چکیده:
مقالۀ حاضر قدرت توضیحی اطلاعات حسابداری مالی شامل فعالیتهای عملیاتی، تأمین مالی و سرمایهگذاری را در پیشبینی تغییرات تولید ناخالص داخلی (رشد اقتصادی) اندازهگیری میکند. بدین منظور با تفکیک تولید ناخالص داخلی به چهار بخش اصلی اقتصاد (کشاورزی، خدمات، نفت و صنعت و معدن) سعی در ارائه رویکردی نوین در پیشبینی متغیرهای اقتصادی است. تعداد زیاد، ناشناخته بودن عوامل مؤثر و همچنین وجود روابط غیرخطی میان اطلاعات حسابداری و اقتصادی منجر به این شده است تا از ترکیبات متعدد الگویهای هوش مصنوعی شامل شبکههای عصبی، الگوریتم ژنتیک و الگوریتم پرواز پرندگان استفاده شود. نتایج برآورد الگویهای مذکور بازه زمانی ۱۳۸۵ الی ۱۳۹5 نشان میدهد که الگوی ترکیبی شبکۀ عصبی و الگوریتم پرواز پرندگان از دقت بیشتری در قیاس با الگوی ترکیبی شبکۀ عصبی و الگوریتم ژنتیک برخوردار است. همچنین نتایج بیانگر آن است که اثربخشی فعالیتهای عملیاتی خصوصاً سودهای حسابداری در پیشبینی تولید ناخالص داخلی بیشتر از فعالیتهای تأمین مالی و سرمایهگذاری است. علاوه بر این، نتایج دلالت بر آن دارد که از میان بخشهای مختلف اقتصادی، ارتباط میان اطلاعات حسابداری و بخش صنعت و معدن قابل ملاحظهتر است. پیامد اصلی پژوهش حاضر ارتباط مؤثر میان اطلاعات حسابداری و اقتصادی است که باید در تصمیمگیریهای مالی و اقتصادی لحاظ گردد.
خلاصه ماشینی:
تعداد زیاد، ناشناخته بودن عوامل مؤثر و همچنین وجود روابط غیرخطی میان اطلاعات حسابداری و اقتصادی منجر به این شده است تا از ترکیبات متعدد الگویهای هوش مصنوعی شامل شبکههای عصبی، الگوریتم ژنتیک و الگوریتم پرواز پرندگان استفاده شود.
در پژوهشهای متعددی نظیر پژوهش کانچیتاچکی و پاتاتوکاس3 (a2014) و هانگ4 (2015) به الگویسازی و بررسی ارتباط میان فعالیتهای عملیاتی نظیر سودهای کل حسابداری و جریانهای نقدی کل با متغیرهای اقتصادی نظیر تولید ناخالص داخلی پرداخته شده است، تولید ناخالص داخلی و تغییرات آن به عنوان رشد اقتصادی در کانون توجه اقتصاددانان، مدیران شرکتها، تحلیلگران و به صورت کلی آحاد جامعه است.
به دلیل اهمیت فوقالعاده زیاد تولید ناخالص داخلی و تأثیر متغیرهای اقتصادی بر بسیاری از تصمیمهای مدیران واحدهای تجاری به پیشبینی و الگویسازی تغییرات این شاخص با استفاده از اطلاعات مستخرج از گزارشهای حسابداری پرداخته شده است.
تغییرات رشد اقتصادی چهار بخش اصلی اقتصاد (رجوع شود به تصویر صفحه) نتایج حاصل الگویسازی و آزمون دقت الگویها همانطور که شرح آن نیز گذاشت، تولید ناخالص داخلی به بخشهای نفت، خدمات، صنعت و معدن و کشاورزی تفکیک شده است.
Debt policy prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization, International Journal of Management Perspective, 2(5), 43-55.
The usefulness of negative aggregate earnings changes in predicting future gross domestic product growth, FARS mid-year meeting, Nanyang Technological University.
Predicting Tehran Stock Market aggregete index with particle swarm optimization and comparsion with traditional models, Journal of Accounting Knowledge.
Could the Aggregate of Accounting Earnings Predict Gross Domestic Products, Economics and Business seminar, University Gadjah Mada.