en پیش‌بینی اثربخشی سیاست‌های پولی و مالی در کاهش اثر تحریم‌های مالی بر شاخص‌های کلان اقتصادی: رویکرد مبتنی بر یادگیری ماشین و SHAP اقتصاد کلان Macroeconomics پژوهشی اصیل - گزارش موردی Original Research - Case Study <p data-end="692" data-start="259">تحریم‌های مالی با محدود کردن دسترسی به منابع مالی و ایجاد اختلال در تجارت، تأثیرات عمیقی بر عملکرد اقتصاد کلان ایران گذاشته‌اند؛ به‌ویژه به دلیل وابستگی شدید اقتصاد به صادرات نفت. این پژوهش برای نخستین بار در ادبیات اقتصادی ایران، از مدل‌های پیشرفته یادگیری ماشین&mdash;رگرسیون لجستیک، جنگل تصادفی (Random Forest)، XGBoost و LightGBM&mdash;به همراه تحلیل SHAP برای ارزیابی اثربخشی سیاست‌های پولی و مالی در کاهش این اثرات منفی استفاده کرده است.</p> <p data-end="1064" data-start="694">با بهره‌گیری از داده‌های ماهانه طی دوره ۲۰۰۶ تا ۲۰۲۴ و رویکرد اعتبارسنجی مبتنی بر زمان، مدل‌ها آموزش داده شدند تا موفقیت سیاست‌ها را پیش‌بینی کنند. نتایج نشان می‌دهد که مدل <strong data-end="878" data-start="867">XGBoost</strong> بالاترین کارایی پیش‌بینی را با دقت ۹۱ درصد و امتیاز ROC-AUC برابر با 0.94 کسب کرده است؛ پس از آن <strong data-end="988" data-start="976">LightGBM</strong> (۸۸٪، 0.92)، <strong data-end="1017" data-start="1002">جنگل تصادفی</strong> (۸۵٪) و <strong data-end="1044" data-start="1026">رگرسیون لجستیک</strong> (۷۵٪) قرار دارند.</p> <p data-end="1393" data-start="1066">تفسیر SHAP نشان داد که نرخ بهره واقعی، نسبت مالیات به تولید ناخالص داخلی، مخارج دولت، رشد نقدینگی و متغیر مجازی تحریم‌ها از مهم‌ترین عوامل اثرگذار بر نتایج سیاست‌ها هستند. یافته‌ها تأیید می‌کند که الگوریتم‌های درختی در مقایسه با مدل‌های سنتی، توان بالاتری در شناسایی روابط پیچیده و غیرخطی در پیش‌بینی سیاست‌های اقتصادی دارند.</p> <p data-end="1625" data-start="1395">در مجموع، این تحقیق بر ظرفیت رویکردهای داده‌محور برای هدایت تدوین سیاست‌های هدفمند و مبتنی بر شواهد در اقتصادهای تحت تحریم تأکید می‌کند و چارچوبی قدرتمند برای طراحی سیاست‌های کلان اقتصادی در شرایط محدودیت‌های خارجی ارائه می‌دهد.</p> Financial sanctions, by restricting access to funds and disrupting trade, have exerted profound effects on Iran&rsquo;s macroeconomic performance, largely due to the economy&rsquo;s dependence on oil exports. This study, for the first time in Iranian economic literature, applies advanced machine learning models&mdash;Logistic Regression, Random Forest, XGBoost, and LightGBM&mdash;combined with SHAP analysis to evaluate the effectiveness of monetary and fiscal policies in mitigating these adverse effects. Using monthly data from 2006 to 2024 and a time-based validation approach, the models were trained to forecast policy success. Results show that XGBoost achieved the highest predictive performance with 91% accuracy and an ROC-AUC of 0.94, followed by LightGBM (88%, 0.92), Random Forest (85%), and Logistic Regression (75%). SHAP interpretation identified the real interest rate, tax-to-GDP ratio, government spending, liquidity growth, and sanctions dummy as the most influential factors shaping policy outcomes. The findings confirm that tree-based algorithms outperform traditional models in capturing complex nonlinear relationships in economic policy prediction. Overall, this research highlights the potential of data-driven approaches to guide the formulation of targeted, evidence-based policies in sanction-hit economies, offering a robust framework for future macroeconomic policy design under external constraints. یادگیری ماشین, SHAP, تحریم‌های مالی, سیاست پولی, سیاست مالی Keywords: Machine Learning, SHAP, Financial Sanctions, Monetary Policy, Fiscal Policy 0 0 http://jme.mbri.ac.ir/browse.php?a_code=A-10-715-1&slc_lang=en&sid=1 Seyed Hossein Mirjalili seyedhossein.mirjalili@gmail.com 10031947532846007352 10031947532846007352 No Samira Heydarian samira.heidarian31@gmail.com 10031947532846007353 10031947532846007353 Yes