forecasts show, due to the growing trend in the consumer price index of goods and services in Iran in 1390, choosing monetary policies and liquidity management through appropriate fiscal and monetary policies by policy makers, play an important rate in controlling inflation.