Abstract:
مطالعه و توسعه معیارهای سنجش کیفیت سود و به طور ویژه کیفیت اقلام تعهدی یکی از موضوعات کلیدی در طی حدود سه دهه اخیر بوده است. ادبیات موضوعی حاکی از این است که معیارهای مبتنی بر رگرسیون خطی، عمدتا دارای خطای بالا بوده و لذا در سالهای اخیر، پژوهشهایی جهت اعمال الگوریتمهای یادگیری ماشین صورت گرفته است. با این حال، بنیانگذاری این الگوریتمها بر رویکرد جعبه سیاه، توسعه پذیری و همچنین درجه کاربردی بودن این مدلها را با محدودیت مواجه مینماید. لذا در این پژوهش از الگوریتم مدیریت گروهی دادهها که یک نوع مدلسازی جعبه سفید تلقی میشود جهت پیشبینی اقلام تعهدی استفاده شده است. نتایج به دست آمده با استفاده از دادههای ۱۶۴ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای ۱۳۸۵ تا ۱۳۹۷ و متغیرهای «تغییر در درآمد»، «داراییهای ثابت مشهود»، «جریانهای نقدی عملیاتی دوره جاری»، «جریانهای نقدی عملیاتی دوره گذشته» و «جریانهای نقدی عملیاتی دوره آتی»، حاکی از بهبود سطح خطای این مدلها نسبت به مدلهای خطی میباشد. با توجه به برتری مدلهای خروجی تحقیق حاضر از نظر خطای پیشبینی نسبت به مدلهای رایج، یافتههای این پژوهش میتواند توسط نهادهای نظارتی، تحلیلگران و حسابرسان در شناسایی موارد احتمالی تحریف اطلاعات مالی شرکتها مورد استفاده قرار گیرد.
Development of Earnings quality measures, especially Accruals quality measures, has been a critical line of research over more than three decades. Literature indicates that linear-regression-based measures are subject to (suffer from) significant estimation error in non-discretionary accruals estimation. Therefore, recent research used machine learning algorithms including multilayer perceptron and radial basis neural networks, in order to address the issue. However, being founded on Blackbox approach limits future development and applicability of these methods. So, to address the limitations, we have used Group Method of Handling Data (GMDH) approach, as a Whitebox approach, in order to estimate the accruals. Findings using data from 299 Tehran Securities Exchange listed companies during 1385 to 1397 suggests that GMDH-based models perform superior to regression models and multilayer perceptron neural networks in terms of estimation error measured by mean squared error. Moreover, Cash flow approach in total accruals calculation leads to less estimation error compared to balance sheet approach. As a result, the model developed in this article can be used by market participants such as regulators, analyst and auditors in order to detect probable financial reporting misstatements.
Machine summary:
لذا در این پژوهش از الگوریتم مدیریت گروهی داده ها که یک نوع مدل سازی جعبه سفید تلقی می شود جهت پیش بینی اقلام تعهدی استفاده شده است .
باوجوداینکه نتایج حاصل از این مطالعات ، حاکی از بهبود عملکرد پیش بینی اقلام تعهدی نسبت به مدل های خطی میباشد، اما این مدل ها عموماً به دلیل وجود لایه مخفی، تفسیرپذیری روابط بین متغیرها را دچار محدودیت میکنند (٢٠١٨ .
لذا در این پژوهش تلاش شده است تا با استفاده از رویکرد الگوریتم مدیریت گروهی داده ها١ که در زمره رویکردهای جعبه سفید قرار میگیرند نسبت به برآورد مدل روابط بین اقلام تعهدی و متغیرهای بنیادی و عملکردی شرکت اقدام شود.
یک رویکرد بدیل که در تعدادی از پژوهش ها به منظور حل مشکل غیرخطیبودن رابطه بین متغیرهای توضیحی و اقلام تعهدی از آن استفاده شده است ، مدل های مبتنی بر شبکه های عصبی میباشد.
(٢٠١٢) Hoglund در یکی از اولین پژوهش ها جهت ارزیابی توانایی مدل های شبکه عصبی در پیش بینی اقلام تعهدی و مدیریت سود، به مقایسه نتایج حاصل از این مدل ها پرداخت .
نتایج حاصل از پیاده سازی روش رگرسیون خطی و مقایسه آن با رویکردهای شبکه عصبی پرسپترون با یک لایه پنهان که از الگوریتم ژنتیک جهت آموزش مدل استفاده شده است ، حاکی از عملکرد بهتر رویکرد شبکه عصبی نسبت به رویکرد خطی از منظر ضریب تعیین (٩٥ درصد در مقابل ٦٣ درصد) و از منظر میانگین مجذورات خطا (٠,٠٢٢٧١ در مقابل ٠,١٢٣٩) میباشد.
در این راستا، نتایج حاصل از الگوریتم مدیریت گروهی داده ها با مدل های رگرسیون خطی و رگرسیون خطی منقطع و همچنین شبکه عصبی چندلایه مقایسه میگردد.