Identification of Non-Fragile Variables of Accruals Based on Non-Linear Bayesian Approaches in the Iranian Capital Market

Subject Areas : Financial Econometrics and Quantitative Methods

Azam Rezaian Joybari ¹ , Jomadoordi gorganli davaji ² , Majid Ashrafi ³ , Ali Khamaki ⁴

1 - PhD student, Department of Accounting , Ali Abad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran
2 - Assistant Professor, Department of Accounting , Ali Abad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran
3 - Assistant Professor, Department of Accounting , Ali Abad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran
4 - Assistant Professor, Department of Accounting , Ali Abad Katoul Branch, Islamic Azad University, Aliabad Katoul, Iran

Received: 2023-07-31 Published : 2025-06-23

Keywords: Profit Management, Accruals, Bayesian Averaging,

Abstract :

Purpose: Most accrual models have been developed in the environment of advanced countries (deep capital market) and there is no research that models accruals according to the specific conditions of the country's capital market; As a result, we have tried to identify non-fragile variables affecting accruals in the Iranian capital market by using Bayesian averaging (BMA), dynamic averaging (TVP-DMA) and selective averaging (TVP-DMS) approaches. Research Methodology: The current research method is practical in terms of purpose. The statistical sample of the research includes 171 stock companies in the period of 1390 to 1400. Findings: In this research, 58 variables affecting accruals were included in Bayesian models. The results show that among the BMA, TVP-DMA and TVP-DMS, BVAR and OLS models, the BMA model was determined as the most efficient model. Based on the BMA model, 11 non-fragile variables affecting accruals were identified. Originality/scientific added value: For the first time in internal research, 58 variables affecting accruals have been used to model this index. For comprehensiveness in the modeling of all three types of discretionary accruals models (emphasis on assets and sales, discretionary expenses); Discretionary income model (emphasis on profit, income and cash flow) and hybrid models are used in designing the optimal model.

Full-Text:



Journal of Advances in Finance and Investment Volume 0, Issue 0 , 0000 pp. 00-00. Paper type: Research paper

 

 

 

 

Received: 00/00/0000 Accepted: 00/00/0000

 

Introduction

The purpose of financial reporting and accounting principles require that the information provided by financial reporting has certain characteristics. In the concepts of financial reporting in Iran, these characteristics are referred to as qualitative characteristics, and one of these characteristics that makes information useful for decision-making is the provision of reliable information. Reliable information that is free from errors and biases. Managers are motivated to change the results of the company's operations by Earnings management, which violates neutrality and destroys information reliability (Breuer et al, 2023). One of the ways of Earnings management that accounting research has focused on is the discussion of management discretion over accruals. There are several models for determining accruals; But Iranian researchers have mainly used two models including: Jones model and modified Jones model to separate accruals into expected and unexpected components.

The main problem in the current research is due to not knowing the optimal model to estimate the model. In empirical and theoretical studies, a wide range of models have been introduced as different models for calculating accrual Earnings Management; In fact, the wide range of effective explanatory variables has raised this basic question among researchers: what variables should be included in the experimental model of accruals? This problem is known as "model uncertainty" (Deniz et al., 2023). Failure to pay attention to the issue of model uncertainty can lead to bias and inefficiency in parameter estimation, which results in inappropriate predictions and incorrect statistical inference; Therefore, it is necessary to consider model uncertainty in experimental studies. One of the suitable methods for the model uncertainty problem is "averaging all models" or "Bayesian model averaging" method (Koop et al, 2023). Therefore, a part of the current research problem is to apply Bayesian econometrics based on the averaging of the Bayesian model in order to overcome uncertainty in the selection of variables affecting accruals.

Literature Review

Earnings management is one of the specialized accounting subjects that has been in the focus of accounting research for more than 50 years. Based on empirical research conducted so far, profit management has been interpreted in different ways. All these interpretations are rooted in the positive theory of accounting and the freedom of action of accountants to choose different accounting methods. Most of the research conducted in the field of earnings management have used discretionary accruals models to discover and measure earnings management; But recently, newer models as discretionary income models have also attracted the attention of financial researchers (Siekelova, 2021). The purpose of this research is to investigate the types of profit management measurement models. Based on this, accruals calculation models can be classified into two categories: discretionary accruals models (emphasis on assets and sales, discretionary expenses) and discretionary income models (emphasis on profit, income and cash flow circulation).

Research Methodology

The current research method is practical in terms of purpose. The statistical sample of the research includes 171 listed companies in the period from 2011 to 2021.

Results

In empirical and theoretical studies, a wide range of models have been introduced as different models for calculating accrual profit management; In fact, the wide range of effective explanatory variables has raised this basic question among researchers: what variables should be included in the experimental model of accruals? This problem is known as "model uncertainty". Failure to pay attention to the issue of model uncertainty can lead to bias and inefficiency in parameter estimation, which results in inappropriate predictions and incorrect statistical inference; Therefore, it is necessary to consider model uncertainty in experimental studies. One of the suitable methods for model uncertainty problem is "Averaging all Models" or "Bayesian Model Averaging" method. In this research, 58 variables affecting accruals were included in Bayesian models. The results show that among the BMA, TVP-DMA and TVP-DMS, BVAR and OLS models, the BMA model was determined as the most efficient model. Based on the BMA model, 11 non-fragile variables affecting accruals were identified. The prioritization of variables affecting accruals in the optimal model is as described in the following table:

Prioritizing Variables Affecting Accruals in the Optimal Model

According to the results, the variables that have the highest T-statistic ratio are more important in accrual items. The priority of variables affecting accruals is shown in the last column.

Discussion and Conclusion

based on the results of non-fragile variables of all three types of discretionary accruals models (emphasis on assets and sales, discretionary expenses); discretionary income model (emphasis on profit, income and cash flow turnover); Mixed models are present in the optimal model.

 

Keywords: Earnings Management, Accruals, Bayesian Averaging.

JEL Classification: C11 C53 M40

پیشرفت‌های مالی و سرمایه‌گذاری

سال سوم، بهار 1402- شماره 9

صفحات 00-00

نوع مقاله: پژوهشی

شناسایی متغیرهای غیرشکننده اقلام تعهدی بر اساس رویکردهای بیزین غیرخطی در بازار سرمایه ایران

 

 

تاریخ دریافت: 00/00/0000                                         تاریخ پذیرش: 00/00/0000

 چکیده

هدف: اکثر مدل‌های اقلام تعهدی در محیط کشورهای پیشرفته (بازار سرمایه عمیق) شکل گرفته‌اند و تحقیقی که با توجه به شرایط خاص بازار سرمایه کشور اقدام به مدلسازی اقلام تعهدی نماید، وجود ندارد؛ در نتیجه سعی شده است با استفاده از رویکردهای میانگین‌گیری بیزین (BMA)، میانگنین گیری پویا (TVP-DMA) و میانگین‌گیری انتخابی (TVP-DMS)، اقدام به شناسایی متغیرهای غیرشکننده موثر بر اقلام تعهدی در بازار سرمایه ایران نماییم.

روش‌شناسی پژوهش: روش تحقیق حاضر از لحاظ هدف کاربردی است. نمونه آماری پژوهش شامل 171 شرکت بورسی در دوره زمانی 1390 تا 1400 می‌باشد.

یافته‌ها: در این پژوهش 58 متغیر موثر بر اقلام تعهدی وارد مدل‌های بیزین گردیدند. نتایج بیانگر این است که از میان مدل‌های BMA، TVP-DMA و TVP-DMS، BVAR و OLS مدل BMA به عنوان کاراترین مدل تعیین گردید. بر اساس مدل BMA، 11 متغیر غیرشکننده موثر بر اقلام تعهدی شناسایی شدند.

اصالت / ارزش‌افزوده علمی: برای اولین بار در تحقیقات داخلی 58 متغیر موثر بر اقلام تعهدی جهت مدل‌سازی این شاخص به کار گرفته شده است. جهت جامعیت در مدل‌سازی از هر سه نوع مدل‌های اقلام تعهدی اختیاری (تأکید بر دارایی‌ها و فروش، هزینه‌های اختیاری)؛ مدل درآمد اختیاری (تأکید بر سود، درآمد و جریان وجه نقد) و مدل‌های ترکیبی در طراحی مدل بهینه به کار گرفته شده است.

 

کلیدواژه‌ها: مدیریت سود، اقلام تعهدی، میانگین‌گیری بیزین

طبقه‌بندی JEL:  C11 C53 M40

 

1- مقدمه

یک موضوع اصلی در حسابداری، اندازه‌گیری ساختارهای نهفته است (به عنوان مثال، سود اقتصادی، تلاش مدیریتی، یا اقلام تعهدی). چنین اندازه‌گیری‌هایی ذاتاً نامشخص است (Barker et al. 2020). برای توضیح عدم قطعیت، چارچوب بیزی یک رویکرد رسمی ارائه می‌کند (Gelman et al. 2013) که معمولاً در تئوری حسابداری استفاده می‌شود (Johnstone 2018). در تحقیقات حسابداری، از رویکرد بیزی، چندان استفاده نشده است. مانع اصلی این امر پذیرش این رویکرد از سوی حسابداران، نااشنایی آن‌ها با این رویکرد و الزامات محاسباتی پیچیده بوده است؛ اما در نتیجه افزایش قدرت محاسباتی، این مانع در سال‌های اخیر کاهش یافته است و تنها مانع باقی‌مانده ناآشنایی متخصصان حوزه حسابداری با این روش است (Breuer et al,. 2023). یکی از راه‌های مدیریت سود که تحقیقات حسابداری روی آن تمرکز نموده، بحث اختیار مدیریت نسبت به اقلام تعهدی است. مدل‌های متعددی جهت تعیین اقلام تعهدی وجود دارد؛ ولی توسط محققین ایرانی عمدتاً، از دو مدل شامل: مدل جونز و مدل جونز تعدیل شده برای تفکیک اقلام تعهدی به اجزای منتظره و غیرمنتظره آن، استفاده گردیده است. در کشورهای در حال توسعه مانند ایران بازارهای مالی، کم عمق بوده و دفعات بروز تلاطم، شدت آن‌ها و سرریز تلاطم بین بازارها می‌تواند قابل توجه باشد؛ این امر مدلسازی متغیرهای مهم حسابداری را پیچیده‌تر می‌سازد (مظفرنیا و همکاران، 1400).

