فهرست نشریات علمی دسترسی آزاد ایران

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 ۱۵ کشور درحال‌توسعه آسیب‌پذیر اقتصادی (ازجمله ایران، هند، مصر، نیجریه، اوکراین و...) بوده و دوره زمانی مطالعه بازه سال‌های ۲۰۱۰ تا ۲۰۲۳ 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 ۲ درصد، تورم بیش از ۲۰ درصد و کاهش ارزش پول ملی بیش از ۳۰ 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.