عنوان مقاله :
تبيين حسابداري كلان با تأكيد بر اهميت داده‌هاي حسابداري در الگو‌سازي تورم
عنوان به زبان ديگر :
Macro-accounting Explanation with Emphasis on the Importance of Accounting Data in Inflation Modeling
پديد آورندگان :
نقدي، سجاد دانشگاه شهيد بهشتي - گروه حسابداري، تهران , اسماعيلي، جواد دانشگاه شهيد بهشتي - گروه حسابداري، تهران , محمدزاده مقدم، محمدباقر دانشگاه آزاد اسلامي واحد تهران جنوب - گروه حسابداري
كليدواژه :
اقتصاد , حسابداري , الگو‌هاي هوش مصنوعي
چكيده فارسي :
هدف:هدف پژوهش حاضر، تأكيد بر اهميت داده‌هاي حسابداري در الگو‌سازي نرخ تورم و با استفاده از اطلاعات ميان‌دوره‌اي 90 شركت (1980 سال-شركت) پذيرفته‌شده در بورس اوراق بهادار تهران و در بين سال‌هاي 1385 تا 1395 است.
روش:با توجه به ويژگي‌هاي پيچيده و غيرخطي تورم در پژوهش حاضر بر قدرت پيش‌بيني الگو‌هاي مختلف هوش مصنوعي شامل شبكه عصبي، الگوريتم ژنتيك و پرواز پرندگان تكيه شده است. به‌منظور دانش‌افزايي در حوزه حسابداري كلان، تعدادي از متغيرهاي حسابداري انتخاب و توان توضيحي آنها در پيش‌بيني دو شاخص اندازه‌گيري نرخ تورم (شاخص بهاي توليدكننده و شاخص بهاي مصرف‌كننده) آزمون شده است.
يافته‌ها:نتايج بيانگر آن است كه الگوي تركيبي شبكة عصبي، الگوريتم ژنتيك و الگوريتم تجمع پرندگان در پيش‌بيني نرخ تورم بهتر از ساير الگو‌ها عمل مي‌كند. نتايج الگو‌سازي با استفاده از متغيرهاي حسابداري نيز بيانگر آن است كه خطاي پيش‌بيني شاخص بهاي توليدكننده، كمتر از شاخص بهاي مصرف‌كننده است.
نتيجه‌گيري: در كل، پيامد اصلي پژوهش، تأييد اهميت اطلاعات حسابداري در سطح كلان اقتصادي است كه بايد در تصميم گيري هاي كلان مورد استفاده قرار گيرد.
چكيده لاتين :
Objective: The aim of this study was to explain the importance of
accounting data information in forecasting inflation rates, using a sample of
90 large companies listed in the Tehran stock exchange during 1385-1395
(1980 year-company).
Method: Given the complex and nonlinear properties of inflation in this
study, we relied on the predictive power of various artificial intelligence
models including neural networks, genetic algorithms and particle swarm
optimization. To have contribution to macro-accounting knowledge, a
number of accounting variables were selected and their explanatory power
was tested in forecasting two inflation rates of producer price index and
consumer price index.
Results: The findings indicated that the hybrid model of artificial neural
networks, genetic algorithms and particle swarm optimization
(HANGAPSO) are more accurate in predicting the inflation rates than other
models. The model results, using accounting variables, also showed that the
forecast error of producer price index is lower than the forecast error of
consumer price index.
Conclusion: In sum, the results of this study verify the importance of
accounting information at macroeconomic level, and that this information
should be used in macro-level decision-making.
عنوان نشريه :
دانش حسابداري
