اقتصاد شیراز

مقدمه: ضرورت تحول دیجیتال در سیاست‌گذاری پولی ایران

سیاست‌گذاری پولی در ایران عمدتاً متکی بر داده‌های گذشته‌نگر، فرآیندهای طولانی و تحلیل‌های کیفی است. در شرایطی که اقتصاد با شوک‌های درونی و بیرونی پرشمار مواجه است، این رویکرد کارایی لازم را ندارد. همزمان، انفجار داده‌های دیجیتال (از تراکنش‌های بانکی و قیمت‌های کلان تا محتوای شبکه‌های اجتماعی) فرصتی بی‌سابقه ایجاد کرده است. کلید بهره‌برداری از این فرصت، توسعه یک چارچوب حکمرانی داده هوشمند است که دو رکن فناورانه اصلی را پشتیبانی کند: پیش‌بینی دقیق‌تر متغیرهای کلان و درک بلادرنگ از انتظارات و احساسات بازار.

بخش 1: مدل‌های پیش‌بینی تورم با یادگیری ماشین: از تحلیل گذشته به سناریوسازی آینده

یادگیری ماشین با توانایی کشف الگوهای پیچیده و غیرخطی در داده‌های پرحجم، می‌تواند دقت و سرعت پیش‌بینی تورم را بهبود بخشد.

• تجربه تحقیقات داخلی: مطالعات داخلی نشان داده‌اند که مدل‌های یادگیری ماشین قابلیت قابل‌توجهی در پیش‌بینی تورم ایران دارند. به عنوان مثال، پژوهشی با استفاده از داده‌های اقتصادی از سال ۱۳۷۰ تا ۱۴۰۰ و به کارگیری الگوریتم‌هایی مانند «K-نزدیک‌ترین همسایه» (KNN) و «ماشین بردار پشتیبان» (SVM)، موفق به دسته‌بندی نرخ تورم در سطوح «کم»، «متوسط» و «بالا» با دقت قابل قبول شده است . این مدل‌ها متغیرهایی چون نرخ ارز، حجم نقدینگی و درآمد نفتی را تحلیل کرده‌اند.

• فرآیند علمی پیاده‌سازی: استقرار موفق این مدل‌ها یک فرآیند شش‌مرحله‌ای است: ۱) تعریف مسئله، ۲) جمع‌آوری داده، ۳) پیش‌پردازش داده، ۴) انتخاب مدل، ۵) آموزش و ارزیابی مدل، و ۶) پیاده‌سازی و بهبود مستمر . مشکل اصلی در ایران غالباً در مراحل دوم و سوم (کمیت، کیفیت و یکپارچگی داده‌ها) و مرحله ششم (به‌روزرسانی مستمر مدل با داده‌های جدید) نهفته است.

• ارزش افزوده برای بانک مرکزی: خروجی چنین مدل‌هایی نمی‌تواند یک عدد قطعی برای تورم آینده باشد، بلکه بستری برای شبیه‌سازی (سندباکس) اثر سیاست‌های مختلف پولی و مالی بر روند تورم فراهم می‌کند. این امر به سیاست‌گذار اجازه می‌دهد پیش از اجرای گسترده یک سیاست، پیامدهای آن را ارزیابی کند .

بخش 2: تحلیل احساسات بازار ارز با پردازش زبان طبیعی (NLP): شنیدن صدای بازار

نرخ ارز در ایران شدیداً تحت تأثیر روانشناسی بازار، شایعات و انتظارات است. تحلیل احساسات با NLP ابزاری برای کمی‌سازی این متغیر کیفی و استفاده از آن در تصمیم‌گیری است.

