پیش‌بینی اقتصادی بدون تاخیر

مرتضی بیرانوند، سید‌سعید ملک‌الساداتی و سید‌محمد‌جواد رزمی- این پژوهش روشی برای کمی‌سازی اطلاعات بدون‌ ساختار اخبار اقتصادی برای به‌کارگیری در ارزیابی به‌هنگام شرایط اقتصادی را پیشنهاد می‌دهد. به همین منظور، اخبار اقتصادی به صورت روزانه از ابتدای سال 1384 تا انتهای آذرماه سال 1402، از پایگاه اینترنتی خبرگزاری فارس استخراج شده است. متون خبری پس از پیش‌پردازش اولیه، با استفاده از مدل تخصیص پنهان دیریکله (LDA) در دسته‌های مختلفی طبقه‌بندی شدند، به نحوی ‌که هر دسته یک موضوع خبری را نشان می‌دهد. سپس با استفاده از رویکرد تحلیل احساس مبتنی بر واژه‌نامه، امتیاز یا نمره حسی هر خبر مشخص شده است. از تجمیع فصلی امتیازات حسی اخبار ذیل هر موضوع، سری‌های زمانی حسی ایجاد و توانایی این سری‌های زمانی در پیش‌بینی تولید ناخالص داخلی فصلی ایران با استفاده از روش‌های ریج، لسو، الستیک‌نت و تقویت گرادیان ارزیابی شده‌اند. نتایج نشان داده‌ که به‌کارگیری داده‌های حسی می‌تواند خطای پیش‌بینی را بین 12 تا 18درصد نسبت به الگوی سری ‌زمانی تک‌متغیره کاهش دهد. علاوه بر این، با استفاده از رویکرد پیشنهادی این پژوهش می‌توان بلافاصله بعد از اتمام هر فصل مرجع و با استفاده از اخبار اقتصادی منتشرشده در همان فصل، برآوردی بهنگام از تولید ناخالص داخلی فصلی ارائه کرد.
1- چرا نیاز به پیش‌بینی لحظه‌ای ‌GDP، به ویژه در کشوری مانند ایران وجود دارد؟
تخمین‌های رسمیGDP معمولا با تاخیر قابل‌ توجهی منتشر می‌شود (برای مثال 60-90 روز پس از پایان فصل در ایران). این تاخیر باعث می‌شود که سیاستگذاران و تحلیلگران اقتصادی نتوانند وضعیت واقعی اقتصاد را به طور موثر نظارت و ارزیابی کنند. در ایران و جهان، این تاخیر می‌تواند مانع از مداخله به موقع سیاست‌ها و تصمیم‌گیری آگاهانه شود. روش‌های پیش‌بینی لحظه‌ای به ارائه تخمین‌های فوری کمک می‌کند تا این شکاف اطلاعاتی را برطرف کنند.
2- این مطالعه چگونه از مقالات اخبار اقتصادی برای پیش‌بینی GDP استفاده کرده است؟
این تحقیق از یک روش‌شناسی ترکیبی استفاده کرده است که شامل جمع‌آوری مقالات اخبار اقتصادی از طریق وب‌کشی (بیش از 300000 مقاله از مارس 2005 تا دسامبر 2023 از خبرگزاری فارس)، مدل‌سازی موضوعات با استفاده از الگوریتم Latent Dirichlet Allocation (LDA)iبرای دسته‌بندی اخبار به موضوعات مختلف و تحلیل احساسات مبتنی بر لغت‌نامه با استفاده ازSentiStrength برای تعیین احساسات
(مثبت یا منفی) هر مقاله است. این امتیازهای احساسات سپس به صورت فصلی تحت هر موضوع جمع‌آوری شده و به سری‌های زمانی احساسات تبدیل می‌شوند که در مدل‌های رگرسیون و یادگیری ماشین برای پیش‌بینی GDP فصلی ایران استفاده می‌شوند.
3- روش‌های فنی اصلی استفاده شده در این مطالعه کدامند؟
این مطالعه از چندین روش فنی کلیدی استفاده کرده است:
– وب‌کشی: برای استخراج سیستماتیک حجم زیادی از مقالات اخبار اقتصادی از وب‌سایت خبرگزاری فارس.
– مدل‌سازی موضوعات با‌LDA : الگوریتم یادگیری ماشین بدون نظارت که به شناسایی موضوعات پنهان در مقالات خبری کمک می‌کند.
-تحلیل احساسات مبتنی بر لغت‌نامه(SentiStrength) ‌: ابزاری که با استفاده از دیکشنری کلمات احساسی و وزن‌های مربوط به آنها، احساسات مقالات خبری را به طور خودکار تعیین می‌کند.
– تحلیل رگرسیون (رگرسیون ریدج، لاسو، شبکه کشسان): تکنیک‌های آماری برای مدل‌سازی رابطه بین سری‌های زمانی احساسات و GDP.
