این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش حسابداری، جلد ۱۰، شماره ۴، صفحات ۲۱۵-۲۴۲
عنوان فارسی تبیین حسابداری کلان با تأکید بر اهمیت داده‌های حسابداری در الگو‌سازی تورم
چکیده فارسی مقاله هدف:هدف پژوهش حاضر، تأکید بر اهمیت داده‌های حسابداری در الگو‌سازی نرخ تورم و با استفاده از اطلاعات میان‌دوره‌ای 90 شرکت (1980 سال-شرکت) پذیرفته‌شده در بورس اوراق بهادار تهران و در بین سال‌های 1385 تا 1395 است. روش:با توجه به ویژگی‌های پیچیده و غیرخطی تورم در پژوهش حاضر بر قدرت پیش‌بینی الگو‌های مختلف هوش مصنوعی شامل شبکه عصبی، الگوریتم ژنتیک و پرواز پرندگان تکیه شده است. به‌منظور دانش‌افزایی در حوزه حسابداری کلان، تعدادی از متغیرهای حسابداری انتخاب و توان توضیحی آنها در پیش‌بینی دو شاخص اندازه‌گیری نرخ تورم (شاخص بهای تولیدکننده و شاخص بهای مصرف‌کننده) آزمون شده است. یافته‌ها:نتایج بیانگر آن است که الگوی ترکیبی شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع پرندگان در پیش‌بینی نرخ تورم بهتر از سایر الگو‌ها عمل می‌کند. نتایج الگو‌سازی با استفاده از متغیرهای حسابداری نیز بیانگر آن است که خطای پیش‌بینی شاخص بهای تولیدکننده، کمتر از شاخص بهای مصرف‌کننده است. نتیجه‌گیری: در کل، پیامد اصلی پژوهش، تأیید اهمیت اطلاعات حسابداری در سطح کلان اقتصادی است که باید در تصمیم گیری های کلان مورد استفاده قرار گیرد.
کلیدواژه‌های فارسی مقاله اقتصاد، حسابداری، الگو‌های هوش مصنوعی،
عنوان انگلیسی Macro-accounting Explanation with Emphasis on the Importance of Accounting Data in Inflation Modeling
چکیده انگلیسی مقاله 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.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله دکتر سجاد نقدی |
دکترای گروه حسابداری، دانشگاه شهید بهشتی، تهران، ایران.

جواد اسماعیلی |
کارشناس ارشد گروه حسابداری، دانشگاه شهید بهشتی، تهران، ایران.

محمدباقر محمدزاده |
دانشجوی دکترای گروه حسابداری، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

نشانی اینترنتی https://jak.uk.ac.ir/article_2461_fad7285c176e458a7454cdff2b5ee86c.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/796/article-796-2282893.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات