DOI: https://doi.org/10.22375/dbs.v3i1.158
تاريخ النشر: 2026-03-06
المؤلف: Tonia Ameh وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تتناول هذه الورقة البحثية تعقيدات التنبؤ بدقة بمعدل التضخم، وهو أمر حاسم لاستراتيجية اقتصادية فعالة. تقدم الدراسة إطارًا نمذجيًا متكاملًا يجمع بين تحليل السلاسل الزمنية التقليدية وتقنيات التعلم الآلي والتعلم العميق الحديثة. على وجه التحديد، تطور أربعة نماذج هجينة تدمج نموذج المتوسط المتحرك التكاملي الذاتي الانحدار الموسمي مع المتغيرات الخارجية (SARIMAX) مع خوارزميات مثل الغابة العشوائية، والانحدار باستخدام دعم المتجهات، وشبكات الذاكرة طويلة وقصيرة المدى (LSTM). من بين هذه النماذج، أظهر نموذج SARI-LSTM أداءً متفوقًا عبر مؤشرات التقييم الرئيسية، بما في ذلك متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ النسبي المطلق (MAPE)، مما يعكس الاتجاهات الموسمية والأنماط المتسلسلة بشكل فعال.
تؤكد النتائج على مزايا دمج الأساليب الإحصائية التقليدية مع الأساليب النمذجة المتقدمة لتعزيز موثوقية وتفسير توقعات التضخم. بينما النتائج واعدة، تعترف الدراسة بالتحديات المستمرة التي تطرحها الطبيعة الديناميكية للمتغيرات الاقتصادية والتأثيرات الخارجية. يشير الأداء القوي لنموذج SARI-LSTM إلى أن مثل هذه الأساليب المتكاملة يمكن أن تحسن بشكل كبير من دقة التنبؤ. ومع ذلك، تؤكد الورقة على ضرورة المراجعة المستمرة وتكييف نماذج التنبؤ لضمان صلتها وشفافيتها، خاصة في سياق صنع السياسات.
مقدمة
تناقش مقدمة الورقة البحثية العلاقة المعقدة بين التضخم والهجرة وأسواق الإسكان، مع التأكيد على الحاجة إلى تحليل متعدد الأبعاد لديناميات التضخم. يُعرف التضخم بأنه الزيادة المستمرة في المستوى العام لأسعار السلع والخدمات، مما يؤثر بشكل كبير على الظروف الاقتصادية، ويؤثر على إنفاق الأسر، واستثمارات الأعمال، وسياسات البنك المركزي. تبرز الورقة نظرية الهجرة والتضخم المنخفض، التي تفترض أن زيادة الهجرة يمكن أن تخفض التضخم من خلال توسيع عرض العمل وفرض ضغط هبوطي على الأجور. ومع ذلك، تشير أيضًا إلى أن المهاجرين يساهمون في زيادة الطلب في الاقتصاد، مما قد يعاكس آثار التضخم المنخفض.
تركز الدراسة على تحليل مقارن بين أيرلندا والمملكة المتحدة، وهما دولتان مرتبطتان جغرافيًا وتاريخيًا مع هياكل اقتصادية متميزة. تنتقد الأدبيات الحالية لعدم اهتمامها غالبًا بالتأثيرات الخارجية مثل أنماط الهجرة وتقلبات سوق الإسكان. لمعالجة هذه الفجوة، تستخدم البحث استراتيجية نمذجة هجينة تجمع بين الأساليب الإحصائية التقليدية وتقنيات التعلم الآلي المتقدمة، مثل الغابة العشوائية (RF) والانحدار باستخدام دعم المتجهات (SVR). تهدف هذه المقاربة إلى تعزيز دقة التنبؤ من خلال التقاط العلاقات المعقدة وغير الخطية بين المتغيرات الاقتصادية الكلية. من المتوقع أن توفر النتائج رؤى قيمة لصانعي السياسات وأصحاب المصلحة، مما يسهم في تحسين توقعات التضخم في بيئات اقتصادية ديناميكية.
نقاش
تسلط قسم النقاش في الورقة البحثية الضوء على فعالية نماذج التنبؤ المتقدمة المختلفة في توقع اتجاهات التضخم، خاصة من خلال الأساليب الهجينة التي تدمج بين التقنيات التقليدية وتقنيات التعلم الآلي. لقد أظهر نموذج المتوسط المتحرك التكاملي الذاتي الانحدار مع العوامل الخارجية (SARIMAX) أنه يعزز دقة التنبؤ في قطاع الطاقة وتوقعات الأوبئة، بينما أظهرت نماذج التعلم الآلي مثل الغابة العشوائية (RF) والانحدار باستخدام دعم المتجهات (SVR) أداءً متفوقًا في التقاط التفاعلات الاقتصادية المعقدة، خاصة خلال الفترات المتقلبة مثل جائحة COVID-19. كما أثبتت شبكات الذاكرة طويلة وقصيرة المدى (LSTM) فعاليتها في إدارة البيانات المتسلسلة ذات الاعتماديات طويلة الأجل، متفوقة على النماذج التقليدية في توقعات سوق الأسهم وأسعار السلع.
