پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم
الموضوعات :مهدی صالحی 1 , لاله فرخی پیله رود 2
1 - دانشیار گروه حسابداری، دانشکده علوم اداری و اقتصادی ، دانشگاه فردوسی مشهد، مشهد، ایران
2 - کارشناس ارشد حسابداری، دانشگاه پیام نور قشم، قشم، ایران
الکلمات المفتاحية: شبکه عصبی, واژه‌های کلیدی: مدیریت سود, درخت تصمیم گیری,
ملخص المقالة :
بسیاری از موارد بحران‌های مالی مربوط به شرکت‌های سهامی عام بوده که درحال افزایش است. بسیاری از سرمایه گذاران و اعتباردهندگان در مورد پیش بینی بحران مالی به خصوص زمانی که مدیریت سود رخ می‌دهد مشکلاتی دارند. تحقیقات اخیر به شناسایی عوامل و فاکتورهای مرتبط با مدیریت سود می‌پردازد. بنابراین از طریق آن قادر به تعیین ارتباط میان این عوامل و دستکاری سود هستند. به منظور کاهش ریسک بحران‌های مالی ناشی ازآن و کمک به سرمایه گذاران برای اجتناب از زیان‌های بزرگ در بازار سهام لازم است تا مدلی برای پیش بینی مدیریت سود توسعه یابد. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظور نه متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق از چهار صنعت کشاورزی، دارویی، نساجی و فرآورده‌های نفتی، تعداد 36 شرکت مورد بررسی قرارگرفت. از روش رگرسیون کمترین مربعات جهت مدل خطی و از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم گیری Cart, C5.0 جهت بررسی از طریق تکنیک‌های داده کاوی استفاده شد. نتایج حاصل از این تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می‌توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل ، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد و ریسک درچهار روش مدل‌های خطی، شبکه عصبی، درخت‌های C5.0 و Cart دارای بیشترین ارتباط است. Abstract Many financial crisis cases related to the public companies have increased recently, but many investors and creditors are difficult to foresee the financial crisis, especially in the cases with earnings management. In literature, many studies related to earnings management only focus on identifying some related factors which can significantly affect earnings management. Therefore, we can only figure out the correlation between these factors and earnings management. In order to decrease the financial crisis risks derived from earnings management and help the investors avoid suffering a great loss in the stock market, we developed a neural network model to predict the level of earnings management. This study aims to investigate the accuracy of earning management forecast by neural network and decision making tree as well as comparing that by linear models. To these end nine effective variables on earnings management were used as independent variables and discretionary accruals as dependent variables. From four industries: agriculture, pharmaceutical, textile and petroleum, 36 firms selected during 2006 to 2013. The least squares regression for linear model, generalized feed forward neural network and decision making tree c5.0, cart were applied for data mining. The results indicated that neural network and decision making tree has the least error in forecasting earnings management than more accurate linear methods. Concerning the relationship between dependent and independent variables, it is said that earning managements by discretionary accrual variables of the prior period (DAI), non-discretionary accruals of prior period or threshold performance (THOD) and risk (Risk) in four linear models, neural network, C5.0 trees and cart has the most correlation.
فهرست منابع
1) ابراهیمی کردلر، علی و الهام حسنی آذرداریانی، )1385)، "بررسی مدیریت سود در زمان عرضه اولیه سهام به عموم در شرکت های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری وحسابرسی، شماره 3، صص 45- 23.
2) اسماعیلی، مریم و شهناز مشایخ، (1385)، "بررسی رابطه بین کیفیت سود و برخی ازجنبه های اصول راهبری در شرکت‌های پذیرفته شده در بورس"، بررسی‌های حسابداری و حسابرسی، شماره 45، صص 44- 25.
3) پورحیدری، امید و داود همتی، (1383)، "بررسی اثر قراردادهای بدهی، هزینه‌های سیاسی، طرح‌های پاداش و مالکیت بر مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، شماره 36، صص 63- 47.
4) چالاکی، پری و مرتضی یوسفی، (1391)، "پیش بینی مدیریت سود با استفاده از درخت تصمیم گیری"، مطالعات حسابداری و حسابرسی، شماره 1، صص 123- 110.
5) حجازی، رضوان، شاپور محمدی، زهرا اصلانی و مجید آقاجانی، (1391)، "پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‌های پذیرفته شده دربورس اوراق بهادارتهران"، بررسی‌های حسابداری و حسابرسی، شماره 2، صص 46- 31.
