پژوهش‌های راهبردی بودجه و مالیه

پژوهش‌های راهبردی بودجه و مالیه

تأثیر ذهن تورمی بر تورم ذهنی و پیش‌بینی تورم در ایران (۱۳۹۲–۱۴۰۲)

نوع مقاله : مقاله پژوهشی

نویسندگان
علیرضا عرفانی 1
سیده ستایش شجاعی 2
1 استاد اقتصاد دانشگاه سمنان، سمنان، ایران
2 دانشجوی دکتری اقتصاد پولی دانشگاه سمنان، سمنان، ایران
10.47176/fbarj.2025.1459
چکیده
این پژوهش با هدف بررسی تأثیر ذهن تورمی، یعنی مشغول بودن ذهن مردم نسبت به افزایش قیمت کالاها و به‌ویژه دارایی‌ها، بر تورم ذهنی یا همان انتظارات تورمی بر تورم در اقتصاد ایران انجام شده است. داده‌های مورد استفاده شامل برخی شاخص‌های تورم ذهنی منعکس شده در فضای مجازی به‌طور خاص، گوگل ترندز، و مجموعه‌ای از متغیرهای اقتصادی از فروردین ۱۳۹۲ تا اسفند ۱۴۰۲ است. این پژوهش یک مطالعه کاربردی است که با استفاده از روش توصیفی-تحلیلی و تحلیل همبستگی، به بررسی عوامل مؤثر بر نرخ تورم و پیش‌بینی آن با بهره‌گیری از الگوریتم‌های یادگیری ماشین با استفاده از نرم‌افزار پایتون می‌پردازد. نتایج نشان می‌دهد که در تحلیل تک‌متغیره، دو برابر شدن تورم ذهنی بدون اعمال وقفه زمانی منجر به افزایش ۰.۹ واحدی در نرخ تورم شده است. همچنین، با اعمال وقفه سه‌ماهه، این متغیر موجب افزایش ۴ واحدی نرخ تورم گردید. این یافته نشان می‌دهد که اثر تورم ذهنی نه‌تنها فوری است، بلکه در طول زمان تقویت می‌شود. در تحلیل چندمتغیره، تأثیر ذهن تورمی در مقایسه با سایر متغیرها کاهش یافته، اما همچنان معنادار باقی مانده است. این امر نشان‌دهنده آن است که ذهن تورمی، در کنار سایر متغیرهای کلیدی اقتصادی مانند قیمت طلا، دلار و تولید ناخالص داخلی، ابزاری قدرتمند برای تحلیل و پیش‌بینی تورم به شمار می‌آید. از بین الگوریتم‌های پیشرفته یادگیری ماشین، الگوریتم درخت تصمیم بهترین عملکرد را در پیش‌بینی نرخ تورم ارائه کرده است. یافته‌های این پژوهش می‌تواند برای سیاست‌گذاران اقتصادی در مدیریت انتظارات تورمی و پیش‌بینی تحولات آتی نرخ تورم مفید باشد.
کلیدواژه‌ها
انتظارات تورمی
پیش‌بینی
تورم
گوگل ترندز
یادگیری ماشین
موضوعات

عنوان مقاله English

The Impact of Inflationary Mindset on Inflation Expectations and Inflation Forecasting in Iran (2013–2024)

نویسندگان English

Alireza Erfani 1
Seyedeh Setayesh Shojaee 2
1 Professor of Economics, Semnan University, Semnan, Iran
2 PhD student in Monetary Economics, Semnan University, Semnan, Iran
چکیده English

This research aims to examine the impact of inflationary mindset, which refers to the public's focus on rising prices of goods, especially assets, on inflationary expectations (or mental inflation) and its effect on inflation in the Iranian economy. The data used includes some indicators of mental inflation reflected in social media, specifically Google Trends, and a set of economic variables from March 2013 to March 2024. This is an applied study that uses descriptive-analytical methods and correlation analysis to investigate factors affecting inflation rates and predict them using machine learning algorithms in Python software. The results show that in the univariate analysis, a doubling of mental inflation without applying a time lag led to a 0.9-unit increase in the inflation rate. Additionally, with a three-month lag, this variable caused a 4-unit increase in the inflation rate. These findings suggest that the impact of mental inflation is not only immediate but also strengthens over time. In the multivariate analysis, the effect of inflationary mindset, compared to other variables, was reduced but still remained significant. This indicates that inflationary mindset, along with other key economic variables such as gold price, dollar exchange rate, and GDP, is a powerful tool for analyzing and predicting inflation. Among advanced machine learning algorithms, the decision tree algorithm performed best in forecasting inflation rates. The findings of this study can be useful for economic policymakers in managing inflation expectations and predicting future inflation trends.

