اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 6 1404 12 01 Analyzing the Role of Machine Learning Algorithms in Inflation Forecasting and Its Implications for Economic Policymaking تحلیل نقش الگوریتم‌های یادگیری ماشین در پیش‌بینی نرخ تورم و پیامدهای آن برای سیاست‌گذاری اقتصادی 40 52 FA محسن رادمان طهرانی گروه حسابداری مدیریت، دانشگاه تهران، تهران، ایران الناز صفرپور گروه حسابداری مدیریت، دانشگاه تهران، تهران، ایران Journal Article <p>This study aimed to analyze the role of machine learning algorithms in improving inflation forecasting and to explain their implications for economic policymaking. This qualitative study was conducted using a thematic analysis design. The participants consisted of experts in macroeconomics, monetary policymaking, economic data analysis, econometrics, financial markets, and financial technology in Tehran. Participants were selected through purposive and snowball sampling, and data collection continued until theoretical saturation was reached. In total, 19 experts participated in semi-structured interviews. The interview guide focused on the predictive capacity of machine learning algorithms, limitations of traditional econometric models, data quality and availability, model interpretability, institutional requirements, and policy consequences of algorithmic inflation forecasts. All interviews were transcribed verbatim and analyzed using NVivo software. Data analysis was performed through open coding, development of subthemes, and abstraction of main categories. The analysis resulted in four main categories: “the capacity of machine learning algorithms to detect nonlinear relationships and hidden inflationary patterns,” “dependence of forecast accuracy on data quality, timeliness, and integration,” “interpretability, institutional trust, and policy accountability challenges,” and “the application of algorithmic forecasts in improving the timing, targeting, and coordination of economic policies.” Participants emphasized that algorithms such as random forests, gradient boosting, neural networks, and hybrid models can provide a more accurate picture of inflation dynamics in data-rich environments. However, they also argued that policy reliance on these models without methodological transparency, forecast-error evaluation, and explainability mechanisms may lead to mechanical decision-making and weakened public trust. The findings indicate that machine learning can serve as a powerful complement to traditional econometric models in inflation forecasting, but it should not replace expert judgment and institutional analysis. Effective use of these algorithms in economic policymaking requires reliable data infrastructure, algorithmic governance, model interpretability, policymaker training, and integration of quantitative forecasts with political-economic understanding of inflation.</p> <p>هدف پژوهش حاضر تحلیل نقش الگوریتم‌های یادگیری ماشین در ارتقای پیش‌بینی نرخ تورم و تبیین پیامدهای آن برای تصمیم‌گیری و سیاست‌گذاری اقتصادی است. این پژوهش با رویکرد کیفی و طرح تحلیل مضمون انجام شد. جامعه مشارکت‌کنندگان شامل خبرگان اقتصاد کلان، سیاست‌گذاری پولی، تحلیل داده‌های اقتصادی، اقتصادسنجی، بازارهای مالی و فناوری مالی در شهر تهران بود. نمونه‌گیری به‌صورت هدفمند و گلوله‌برفی انجام شد و فرایند گردآوری داده‌ها تا رسیدن به اشباع نظری ادامه یافت. در مجموع، ۱۹ نفر در مصاحبه‌های نیمه‌ساختاریافته شرکت کردند. ابزار گردآوری داده‌ها راهنمای مصاحبه نیمه‌ساختاریافته بود که بر محورهایی مانند قابلیت الگوریتم‌های یادگیری ماشین در پیش‌بینی تورم، محدودیت‌های مدل‌های اقتصادسنجی سنتی، کیفیت داده‌های اقتصادی، تفسیرپذیری مدل‌ها، الزامات نهادی، و پیامدهای سیاستی پیش‌بینی‌های الگوریتمی متمرکز بود. داده‌ها پس از پیاده‌سازی کامل مصاحبه‌ها، در نرم‌افزار NVivo کدگذاری شدند و با استفاده از تحلیل مضمون در سه سطح کدهای اولیه، مضامین فرعی و مقوله‌های اصلی تحلیل گردیدند. نتایج تحلیل داده‌ها به استخراج چهار مقوله اصلی منجر شد: «توانمندی الگوریتم‌های یادگیری ماشین در کشف روابط غیرخطی و الگوهای پنهان تورمی»، «وابستگی دقت پیش‌بینی به کیفیت، به‌هنگامی و یکپارچگی داده‌های اقتصادی»، «چالش تفسیرپذیری، اعتماد نهادی و پاسخگویی سیاستی»، و «کاربرد پیش‌بینی‌های الگوریتمی در بهبود زمان‌بندی، هدف‌گذاری و هماهنگی سیاست‌های اقتصادی». مشارکت‌کنندگان تأکید داشتند که الگوریتم‌هایی مانند جنگل تصادفی، گرادیان بوستینگ، شبکه‌های عصبی و روش‌های ترکیبی می‌توانند در محیط‌های داده‌غنی، تصویر دقیق‌تری از پویایی تورم ارائه دهند؛ بااین‌حال، استفاده سیاستی از این مدل‌ها بدون شفافیت روش‌شناختی، ارزیابی خطای پیش‌بینی و سازوکار توضیح‌پذیری می‌تواند به تصمیم‌گیری مکانیکی و کاهش اعتماد عمومی منجر شود. یافته‌ها نشان داد یادگیری ماشین می‌تواند مکملی قدرتمند برای مدل‌های اقتصادسنجی سنتی در پیش‌بینی تورم باشد، اما جایگزین قضاوت کارشناسی و تحلیل نهادی نیست. بهره‌گیری مؤثر از این الگوریتم‌ها در سیاست‌گذاری اقتصادی مستلزم زیرساخت داده‌ای معتبر، چارچوب حکمرانی الگوریتمی، تفسیرپذیری مدل‌ها، آموزش سیاست‌گذاران و ترکیب پیش‌بینی‌های کمی با فهم اقتصاد سیاسی تورم است.</p> https://jsaefm.com/index.php/jsaefm/article/download/36/34