– تقویت گرادیان: یک روش یادگیری ماشین جمعی که مدل‌های پیش‌بینی ضعیف متعدد را ترکیب کرده و یک مدل پیش‌بینی قوی‌تر و دقیق‌تر برای پیش‌بینی GDP ارائه می‌دهد.
4- یافته‌های اصلی مطالعه در مورد اثر بخشی احساسات اخبار در پیش‌بینی GDP چه بود؟
یافته‌های مطالعه نشان می‌دهد که گنجاندن داده‌های احساسات استخراج شده از مقالات خبری اقتصادی به طور قابل ‌توجهی دقت مدل‌های پیش‌بینی GDP را بهبود می‌بخشد. به طور خاص، گنجاندن داده‌های متنی خطاهای پیش‌بینی در مقایسه با مدل‌های سنتی سری زمانی یک متغیره بین 12 تا 18‌درصد کاهش یافت. این نشان می‌دهد که احساسات اخبار منبع اطلاعاتی قابل توجه و ارزشمندی برای ارائه تخمین‌های به موقع GDP است.
5- چرا استفاده از احساسات اخبار نسبت به منابع داده‌های اقتصادی سنتی مزیت دارد؟
مقالات خبری مزایای متعددی نسبت به داده‌های اقتصادی سنتی دارند:
– به موقع بودن: اخبار روزانه منتشر می‌شوند و دچار تاخیرهایی که آمارهای رسمی مانند GDP دارند، نمی‌شوند.
– دسترس‌پذیری: اخبار آنلاین از آژانس‌های مختلف به راحتی در دسترس است که این دسترسی را نسبت به سایر منابع داده‌های بزرگ مانند تراکنش‌های سیستم‌های پرداخت الکترونیکی تسهیل می‌کند.
– بینش‌های فوری: احساسات اخبار می‌تواند بینش‌های فوری از درک و شرایط اقتصادی ارائه دهد و ممکن است تغییرات اقتصادی را سریع‌تر از شاخص‌های سنتی بازتاب دهد.
6- چگونه احساسات مقالات خبری فارسی تحلیل شد؟
احساسات مقالات خبری فارسی با استفاده از ابزار تحلیل احساسات مبتنی بر لغت‌نامهSentiStrength تحلیل شد. این ابزار از یک دیکشنری دستی از کلمات احساسی و وزن‌های مربوط به آنها استفاده می‌کند. امتیاز احساسات برای هر مقاله خبری با توجه به احساسات اجزای مختلف آن مقاله (عنوان، مقدمه و بدنه اصلی) محاسبه شد. لغت‌نامه برای زبان فارسی در این مطالعه تطبیق داده شده و بر تلاش‌های قبلی برای اعمال تحلیل احساسات در این زمینه زبانی بنا شده است.
7- مدل‌های پیش‌بینی لحظه‌ای چگونه ارزیابی و مقایسه شدند؟
اثربخشی مدل‌های پیش‌بینی لحظه‌ای (براساس احساسات اخبار) با مقایسه عملکرد آنها با مدل مرجع سری زمانی یک متغیره (ARIMA(1,1,0)) از طریق چندین معیار معمول دقت پیش‌بینی، ازجمله ریشه مربع خطای میانگین ‌(RMSE)، خطای میانگین مطلق(MAE) و خطای میانگین درصدی مطلق(MAPE) ارزیابی شد. مدل‌هایی که داده‌های احساسات اخبار را شامل می‌شدند، به ویژه مدل‌های رگرسیون با منظم‌سازی (ریدج، لاسو، شبکه کشسان) و روش تقویت گرادیان، خطاهای پیش‌بینی بسیار کمتری در این معیارها نسبت به مدل مرجع نشان دادند.
8- پیامدهای این یافته‌ها برای سیاستگذاران و تحلیلگران اقتصادی در ایران چیست؟
یافته‌ها نشان می‌دهد که تحلیل احساسات اخبار اقتصادی می‌تواند ابزاری ارزشمند برای سیاستگذاران و تحلیلگران اقتصادی در ایران باشد. با گنجاندن این رویکرد، آنها می‌توانند بینش‌های به موقع‌تری از وضعیت اقتصاد به دست آورند و احتمالا به مداخلات سریع‌تر و آگاهانه‌تر سیاستی منجر شود. توانایی تولید تخمین‌های فوری GDP پس از پایان هر فصل می‌تواند نظارت و ارزیابی اقتصادی را بهبود بخشد و به مدیریت اقتصادی موثرتر کمک کند. این مطالعه همچنین پتانسیل استفاده از داده‌های متنی در دسترس برای پیش‌بینی و پیش‌بینی لحظه‌ای اقتصادی را در زمینه‌هایی که داده‌های سنتی ممکن است با محدودیت‌ها یا تاخیرهایی مواجه شوند، نشان می‌دهد.
*این مطلب از مقاله‌ای با عنوان «پیش‌بینی به هنگام تولید ناخالص داخلی ایران با استفاده از تحلیل احساس اخبار اقتصادی» استخراج شده است