کلیدواژه‌ها English

Inflation
Inflation expectations
Machine learning
Prediction
Google Trends
Aras, S., & Lisboa, P. J. G. (2022). Explainable inflation forecasts by machine learning models. Expert Systems with Applications, 207, 117982. https://doi.org/10.1016/j.eswa.2022.117982
Bulut, L. (2018). Google Trends and the forecasting performance of exchange rate models. Journal of Forecasting, 37(2), 303–315. https://doi.org/10.1002/for.2500
Choi, H., & Varian, H. (2012). Predicting the present with Google Trends. Economic Record, 88(s1), 2-9. https://doi.org/10.1111/j.1475-4932.2012.00809.x
Conrad, C., Enders, Z., & Glas, A. (2022). The role of information and experience for households’ inflation expectations. European Economic Review, 143, 104015. https://doi.org/10.1016/j.euroecorev.2021.104015
Galí, J., & Gertler, M. (1999). Inflation dynamics: A structural econometric analysis. Journal of Monetary Economics, 44(2), 195-222. https://doi.org/10.1016/S0304-3932(99)00023-9
Harianto, F. J., & Abdulloh, F. F. (2023). Linear regression algorithm analysis to predict the effect of inflation on the Indonesian economy. Indonesian Journal of Computer Science, 12(4). https://doi.org/10.33022/ijcs.v12i4.3224
Hassanvand, M., Safabakhsh, M., & Roohollahi, K. (2022). Forecasting inflation rate using machine learning. Shabak Journal, 8(3), 47-60. SID. https://sid.ir/paper/1008534/fa [In Persian]
Heravani, H., Farahani-Fard, S., & Sharifi, O. (2020). The effect of exogenous inflation expectations on inflation in Iran's economy: A quantile regression approach. Iranian Economic Issues Review, 7(2), 343-364. doi: https://sid.ir/paper/1042436/fa [In Persian]
Khashimova, N., & Buranova, M. (2023). Comparative analysis of machine learning algorithms for inflation rate classification and economic trend forecasting. ICFNDS '23: Proceedings of the 7th International Conference on Future Networks and Distributed Systems, 274-282. https://doi.org/10.1145/3644713.3644749
Khazrzedegan, H., & Heydari, H. (2023). Asymmetric effects of exchange rate on inflation expectations in Iran’s inflation targeting economy. Quarterly Journal of Economic Research, 58(4), 615-635. doi: 10.22059/jte.2024.366184.1008858 [In Persian]
 Lucas, R. E. (1972). Expectations and the neutrality of money. Journal of Economic Theory, 4(2), 103-124. https://doi.org/10.1016/0022-0531(72)90142-1
Medeiros, M. C., Vasconcelos, G. F. R., Veiga, Á., & Zilberman, E. (2019). Forecasting inflation in a data-rich environment: The benefits of machine learning methods. Journal of Business & Economic Statistics, 39(1), 98–119. https://doi.org/10.1080/07350015.2019.1637745
Mirza, N., Rizvi, S. K. A., Naqvi, B., & Umar, M. (2024). Inflation prediction in emerging economies: Machine learning and FX reserves integration for enhanced forecasting. International Review of Financial Analysis, 94, 103238. https://doi.org/10.1016/j.irfa.2024.103238
Sorkhondi, M., & Sohaili, K. (2023). Evaluation and prioritization of the impact of monetary base components on inflation in Iran using the novel random forest algorithm. Economics of Stable Development, 25(5), 65-84. doi: https://doi.org/10.22111/sedj.2024.47334.1418 [In Persian]
Stock, J. H., & Watson, M. W. (2016). Core inflation and trend inflation. Review of Economics and Statistics, 98(4), 770-784. doi:10.1162/REST_a_00608
Friedman, M. (1968). The role of monetary policy. American Economic Review, 58(1), 1-17. https://fraser.stlouisfed.org/title/american-economic-review-1161/role-monetary-policy-2352
Mishkin, F. S. (2007). The economics of money, banking, and financial markets (8th ed.). Pearson Education ISBN: 133836797, 978-0133836790
Bank Markazi Jomhuri Islami Iran. (2023). Statistical reports and economic data. Retrieved from https://www.cbi.ir [In Persian]
Centre of Statistics of Iran. (2023). Price index and inflation statistics. Retrieved from https://www.amar.org.ir [In Persian]
Google Trends. (2025). Explore data on public interest. Retrieved from https://trends.google.com
پژوهش‌های راهبردی بودجه و مالیه
دوره 6، شماره 1 - شماره پیاپی 21
فصلنامه بهار
بهار 1404
صفحه 11-47

  • تاریخ دریافت 05 بهمن 1403
  • تاریخ بازنگری 20 اسفند 1403
  • تاریخ پذیرش 31 فروردین 1404