Šifra  

V5-2508

Obdobje

01.09.2025 – 31.08.2026

Vodja

Doc. dr. Riste Ichev

Veda

Družboslovje/ Ekonomske vede

Vsebinski opis projekta  

Tradicionalne metode fiskalnega napovedovanja so temeljile na ekonometričnih modelih in makroekonomskih analizah, vendar se v zadnjem času vedno več pozornosti namenja podatkovno gnanemu pristopu, ki izkorišča potencial umetne inteligence (IMF, OECD). Napredne metode, kot so strojno učenje (ML) in globoko učenje (DL), omogočajo bolj natančno modeliranje javnofinančnih gibanj na podlagi zgodovinskih podatkov, kar prispeva k izboljšanju fiskalnega načrtovanja in odločanja.

Projekt se osredotoča na razvoj testnega modela umetne inteligence za napovedovanje prihodnjih javnofinančnih gibanj. V ta namen bomo preučili različne arhitekture modelov, vključno z rekurentnimi nevronskimi mrežami (RNN), dolgoročnim kratkoročnim spominom (LSTM) in transformatorji, ki so v zadnjem času pokazali izjemne rezultate pri napovedovanju časovnih vrst. Poleg tega bomo identificirali tehnične zahteve in potrebna znanja za razvoj ter implementacijo tovrstnih modelov v praksi.

Cilj projekta je izboljšati natančnost in zanesljivost fiskalnih napovedi ter oceniti, v kolikšni meri umetna inteligenca lahko dopolnjuje obstoječe makroekonomske modele. Raziskava bo izvedena v zaprtem okolju, kjer bomo analizirali učinkovitost različnih pristopov in izvedli nadzorovano usposabljanje modelov s strani strokovnjakov.

Rezultati projekta bodo prispevali k naprednejšemu pristopu pri fiskalnem načrtovanju, omogočili boljše razumevanje vpliva različnih dejavnikov na javne finance ter podprli oblikovalce politik pri sprejemanju bolj informiranih odločitev.

Sestava projektne skupine 

Napovedovanje javnofinančnih gibanj z uporabo umetne inteligence 

Faze projekta in njihova realizacija

Projekt bo potekal v več fazah:

1. Zbiranje in priprava podatkov: vključuje pridobivanje zgodovinskih časovnih vrst fiskalnih agregatov, makroekonomskih kazalnikov (npr. BDP, inflacija, brezposelnost, obrestne mere) ter podatkov o političnih dogodkih in institucionalnih spremembah.

2. Razvoj modelov: vključeval bo oblikovanje več variacij osnovnih modelov (RNN, LSTM, Transformer), s poudarkom na izbiri ustreznih hiperparametrov, strukturiranju vhodnih sekvenc in uporabi različnih tehnik za izboljšanje učinkovitosti modela (npr. dropout).

3. Usposabljanje in validacija modelov: uporabili bomo pristop nadzorovanega učenja z ločenim učnim in testnim sklopom. Vrednotenje bo temeljilo na statističnih metrikah kot so RMSE, MAE, MSE in koeficient determinacije (R²).

4. Primerjava z obstoječimi modeli: analizirali bomo, v katerih primerih so modeli UI bolj natančni, stabilni in efektivni v primerjavi z makroekonometričnimi pristopi.

5. Razvoj priporočil za implementacijo v praksi: vključeval bo tehnično dokumentacijo, kadrovske zahteve in oceno vpliva morebitne uporabe takšnega modela v okviru državne uprave.

Bibliografske reference

Napovedovanje javnofinančnih gibanj z uporabo umetne inteligence [V5-2508]