تؤكد الدراسة على مزايا النماذج الهجينة، التي تجمع بين نقاط القوة في منهجيات مختلفة لتحسين دقة التنبؤ. على سبيل المثال، حقق نموذج SARI-LSTM، الذي يدمج SARIMAX مع LSTM، أعلى دقة تنبؤية للتضخم في كل من أيرلندا والمملكة المتحدة من خلال معالجة الاتجاهات الموسمية وغير الخطية بشكل فعال. تشير النتائج إلى أنه بينما كانت النماذج المستقلة مثل SVR تؤدي بشكل جيد، فإن التكوينات الهجينة تفوقت عليها بشكل كبير، خاصة في التقاط ديناميات التضخم المعقدة المتأثرة بالعوامل الخارجية. تؤكد البحث على أهمية تحسين النموذج بشكل مستمر ودمج مؤشرات اقتصادية كلية متنوعة لتعزيز موثوقية التنبؤ، مع معالجة التحديات مثل القيود الحاسوبية والحاجة إلى تحديثات في الوقت الحقيقي استجابةً لتطور الظروف الاقتصادية.
DOI: https://doi.org/10.22375/dbs.v3i1.158
Publication Date: 2026-03-06
Author(s): Tonia Ameh et al.
Primary Topic: Forecasting Techniques and Applications
Overview
This research paper addresses the complexities of accurately forecasting inflation, which is crucial for effective economic strategy. The study presents an integrated modeling framework that combines traditional time series analysis with modern machine learning and deep learning techniques. Specifically, it develops four hybrid models that merge Seasonal Autoregressive Integrated Moving Average with Exogenous Variables (SARIMAX) with algorithms such as Random Forest, Support Vector Regression, and Long Short-Term Memory (LSTM) networks. Among these, the SARI-LSTM model demonstrated superior performance across key evaluation metrics, including Mean Absolute Estimate (MAE), Root Mean Square Estimate (RMSE), and Mean Absolute Percentage Estimate (MAPE), effectively capturing seasonal trends and sequential patterns.
The findings underscore the advantages of integrating traditional statistical methods with advanced modeling approaches to enhance the reliability and interpretability of inflation forecasts. While the results are promising, the study acknowledges the ongoing challenges posed by the dynamic nature of economic variables and external influences. The strong performance of the SARI-LSTM model indicates that such integrated approaches can significantly improve predictive accuracy. However, the paper emphasizes the necessity for continuous review and adaptation of forecasting models to ensure their relevance and transparency, particularly in the context of policy-making.
Introduction
The introduction of the research paper discusses the complex relationship between inflation, immigration, and housing markets, emphasizing the need for a multifaceted analysis of inflation dynamics. Inflation, defined as the sustained increase in the general price level of goods and services, significantly impacts economic conditions, influencing household spending, business investment, and central bank policies. The paper highlights the immigration-disinflation theory, which posits that increased immigration can lower inflation by expanding the labor supply and exerting downward pressure on wages. However, it also notes that immigrants contribute to increased demand in the economy, potentially counteracting disinflationary effects.
The study focuses on a comparative analysis of Ireland and the United Kingdom, two geographically and historically linked countries with distinct economic structures. It critiques existing literature for often neglecting external influences like immigration patterns and housing market fluctuations. To address this gap, the research employs a hybrid modeling strategy that combines traditional statistical methods with advanced machine learning techniques, such as Random Forest (RF) and Support Vector Regression (SVR). This approach aims to enhance forecasting accuracy by capturing complex, nonlinear relationships among macroeconomic variables. The findings are expected to provide valuable insights for policymakers and stakeholders, ultimately contributing to improved inflation forecasting in dynamic economic environments.
Discussion
The discussion section of the research paper highlights the efficacy of various advanced forecasting models in predicting inflation trends, particularly through hybrid approaches that integrate traditional and machine learning techniques. The Seasonal Autoregressive Integrated Moving Average with Exogenous Factors (SARIMAX) model has been shown to enhance forecasting accuracy in the energy sector and epidemic predictions, while machine learning models like Random Forest (RF) and Support Vector Regression (SVR) have demonstrated superior performance in capturing complex economic interactions, especially during volatile periods such as the COVID-19 pandemic. Long Short-Term Memory (LSTM) networks have also proven effective in managing sequential data with long-term dependencies, outperforming traditional models in stock market and commodity price predictions.
The study emphasizes the advantages of hybrid models, which combine the strengths of different methodologies to improve forecasting accuracy. For instance, the SARI-LSTM model, which integrates SARIMAX with LSTM, achieved the highest predictive accuracy for inflation in both Ireland and the UK by effectively addressing both seasonal and nonlinear trends. The findings indicate that while standalone models like SVR performed well, hybrid configurations significantly outperformed them, particularly in capturing intricate inflation dynamics influenced by external factors. The research underscores the importance of continuous model refinement and the integration of diverse macroeconomic indicators to enhance forecasting reliability, while also addressing challenges such as computational limitations and the need for real-time updates in response to evolving economic conditions.