مسئله اصلی در تحقیق حاضر ناشی از نبود یک مدل مشخص در حوزه محاسبات اقلام تعهدی با توجه به شرایط خاص بازار سرمایه کشور است. یک چالش کلیدی در تشخیص اقلام تعهدی، عدم اطمینان محققان در مورد عوامل تعیین‌کننده آن است (Ball, 2013). در مواجهه با این عدم قطعیت، محققان به طور پیش فرض مدل‌های اقلام تعهدی عادی را برای تشخیص مدیریت سود مبتنی بر اقلام تعهدی به کار می‌گیرند. به عنوان مثال، چندین مطالعه از مدل جونز (1991) استفاده نموده‌اند و اثبات شده است این مدل میزان اقلام تعهدی را بیش از حد برآورد می‌کند. نتایج کاذب نه تنها برای ادبیات این حوزه نگران کننده است (Ball, 2013)، این نگرانی و ضرورت بررسی این موضوع در مورد سرمایه گذارانی که سرمایه کمیاب را در بازار سرمایه تخصیص می‌دهند دو چندان افزایش می‌یابد (Lewis2012).

در مطالعات تجربی و نظری، طیف وسیعی از مدل‌ها به عنوان مدل‌های مختلف محاسبه مدیریت سود تعهدی معرفی شده‌اند؛ در واقع گستردگی طیف متغیرهای توضیحی مؤثر، این پرسش اساسی را در میان محققان مطرح کرده است که چه متغیرهایی باید در الگوی تجربی اقلام تعهدی وارد شوند؟ این مشکل با عنوان «نااطمینانی مدل»، شناخته می‌شود (Deniz et al,. 2023). عدم توجه به مسئله نااطمینانی مدل، می‌تواند منجر به تورش و عدم کارایی در برآورد پارامترها شود که نتیجه آن پیش‌بینی‌هاي نامناسب و استنتاج آماري نادرست است؛ بنابراین در مطالعات تجربی لازم است نااطمینانی مدل مدنظر قرار گیرد. یکی از روش‌های مناسب برای مشکل نااطمینانی مدل «متوسط‌گیری از تمامی مدل‌ها» یا روش «میانگین‌گیری مدل بیزینی¹»، است (Koop et al,. 2023). از اینرو یک بخش از مسئله تحقیق حاضر به کارگیری اقتصادسنجی بیزینی مبتنی بر میانگین‌گیری مدل بیزینی به منظور غلبه بر نااطمینانی در انتخاب متغیرهای مؤثر بر اقلام تعهدی است. پس از مقدمه در بخش دوم پیشینۀ پژوهش تحقیق ارائه و در بخش سوم روش تحقیق موضوع حاضر و در بخش چهارم نتایج برآورد مدل و در نهایت در بخش پنجم بحث و نتیجه‌‌گیری ارائه شده است.

 

 

2- مبانی نظری و پیشینه پژوهش

پنج رویکرد کلی جهت محاسبه اقلام تعهدی وجود دارد که با توجه به وجود یا عدم وجود استهلاک یا لحاظ نمودن یا ننمودن دیگر اقلام غیرجاري، یا جزیی و کلی بودن محاسبه اقلام تعهدی تفسیر می‌شود؛ در جدول (1)؛ این پنج رویکرد مورد بررسی قرار گرفته و محققینی که از رویکردهای مذکور بهره برده‌اند، مورد بررسی قرار گرفته است.

جدول (1) مدل‌هاي اندازه‌گیري اقلام تعهدي 

Table (1) Measurement Models of Accrual Items

Priority	2≤	Probability and Posterior Coefficient		Symbol	Variable
		Posterior Probability	Posterior Coefficient
3	0.761	0.746	0.828	X1
1	0.932	0.926	0.036	X2
5	0.658	0.723	0.054	X3
2	0.864	0.764	0.007	X4
12	0.584	0.437	0.000	X5
6	0.615	0.664	0.227	X6
7	0.606	0.652	0.027	X7
4	0.718	0.727	0.000	X8
11	0.646	0.503	0.002	X9
9	0.588	0.541	0.152	X10
8	0.591	0.549	0.828	X11	VT-VT-1

نحوه محاسبه	محقق (سال)	ردیف
گروه اول: اقلام تعهدي سرمایه در گردش بدون در نظر گرفتن استهلاک
(ΔACT - ΔCHE) – (ΔLCT - ΔDLC)	بیبر، کانگ و لی (2011)؛ بوشمن، لرمن و ژانگ (2016)؛ کر، گای و وردی (2008)؛ دیفاند و پارک (2001)؛ گیگر و نرم (2006)؛ هو (2015)؛ کیم و چی (2010)؛ لئولن و ریستک (2016)؛ مشروالا و مشروالا (2011)؛ موهنرام (2014)؛ مومنت و همکاران (2015)؛ اگنیوا (2012)؛ ریستک (2010)؛ سرینیدی و گل (2007)؛ ویلسون (1987)؛ ونگسونوای (2013)؛ خلیفه سلطان و همکاران (1389)؛	1
(ΔACT - ΔCHE) – (ΔLCT – ΔDLC - ΔTXP)	آلن، لارسن و اسلوان (2013)؛ بایزلو و باسو (2016)؛
ΔRECT + ΔINVT + ΔACO – ΔAP – ΔTXP	بون و همکاران (1987)؛ دیچو (1994)؛ پایفر و همکاران (1998)؛ پایفر و الگرز (1999)؛ خدادادی و همکاران (1389)؛
ΔRECT + ΔINVT– ΔAP	برنارد و استابر (1989)
ΔRECT + ΔINVT+ ΔXPP – ΔAP – ΔTXP	گیوولی و هاین (2000)
-(RECCH + INVCH + APALCH + TXACH + AOLOCH)	برادشاو و همکاران (2001)؛ چنگ و توماس (2006)؛ دیچو و دیچو (2002)؛ دالیوال و همکاران (2010)؛ دایل، جی و مک وی (2007)؛ دریک و مایرز (2011)؛ فرانکل و همکاران (2016)؛ گانگ، لی و ژی (2009)؛ لوی (2008)؛ مک نیکولز (2002)؛
گروه دوم: اقلام تعهدي سرمایه در گردش با در نظر گرفتن استهلاک
(ΔACT - ΔCHE) – (ΔLCT – ΔDLC - ΔTXP) – DP	علی، چن، یاو و یو (2008)؛ بنیش و وارگاس (2002)؛ چیچرنا، هلدر و پتکویچ (2015)؛ گوو و جیانگ (2011)؛ کانگ، لیو و چی (2010)؛ خان (2008)؛ کرفت، لئون و وسلی (2006)؛ لو و نیسیم (2006)؛ ماشروالا، رایگوپال و شولین (2006)؛ اوهلسون و بیلینسکی (2015)؛ اسلوان (1996)؛ وو، ژانگ و ژانگ (2010)؛ ژانگ (2007)؛ اصولیان و همکاران (1396)؛	2
(ΔACT - ΔCHE) – (ΔLCT – ΔDLC) – DP	بالسام و همکاران (2002)؛ بارث و هاتن (2004)؛ بارتو، گل و تیسوی (2000)؛ کالگاری (2000)؛ کالن و سگال (2004)؛ کوهن و لیز (2006)؛ کر، گای و وردی (2008)؛ اکر و همکاران (2013)؛ فرانسیس و اسمیت (2005)؛ گای و همکاران (1996)؛ گل، چن و تیسوی (2003)؛ هنینگر (2001)؛ هو (2015)؛ کئونگ و شی (2014)؛ کوتاری و همکاران (2005)؛ کریشنان، سرینیدی و سو (2008)؛ لینک، نتر و شو (2013)؛ لوئیس و رابینسون (2005)؛
ΔACT – ΔLCT – ΔTXDITC – DP	رایبرن (1986)؛
ΔRECT + ΔINVT – ΔAP – ΔTXP – DP – TXDI	کاهان (1992)؛
ΔRECT + ΔINVT + ΔACO – (ΔLCT – ΔTXP - ΔDLC) – DP	ریس، گیل و گور (1996)؛
ΔRECT + ΔINVT + ΔACO – ΔAP – ΔLCO – DP	آریف، مارشال و یون (2016)؛ فرفیلد، ویسنانت و یون (2003)؛
-(RECCH + INVCH + APALCH + TXACH + AOLOCH + DPC)	چانگ و کالاپور (2003)؛ هرایبر و کالینز (2002)؛
گروه سوم: اقلام تعهدي سرمایه در گردش بعلاوه دیگر اقلام غیرجاري
IBC + DPC – OANCF	اسکایف و همکاران (2008)؛ بارنت و همکاران (2012)	3
NI + DP – OANCF	گیوولی و هاین (2000)؛ مشکی و وثوقی (1396)
PI – (OANCF – XIDOC - TXPD)	هانلن (2005)
Δ (DLC + DLTT + PSTK + TSTKP + DVPA – CHE - IVAO + CEQ + MIB)	پنمن و یهودا (2009)
IBC – OANCF	اسکایف و همکاران (2008)؛ بدرتچر و همکاران (2012)؛ بال و شیواکمار (2006)؛ برادشاو و همکاران (2001)؛ بوشمن و همکاران (2016)؛ کال و همکاران (2014)؛ چن، چن، چن و یو (2015)؛ چن، لین و لین (2008)؛ دیچو و جی (2006)؛ هیوی، نلسون و یئونگ (2016)؛ جونز و همکاران (2008)؛ کئونگ و شی (2014)؛ لارکر و ریچاردسون (2004)؛ لو و نیسیم (2006)؛ لوی (2008)؛ لوئیز و سان (2016)؛ میاو، تئو و ژو (2016)؛ کریشنان و وو (2014)؛
IBC – (OANCF – XIDOC)	باتلر، لئون و ویلنبرگ (2004)؛ آیرز، جیانگ و یئونگ (2006)؛ کوهن، دی و لیز (2008)؛ کوهن و زاروین (2010)؛ کالینز، گانگ و هرایبر (2003)؛ کالینز و هرایبر (2000)؛ هرایبر و کالینز (2002)؛ مارکواردت و ویدمن (2004)؛ شی و ژانگ (2012)؛ ژو (2010)؛
IB – (OANCF – XIDOC)	زانگ (2012)؛ بارث، کرام و نلسون (2001)؛
IB – OANCF	چنگ و توماس (2006)؛ برنارد و اسکینر (1996)؛ دیفاند و سابرامانیام (1998)؛ کومار و کریشنان (2008)؛ رامانا و رویچادری (2010)؛ سابرامانیام (1996)؛
NI – OANCF	ژی (2001)؛ هافزالا، لاندهلم و وینکل (2011)؛ کرافت، لئون و وسلی (2006)؛ رایان، تاکر و زاروین (2006)؛
IB – (OANCF – INTPN)	بارث، کلینچ و اسرائیل (2016)؛
IB – (OIADP – XINT – TXT – (ΔRECT + ΔINVT  + ΔACO – ΔAP – ΔTXP – ΔLCO))	دیچو (1994)؛
NI - (FOPT - ΔRECT - ΔINVT - ΔACO + ΔAP  +ΔTXP + ΔLCO)	دیفاند و جیانباو (1994)؛
ΔAT - ΔCHE - ΔIVAO - (ΔLT - ΔDLC - ΔDLTT)	هرایبر و یهودا (2015)؛ موهنرام (2014)؛ مومنت و همکاران (2015)؛ ریچاردسون و همکاران (2006)؛
ΔAT - ΔCHE - (ΔLT - ΔDLC - ΔDLTT)	لئولن و ریستک (2016)؛ ژو (2016)؛
- (DPC + XIDOC + TXDC + ESUBC + FOPO + SPIIV) + (ΔRECT + ΔINVT + ΔACO -ΔAP - ΔTXP - ΔLCO)	وو، ژانگ و ژانگ (2010)؛ پینکاس و راجوپال (2002)؛
گروه چهارم: اقلام تعهدي غیرجاري
(ΔAT - ΔACT - ΔIVAO) - (ΔLT - ΔLCT -  ΔDLTT)	موهنرام (2014)؛ مومنت و همکاران (2015)؛ ریچاردسون و همکاران (2005)؛ صدرآرا و همکاران (1397)؛	4
(ΔAT - ΔACT) - (ΔLT - ΔLCT - ΔDLTT)	لئولن و ریستک (2016)؛
(ΔIVST + ΔIVAO) - (ΔDLTT + ΔDLC + ΔPSTK)	موهنرام (2014)؛ مومنت، ریجیانی و ریچاردسون (2005)؛
ΔSEQ - ΔCHE + ΔDLC + ΔDLTT	بیبر، کانگ و لی (2011)؛
-ΔCHE + ΔDLC + ΔDLTT + ΔCEQ + ΔPSTK +  ΔMIB	بوجاری و سوامیناتان (2009)؛
IB - (OIADP - XINT - TXT)	دیچو (1994)؛
- (ESUBC + XIDOC + DPC + TXDC + SPPIV +  FOPO)	پایفر، الگرز، لو و ریز (1998)؛ پایفر و الگرز (1999)؛
DPC + TXDC + ESUBC + SRET + FOPO + (XIDOC - XIDO)	لئولن و ریستک (2016)؛
گروه پنجم: مجموع اقلام تعهدي
IB - ΔCHE	دیچو (1994)؛	5
[(ΔAT - ΔCHE – ΔIVAO) - (ΔLT - ΔDLC - ΔDLTT)] + (ΔIVST+ΔIVAO) - (ΔDLC + ΔDLTT + ΔPSTK)	ریچاردسون، اسلوان، سالیمن و تیونا (2005)؛
IBC - OANCF - INVCF - FINCF + SSTK - PRSTKC - DV	ریچاردسون، اسلوان، سالیمن و تیونا (2005)؛

