ارائه مدل توسعه‌یافته بنیش با به‌کارگیری پدیده تونلینگ بر مبنای تکنیک شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات در شناسایی شرکت‌های دستکاری کننده سود
محورهای موضوعی : دانش سرمایه‌گذاری
فرهاد آزادی
1
(دانشجوی دکترا، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
مهرداد قنبری
2
(استادیار، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
بابک جمشیدی نوید
3
(استادیار، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
جواد مسعودی
4
(استادیار، گروه حسابداری، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران)
کلید واژه: الگوریتم بهینه‌سازی حرکت تجمعی ذرات, مدیریت سود بنیش, شبکه عصبی مصنوعی, پدیده تونلینگ, بورس اوراق بهادار تهران,
چکیده مقاله :
امروزه اهمیت رقم سود و احتمال مدیریت و دستکاری سود بر هیچ کس پوشیده نیست وپژوهشگران همواره به دنبال راه کار هایی برای رفع ابهام سهامداران و سرمایه گذاران برای تصمیم گیری های مالی بوده اند.بنیش (1999) در راستای روشن نمودن مسیر تصیمیم گیری استفاده کنندگان از اطلاعات مالی اقدام به طرح مدلی برای پیش بینی مدیریت سود نمود که این مدل در جوامع مختلف نتایج متفاوتی داشته است لذا در این رساله جهت بهینه کردن و بومی سازی مدل بنیش، با اضافه نمودن متغیر تونلینگ به متغیرهای بنیش و بهره گیری از روشهای نوین شبکه عصبی و الگوریتم بهینه سازی حرکت تجمعی ذرات ،گام برداشتیم . جامعه آماری پژوهش شرکت های پذیرفته شده در بورس اوراق بهادار تهران و تعداد شرکت مورد مطالعه، شامل 196 شرکت پذیرفته شده طی سال‌های 1393 تا 1398 است. روش پژوهش توصیفی کتابخانه ای و از نظر ارتباط بین متغیرها علی- همبستگی است و از نظر هدف کاربردی و از لحاظ رخداد، پس‌رویدادی است. به منظور تجزیه و تحلیل داده ها از روش رگرسیونی و شبکه عصبی مصنوعی و الگوریتم PSO استفاده شده است. نتایج حاصل از تحلیل مدل نشان داد که کلیه نسبت های مالی بر پیش بینی مدیریت سود بینش تاثیر معنادار داشته و بیشترین تاثیر در پیش بینی مدیریت سود بینش را شاخص پدیده تونلینگ و کمترین تاثیر را شاخص اهرم مالی داشته است.
Today, profit rates and the possibility of managing and manipulating the profits are clear to all, and researchers have always sought solutions to remove the uncertainties facing investors and stakeholders when making their financial decisions. To clarify users' decision path of financial data users, Beneish (1999) has developed a profit-management predicting model that has yielded different results in different societies. Thus, this article aims to optimize and localize Beneish’s model by adding the Tunneling variable to Beneish’s variable and using a modern neural network and particle swarm algorithms. The statistical research population consisted of 196 companies listed at the Tehran Stocks Exchange from 2014 to 2019. The research method was a descriptive-library method in which the variables are interrelated through the causal-correlational method. From an objective point of view, it is an Ex-Post Facto research design. To analyze the data, the regression method and artificial neural and the PSO algorithms were used. The model analysis results suggested that all financial ratios had significant effects on Beneish’s profit management, as the Tunneling phenomenon and the financial leverage had the highest and lowest effects on predicting Beneish’s profit management, respectively.
_||_