بررسی تاثیر روش های مختلف خوشه بندی داده ها بر روی دقت مدل های مربوط به برآوردی های حسابداری از طریق مقایسه روش های خوشه بندی سنتی و کلاسیک

الموضوعات : حسابداری مدیریت

سید محسن صالحی وزیری ¹ , جمال برزگری خانقاه ²

1 - کارشناسی ارشد حسابداری، دانشگاه یزد، یزد، ایران.
2 - استادیار و عضو هیات علمی دانشگاه یزد، یزد، ایران

تاريخ الإرسال : 14 السبت , ذو الحجة, 1439 تاريخ التأكيد : 21 الإثنين , محرم, 1440 تاريخ الإصدار : 25 الجمعة , رجب, 1441

الکلمات المفتاحية: داده کاوی, خوشه بندی, خوشه بندی سنتی, خوشه بندی کلاسیک,

ملخص المقالة :

امروزه استفاده از برآورد اطلاعات حسابداری همانند سایر رشته ها بدلیل عدم دسترسی به تمام اطلاعات، لازم و ضروری می باشد. به همین دلیل در این پژوهش سعی شده با استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآورد های حسابداری مورد بررسی قرار گیرد تا مشخص گردد روش های مختلف خوشه بندی به چه میزان دقت مدل های مدنظر را افزایش میدهند و روش ارجح تر در میان روش های مختلف خوشه بندی در افزایش دقت مدل ها کدام روش می تواند باشد. نمونه آماری پژوهش بدین منظور شامل 99 شرکت پذیرفته شده در بورس اوراق بهادار تهران بوده و به منظور جمع آوری داده های مورد نیاز، از اطلاعات صورت های مالی و یادداشت های دوره 9 ساله (1387-1395) شرکت های مورد نظر استفاده شده است. نتایج حاصل از تحقیق نشان داد که استفاده از روش های مختلف خوشه بندی دقت مدل های مربوط به برآوردهای حسابداری را در اکثر موارد افزایش می دهد ولی از میان روش های خوشه بندی مورد استفاده در تحقیق، روش خوشه بندی کلاسیک روش مناسب تری نسبت به روش سنتی در افزایش دقت مدل های مربوط به برآورد های حسابداری می باشد.

المصادر:

*      رزاقی, سمیه؛ سلمانی, بهزاد, کازرونی, سید علیرضا و  فلاحی،فیروز. (2017). "بررسی امکان تشکیل منطقه بهینه پولی در کشورهای عضو سازمان همکاری اسلامی (OIC) با استفاده از تکنیک خوشه‌بندی فازی و خوشه‌بندی سنتی". فصلنامه علمی پژوهشی نظریه های کاربردی اقتصاد.‎

*      شاکری، محمود و عبداللهی، محمود (1394). خوشه بندی داده ها، مروری بر روش های موجود و مقایسه عملکرد آنها. کنفرانس بین المللی پژوهش های کاربردی در فناوری اطلاعات، کامپیوتر و مخابرات. دانشگاه آزاد اسلامی واحد تربت حیدریه.

*      عرب مازار یزدی، محمد و قاسمی، مهسا (1388). "برآورد قیمت عرضه های عمومی اولیه با استفاده از شبکه عصبی مصنوعی". بررسی های حسابداری و حسابرسی.1388. ص 74-95.

*      معتمنی، همایون؛ بیکی، منظر و جعفر نژاد، عین الله (1390). "مقایسه الگوریتم های خوشه بندی فازی". کنفرانس بین المللی مدل سازی غیر خطی و بهینه سازی،آمل، 1390.

*      Chen, T., Zhang, N. L., Liu, T., Poon, K. M., & Wang, Y. (2012). Model-based multidimensional clustering of categorical data. Artificial Intelligence, 176(1), 2246-2269.

*      David.j.HAND.Data mining:statistics and more December 2002.

*      Dechow, P. M., & Dichev, I. D. (2002). The quality of accurals and earnings: The    role of accrual estimation errors. The Accounting Review, 77, 35–59.

*      DeFond, M. L., & Jiambalvo, J. (1994). Debt covenant violation and manipulation of accruals. Journal of Accounting and Economics, 17, 145–176.

*      Ecker, F., Francis, J., Olsson, P., & Schipper, K. (2013). Estimation sample selection for discretionary accruals models. Journal of Accounting and Economics, 56, 190–211

*      Flexer, A. (2001). On the use of self-organizing maps for clustering and visualization. Intelligent Data Analysis, 5(5), 373-384.

*      Fred.a.lourenco.a.2008.cluster ensemble methods:from single clustering to combined solution studies in computerings intelligence (sci)126.3-30.

*      Han.j.m.kamber.data mining:concepts and techniques morgan kauifmann san Francisco 2000

*      Jain.A.K.law.martin.H.C. (2005).data clustering a users dilemma.1st international conference.premi Kolkata india december20-22.

*      Lev, B. (1989), "On the Usefulness of Earnings and Earnings Research: Lessons and Directions from Two Decades of Empirical Research" Journal of Accounting Research, Vol. 27: 153-192

*      Lev, B., S. Li., T. Sougiannis (2010), "The Usefulness of Accounting Estimates for Predicting Cash Flows and Earnings" Review of Accounting Studies, Vol. 15,. 4,. 779-807

*      López-Rubio, E., Palomo, E. J., & Ortega-Zamorano, F. (2018). Unsupervised learning by cluster quality optimization. Information Sciences, 436, 31-55.*McNicholas, P. D. (2016). Model-based clustering. Journal of Classification, 33(3), 331-373.

*      Nawaz, T., Cavallaro, A., & Rinner, B. (2014, October). Trajectory clustering for motion pattern extraction in aerial videos. In Image Processing (ICIP), 2014 IEEE International Conference on (pp. 1016-1020).

*      Patrick, K., Hayes, N., & Stephen, J. (2017). Statistical significance for hierarchical clustering. Biometrics.

*      Parthasarathy, S., & Ogihara, M. (2000, September). Clustering distributed homogeneous datasets. In European Conference on Principles of Data Mining and Knowledge Discovery (pp. 566-574). Springer, Berlin, Heidelberg.

*      Raftery, A. E., & Dean, N. (2006). Variable selection for model-based clustering. Journal of the American Statistical Association, 101(473), 168-178.

*      Roychowdhury, S. (2006). Earnings management through real activities manipulation. Journal of Accounting and Economics, 42, 335–370

*      Sterehl.a.ghosh.j.2002.cluster ensembles –a knowledge reuse framework for combining multiple partitions.jornal of machine learning research 3(dec):583-617