 تعریف هر یک از متغیرهای تعریف شده در در پنج گروه ارائه شده به شرح جدول ذیل است:  

جدول (2) تعریف نمادهای ارائه شده در جدول 1

Table (2) Definition of the symbols presented in Table 1

تعریف	نماد	تعریف	نماد	تعریف	نماد
استهلاک	DPC	سود خالص	NI	کل دارایی‌های جاری	ACT
مالیات معوق	TXDC	سود خالص قبل از مالیات	PI	وجه نقد و سرمایه‌گذاری‌های کوتاه‌مدت	CHE
سهم از زیان (سود) خالص واحدهای فرعی تلفیق نشده	ESUBC	جریان نقد اقلام غیرمترقبه و غیرعادی رورت جریان وجوه نقد	XIDOC	کل بدهی‌های جاری	LCT
تامین مالی از بخش‌های عملیاتی منهای اقلام تعهدی مربوط به اقلام خاص	FOPO	مالیات نقدی پرداختی	TXPD	ذخیره‌‌‌هایی که جزو بدهی‌های جاری محسوب می‌شوند2.	DLC
زیان (سود) فروش اموال، ماشین‌آلات و تجهیزات	SPIIV	بدهی‌های بلند مدت	LTT	مالیات پرداختنی	TXP
سرمایه سهام‌داران	SEQ	ارزش دفتری سهام ممتاز	PSTK	حساب‌های دریافتنی	RECT
مالیات معوق	TXDC	وجه نقد و معادل وجه نقد	CHE	موجودی کالا	INVT
اقلام غیرمترقبه و عملیات متوقف شده صورت سود و زیان	XIDO	سرمایه‌گذاری‌های بلند مدت	IVAO	حساب‌های پرداختنی	AP
سرمایه‌گذاری‌ها	IVST	ارزش دفتری سهام عادی	CEQ	پیش پرداخت هزینه‌ها	XPP
جریان نقد ناشی از فعالیت‌های سرمایه‌گذاری	INVCF	سهم اقلیت	MIB	تغییرات حساب‌های پرداختنی	RECCH
جریان نقد ناشی از فعالیت‌های تامین مالی	FINCF	سود قبل از اقلام غیر مترقبه و عملیات متوقف شده	IB	تغییرات موجودی کالا	INVCH
تقسیم سود	DV	تغییرات در سرمایه‌گذاری‌ها	IVAO	تغییرات در حساب‌های پرداختنی و بدهی‌های تعهدی	APALCH
تغییرات در مالیات‌های معوق	TXACH	مجموع بدهی‌ها	LT	تغییرات در مالیات بر درآمد	TXACH
سود قبل از اقلام غیرعادی	IBC	بدهی‌های بلندمدت	DLTT	تغییرات در سایر دارایی‌ها و بدهی‌ها	AOLOCH
استهلاک	DPC	سایر بدهی‌های جاری	LCO	استهلاک	DP
جریان نقد عملیاتی	OANCF	تغییرات در سایر دارایی‌ها و بدهی‌های جاری	APALCH	سایر دارایی‌های جاری	ACO

بر اساس نتایج جداول (1) و (2) متغیرهای زیر جهت پوشش دادن انواع مدل‌های اقلام تعهدی وارد مدل میانگین‌گیری بیزین خواهد شد.

جدول (3) متغیرهای موثر بر اقلام تعهدی بر اساس تئوری‌های مختلف

Table (3) Variables Affecting Accruals Based on Different Theories

بریور و همکاران (2023)؛ با استفاده از رویکرد تخمین بیزی اقدام به مدل‌سازی اقلام تعهدی نمودند. نتایج بیانگر این واقعیت مدل‌سازی بر اساس اقلام تعهدی بر اساس رویکرد بیزین قوی‌تر از رویکردهای سنتی پانلی و ساختاری است.

هانگ و همکاران (2022)؛ اثبات نمودند پیش‌بینی تحلیل‌گران، نشان می‌دهد محتوای اطلاعاتی پایینی در اقلام تعهدی اختیاری برای تصمیم‌گیری در سطح مدیریت و سرمایه‌گذاران وجود دارد. بر اساس نتایج آن‌ها نیاز به متغیرهای بیش‌تری جهت افزایش توضیح دهندگی اقلام تعهدی در مدل باید در نظر گرفته شود.

بایرن (2020)؛ بدین نتیجه دست یافت مدل مشخصی جهت تعیین اقلام تعهدی در کشورهای مختلف وجود ندارد و در هر بازاری بسته به عمق بازار سرمایه؛ توسعه یا عدم توسعه یافته بودن کشور مورد بررسی مد‌ل‌های مختلفی در پیش‌بینی اقلام تعهدی از کارایی بالاتری برخوردارند. در کلیت نتایج مدل‌هایی که بر اساس واقعیت بیش‌تر بازار بوده و از محدودیت‌های کم‌تری برخوردارند از کارایی بالاتری برخورداند.

ثقفی و همکاران (1401)؛ اقدام به طراحی مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده‌ها نمودند. 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.

بوژمهرانی و همکاران (1399)؛ اقدام به زمان‌بندی جریان‌های نقدی و رویدادهای اقتصادی: الگویی برای طبقه بندی اقلام تعهدی نمودند. در این پژوهش بر مبنای مدل‌های فلتهام و اوهلسون (1995)، اوهلسون (1995) و مدل بسط یافته‌ی دیچو و دیچو (2002)، اطلاعات درخصوص جریان‌های نقدی منعکس در اقلام تعهدی بر اساس زمانبندی بین جریان‌های نقدی و رویدادهای اقتصادی مدل‌بندی شد، سپس با توجه به نقشی که اقلام تعهدی در گزارش‌گری مالی ایفا می‌کنند (شامل بیان رشد عملیات شرکت، کاهش زمان‌بندی و محافظه‌کاری)، به توجیه این مدل پرداخته شد. در این راستا 129 شرکت پذیرفته شده در بورس اوراق بهادار تهران برای بازه‌ی زمانی 1387-1396 انتخاب و مورد بررسی قرار گرفت. نتایج پژوهش نشان می‌دهد که اجزای مدل پیشنهادی ارتباط معناداری با نقش اقلام تعهدی در گزارش‌گری مالی دارد و به عبارتی مدل‌های مذکور از توجیه منطقی برخوردار می‌باشد. نتایج همچنین نشان می‌دهد قدرت توضیح‌دهندگی مدل پس از تفکیک اقلام تعهدی کل به اجزای آن به میزان قابل توجهی افزایش یافته است.

قربانی و همکاران (1397)؛ اقدام به بسط مجموعه‌اي از معادلات جبري و نظري و همچنين مدل‌هاي تجربي براي تبيين، اندازه‌گيري و کنترل مولفه‌هاي موثر بر فرايندهاي ايجاد اقلام تعهدي در سطح شرکت‌ها نمودند. به لحاظ نظري انتظار مي‌رود اين گونه مولفه‌هاي شرکتي، به طور متعامل با شوک‌هاي فروش، باعث تغيير اقلام تعهدي عادي سرمايه در گردش شوند. بر اساس مشاهده 2642 از شرکت‌هاي عضو بورس اوراق بهادار تهران طي سال‌هاي 1380 تا 1394، يافته‌ها نشان مي‌دهد که ناهمگوني در فرايندهاي ايجاد اقلام تعهدي در شرکت‌هاي درون يک صنعت، خطاي اندازه‌گيري مدل جونز را که در قالب قدر مطلق باقي مانده‌هاي مدل اندازه‌گيري مي‌شود، افزايش مي‌دهد. نتايج برازش مدل تعهدي پيشنهادي، که به صورت پانلي در سطح 17 صنعت و به صورت سري زماني در سطح 200 شرکت برازش گرديد، نشان مي‌دهد که تصريح مولفه‌هاي موثر بر فرايندهاي ايجاد اقلام تعهدي باعث افزايش توان توضيح‌دهندگي متغيرهاي مشاهده شده مي‌گردد.

بر اساس جمع‌بندی مبانی نظری و تجربی مشاهده می‌گردد که متغیرهای بسیار متعددی بر اقلام تعهدی اثرگذار هستند و موجب ایجاد تغییر در این متغیر می‌گردند؛ اما به علت ساختار نهفته‌ای که دارد شناسایی عوامل موثر بر آن پیچیده بوده و از یک بازار به بازار دیگر و از یک کشور به کشور دیگر متفاوت است. در نتیجه در تحقیق حاضر از رویکرد جدید میانگین‌گیری بیزین، انتخابی و پویا جهت شناسایی مهمترین متغیرهای غیرشکننده موثر بر این متغیر بهره گرفته شده است. رویکردی که تا کنون در تحقیقات داخلی در حوزه مدل‌سازی اقلام تعهدی مورد استفاده قرار نگرفته است.

