حسن باقری - کارشناس ارشد سیستم ها و روش ها، مدیریت سیستم ها و روش ها، معاونت طرح و برنامه، سازمان اتکا
سمانه بابائی مراد - دانشجوی کارشناسی ارشدمهندسی صنایع- سیستم های اقتصادی و اجتماعی دانشکده فنی و مهندسی، دانشگاه خوارزمی تهران
جواد بهنامیان - استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه بوعلی سینا، همدان
شهناز احمدی - دانشجوی کارشناسی ارشد مهندسی صنایع- سیستم های اقتصادی و اجتماعی دانشکده فنی و مهندسی، دانشگاه خوارزمی تهران

امروزه پیش بینی متغیرهای کلان اقتصادی از اهمیت ویژه ای برای سیاستگذاران و سایر واحدهای اقتصادی برخوردار است، به طوری که نیاز به ابزار و شیوه های پیش بینی متغیرها با کمترین خطا احساس می شود. بدین منظور مدلهای گوناگونی برای پیش بینی این متغیرها توسعه یافته است. اخیرا روش های دیگری تحت عنوان ((شبکه های عصبی مصنوعی)) در پیش بینی متغیرهای پولی و مالی به موازات مدل های ساختاری و سری زمانی به کار گرفته شده اند. این فرآیندها که برگرفته از فرآیند یادگیری مغز هستند، با استفاده از سرعت محاسباتی رایانه بین متغیرها را یاد گرفته و از آن برای پیش بینی مقادیر آتی استفاده می کنند. در این نوشتار، علاوه بر طراحی و اجرای یک مدل شبکه عصبی برای پیش بینی تورم در ایران با استفاده از اطلاعات سالهای 2013-1960 به بررسی متغیرهای مهم اقتصادی مانند حجم پول، نرخ ارز، صادرات، تولید ناخالص ملی روی تورم به صورت داده های تابلویی و روش حداقل مربعات معمولی (aols) در برآورد الگوی اقتصادسنجی توسط نرم افزار ایویوز پرداخته ایم و این فرضیه را که شبکه عصبی مصنوعی نسبت به روش های معمول اقتصاد سنجی و مدل های سری زمانی درپیش بینی تورم کارایی بیشتری دارد، بررسی کرده ایم. نتایج به دست آمده حاکی از آن است که در صورت طراحی دقیق،مدلهای شبکه عصبی مصنوعی در زمینه پیش بینی تورم عملکرد بهتری دارد.

پیش بینی، شبکه های عصبی، تورم، روش حداقل مربعات معمولی