Emergency Management

Emergency Management

Modeling and Forecasting Economic Crises Using Data-Driven Approaches: Application of Random Forest Models in Developing Countries

Document Type : Original Article

Author
Niloufar Khatami
Ph.D Gruduated Student in International Economics, Dept. of Economics, Faculty of Governance, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran
Abstract
In recent decades, the increasing frequency and severity of economic crises in developing countries have highlighted the need for accurate and data-driven predictive tools. This study aims to model and forecast economic crises using the Random Forest algorithm, one of the most powerful machine learning techniques. The statistical population includes 15 economically vulnerable developing countries (including Iran, India, Egypt, Nigeria, Ukraine, etc.), and the study covers the period from 2010 to 2023, which encompasses several regional and global economic crises. The dependent variable in this research is a binary indicator of the "probability of an economic crisis", defined by the simultaneous occurrence of at least two out of the following three criteria in a given year: economic growth below 2% inflation above 20%, and currency depreciation over 30%. Six key macroeconomic indicators were used as independent variables: inflation rate, GDP growth, exchange rate, public debt to GDP ratio, unemployment rate, and current account balance. Data analysis was conducted using Python programming language and the Scikit-learn library within the Jupyter Notebook environment. The results indicate that the Random Forest model demonstrated strong performance in predicting crisis and non-crisis situations, with an accuracy of 79%, a sensitivity of 77%, and an F1-score of 0.85. Among the predictors, GDP growth emerged as the most influential variable, followed by exchange rate and inflation rate. These findings confirm the high predictive power of the model in identifying patterns leading to economic crises in vulnerable countries.
Keywords
Modeling
Forecasting
Economic Crises
Data-Driven Methods
Random Forest Models
Subjects
  1. Ahmed, Z., & Haider, Z. (2020). Predicting economic crises using machine learning models: A case study of developing countries. Journal of Economic Dynamics and Control, 112, 103849. https://doi.org/10.1016/j.jedc.2019.103849
  2. Chen, X., & Xu, C. (2019). Random forests for economic crisis prediction: A comparative study with traditional models. Economic Modelling, 80, 62-74. https://doi.org/10.1016/j.econmod.2018.11.015
  3. Dufresne, A., & Gagne, M. (2021). Application of random forests in macroeconomic forecasting: Predicting financial crises in developing economies. Computational Economics, 57(1), 93-118. https://doi.org/10.1007/s10614-020-09974-1

4- یوسف‌زاده، محمدرضا و محمدی، حسین (1399). پیش‌بینی بحران‌های اقتصادی با استفاده از الگوریتم‌های یادگیری ماشین: مطالعه‌ای بر اقتصاد کشورهای درحال‌توسعه. مجله اقتصاد و توسعه، 48(3)، 123-141.

5- حسینی، علی و خراسانی، محمد (1400). مدل‌سازی بحران‌های اقتصادی در کشورهای درحال‌توسعه با استفاده از جنگل‌های تصادفی. فصلنامه پژوهش‌های اقتصادی ایران، 41(2)، 225-243.

  1. Haider, Z., & Rizvi, S. A. R. (2017). A machine learning approach to forecasting economic crises in developing countries: A random forests model. International Review of Economics & Finance, 48, 105-117. https://doi.org/10.1016/j.iref.2016.12.003
  2. Kimiagari, S., & Zamani, M. (2022). Early warning systems for financial crises in developing economies: A random forests approach. Journal of International Financial Markets, Institutions and Money, 74, 101366. https://doi.org/10.1016/j.intfin.2021.101366
  3. Balcilar, M., Bouri, E., & Gupta, R. (2018). Forecasting economic crises in emerging markets: A machine learning approach. Journal of Forecasting, 37(6), 701-713. https://doi.org/10.1002/for.2507
  4. Lupu, I., & Toma, S. (2021). Data-driven prediction of economic crises in emerging markets: A random forests approach. International Journal of Finance & Economics, 26(2), 1763-1778. https://doi.org/10.1002/ijfe.1976
  5. Paredes, R., & Torres, R. (2019). Predicting financial instability in emerging economies with random forests: A case study of Latin American countries. Economic Systems, 43(1), 1-14. https://doi.org/10.1016/j.ecosys.2018.09.002
  6. Zhao, L., & Tan, Y. (2023). Machine learning-based early warning systems for financial crises in emerging economies. Journal of Economic and Social Measurement, 48(4), 303-323. https://doi.org/10.3233/JES-210002.