 

3- روش‌شناسی پژوهش

روش انجام اين تحقيق از نظر هدف کاربردی است. بر اساس ماهیت داده‌ها کمی است. افق زمانی این پژوهش‌، یک دوره 11 ساله از سال 1390 تا 1400 شمسی است، با توجه به قلمرو مکانی تحقیق و نظر به ماهیت تحقیق و نیز وجود برخی ناهماهنگی‌ها میان نمونه انتخابی این تحقیق شامل شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و فرا بورس ایران (بازار سرمایه) می‌شود که پس از اعمال محدودیت‌های زیر از روش غربالگری به عنوان نمونه انتخاب گردیدند: شرکت مورد نظر طی سال‌های 1390 تا 1400 تغییر سال مالی نداده باشد. جزو شرکت‌های بانکی‌، بیمه و سرمایه‌گذاری نباشد. شرکت‌هایی که داده‌های مالی مورد نیاز آن در دسترس باشد. در جدول شماره (4)، رویکردهای اقتصادسنجی به کار رفته در تحقیق ارائه شده است.

جدول (4) کاربرد مدل‌های تحقیق

Table (4) Application of Research Models

ردیف	محقق	نام متغیر	شرح
1	هیلی (1985)، دچو و همکاران (1995)		هزینه‌های استهلاک
2	هیلی (1985)، مدل نیکولوف 2018		سود
3	دی آنجلو (2006)		جمع اقلام تعهدی
4	دل تئو، ولش و وانگ (1988)، مدل تطبیق عملکرد کوتاری (2005)، مدل کوتاری و همکاران (2012)		عکس جمع دارایی‌های جاری دوره قبل
5	دل تئو، ولش و وانگ (1988)		فروش در دوره جاری
6	دل تئو، ولش و وانگ (1988)		فروش در دوره قبل
7	مدل جونز (1991)، ریس و همکاران (1996)، مدل کازنیک (1999)، مدل جریان نقدی کوتاه مدت جونز و اقلام تعهدی تأخیری (انوایز 2001 و پی 2005)، مدل جریان نقد کوتاه مدت جونز (آلکاریا و گیل، 2004)؛ مای و همکاران 2019؛ تیاگو 2021		عکس نسبت جمع کل دارایی‌های دوره قبل
8	مدل جونز (1991)، ریس و همکاران (1996)، مدل جریان نقدی کوتاه مدت جونز و اقلام تعهدی تأخیری (انوایز 2001 و پی 2005)، مدل جریان نقد کوتاه مدت جونز (آلکاریا و گیل، 2004)		تغییرات درآمد فروش شرکت بر جمع دارایی‌های دوره قبل
9	مدل جونز (1991)، ریس و همکاران (1996)، مدل اصلاح شده جونز (1995)		نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع دارایی‌های دوره قبل
10	دی آنجلو-فریدلان (1994)		نسبت جمع اقلام تعهدی بر فروش
11	دی آنجلو-فریدلان (1994)		نسبت جمع اقلام تعهدی بر فروش دوره قبل
12	مدل اصلاح شده جونز (1995)		تغییرات درآمد فروش شرکت منهای تغییرات حساب‌های دریافتنی تقسیم بر جمع دارایی‌های دوره قبل
13	دچو و همکاران (1995)		تغییر در دارایی جاري منهای تغییر در وجه نقد
14	دچو و همکاران (1995)
15	مدل ترکیبی-رقابتی (کنگ و سیواراما کریشنان) (1995)		حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر تغییرات درآمد فروش شرکت دوره جاری
16	مدل ترکیبی-رقابتی (کنگ و سیواراما کریشنان) (1995)		نسبت اجزاء تعهدی دوره قبل تقسیم بر مخار
17	مدل ترکیبی-رقابتی (کنگ و سیواراما کریشنان) (1995)		هزینه استهلاک دوره قبل تقسیم بر ناخالص ماشین آلات، تجهیزات و اموال ضربدر ناخالص ماشین آلات، تجهیزات و اموال
18	مدل ریس و همکاران (1996)، مدل کازنیک (1999)		تغییرات جریان نقد حاصل از عملیات تقسیم بر جمع اقلام تعهدی
19	مدل اصلاح شده کنگ و سیواراما کریشنان (1999)		نسبت حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر درآمد فروش شرکت دوره جاری تقسیم بر جمع دارایی‌های دوره قبل
20	مدل اصلاح شده کنگ و سیواراما کریشنان (1999)		تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش بجز هزینه‌های غیرنقدی
21	مدل هنسن (1999)		عکس جمع دارایی‌های دو دوره قبل
22	مدل هنسن (1999)		هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل
23	مدل هنسن (1999)		وقفه اول هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل
24	مدل هنسن (1999)		نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات تقسیم بر جمع دارایی‌های دو دوره قبل
25	مدل هنسن (1999)		نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل
26	مدل جریان‌های نقدی جونز (جتر و شیواکومار، 1999) مای و همکاران 2019؛ تیاگو 2021		تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر جمع اقلام تعهدی دوره قبل
27	مدل جریان‌های نقدی جونز (جتر و شیواکومار، 1999)، مای و همکاران 2019؛ تیاگو 2021		نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع اقلام تعهدی
28	مدل جریان نقدی کوتاه مدت جونز و اقلام تعهدی تأخیری (انوایز 2001 و پی 2005)، مدل جریان نقد کوتاه مدت جونز (آلکاریا و گیل، 2004)		جریان نقد حاصل از عملیات تقسیم بر جمع دارایی‌های دوره قبل
29	مدل جریان نقدی کوتاه مدت جونز و اقلام تعهدی تأخیری (انوایز 2001 و پی 2005)		اقلام تعهدی سرمایه در گردش دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل
30	مدل جریان نقد جونز (دچو و دیچو، 2002)		تغییرات درآمد فروش شرکت
31	مدل جریان نقد جونز (دچو و دیچو، 2002)، مدل اصلاح شده دچو و دیچو (مک نیکولز 2002 و فرانسیس و همکاران 2005)، مدل ساده دچو و دیگران، مدل جامع دچو و دیگران، مدل تطبیق عملکرد کوتاری (2005)، مدل تورم زدایی شده (نوروش و همکاران، 1388)، مدل کوتاری و همکاران (2012)		ناخالص اموال، ماشین‌آلات و تجهیزات شرکت
32	مدل جریان نقد جونز (دچو و دیچو، 2002)، مدل اصلاح شده دچو و دیچو (مک نیکولز 2002 و فرانسیس و همکاران 2005)		جریان نقد حاصل از عملیات دوره قبل
33	جریان نقد جونز (دچو و دیچو، 2002)، مدل اصلاح شده دچو و دیچو (مک نیکولز 2002 و فرانسیس و همکاران 2005)، بال و شیوا و کومار (2005)		جریان نقد حاصل از عملیات
34	مدل اصلاح شده دچو و دیچو (مک نیکولز، 2002 و فرانسیس و همکاران 2005)، مدل تطبیق عملکرد کوتاری (2005)، مدل کوتاری و همکاران (2012)		تغییرات فروش خالص
35	مدل ساده دچو و دیگران، مدل تورم زدایی شده (نوروش و همکاران  1388)		تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت
36	مدل جامع دچو و دیگران، مدل تطبیق عملکرد کوتاری (2005)		تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت
37	مدل جامع دچو و دیگران		مجموع اقلام تعهدی سال جاری در شرکت
38	مدل جامع دچو و دیگران		عکس جمع دارایی‌های دوره قبل
39	مدل تطبیق عملکرد کوتاری (2005)		نرخ بازده دارایی‌ها
40	مدل بال و شیوا و کومار (2005)		تغییر در جریان‌های نقد عملیاتی
41	مدل بال و شیوا و کومار (2005)		تغییرات جریان نقد عملیاتی ضربدر جریان نقد عملیاتی
42	مدل یون و همکاران (کره 2006 و اسلام و همکاران –بنگلادش 2011)		تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر تغییرات درآمد فروش شرکت
43	مدل یون و همکاران (کره 2006 و اسلام و همکاران –بنگلادش 2011)		تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش بجز هزینه‌های غیرنقدی منهای تغییرات حساب‌های پرداختنی تقسیم بر تغییرات درآمد فروش شرکت
44	مدل یون و همکاران (کره 2006 و اسلام و همکاران –بنگلادش 2011)		هزینه استهلاک منهای تغییرات هزینه مزایای بازنشستگی تقسیم بر تغییرات درآمد فروش شرکت
45	مدل تورم زدایی شده (نوروش و همکاران، 1388)		لگاریتم جمع اقلام تعدی
46	مدل تورم زدایی شده (نوروش و همکاران، 1388)		تغییر در فروش شرکت‌ها تقسیم بر فروش
47	مدل تورم زدایی شده (نوروش و همکاران، 1388)		شاخص تورم
48	مدل تجاری یی (2006)		نرخ بازده دارایی‌ها در دوره قبل
49	مدل تجاری یی (2006)		سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل
50	مدل تجاری یی (2006)		سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره جاری
51	مدل تجاری یی (2006)		سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل ضربدر تغییرات درآمد فروش شرکت
52	مدل تجاری یی (2006)		تغییرات نرخ استهلاک
53	مدل تجاری یی (2006)		تغییرات استهلاک دوره قبل ضربدر ناخالص اموال، ماشین‌آلات و تجهیزات شرکت
54	مدل‌های یون، کیم و وودراف (2012)		تغییرات درآمد فروش شرکت تقسیم بر جمع دارایی‌های در دوره قبل
55	مدل‌های یون، کیم و وودراف (2012)		تغییرات اقلام تعهدی جاری تقسیم بر جمع دارایی‌های دو دوره قبل
56	مدل‌های یون، کیم و وودراف (2012)		ناخالص اموال، ماشین‌آلات و تجهیزات شرکت دوره قبل
57	مدل کوتاری و همکاران (2012)		خالص درآمد
58	مدل نیکولوف 2018	VT-VT-1	معكوس خطاي زمان‌بندي در جريان نقد عملياتي

روش	کاربرد
3BMA	شناسایی متغیرهای غیرشکننده بر اساس مقایسه توزیع‌های پسین و پیشین
TVP-DMA4	شناسایی متغیرهای غیرشکننده بر اساس میانگین معناداری در بازه‌های زمانی مختلف
TVP-DMS5	شناسایی متغیرهای غیرشکننده بر اساس بالاترین سطج احتمال معناداری در بازه‌های زمانی مختلف

 

 

4- تجزیه‌وتحلیل داده‌ها

در جدول شماره (5)؛ آمار توصیفی داده‌های تحقیق ارائه شده است. با توجه به یکسان نبودن مقیاس داده‌های تحقیق اقدام به نرمال‌سازی داده‌های تحقیق نمودیم. داده‌ها در بازه 5 -و 5 نرمال شده‌اند. جهت نرمال‌سازی داده‌ها تمامی داده‌ها از میانگین خود کم شده و بر انحراف معیار هر داده تقسیم شده است.