• مکانیزم عملکرد: این فناوری با جمع‌آوری خودکار حجم انبوهی از داده‌های متنی از منابعی مانند خبرگزاری‌ها، شبکه‌های اجتماعی (مثل توییتر و کانال‌های تلگرام مالی) و فروم‌های تخصصی، احساسات موجود در آن‌ها را به سه دسته مثبت، منفی یا خنثی طبقه‌بندی می‌کند . این کار با استفاده از الگوریتم‌های یادگیری ماشین و مدل‌های زبانی پیشرفته انجام می‌شود .

• کاربرد در بازار ارز: تحلیل‌گران با رصد کلیدواژه‌های مرتبط (مانند «دلار»، «صادرات»، «تحریم») می‌توانند شاخصی از احساسات بازار را ایجاد کنند. برای نمونه، افزایش ناگهانی تنش در محتوای منفی مرتبط با ارز می‌تواند به عنوان یک هشدار اولیه برای فشار صعودی بر قیمت‌ها تفسیر شود. این تحلیل می‌تواند مکمل ارزشمندی برای مدل‌های اقتصادی صرفاً عددی باشد .

• نقش در مدیریت انتظارات تورمی: از آنجایی که انتظارات تورمی نقش کلیدی در دور باطل تورم دارد، تحلیل احساسات می‌تواند اثرگذاری پیام‌ها و اقدامات بانک مرکزی بر افکار عمومی را بسنجد و به طراحی کمپین‌های ارتباطی مؤثرتر کمک کند.

بخش 3: حکمرانی داده: ستون فقرات تحول دیجیتال

فناوری‌های فوق بدون یک زیرساخت حکمرانی داده قدرتمند، ناقص و گاه گمراه‌کننده هستند. حکمرانی داده به مجموعه قوانین، استانداردها و فرآیندهایی اطلاق می‌شود که دستیابی، کیفیت، امنیت، یکپارچگی و اشتراک‌گذاری داده را در سطح نهادهای حاکمیتی تضمین می‌کند .

• وضعیت کنونی و چالش: چالش ایران از جنس فقدان فناوری صرف نیست، بلکه نقص در حکمرانی و طراحی سیستم‌محور است . داده‌های اقتصادی حیاتی اغلب در سیلوهای اطلاعاتی جداگانه در بانک‌ها، بورس، گمرک و سازمان امور مالیاتی محبوس هستند. ناهمگونی فرمت‌ها، تاخیر در انتشار و فقدان پروتکل‌های استاندارد اشتراک‌گذاری، امکان تحلیل بلادرنگ را از بین می‌برد.

• راه‌حل: حرکت به سمت نظارت پیش‌نگر و تاب‌آور: تجربه موفق در راه‌اندازی سامانه «ذینفع» در بانک مرکزی که با یکپارچه‌سازی داده‌های چند نهاد، از اعطای تسهیلات پرخطر جلوگیری می‌کند، گامی در مسیر درست است . هدف نهایی، ایجاد یک پلتفرم ملی داده‌های اقتصادی است که با حفظ حریم خصوصی و امنیت، امکان دسترسی سیاست‌گذار به داده‌های خام، به‌روز و قابل اعتماد را فراهم کند. این امر پایه سیاست‌گذاری پیش‌نگر و ارتقای تاب‌آوری نظام مالی در برابر شوک‌ها است .

تحلیل تلفیقی: ایجاد حلقه virtuous سیاست‌گذاری

این سه حوزه در عمل یک چرخه توانمندساز را تشکیل می‌دهند. حکمرانی داده قوی، سوخت (داده‌های باکیفیت) را برای مدل‌های پیش‌بینی تورم و تحلیل احساسات فراهم می‌کند. خروجی این مدل‌ها، بینش عمیق‌تری از وضعیت کنونی و آینده محتمل اقتصاد به سیاست‌گذار می‌دهد. بانک مرکزی با استفاده از این بینش‌ها می‌تواند سیاست‌های هدفمندتر و به‌موقع‌تری تدوین کند و سپس با تحلیل احساسات، بازخورد بازار نسبت به آن سیاست‌ها را بلادرنگ رصد نماید. این حلقه بازخورد سریع، امکان یادگیری و تطبیق پویا را فراهم می‌سازد.