12- حیدری، نرگس و موسوی، امیرحسین (1400). پیش‌بینی بحران‌های مالی در کشورهای درحال‌توسعه با استفاده از مدل‌های یادگیری ماشین. مجله تحلیل سیستم‌های اقتصادی، 32(2)، 156-169.

13-کریمی، سعید و سلیمانی، فاطمه (1401). استفاده از جنگل‌های تصادفی برای پیش‌بینی بحران‌های اقتصادی در بازارهای نوظهور. مجله تحلیل اقتصادی، 44(1)، 101-115.

  1. Smith, J., & Zhou, X. (2021). Financial crisis prediction in emerging markets: A comparative analysis using random forests. Applied Economics Letters, 28(9), 750-755. https://doi.org/10.1080/13504851.2020.1790597
  2. Jha, S., & Pathak, A. (2020). Predicting economic downturns with random forests: An analysis of emerging markets. Journal of Economic and Financial Studies, 8(3), 39-50. https://doi.org/10.2139/ssrn.3478436

16- غفاری، حبیب، امیری، علی، سالاری، حجت‌الله و خدادادی، داوود (1403). بررسی نقش مدیریت بر ریسک‌ها و اعمال کنترل‌های داخلی بهینه برای پیش‌بینی ورشکستگی در بنگاه‌های اقتصادی. نشریه مدیریت بحران، 15(2)، 112-130.

17- رحمانی، محمد و حسینی، مهدی (1403). کاربرد مدل‌های یادگیری ماشین در پیش‌بینی بحران‌های اقتصادی در کشورهای درحال‌توسعه: مطالعه موردی در کشورهای آسیای جنوب شرقی. مجله اقتصاد و مدل‌سازی، 47(1)، 202-216.

18- میرزایی، محمد و نیکزاد، امیر (1402). تحلیل و پیش‌بینی بحران‌های اقتصادی در کشورهای درحال‌توسعه با استفاده از الگوریتم‌های داده محور. مجله مطالعات بین‌المللی اقتصادی، 30(1)، 134-148.

19- علی‌زاده، حمید و مهدوی، علی (1402). پیش‌بینی بحران‌های مالی در کشورهای درحال‌توسعه با استفاده از روش‌های داده محور. مجله مدیریت مالی، 29(1)، 56-70.

20- دارابی، مسعود، گل سرخ حق، محسن، اصغرزاده، اصغر و ابوطالبی، آیدین (1404). ارائه مدلی برای امکان‌سنجی استفاده از شبکه عصبی مصنوعی بهینه‌سازی شده توسط الگوریتم‌های بهینه‌سازی فرا ابتکاری برای پیش‌بینی قیمت سهام شرکت‌ها در بحران‌های بورس اوراق بهادار تهران. نشریه مدیریت بحران، 28(3)، 45-67.

21- محمدی، مصطفی و احمدی، مهدی (1398). کاربرد مدل‌های یادگیری ماشین در پیش‌بینی بحران‌های اقتصادی: مقایسه با روش‌های سنتی. مجله اقتصاد کاربردی، 35(4)، 78-94.

22- صفری، علی و نیک‌خواه، سارا (1398). پیش‌بینی بحران‌های اقتصادی با استفاده از الگوریتم‌های جنگل تصادفی: مطالعه‌ای در بازارهای نوظهور. فصلنامه اقتصاد جهانی، 39(4)، 84-98.

  1. Naylor, R., & Lee, B. (2022). Forecasting economic recessions using machine learning models: The case of developing economies. Journal of Economic Forecasting, 49(1), 97-115. https://doi.org/10.1002/for.2565.

24- مددی، سعید، ناظری، حسین، کاظم‌پور، ذکریا. (1404). تحلیل ساختاری کلان روندهای موثر در مدیریت زیرساخت‌های حییاتی ج.ا.ایران. نشریه مدیریت بحران 30(2)، 113-140.

25- میرزایی، محمد مهدی، اخوان، پیمان. (1402). توسعه مدلی برای مدیریت دانش در شرایط بحران (مطالعه موردی: زلزله کرمانشاه). نشریه مدیریت بحران 23(1)، 16-35.

  • Receive Date 29 April 2025
  • Revise Date 10 May 2025
  • Accept Date 31 May 2025