جدول (5) آمار توصیفی متغیرهای پژوهش

Table (5) Descriptive Statistics of Research Variables ‌

شاخص‌های تحقیق	میانگین	ماکزیمم	مینیمم	انحراف معیار
هزینه‌های استهلاک	0.06	3.4	-3.3	0.28
سود	0.4801	3.51501	-3.93	0.6504
جمع اقلام تعهدی	0.9	3.9	-2.09	0.6
عکس جمع دارایی‌های جاری دوره قبل	0.45	3.9	-4.83	1.78
فروش در دوره جاری	0.561	3.1	-3.9	1.956
فروش در دوره قبل	0.483	3.61	-4.09	2.847
عکس نسبت جمع کل دارایی‌های دوره قبل	0.947	3.3	-3.97	3.05
تغییرات درآمد فروش شرکت بر جمع دارایی‌های دوره قبل	0.43	3.4	-3.5	1.434
نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع دارایی‌های دوره قبل	0.63697	3.8	-3.7805	0.16931
نسبت جمع اقلام تعهدی بر فروش	0.8405	3.0434	-2.0886	2.81129
نسبت جمع اقلام تعهدی بر فروش دوره قبل	0.1712	3.0789	-3.5911	1.9835
تغییرات درآمد فروش شرکت منهای تغییرات حساب‌های دریافتنی تقسیم بر جمع دارایی‌های دوره قبل	0.24	3.9	-3.39	1.52
تغییر در دارایی جاري منهای تغییر در وجه نقد	0.9	3.5	-2.4	1.57
حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر تغییرات درآمد فروش شرکت دوره جاری	0.5	3.7	-2.33	0.7
نسبت اجزاء تعهدی دوره قبل تقسیم بر مخار	0.6	3.9	-3.41	1.9
هزینه استهلاک دوره قبل تقسیم بر ناخالص ماشین آلات، تجهیزات و اموال ضربدر ناخالص ماشین آلات، تجهیزات و اموال	0.98	3.2	-2.5	1.27
تغییرات جریان نقد حاصل از عملیات تقسیم بر جمع اقلام تعهدی	0.3	3.4	-3.1	1.06
نسبت حساب‌های دریافتنی دوره قبل تقسیم بر تغییرات درآمد فروش شرکت دوره قبل ضربدر درآمد فروش شرکت دوره جاری تقسیم بر جمع دارایی‌های دوره قبل	0.3	3.67	-3.6	1.3
تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش بجز هزینه‌های غیرنقدی	0.91	3.16	-3.2	1.09
عکس جمع دارایی‌های دو دوره قبل	0.433	3.866	-4.14	0.157
هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل	0.6	3.8	-3.3	2.9
وقفه اول هزینه‌های اختیاری تقسیم بر جمع دارایی‌های دو دوره قبل	0.7	3.76	-3.6	2.2
نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات تقسیم بر جمع دارایی‌های دو دوره قبل	0.48	3.6	-4.09	2.79
نسبت مبلغ فروش اموال، ماشین‌آلات و تجهیزات دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل	0.6	4.01	-3.6	2.2
تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر جمع اقلام تعهدی دوره قبل	0.698	3.8	-3.6	1.07
نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع اقلام تعهدی	0.3	3.4	-3.6	1.3
جریان نقد حاصل از عملیات تقسیم بر جمع دارایی‌های دوره قبل	0.4	4.1	-3.12	1.5
اقلام تعهدی سرمایه در گردش دوره قبل تقسیم بر جمع دارایی‌های دو دوره قبل	0.1	3.5	-2.9	0.2
تغییرات درآمد فروش شرکت	0.67	3.08	-3.2	1.95
ناخالص اموال، ماشین‌آلات و تجهیزات شرکت	0.14	3.84	-3.7	1.8
جریان نقد حاصل از عملیات دوره قبل	0.3	3.4	-2.6	0.95
جریان نقد حاصل از عملیات	0.5	3.8	-3.9	0.3
تغییرات فروش خالص	0.75	3.78	-3.1	1.076
تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت	0.9	3.09	-3.4	1.8
تغییرات فروش خالص منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت	0.51	3.9	-3.9	1.23
مجموع اقلام تعهدی سال جاری در شرکت	0.4	3.3	-3.5	1.6
عکس جمع دارایی‌های دوره قبل	0.874	3.76	-2.6	3.96
نرخ بازده دارایی‌ها	0.644	3.95	-3.4	2.91
تغییر در جریان‌های نقد عملیاتی	0.58	3.82	-3.2	1.828
تغییرات جریان نقد عملیاتی ضربدر جریان نقد عملیاتی	0.042	3.544	-2.589	0.794
تغییرات درآمد فروش شرکت منهای تغییرات حساب‌ها و اسناد دریافتنی شرکت تقسیم بر تغییرات درآمد فروش شرکت	0.042	3.544	-2.589	0.794
تغییرات مجموع بهای تمام شده کالای فروش رفته و هزینه‌های عمومی و اداری و فروش بجز هزینه‌های غیرنقدی منهای تغییرات حساب‌های پرداختنی تقسیم بر تغییرات درآمد فروش شرکت	0.244	3.337	-3.117	0.051
هزینه استهلاک منهای تغییرات هزینه مزایای بازنشستگی تقسیم بر تغییرات درآمد فروش شرکت	0.03	3.131	-2.063	0.047
لگاریتم جمع اقلام تعدی	0.214	3.325	-3.136	0.038
تغییر در فروش شرکت‌ها تقسیم بر فروش	0.189	3.347	-2.103	0.045
شاخص تورم	0.025	3.066	-3.121	0.038
نرخ بازده دارایی‌ها در دوره قبل	0.391	3.746	-3.073	1.03
سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل	0.017	3.7	-2.3	2.956
سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره جاری	0.306	3.4	-3.8	1.811
سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی) دوره قبل ضربدر تغییرات درآمد فروش شرکت	0.5	3.21	-2.23	1.1
تغییرات نرخ استهلاک	0.961	4.136	-2.86	4.356
تغییرات استهلاک دوره قبل ضربدر ناخالص اموال، ماشین‌آلات و تجهیزات شرکت	0.708	4.345	-3.74	3.201
تغییرات درآمد فروش شرکت تقسیم بر جمع دارایی‌های در دوره قبل	0.638	4.202	-3.52	2.01
تغییرات اقلام تعهدی جاری تقسیم بر جمع دارایی‌های دو دوره قبل	0.046	3.899	-2.847	0.874
ناخالص اموال، ماشین‌آلات و تجهیزات شرکت دوره قبل	0.046	3.899	-2.847	0.874
خالص درآمد	0.268	3.671	-3.428	0.057
معكوس خطاي زمان‌بندي در جريان نقد عملياتي	0.033	3.444	-2.27	0.051

 

آمار توصیفی پژوهش بیانگر شاخص میانگین که مرکز ثقل داده‌ها را نمایش می‌دهد، ماکزیمم و مینیمم داده که حداقل و حداکثر داده را نمایش می‌دهد. انحراف معیار داده‌ها پراکندگی حول میانگین و آماره جارک برا وضعیت توزیع داده را نسبت به توزیع نرمال نمایش می‌دهد.

در این بخش از تحقیق قبل از شناسایی مهم‌ترین متغیرهای موثر بر اقلام تعهدی لازم است؛ اقدام به تعیین کاراترین رویکرد اقتصادسنجی بنماییم. در نتیجه چون هدف تعیین مدل بهینه است لازم است از رویکرد پیش بینی درون نمونه‌ای بهره گرفته شود. برای دست یافتن به ثبات نتایج در سه بازه زمانی 1 دوره (h=1)، 4 دوره (h=4) و 8 دوره (h=8) اقدام به پیش‌بینی اقلام تعهدی شده است. دوره زمانی آموزش پیش‌بینی از 1390 تا 1397 و در دوره زمانی بررسی عملکرد پیش‌بینی از 1398 تا 1400 می‌باشد. به منظور ارزیابی عملکرد پیش‌بینی (MSFE)، از مربع میانگین خطای پیش‌بینی (MAFE) قدرمطلق میانگین خطای پیش‌بینی (MAFE)، میانگین درصد قدر مطلق خطای پیش‌بینی (MAPE)، تورش خطای پیش‌بینی (Bias) و واریانس خطای پیش‌بینی (FEV) و مجموع لگاریتم احتمالات پیش‌بینی (PL)Log استفاده شده است.

جدول (6) معیارهاي عملکرد پیش‌بینی در افق‌هاي پیش‌بینی مختلف

Table (6) Forecast Performance Criteria in Different Forecast Horizons

بر اساس نتایج شاخص مجموع لگاریتم احتمالات پیش‌بینی (PL)Log در هر سه بازه زمانی از دقت بالاتری برخودار بوده است. لازم بذکر است اگرچه نتایج شاخص‌های MAFE، MSFE، MAPE، FEV و Bias عموماً در راستای نتایج مجموع لگاریتم احتمالات پیش‌بینی است؛ اما شاخص مجموع لگاریتم احتمالات پیش‌بینی به علت اینکه کل مدل را لحاظ می‌کند از کارایی بالاتری برخوردار است؛ به همین دلیل در این تحقیق از این شاخص بهره گرفته شده است. بر اساس نتایج شاخص مجموع لگاریتم احتمالات پیش‌بینی مدل BMA در تمامی حالت‌ها از عملکرد مطلوب‌تری برخوردار است. در نتیجه در ادامه به بررسی نتایج مدل BMA پرداخته می‌شود. در این رویکرد ابتدا تمامی حالت‌های ممکن حضور متغیرهای توضیحی بر روی متغیر وابسته رگرسیون می‌گردد. در این روش چندین نکته حائز اهمیت است. اول اینکه یک متغیر در تمامی مدل‌های ممکن حضور ندارد. نکته دوم اینکه لزوماً متغیر مذکور در تمامی مدل‌هایی که حضور دارد تأثیر معناداری بر متغیر وابسته ندارد؛ بر این اساس نسبت تعداد مدل‌هایی که متغیر مذکور معنادار شده به تعداد مدل‌هایی که حضور دارد؛ شاخصی جهت حضور متغیر مذکور در مدل بهینه است؛ سوم اینکه با افزایش تعداد متغیرها محاسبه تمامی حالت‌ها امکان‌پذیر نیست. در نتیجه بر اساس دیدگاه سالای و مارتین (2004)، از یک تعداد برآورد به بعد (حدود 100 تا 200 میلیون رگرسیون)، نسبت حضور معنادار یک متغیر به تمامی حالت‌ها، به سمت یک عدد مشخص میل می‌نماید و در نتیجه نیازی به برآورد تمامی حالت‌ها نمی‌باشد.