مزایای کلان این رویکرد برای اقتصاد ایران:

• کاهش نااطمینانی: پیش‌بینی دقیق‌تر، برنامه‌ریزی را برای دولت و بخش خصوصی تسهیل می‌کند.

• افزایش اثربخشی سیاست‌ها: هدفگیری دقیق‌تر干预ها و ارزیابی سریع تأثیر آن‌ها.

• تقویت شفافیت و اعتماد عمومی: تصمیم‌گیری مبتنی بر داده‌های عینی می‌تواند اعتماد به نهادهای سیاست‌گذار را افزایش دهد.

• کاهش هزینه مبارزه با تورم: مداخلات به موقع و متناسب، از انباشت فشارهای تورمی و نیاز به اقدامات شوک‌درمانی پرهزینه می‌کاهد.

چالش‌های پیش‌رو و پیشنهادهای سیاستی

پیاده‌سازی این چارچوب با موانعی روبه‌روست که باید به طور جدی مورد توجه قرار گیرند:

1. چالش دسترسی و کیفیت داده: پراکندگی، ناقص بودن و تاخیر در انتشار داده‌های رسمی.

   • پیشنهاد: تصویب قانون دسترسی آزاد به داده‌های عمومی با تعریف استانداردهای اجباری برای نهادهای دولتی و شبه‌دولتی.

2. چالش نهادی و مقاومت در برابر شفافیت: ممکن است برخی نهادها تمایلی به اشتراک‌گذاری داده نداشته باشند.

   • پیشنهاد: ایجاد شورای عالی حکمرانی داده‌های اقتصادی با اختیارات قانونی زیر نظر رئیس‌جمهور یا مجلس، برای هماهنگی و نظارت بر اجرای پروتکل‌های داده‌ای.

3. چالش نیروی انسانی متخصص: کمبود متخصصان حرفه‌ای در حوزه داده‌کاوی اقتصادی و هوش مصنوعی در بدنه دولت.

   • پیشنهاد: راه‌اندازی برنامه‌های آموزشی مشترک با دانشگاه‌ها و جذب استعدادها از طریق ایجاد مراکز تحقیقاتی جذاب در بانک مرکزی و وزارت اقتصاد.

4. چالش امنیت و حریم خصوصی: یکپارچه‌سازی داده‌ها ریسک سوءاستفاده را افزایش می‌دهد.

   • پیشنهاد: طراحی سیستم‌ها بر پایه اصول «حریم خصوصی از طراحی» و استفاده از فناوری‌هایی مانند رمزنگاری همسان برای تحلیل داده‌های حساس بدون افشای آن‌ها.

نتیجه‌گیری

اقتصاد ایران در آستانه یک انتخاب است: ادامه رویکرد سنتی و واکنشی در سیاست‌گذاری پولی، یا حرکت جسورانه به سمت بهره‌گیری از فناوری‌های عصر دیجیتال برای خلق حکمرانی هوشمندانه‌تر. تلفیق مدل‌های پیش‌بینی یادگیری ماشین، تحلیل احساسات بازار با NLP و حکمرانی داده، یک سه‌پایه قدرتمند برای ساختن بانک مرکزی آینده‌نگر، تاب‌آور و اثرگذار فراهم می‌کند. این گذار بیش از آنکه یک سرمایه‌گذاری صرفاً فناورانه باشد، یک تحول نهادی و مدیریتی است که نیازمند اراده سیاسی راسخ، رهبری قوی و سرمایه‌گذاری بلندمدت در زیرساخت داده است. موفقیت در این مسیر، نه تنها می‌تواند به تثبیت نسبی نرخ ارز و مهار تورم بینجامد، بلکه اعتماد از دست رفته به کارایی نهادهای اقتصادی را نیز بازمی‌گرداند.