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.

هدف:هدف پژوهش حاضر، تاکید بر اهمیت داده های حسابداری در الگو سازی نرخ تورم و با استفاده از اطلاعات میان دوره ای 90 شرکت (1980 سال-شرکت) پذیرفته شده در بورس اوراق بهادار تهران و در بین سال های 1385 تا 1395 است. روش:با توجه به ویژگی های پیچیده و غیرخطی تورم در پژوهش حاضر بر قدرت پیش بینی الگو های مختلف هوش مصنوعی شامل شبکه عصبی، الگوریتم ژنتیک و پرواز پرندگان تکیه شده است. به منظور دانش افزایی در حوزه حسابداری کلان، تعدادی از متغیرهای حسابداری انتخاب و توان توضیحی آنها در پیش بینی دو شاخص اندازه گیری نرخ تورم (شاخص بهای تولیدکننده و شاخص بهای مصرف کننده) آزمون شده است. یافته ها:نتایج بیانگر آن است که الگوی ترکیبی شبکه عصبی، الگوریتم ژنتیک و الگوریتم تجمع پرندگان در پیش بینی نرخ تورم بهتر از سایر الگو ها عمل می کند. نتایج الگو سازی با استفاده از متغیرهای حسابداری نیز بیانگر آن است که خطای پیش بینی شاخص بهای تولیدکننده، کمتر از شاخص بهای مصرف کننده است. نتیجه گیری: در کل، پیامد اصلی پژوهش، تایید اهمیت اطلاعات حسابداری در سطح کلان اقتصادی است که باید در تصمیم گیری های کلان مورد استفاده قرار گیرد.

اقتصاد, حسابداری, الگو های هوش مصنوعی