مدل سازی پیش بینی کیفیت سود با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: شرکتهای پذیرفته شده در بورس اوراق بهادار تهران)
محورهای موضوعی : اقتصاد مالیلقمان حاتمی شیرکوهی 1 , صغری براری نوکاشتی 2 , مریم اوشک سرایی 3
1 - دانشجوی دکتری، گروه حسابداری، واحد رشت، دانشگاه ازاد اسلامی، رشت، ایران
2 - استادیار، گروه حسابداری، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
3 - استادیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
کلید واژه: کیفیت سود, شبکه عصبی, کیفیت اقلام تعهدی,
چکیده مقاله :
هدف اصلی پژوهش بررسی عوامل موثر بر کیفیت سود بر اساس روش شبکه عصبی مصنوعی است. دوره زمانی پژوهش از ابتدای سال 1389 تا پایان سال 1401 بوده و جامعه آماری پژوهش شامل تمام شرکتهای پذیرفته شده در بورس اوراق بهادار تهران است. در این مطالعه به منظور شناسایی و پیش‌بینی کیفیت سود، شاخص‌‌های مرتبط با حاکمیت شرکتی، سیاست تقسیم سود، تامین مالی بدهی، محافظه کاری و سایر عوامل تاثیر‌گذار مورد بررسی قرار گرفته است. بر اساس نتایج پژوهش، شبکه مورد نظر با میزان دقت 96/93 درصد بهترین عملکرد را در پیش‌بینی کیفیت سود داشت و همچنین نتایج این پژوهش نشان می‌دهد که سیاست تقسیم سود، استقلال هیت مدیره ، استقلال کمیته حسابرسی، محافظه کاری، مالکیت سازمانی و تامین مالی بدهی به ترتیب بیشترین تاثیر را بر کیفیت سود داشته‌اند. نتایج این تحقیق نشان می‌هد از بین 6 متغیر ورودی، متغیر سیاست تقسیم سود با 25 درصد، استقلال اعضای هیئت مدیره با 21 درصد و استقلال کمیته حسابرسی با 15 درصد به ترتیب دارای بیشترین اهمیت در پیش بینی کیفیت سود بوده است.
This study tends to investigate the effective factors on earnings quality and to help decision makers, including investors, to identify the quality of the earnings reported by management in financial statements based on artificial neural network (ANN). The method used in this study is multilayer perceptron ANN. The time scope of the study begins from 2010 to 2022; the statistical population of the study includes all firms listed in Tehran Stock Exchange. In order to identify and predict earnings quality, parameters related to corporate governance, dividend policy, debt financing, conservatism, and other effective factors were studied. Based on the results, the network had the best performance in earnings quality prediction with a precision of 93.96%. The results also show that dividend policy, board independence, audit committee independence, conservatism, organizational ownership, and debt financing have the greatest effect on earnings quality, respectively. The results show that dividend policy (25%), board independence (21%), and audit committee independence (15%), respectively, are the most important variables in earnings quality prediction. The results of the model can be useful for earnings quality prediction by investors, shareholders, creditors, and other interested groups.
