بررسی اثر استفاده از هوش مصنوعی در اصلاح ساختار اقتصاد کلان کشور ایران

محورهای موضوعی : پژوهشنامه اقتصاد و کسب و کار

سید حسن شجاعی ^{1 *} , مهرزاد ابراهیمی ² , هاشم زارع ³

1 - دانشجوی دکتری، گروه مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد شیراز، ایران
2 - استادیار، گروه مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد شیراز، ایران
3 - استادیار، گروه مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد شیراز، ایران

تاریخ دریافت : 1403/06/10 تاریخ پذیرش : 1403/08/12 تاریخ انتشار : 1403/10/14

کلید واژه: هوش مصنوعی, اقتصاد کلان, تولید ناخالص داخلی, نرخ تورم, نرخ بیکاری, سرمایه‌گذاری, اقتصاد ایران, اصلاح ساختار اقتصادی,

چکیده مقاله :

هدف این تحقیق بررسی اثر استفاده از هوش مصنوعی در اصلاح ساختار اقتصاد کلان کشور ایران می­باشد. هوش مصنوعی به‌عنوان فناوری نوظهور، با بهبود فرآیندهای تولید، کاهش هزینه‌ها، و افزایش بهره‌وری، می‌تواند اقتصاد را متحول کند. این پژوهش تأثیر هوش مصنوعی بر شاخص‌های کلان اقتصادی نظیر تولید ناخالص داخلی، تورم، بیکاری و سرمایه‌گذاری را تحلیل می‌کند. روش تحقیق مبتنی بر تحلیل‌های کمی و اقتصادسنجی بوده و داده‌ها از منابع داخلی و بین‌المللی، از جمله بانک مرکزی ایران و بانک جهانی، گردآوری شده‌اند. پس از آزمون مانایی داده‌ها، مدل‌های اقتصادسنجی مناسب انتخاب و تحلیل‌ها در نرم‌افزار EViews7 انجام شد. یافته‌ها نشان می‌دهند که هوش مصنوعی تأثیر مثبت و معناداری بر اقتصاد ایران دارد. به‌طور خاص، ضریب تأثیر هوش مصنوعی بر تولید ناخالص داخلی 0.85 و بر نرخ بیکاری -0.60 است که به‌ترتیب نشان‌دهنده افزایش تولید و کاهش بیکاری است. همچنین، تأثیر آن بر تورم -0.35 بوده و نشان‌دهنده کاهش تورم است. تأثیر مثبت 0.40 بر سرمایه‌گذاری، حاکی از رشد سرمایه‌گذاری‌ها است. این نتایج تأیید می‌کند که هوش مصنوعی نقش موثری در بهبود شاخص‌های اقتصادی ایران ایفا می‌کند. به عبارت دیگر هوش مصنوعی تأثیرات معناداری بر شاخص‌های کلان اقتصادی ایران دارد. تحلیل‌ها حاکی از آن است که استفاده از هوش مصنوعی می‌تواند موجب افزایش تولید ناخالص داخلی شود، به طوری که ضریب تأثیرگذاری آن بر تولید ناخالص داخلی مثبت و معنی‌دار است. همچنین، اثر هوش مصنوعی بر نرخ بیکاری نیز معنادار بوده و منجر به کاهش این نرخ شده است، که نشان‌دهنده نقش مثبت این فناوری در ایجاد مشاغل جدید و بهبود وضعیت بازار کار است. در مورد نرخ تورم، نتایج نشان می‌دهد که استفاده از هوش مصنوعی می‌تواند به کاهش تورم منجر شود، که این نتیجه به دلیل افزایش بهره‌وری و کاهش هزینه‌های تولید قابل توجیه است. در نهایت، اثر هوش مصنوعی بر سرمایه‌گذاری نیز مورد بررسی قرار گرفت و مشخص شد که این فناوری می‌تواند محرک سرمایه‌گذاری‌های جدید و افزایش میزان سرمایه‌گذاری در اقتصاد کشور باشد. نتایج تحقیق تأیید می‌کنند که هوش مصنوعی می‌تواند در اصلاح شاخص‌های کلان اقتصادی مؤثر باشد و به رشد اقتصادی ایران کمک کند.