6) خوش طینت، محسن و عبدالله خانی، (1382)، "مدیریت سود و پاداش مدیران: مطالعه ای جهت شفاف سازی اطلاعات مالی مطالعات حسابداری"، شماره 3، صص 153 -127.
7) کردستانی، غلامرضا، جواد معصومی و وحید بقایی، (1392)، "پیش بینی سطح مدیریت سود با استفاده از شبکه‌های عصبی مصنوعی"، مجله پیشرفت‌های حسابداری، شماره 1، صص 190- 169.
8) مشایخی، بیتا و مریم صفری، (1385)، "وجه نقد ناشی ازعملیات و مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران"، بررسی‌های حسابداری و حسابرسی، شماره 44، ص 54- 35.
9) مشایخی، بیتا، ساسان مهرانی، کاوه مهرانی و غلامرضا کرمی، (1384)، "نقش اقلام تعهدی در مدیریت سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، شماره 42، صص 74- 61.
10) مهرانی، ساسان و بهروز باقری، (1388)، "بررسی اثرجریان های نقد آزاد و سهامداران نهادی بر مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران"، تحقیقات حسابداری، شماره 2، صص 71- 50.
11) Aljifri, K, (2007), “Measurement and Motivations of Earnings Management: A Critical Perspective”, Journal of Accounting – Business & Management, Vol. 14, PP. 75-95.
12) Bergstresser,D, & Philippon, T, (2006), “CEO Incentives and Earnings Management”, Journal of Financial Economics, 80(3), PP. 511-529.
13) Burgstahler, D. and I. Dichev, (1997), “Earnings Management to Avoid Earnings Decreases and Losses”, Journal of Accounting and Economics, Vol. 24, PP. 99−126.
14) Chin-Fong Tsai; Yen- Jiun Chiou, (2009), “Earnings Management Prediction: A Pilot Study of Combining Neural Networks and Decision Trees”, Expert Systems with Application, Vol. 36, PP. 7183-7191.
15) Guoxiu, Liang, (2005), “A Comparative Study of Three Decision, Tree Algorithms: ID3, Fuzzy ID3 and Probabilistic Fuzzy ID3”, Bachelor Thesis, Informatics & Economics Erasmus University, Rotterdam, the Netherlands, PP. 5-7.
16) Healy, P. M. and J. M. Wahlen, (1999), “A Review of the Earnings Management Literature and Its Implications for Standard Setting”, Accounting Horizons, Vol. 13, PP. 365–383.
17) H. Young Beak, Jose’ A. Paga’n, (2006), “Pay-Performance Sensitivity and High Performing Firms”. International Research Journal of Finance and Economics, No. 5, ISSN 1450-2887
18) Mitchell, T.M, (1997), “Machine Learning”, Mac Grow-Hill, PP. 52.
19) Monica Lam, (2004), “Neural Networks Techniques for Financial Performance Prediction: Integrating Fundamental and Technical Analysis”, Decision Support Systems, No. 37, PP. 567-581.
20) Pang Huang, Han, Chiun Liang, Chao, (1998), “A Learning Fuzzy Decision Tree and Its Application to Tactile Image”, Proceedings of the 1998 IEEERSI Intl. Conference on Intelligent, Robots and Systems Victoria, B.C., Canada, PP. 1578.
21) Roychowdhury, S., (2004), “Management of Earning through the Manipulation of Real Activities”, Working Paper. University of Rochester New York.
22) Scott, William R, (2007), “Financial Accounting Theory”, Third edition, PP. 279-282.
23) Wallace N. Davidson III. Biao Xie. Weihong Xu. Yixi Ning, (2007), “The Influence of Executive Age, Career Horizon and Incentives on Preturnover Earnings Management”, J Manage Governance 11, PP. 45-60. DOI 10.1007/ s 10997-007-9015-8.
24) Wang, Thien-Chin, Da Lee, Hsien, (2006), “Constructing a Fuzzy Decision Tree by Integrating Fuzzy Sets and Entropy”, IShou
25) Yu, Q., Du, B., & Sun, Q, (2006), “Earnings Management at Rights Issues Thresholds Evidence from China”, Journal of Banking & Finance, 30(12), PP. 3453- 3468.
یادداشت‌ها