در نهایت نیاز به یک آستانه تصمیم‌گیری جهت حذف متغیرها وجود دارد؛ برای تعیین حد بهینه از نسبت k تقسیم بر کل متغیرها بهره گرفته خواهد شد (k تعداد متغیرهای پیشنهادی است که از دیدگاه محقق بالاترین تأثیر را بر متغیر وابسته دارند). این k تجربی بوده و بر اساس دیدگاه محقق انتخاب می‌شود (عبدی و همکاران، 1401).  

براي دستيابي به نتيجه مي‌بايست محاسبات روي تمام مدل‌ها در فضاي مدل انجام شود. با توجه به تعداد متغيرهاي بررسي شده، تعداد مدل‌هاي موجود (براساس حضور يا عدم حضور هر متغير)، در فضاي مدل برابر 258 مدل مي‌باشد كه بيش از 288 هزار میلیارد⁶ مدل رگرسيوني است. به عبارت ديگر فضاي مدل شامل 258 مدل مي‌باشد كه با توجه به فرض عدم اطمينان مدل يعني به دور از اعمال نظر شخصي در انتخاب مدل مي‌بايست همه‌ي مدل‌ها بررسي شده و از اطلاعات همه‌ي مدل‌ها براي دستيابي به نتيجه استفاده شود.

به پيروي از سالاي مارتين و همكاران (2004)، مقدار k در اين مقاله مساوي 10 در نظر گرفته شده است. اين عدد بازگوكننده‌ي اين مطلب است كه انتظار مي‌رود در نهايت 10 متغير به عنوان متغيرهاي غيرشكننده توسط فرآيند محاسبات معرفي شود؛ اما كاملاً روشن مي‌باشد كه امكان دارد در نهايت تعداد كم‌تر و يا بيش‌تر از 10 متغير غيرشكننده باشند.

در ابتدا با به دست آوردن نمونه‌اي شامل 10 ميليون رگرسيون از فضاي مدل، ضرايب و احتمال پیشين هر متغير محاسبه شد. در ادامه 10 ميليون رگرسيون به نمونه‌ي اول اضافه شده و محاسبات براي 20 ميليون رگرسيون (سپس 30، 40، 50، 60، 70، 80، 90 میلیون رگرسیون) انجام شد و در نهایت برای 100 میلیون رگرسیون ضرايب و احتمالات پسين به دست آمد. پس از حصول شرط همگرایی⁷ دیگر نیازی به افزایش حجم نمونه جهت تعیین متغیرهای غیر شکننده وجود ندارد (جدول شماره 7). جهت غیر شکننده معرفی نمودن یک متغیر دو شرط لازم است تحقق یابد. 1) افزایش احتمال پسین هر متغیر نسبت به احتمال پیشین 2) بالا بودن سطح احتمال پسین از سطح آستانه تعریف شده («سطح آستانه اولیه=10تقسیم بر 58=172/0»).

شايان ذكر است كه در مرحله‌ي اول به دليل فرض عدم اطمينان مدل، از اطلاعات غير داده‌اي و در مرحله‌ي دوم به دليل دستيابي سريع‌تر به همگرايي از اطلاعات دادهاي استفاده شد؛ همچنين متغيرهايي كه احتمال پسيني كم‌تر از احتمال پيشين در نظر گرفته شده داشتند، به دليل شكننده بودن در مقابل ساير متغيرها از مدل خارج شدند (در مرحله‌ي اول 35 متغير غيرشكننده بودند كه در مرحله‌ي دوم با اين متغيرها كه احتمال پسين بيش‌تري نسبت به احتمال پيشين داشته‌اند محاسبات را ادامه مي‌دهيم).

جدول (7) مرحله اول فرآیند نمونه‌گیري و محاسبات با فرض  

Table (7) The First Stage of the Sampling Process and Calculations Assuming

	h=1
	Log(pl)	MAFE	MSFE	MAPE	FEV	Bias
	68.958	0.071	0.009	0.187	0.009	0.017
	76.309	0.062	0.007	0.183	0.007	0.014
	78.001	0.057	0.006	0.168	0.006	0.013
	69.739	0.076	0.011	0.191	0.010	0.018
	80.483	0.067	0.008	0.169	0.008	0.011
	100.298	0.053	0.006	0.152	0.006	0.015
	66.599	0.073	0.010	0.194	0.009	0.016
	71.045	0.067	0.008	0.221	0.007	0.023
	109.698	0.014	0.002	0.106	0.021	0.005
	−	0.470	0.321	0.715	0.110	0.445
	−	0.078	0.011	0.228	0.010	0.030
)	−	0.083	0.012	0.211	0.011	0.027
	−	0.100	0.017	0.304	0.015	0.046
	−	0.133	0.029	0.436	0.017	0.104
	h=4
	65.321	0.074	0.010	0.183	0.010	0.020
	72.154	0.062	0.007	0.171	0.007	0.015
	73.367	0.057	0.006	0.160	0.006	0.014
	65.415	0.079	0.011	0.187	0.011	0.020
	75.078	0.068	0.008	0.167	0.008	0.009
	92.045	0.057	0.007	0.161	0.007	0.009
	63.036	0.074	0.010	0.185	0.009	0.015
	68.714	0.066	0.007	0.194	0.007	0.021
	93.295	0.016	0.003	0.099	0.002	0.014
	−	0.483	0.366	1.030	0.144	0.457
	−	0.100	0.034	0.400	0.032	0.034
)	−	0.087	0.029	0.353	0.028	0.029
	−	0.102	0.018	0.296	0.016	0.045
	−	0.138	0.030	0.409	0.018	0.108
	h=8
	61.514	0.076	0.010	0.516	0.010	0.010
	68.141	0.062	0.007	0.378	0.007	0.012
	69.137	0.056	0.006	0.298	0.006	0.013
	59.502	0.080	0.011	0.519	0.011	0.009
	71.694	0.071	0.010	0.432	0.009	0.008
	85.258	0.061	0.008	0.402	0.008	0.011
	63.177	0.073	0.009	0.534	0.009	0.010
	68.197	0.062	0.007	0.445	0.006	0.012
	78.255	0.016	0.002	0.074	0.005	0.002
	−	0.316	0.185	0.856	0.176	0.090
	−	0.093	0.133	3.422	0.096	0.187
)	−	0.087	0.078	2.397	0.078	0.084
	−	0.097	0.016	0.841	0.015	0.035
	−	0.137	0.030	0.964	0.018	0.104

منبع: محاسبات محقق

در مرحله‌ي اول با استفاده از شروط دو گانه فوق (بالاتر بودن مقدار توزیع پسین از پیشین و بالاتر بودن عدد ستون توزیع پسین از عدد 172/0)، با مقایسه ستون توزیع پیشین و پسین جهت تعیین نمودن متغیرهای غیر شکننده، 38 متغیر انتخاب شدند. یعنی 38 متغیر مقدار احتمال پسین بیش‌تری نسبت به احتمال پیشین داشتند و این 38 متغیر سطح احتمال پسین بالاتر از سطح آستانه 172/0 داشتند. در ادامه تمامی مراحل انجام شده در مرحله اول را در مرحله دوم بر روی 38 متغیر باقیمانده اعمال خواهیم نمود. در مرحله دوم نيز ابتدا يك نمونه شامل 5 ميليون رگرسيون بر روی 38 متغیر منتخب اعمال شده و محاسبات ضرايب و احتمالات پسين صورت گرفته است. در ادامه با اعمال دو شرط مذکور «سطح آستانه ثانویه=10تقسیم 38=263/0»؛ مهم‌ترین متغیرهای موثر بر اقلام تعهدی شناسایی خواهند شد. نتایج در جدول شماره (8)، مي‌توان ديد.

جدول (8) مرحله دوم فرآیند نمونه‌گیري و محاسبات با فرض  

Table (8) The Second Stage of the Sampling Process and Calculations Assuming

نمونه اول شامل 100 میلیون رگرسیون		نمونه اول شامل 10 میلیون رگرسیون		متغیر	نماد
احتمال پسین	ضریب پسین	احتمال پیشین	ضریب پیشین
0.121	0.132	0.107	0.002		1
0.092	0.003	0.073	0.004		2
0.146	0.023	0.070	0.024		3
0.878	0.176	0.535	0.319		4
0.169	0.127	0.145	0.417		5
0.155	0.209	0.118	0.428		6
0.234	0.788	0.207	0.147		7
0.881	0.034	0.470	0.029		8
0.688	0.051	0.207	0.080		9
0.362	0.068	0.199	0.111		10
0.247	0.400	0.122	0.000		11
0.441	0.007	0.222	0.006		12
0.161	0.127	0.102	0.599		13
0.162	0.022	0.130	0.039		14
0.219	0.718	0.179	0.692		15
0.330	0.025	0.173	0.015		16
0.225	0.000	0.152	0.000		17
0.230	0.188	0.138	0.059		18
0.212	0.955	0.162	0.489		19
0.195	0.044	0.190	0.189		20
0.128	0.000	0.109	0.000		21
0.148	0.546	0.123	0.129		22
0.239	0.014	0.205	0.017		23
0.398	0.034	0.106	0.002		24
0.796	0.031	0.691	0.060		25
0.183	0.020	0.164	0.034		26
0.192	0.057	0.217	0.187		27
0.263	0.002	0.073	0.002		28
0.398	0.000	0.239	0.000		29
0.295	0.007	0.222	0.006		30
0.727	0.013	0.502	0.006		31
0.632	0.216	0.530	0.394		32
0.129	0.001	0.157	0.002		33
0.430	0.025	0.273	0.015		34
0.214	0.188	0.073	0.059		35
0.164	0.721	0.180	0.721		36
0.831	0.366	0.708	0.346		37
0.233	0.044	0.190	0.189		38
0.650	0.204	0.460	0.203		39
0.165	0.366	0.132	0.346		40
0.460	0.152	0.208	0.083		41
0.298	0.337	0.106	0.193		42
0.312	0.005	0.123	0.013		43
0.153	0.020	0.164	0.034		44
0.159	0.955	0.162	0.489		45
0.145	0.002	0.173	0.002		46
0.311	0.000	0.139	0.000		47
0.383	0.002	0.186	0.003		48
0.498	0.005	0.306	0.006		49
0.123	0.002	0.126	0.002		50
0.436	0.152	0.258	0.083		51
0.130	0.001	0.033	0.002		52
0.215	0.718	0.107	0.692		53
0.280	0.145	0.164	0.126		54
0.128	0.238	0.030	0.321		55
0.143	0.174	0.029	0.131		56
0.136	0.152	0.258	0.083		57
0.730	0.001	0.533	0.002	VT-VT-1	58

منبع: محاسبات محقق

در ادامه تمامی مراحل انجام شده در مرحله اول و دوم را در مرحله سوم بر روی 20 متغیر باقیمانده اعمال خواهیم نمود. در مرحله سوم نيز ابتدا يك نمونه شامل 1 ميليون رگرسيون بر روی 20 متغیر منتخب اعمال شده و محاسبات ضرايب و احتمالات پسين صورت گرفته است. در ادامه با اعمال دو شرط مذکور «سطح آستانه ثانویه=10تقسیم 20=50/0»؛ مهم‌ترین متغیرهای موثر بر اقلام تعهدی شناسایی خواهند شد. نتایج در جدول شماره (9)، مي‌توان ديد.

جدول (9) مرحله سوم فرآیند نمونه‌گیري و محاسبات با فرض  

Table (9) The Third Stage of the Sampling Process and Calculations Assuming

نمونه اول شامل 50 میلیون رگرسیون		نمونه اول شامل 5 میلیون رگرسیون		متغیر	ردیف
احتمال پسین	ضریب پسین	احتمال پیشین	ضریب پیشین
0.896	0.180	0.133	0.002		4
0.439	0.804	0.190	0.003		7
0.899	0.035	0.281	0.020		8
0.702	0.052	0.455	0.271		9
0.259	0.069	0.185	0.364		10
0.212	0.408	0.400	0.025		11
0.450	0.007	0.176	0.068		12
0.223	0.732	0.169	0.094		15
0.237	0.026	0.189	0.005		16
0.430	0.000	0.087	0.509		17
0.235	0.192	0.196	0.033		18
0.316	0.974	0.147	0.013		19
0.499	0.045	0.203	0.000		20
0.244	0.014	0.275	0.110		23
0.406	0.035	0.090	0.002		24
0.212	0.032	0.587	0.051		25
0.387	0.020	0.203	0.000		26
0.196	0.058	0.189	0.005		27
0.238	0.002	0.427	0.005		28
0.206	0.000	0.451	0.335		29
0.201	0.007	0.218	0.002		30
0.242	0.013	0.232	0.013		31
0.645	0.220	0.602	0.294		32
0.439	0.026	0.391	0.173		34
0.218	0.192	0.333	0.294		35
0.248	0.373	0.090	0.164		37
0.338	0.045	0.105	0.011		38
0.663	0.208	0.147	0.002		39
0.269	0.155	0.118	0.000		41
0.204	0.344	0.260	0.005		42
0.318	0.005	0.219	0.071		43
0.317	0.000	0.453	0.002		47
0.391	0.002	0.139	0.107		48
0.208	0.005	0.111	0.273		49
0.245	0.155	0.280	0.111		51
0.419	0.732	0.306	0.006		53
0.896	0.180	0.164	0.126		54
0.339	0.804	0.186	0.003	VT-VT-1	58

در مرحله‌ي سوم با استفاده از شروط، جهت تعیین نمودن متغیرهای غیر شکننده، 11 متغیر انتخاب شدند. یعنی 11 متغیر مقدار احتمال پسین بیش‌تری نسبت به احتمال پیشین داشتند و این 11 متغیر سطح احتمال پسین بالاتر از سطح آستانه 50/0 داشتند. با توجه به اینکه K محاسباتی به K پیشنهادی بسیار نزدیک است محاسبات را متوقف خواهیم نمود.

از آن جهت كه در حضور بقيه‌ي متغيرها 10 متغير منتخب شدند، اين متغيرها نيرومند يا غيرشكننده ناميده مي‌شوند و بقيه‌ي متغيرها را كه احتمال ورود پسين كم‌تری از احتمال پيشين دارند را شكننده مي‌نامند. با توجه به جدول شماره (10)، مشهود است كه متغيرهاي 11 گانه در حضور همه‌ي متغيرها احتمال پسين ورود بيش‌تري نسبت به احتمال پيشين خود يافته‌اند. به عبارت ديگر اين متغيرها در حضور سایر متغیرها بامعني شده‌‌‌اند. در نتیجه مدل تحقیق با این 11 متغیر طراحی خواهد شد. به ترتيب در ستون سوم و چهارم، ضرايب پسين و انحراف معيارهاي پسين متغيرها بيان شده است و در ستون پنجم (از راست به چپ)، آماره‌ي نسبت آمارهt هر متغیر ارائه شده است. 

جدول (10) اولویت‌بندی متغیرهای موثر بر اقلام تعهدی در مدل بهینه

Table (10) Prioritization of Variables Affecting Accruals in the Optimal Model

نمونه اول شامل 2 میلیون رگرسیون		نمونه اول شامل 1 میلیون رگرسیون		متغیر	نماد
احتمال پسین	ضریب پسین	احتمال پیشین	ضریب پیشین
0.323	0.185	0.201	0.003		4
0.746	0.828	0.298	0.021		7
0.926	0.036	0.482	0.287		8
0.723	0.054	0.196	0.386		9
0.764	0.007	0.424	0.027		12
0.637	0.041	0.092	0.540		17
0.325	0.003	0.208	0.035		19
0.414	0.046	0.156	0.014		20
0.418	0.036	0.215	0.000		24
0.399	0.021	0.292	0.117		26
0.664	0.227	0.095	0.002		32
0.652	0.027	0.215	0.000		34
0.348	0.046	0.453	0.005		38
0.683	0.214	0.478	0.355		39
0.328	0.005	0.231	0.002		43
0.727	0.037	0.246	0.014		47
0.503	0.002	0.638	0.312		48
0.403	0.018	0.111	0.012		53
0.323	0.185	0.125	0.000		54
0.549	0.828	0.276	0.005	VT-VT-1	58

منبع: محاسبات محقق

بر اساس نتایج متغیرهایی که بالاترین نسبت آماره T را داشته باشند از اهمیت بالاتری در اقلام تعهدی دارند (کوپ و همکاران 2020؛ ناصر 2014؛ استاک و واتسون 2002، سالای مارتین و همکاران 2004؛ شیخلی و همکاران 1401، کریمی و همکاران 1401، محمدی و همکاران 1399). اولویت اثرگذار متغیرهای موثر بر اقلام تعهدی در ستون آخر نمایش داده شده است. جهت بررسی صحت نتایج توابع پسین و پیشین مابین متغیرها تحقیق ارائه شده است. بر اساس نتایج نمودار شماره (2)؛ مشاهده می‌گردد که متغیرهای تحقیق از توابع پسین و پیشین مناسبی که از تطابق بالایی برخوردارند. در نتیجه مدل در شرایط آماری مناسبی قرار دارد.

 

نمودار (2) توابع پسین و پیشین متغیرهای منتخب

Figure (2) Posterior and Anterior Functions of Selected Variables

 

نمودار شماره 3: میانگین احتمال پسین ساده و تجمعی 1000 مدل برتر

Chart No. 3: Simple and Cumulative Posterior Probability Average of Top 1000 Models

منبع: محاسبات محقق

بر اساس نتایج نمودار کاملاً مشهود است که 1000 مدل برتر در حالت تجمعی توانایی توضیح‌دهندگی بیش از 99 درصد تغییرات اقلام تعهدی را دارا هستند. بر این اساس مدل بهینه را می‌توان به شرح زیر بیان نمود:

با توجه به اینکه از یک تابع بیزین بهره گرفته شده است در کنار ضریب اثرگذاری میزان احتمال اثرگذاری ضریب نیز باید در نظر گرفته شود. با توجه به اینکه از یک تابع بیزین بهره گرفته شده است در کنار ضریب اثرگذاری میزان احتمال اثرگذاری ضریب نیز باید در نظر گرفته شود.

 

بر اساس نتایج برآورد مدل بیزین مدل ریاضی تحقیق به شرح زیر خواهد بود.

 

به عنوان مثال متغیر  به اندازه 828/0 بر متغیر اقلام تعهدی تأثیر دارد و این ضریب به اندازه 746/0 دارای اعتبار در حضور مدل بهینه است. بالا بودن سطح احتمال وقوع از 50 درصد بیانگر مطلوب بودن ارتباط مابین متغیر مذکور با اقلام تعهدی است (کوپ و همکاران 2020؛ ناصر 2014؛ استاک و واتسون 2002، سالای مارتین و همکاران 2004؛ شیخلی و همکاران 1401، کریمی و همکاران 1400، محمدی و همکاران 1399).

 

5- بحث و نتیجه‌گیری

الگوی مدونی در حوزه محاسبه و پیش بینی اقلام تعهدی وجود ندارد (والاسکووا و همکاران، 2020). بر این اساس از رویکرد بیزی جهت شناسایی مدل بهینه اقلام تعهدی در بازار سرمایه بهره گرفته شد. رویکرد بیزی این اطمینان را به محقق می‌دهد که متغیرهایی که جهت برآورد اقلام تعهدی به کار می‌روند بالاترین سطح تطابق اطلاعاتی را در بازه زمانی مذکور با اقلام تعهدی دارند.

در این پژوهش 58 متغیر موثر بر اقلام تعهدی وارد مدل میانگین‌گیری بیزین گردیدند. نتایج بیانگر این واقعیت است که 11 متغیر شکننده موثر بر اقلام تعهدی شناسایی شدند. متغیرهای مذکور عبارتند از: 1-عکس نسبت جمع دارایی‌ها 2-تغییرات درآمد فروش شرکت بر جمع دارایی‌های دوره قبل 3-نسبت مبلغ ناخالص اموال، ماشین‌آلات و تجهیزات شرکت بر جمع دارایی‌های دوره قبل 4-تغییرات درآمد فروش شرکت منهای تغییرات حساب‌های دریافتنی تقسیم بر جمع دارایی‌های دوره قبل 4-هزینه استهلاک دوره قبل تقسیم بر ناخالص ماشین‌آلات 5-تجهیزات و اموال ضربدر ناخالص ماشین آلات، تجهیزات و اموال 6-جریان نقد حاصل از عملیات دوره قبل 7-تغییرات فروش خالص 8-شاخص تورم 9-نرخ بازده دارایی‌ها در دوره قبل10- سرمایه در گردش غیرنقدی (دارایی‌های جاری منهای بدهی‌های جاری و نقدی)، دوره قبل ضربدر تغییرات درآمد فروش شرکت 11-معكوس خطاي زمان‌بندي در جريان نقد عملياتي)، شناسایی شدند. بر اساس نتایج متغیرهای تشکیل دهنده هر سه نوع مدل‌های اقلام تعهدی اختیاری (تأکید بر دارایی‌ها و فروش، هزینه‌های اختیاری)؛ مدل درآمد اختیاری (تأکید بر سود، درآمد و گردش جریان وجه نقد)؛ مدل‌های ترکیبی در مدل بهینه حضور دارند.

در اين مطالعه از طريق بررسي ارتباطات تجربي نشان داديم که با توجه به احتمالات مختلف محاسبه شده بين مدل‌های جايگزين، اعتماد به يک مدل مفهومي منفرد در فرايند مدل‌سازی اقلام تعهدی منجر به ايجاد پيش‌بيني‌های غير صحيح و در نهايت تصميمات مديريتي در رابطه با آن مدل با خطر شکست مواجه خواهد شد. بر اساس نتایج تعدد عوامل موثر بر اقلام تعهدی هشداردهنده این واقعیت است که در مدیریت مالی شرکت لازم است از یک دیدگاه سیستمی بهره برد و صرفاً در نظر گرفتن یک مدل مشخص یا یک سری متغیر مشخص نمی‌تواند دیدگاه جامعی در راستای تعیین مدل بهینه اقلام تعهدی ارائه نماید. بر اساس نتایج حاصل از میانگین‌گیری بیزین عامل تغییرات درآمد فروش شرکت بر جمع دارایی‌های دوره قبل مهمترین شاخص در شناسایی اقلام تعهدی است؛ در نتیجه سیاست‌هایی همچون ایجاد توازن در ترازنامه شرکت و بهبود نسبت‌های نقدینگی جاری و آنی عامل مهمی در کاهش مدیریت سود تعهدی خواهد بود.

نتایج تحقیق حاضر در راستای نتایج تحقیقات بریور و همکاران (2023)؛ هانگ و همکاران (2022)؛ بایرن (2020)؛ ثقفی و همکاران (1401)؛ بوژمهرانی و همکاران (1399)؛ قربانی و همکاران (1397)؛ قرار دارد. بر این اساس طراحی یک رویکرد جامع با در نظر گرفتن شرایط محیطی ایران، موجب کاراتر شدن مدل تحقیق نسبت به سایر مدل‌ها خواهد شد.

 

6- تعارض منافع

"هیچ‌گونه تعارض منافع توسط نویسندگان بیان نشده است."

 

7- منابع

بوژمهرانی، احسان، کامیابی، یحیی و ملکیان، اسفندیار. (1399). زمان‌بندی جریان‌های نقدی و رویدادهای اقتصادی: الگویی برای طبقه‌بندی اقلام تعهدی. دانش حسابداری و حسابرسی مدیریت، 9(33)، 268-284.

ثقفی، علی، بولو، قاسم و سهرابی ورزنه حسینعلی، (1401)؛ مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده‌ها، مطالعات تجربی حسابداری مالی، مقاله 1، دوره 19، شماره 75، صفحه 1-40.

شیخلی، سمانه، نصیری اقدم، علی، آماده، حمید و درودیان، حسین، (1401)، مدل‌سازی پیش‌بینی بحران بانکی ایران با رویکرد مدل‌های میانگین‌گیری بیزین، نظریه‌های کاربردی اقتصاد سال نهم زمستان شماره 4.

عبدی، مجید، حسینی، سیده عاطفه، و غلام ابری، امیر. (1401). مدل‌سازی پیش‌بینی بازده، ویژگی‌های جدید به مدل‌های مقایسه‌گیری پویای بیزین و مکان‌های مختلف. پیشرفت های مالی و سرمایه گذاری , 3 (8), 138-111.

قربانی، آرش، ودیعی، نوقابی و محمد حسین. (1397). توسعه مدل‌‌های جبری و تجربی برای تبیین و کنترل مولفه‌‌های موثر بر فرایندهای ایجاد اقلام تعهدی. پژوهش‌های کاربردی در گزارش‌گری مالی، 7(1)، 7-42.

کریمی، جعفر و کریمی پتانلار، سعید. (۱۴۰۰). مدل‌سازی عوامل مؤثر بر فرار مالیاتی در اقتصاد ایران بر اساس رویکرد میانگین‌گیری بیزی. فصلنامه پژوهش‌ها و سیاست‌های اقتصادی. ۲۹ (۱۰۰): ۱۰۵-۱۵۲.

محمدی، تیمور، خیابانی، ناصر، بهرامی، جاوید و فهیمی فر، فاطمه. (۱۳۹۹). مقایسه روش‌های مختلف پیش‌بینی رشد اقتصادی ایران با تأکید بر مدل‌های گزینشی نمودن و متوسط‌گیری الگوی پویا. پژوهش‌های اقتصادی (رشد و توسعه پايدار). ۲۰ (۴) :۹۳-۱۲۳.

مظفرنیا، مهدی، فلاح شمس، میرفیض، و زمردیان، غلامرضا. (1400). وابستگی رژیمی و سرایت پذیری چرخه ای تلاطم نرخ ارز و قیمت سهام در ایران. پیشرفت های مالی و سرمایه گذاری , 2 (4), 129-107.

Algharaballi, E., & Albuloushi, S. (2008). Evaluating the specification and power of discretionary accruals models in Kuwait, Journal of Derivatives & Hedge Funds Volume 14 Numbers, pp 251-264.

Anna, S,. (2021). Historical Development of Earnings Management Models, Behavioral Economics and Decision-Making, Volume 92.

Ball, R., & Brown, P,. (1968). An empirical evaluation of accounting numbers, Journal of Accounting Research 6, 159-178.

Beaver, W.H. (1968). The information content of annual earnings announcements, Journal of Accounting Research 6, Suppl., 67-92.

Breuer, M., & Schütt, H. (2023), Accounting for uncertainty: an application of Bayesian methods to accruals models, Review of Accounting Studies, 28, issue 2, p. 726-768.

Caylor, R. (2009). Strategic revenue recognition to achieve earnings benchmarks , Journal of Accounting and Public Policy , Forthcoming.

Das, S., Shroff P K., & Zhang, H. (2009). Quarterly Eamings Patterns and Eamings Management, Contemporary Accounting Research Vol. 26 No. 3 (Fall): 797-831

Dechow, M., Richardson, SA., & Tuna, I A. (2003). Why are earnings kinky? An examination of the earnings management explanation, Review of Accounting Studies, 8(June-September): 355–384.

Dechow, P., Sloan, R., & Sweeney. AP. (1995). Detecting earnings management, The Accounting Review, 70, 2 (April): 193–225.

Deniz, P, & Thanasis, S. (2023). Revisiting the Determinants of Consumption: A Bayesian Model Averaging Approach. Journal of Risk and Financial Management 16: 190. https:// doi.org/10.3390/jrfm16030190

Fama, E F. (1970). Efficient Capital Markets:a Review of Theory and Empirical Work, Journal of Finance.

Fama, Eugene F. & James D. (1973). Risk, return, and equilibrium: Empirical tests, Journal of Political Economy, 81, 3 (May-June): 636–607.

Gupta, R., Hammoudeh, Sh., Kim, W.J. & Simo -Kengne, B.D. (2014). Forecasting China’s foreign exchange reserves using dynamic model averaging: The roles of macroeconomic fundamentals, financial stress and economic uncertainty. North American Journal of Economics and Finance, 28: 170 -189

Islam Md. A, Ruhani, A, and Zamri A. (2011) . Is Modified Jones Model Effective in Detecting Earnings Management? Evidence from A Developing Economy, International Journal of Economics and Finance Vol. 3, No. 2, (May).

Barker, R., Penman, S., Linsmeier, T.J., & Cooper, S. (2020). Moving the conceptual framework forward: accounting for uncertainty. Contemporary Accounting Research, 37(1), 322–357. https://doi.org/10.1111/1911-3846.12585.

Gelman, A., Stern, H.S., Carlin, J.B., Dunson, D.B., Vehtari, A., & Rubin, D.B. (2013). Bayesian data analysis. Boca Raton: Chapman and Hall/CRC.

Johnstone, D. (2018). Accounting theory as a Bayesian discipline. Foundations and Trends in Accounting, 13(1-2), 1–266. https://doi.org/10.1561/1400000056.

Ball, R. (2013). Accounting informs investors and earnings management is rife: two questionable beliefs. Accounting Horizons, 27(4), 847–853. https://doi.org/10.2308/acch-10366.

Lewis, C.M. (2012). Risk modeling at the SEC: The accounting quality model. https://www.sec.gov/news/speech/2012-spch121312cmlhtm (accessed: 01/20/2020).

Jones, Jennifer J. (1991). Earnings management during import relief investigations, Journal of Accounting Research, 29, 2 (Autumn): 193–228.

Kang Sok-Hyon and Sivaramakrishnan K. (1995). Issues in testing earnings management and an instrumental variable approach, Journal of Accounting Research, 33, 2 (Autumn): 353–367.

Kang Sok-Hyon. (2005). A conceptual and empirical evaluation of accrual prediction models, SSRN.com/abstract=147259.

Kasznik Ron. (1999). On the association between voluntary disclosure and earnings management Journal of Accounting Research, 37: 57–81.

Koop, G.; McIntyre, S.; Mitchell, J. & Poon, A., (2020). Regional output growth in the United Kingdom: More timely and higher frequency estimates from 1970. Journal of Applied Econometrics, No. 35(2): 176-197.

Kothari S.P., Leone Andrew L. and Wasley Charles E. (2005). Performance matched discretionary accrual measures, Journal of Accounting and Economics, 39, 1 (February): 163–197.

Naser, H. (2014). An Econometric Investigation of Forecasting GDP, Oil Prices, and Relationships among GDP and Energy Sources. Etheses.whiterose.ac.uk.

Ronen, J & Yaari VL. (2008). Earnings Management: Emerging Insights in Theory, Practice, and Research, Springer Science+Business Media, LLC.

Scott, W. (2009). Financial Accounting Theory, Fifth Edition , Prentice Hall , chapter 11, PP.402-428.

Stock, J., & Watson, M. (2002a). Forecasting using principal components from a large number of predictors. Journal of the American statistical association, 97 (460): 1167 -79.

Stock, J., & Watson, M. (2002b). Macroeconomic forecasting using diffusion indexes. Journal of Business & Economic Statistics, 20 (2): 147 -162.

Stubben Stephen R. (2010). Discretionary Revenues as a Measure of Earnings Management. The Accounting Review 85(2): 695–717.

 

---

[1]  Bayesian Model Averaging (BMA)

[2]  Debt in Current Liabilities

[3]  Bayesian Model Averaging

[4] 1 Time-Varying Parameters Dynamic Model Averaging 

[5]  Time-Varying Parameters Dynamic Model Selection

[6]  288,230,376,151,711,744تعداد دقیق حالت‌های ممکن با حضور 58 متغیر توضیحی است.

[7]  شرط همگرایی بر اساس دیدگاه سالای مارتین نسبت آماری است که انتظار برآن است میانگین ضریب و احتمال برآوردی در نمونه مورد بررسی معادل با میانگین ضرایب و احتمالات در کل حالت‌های برآوردی باشد. به عبارتی نتایج حاصل از 100 میلیون رگرسیون با نتایج حاصل از 288,230,376,151,711,744 یکسان خواهد بود. به عبارتی نمونه مدل مورد بررسی به خوبی گویای نتایج کل مدل‌های برآوردی خواهد بود.

---