چکیده انگلیسی:

The purpose of this research is to investigate the effect of using artificial intelligence in reforming the macroeconomic structure of Iran. As an emerging technology, AI can transform the economy by improving production processes, reducing costs, and increasing productivity. This research analyzes the impact of artificial intelligence on macroeconomic indicators such as GDP, inflation, unemployment and investment. The research method is based on quantitative analysis and econometrics, and the data are collected from domestic and international sources, including the Central Bank of Iran and the World Bank. After the data normality test, suitable econometric models were selected and analyzes were performed in EViews7 software. The findings show that artificial intelligence has a positive and significant effect on Iran's economy. Specifically, the coefficient of impact of artificial intelligence on GDP is 0.85 and on unemployment rate -0.60, which indicates an increase in production and a decrease in unemployment, respectively. Also, its effect on inflation is -0.35 and indicates a decrease in inflation. The positive effect of 0.40 on investment indicates the growth of investments. These results confirm that artificial intelligence plays an effective role in improving Iran's economic indicators. In other words, artificial intelligence has significant effects on Iran's macroeconomic indicators. The analysis indicates that the use of artificial intelligence can increase the GDP, so that its coefficient of influence on the GDP is positive and significant. Also, the effect of artificial intelligence on the unemployment rate has also been significant and has led to a decrease in this rate, which indicates the positive role of this technology in creating new jobs and improving the labor market situation. Regarding the inflation rate, the results show that the use of artificial intelligence can lead to a decrease in inflation, which can be justified due to increased productivity and reduced production costs. Finally, the effect of artificial intelligence on investment was also investigated and it was found that this technology can stimulate new investments and increase the amount of investment in the country's economy. The research results confirm that artificial intelligence can be effective in correcting macroeconomic indicators and help Iran's economic growth.

منابع و مأخذ:

کاشفی صادق. (1403). تحلیل داده؛ مزیتی پنهان یا گنجی دسترس‌ناپذیر. قابل دسترس در asretarakonesh.ir.
 Acemoglu, D., D. Autor, J. Hazell and P. Restrepo (2022), Artificial Intelligence and Jobs: Evidence from Online Vacancies, Journal of Labor Economics, 40(S1), S293-S340.
 Aghion, P., B. F. Jones and C. I. Jones (2019), Artificial Intelligence and Economic Growth, in A. Agrawal, J. Gans and A. Goldfarb (eds.), The Economics of Artificial Intelligence: An Agenda, University of Chicago Press.
 Aghion, P., B. F. Jones and C. I. Jones (2019), Artificial Intelligence and Economic Growth, in A. Agrawal, J. Gans and A. Goldfarb (eds.), The Economics of Artificial Intelligence: An Agenda, University of Chicago Press.
 Akerlof, G. 2020. Sins of omission and the practice of economics, Journal of Economic Literature, vol. 58, no. 2, 405–18
 Arora, M., & Mittal, A. (2024). Employees’ change in perception when artificial intelligence integrates with human resource management: a mediating role of AI-tech trust. Benchmarking: An International Journal. DOI: 10.1108/bij-11-2023-0795.
 Aslan M.F., Sabanci K. A novel proposal for deep learning-based diabetes prediction: converting clinical data to image data. Diagnostics. 2023;13:796. doi: 10.3390/diagnostics13040796.
 Atashbar, T. (2021) R4: A transformer machine fine-tuned with the IMF public knowledge, V4.4.2
 Azizi, Jafar and Jabbari, Afsaneh, The Role of Artificial Intelligence in Macroeconomics (July 29, 2024). Available at SSRN: https://ssrn.com/abstract=4854582
 Babina, T., A. Fedyk, A. He and J. Hodson (2024), Artificial intelligence, firm growth, and product innovation, Journal of Financial Economics, 151, 103745.
 Chen, M., Joseph, A., Kumhof, M., Pan, X., Shi, R. and Zhou, X., (2021) Deep reinforcement learning in a monetary model. arXiv preprint arXiv:2104.09368.
 Corrado, C., J. Haskel and C. Jona-Lasinio (2021), Artificial intelligence and productivity: An intangible assets approach, Oxford Review of Economic Policy, 37(3), 435-458.
 Dow, S. C. 2007. Variety of methodological approach in economics, Journal of Economic Surveys, vol. 21, no. 3, 447–65. doi:10.1111/j.1467-6419.2007.00510.x
 Dow, S. C. 2019. Pluralist economics: is it scientific?, pp. 13–30 in Decker, S., Elsner, W., and Flechtner, S. (eds.), Advancing Pluralism in Teaching Economics: International Perspectives on a Textbook Science, London, Routledge
 Espin, J., Palmas, S., Carrasco-Rueda, F., Riemer, K., Allen, P. E., Berkebile, N., Hecht, K. A., Kastner-Wilcox, K., Núñez-Regueiro, M. M., Prince, C., Rios, C., Ross, E., Sangha, B., Tyler, T., Ungvari-Martin, J., Villegas, M., Cataldo, T. T. and Bruna, E. M. 2017. A persistent lack of international representation on editorial boards in environmental biology, PLoS Biology, vol. 15, no. 12, e2002760
 F¨orster, M., Klier, M., Kluge, K. & Sigler, I. (2020). Fostering Human Agency: A Process for the Design of User-Centric XAI Systems. ICIS 2020 Research Papers.
 Feng, Z., Narasimhan, H., & Parkes, D. C. (2018, July). Deep learning for revenue-optimal auctions with budgets. In Proceedings of the 17th International Conference on Autonomous Agents and Multiagent Systems (pp. 354–362).
 Hoover, K. D. 2023. The struggle for the soul of macroeconomics, Journal of Economic Methodology, vol. 30, no. 2, 80–9. doi:10.1080/1350178X.2021.2010281
 Jindal K., Upadhyay R., Padhy P.K., Longo L. In: Artificial Intelligence-Based Brain-Computer Interface. Bajaj V., Sinha G., editors. Academic Press; 2022. 6 - bi-lstm-deep cnn for schizophrenia detection using msst-spectral images of eeg signals; pp. 145–162.
 Leandro, Maciel., Plamen, Angelov., Fernando, Gomide. (2024). Guest editorial: Special issue: Applications of artificial intelligence and machine learning in business, finance and economics. REGE - Revista de Gestão, doi: 10.1108/rege-04-2024-209.
 Lu, Y., & Zhou, Y. (2021). A review on the economics of artificial intelligence. Journal of Economic Surveys, 35 (4), 1045–1072.
 Lundberg, S. and Stearns, J. 2019. Women in economics: stalled progress, Journal of Economic Perspectives, vol. 33, no. 1, 3–22
 Powdthavee, N., Riyanto, Y. E. and Knetsch, J. L. 2018. Lower-rated publications do lower academics’ judgments of publication lists: evidence from a survey experiment of economists, Journal of Economic Psychology, vol. 66, 33–44
 Rotbe, Sayna; Wei Hsuan Tseng, Beatriz Merino-Barbancho, Muhammad Salman Haleem, Luis Montesinos, Leandro Pecchia, Giuseppe Fico, Alessio Botta. (2024). Evaluating impact of movement on diabetes via artificial intelligence and smart devices systematic literature review. Expert Systems with Applications Available online 9 August 2024, 125058
 Saam, Marianne. (2024). The Impact of Artificial Intelligence on Productivity and Employment – How Can We Assess It and What Can We Observe?. Volume 59, 2024 · Number 1 · pp. 22–27.
 Savarimuthu, B. T. R., Corbett, J., Yasir, M. & Lakshmi, V. (2020). Using Machine Learning to Improve the Sustainability of the Online Review Market. ICIS 2020 Research Papers.
 Shi, R. A., (2021a) Learning from Zero: How to Make Consumption-Saving Decisions in a Stochastic Environment with an AI Algorithm. arXiv preprint arXiv:2105.10099.
 Singh L., Khanna M., Garg H., Singh D. Emperor penguin opti- mization algorithm- and bacterial foraging optimization algorithm-based novel feature selection approach for glaucoma classification from fundus images. Soft Comput. 2023;28:1–37. doi: 10.1007/s00500-023-08449-6.
 Srinivasu PN, Ahmed S, Hassaballah M, Almusallam N. An explainable Artificial Intelligence software system for predicting diabetes. Heliyon. 2024 Aug 10;10(16):e36112. doi: 10.1016/j.heliyon.2024.e36112. PMID: 39253141; PMCID: PMC11381601.
 Stecher, P., Pohl, M. & Turowski, K. (2020). Enterprise architecture’s effects on organizations’ ability to adopt artificial intelligence - A Resource-based perspective. ECIS 2020 Research Papers.
 Tasin I., Nabil T.U., Islam S., Khan R. Diabetes prediction using machine learning and explainable AI techniques. Healthcare Technology Letters. 2023;10:1–10.
 Van Der Velden B.H., Kuijf H.J., Gilhuijs K.G., Viergever M.A. Explainable artificial intelligence (xai) in deep learning-based medical image analysis. Med. Image Anal. 2022;79 doi: 10.1016/j.media.2022.102470.
 Veloso, M., Balch, T., Borrajo, D., Reddy, P., & Shah, S. (2021). Artificial intelligence research in finance: discussion and examples. Oxford Review of Economic Policy, 37 (3), 564–584.
 Venumuddala, V. & Kamath, R. (2020). Actualizing affordances – Story of Indian Information Technology (IT) Industry delivering Artificial Intelligence based solutions. ICIS 2020 Research Papers.
 Wang L., Mu Y., Zhao J., Wang X., Che H. IGRNet: a deep learning model for non-invasive, real-time diagnosis of prediabetes through electrocardiograms. Sensors. 2020;20:2556. doi: 10.3390/s20092556.
 Wright, J. 2023. The hierarchy in economics and its implications, Economics and Philosophy, 1–22. doi: 10.1017/S0266267123000032
 Zolas, Nicholas, Zachary Kroff, Erik Brynjolfsson, Kristina McElheran, David N. Beede, Cathy Buffington, Nathan Goldschlag, Lucia Foster, and Emin Dinlersoz. 2021. “Advanced Technologies Adoption and Use by U.S. Firms: Evidence from the Annual Business Survey.” NBER Working Paper 28290, National Bureau of Economic Research, Cambridge, MA. https://www.nber.org/papers/w28290.