مدل سازی پیش بینی کیفیت سود با استفاده از درخت تصمیم و ماشین بردار پشتیبان
محورهای موضوعی :لقمان حاتمی شیرکوهی 1 , صغری براری نوکاشتی 2 , مریم اوشک سرایی 3
1 - دانشجوی دکتری، گروه حسابداری، واحد رشت، دانشگاه آزاد 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: اقلام تعهدی, کیفیت سود, محافظه کاری, ماشین بردار پشتیبان, درخت تصمیم,
چکیده مقاله :
سود و کیفیت آن از مهم ترین مولفه های تصمیم گیری برای استفاده کنندگان است. از اینرو پیش بینی کیفیت سود برای سرمایه گذاران و سایر گروهای ذینغع از اهمیت بسزایی برخوردار است، بدین منظور از روش درخت تصمیم و ماشین بردار پشتیبان برای پیش بینی کیفیت سود که هدف اصلی تحقیق می باشد استفاده شده است. جامعه آماری پژوهش شامل شرکتهای پذیرفته شده در بورس اوراق بهادار تهران از سال 1390سال 1400به مدت 10 سال می باشد، بعد از غربالگری تعداد 113 شرکت و 1130 مشاهده بعنوان نمونه آماری انتخاب شدند. در این مطالعه به منظور شناسایی و پیش بینی کیفیت سود شاخصهای مرتبط با حاکمیت شرکتی (استقلال هیئت مدیره، استقلال کمیته حسابرسی، مالکیت سازمانی)، سیاست تقسیم سود، تامین مالی بدهی و محافظه کاری بعنوان متغیر مستقل وکیفیت اقلام تعهدی اختیاری نماینده شاخص کیفیت سود بعنوان متغیر وابسته مورد بررسی قرار گرفته است. این پژوهش ازنظر هدف کاربردی و به لحاظ روش پژوهشی، توصیفی از نوع همبستگی. تجزیه تحلیل داده ها مطابق با استاندارد داده کاوی CRISP-DM و اجرای چهار الگوریتم درخت تصمیم شامل(CHAID, C5.0 , C&R, QUEST) و ماشین بردار پشتیبان انجام شده است . نتایج پژوهش نشان می دهد که در هر دو روش درخت تصمیم و ماشین بردار پشتیبان، استقلال هیئت مدیره بیشترین تاثیر را در پیش بینی کیفیت سود دارد. مقایسه نتایج عملکرد دو روش نشان می دهد که، تکنیک ماشین بردار پشتیبان به جهت دارا بودن صحت و حساسیت بیشتر و خطای کمتر نسبت به تکنیک درخت تصمیم عملکرد بهتری دارد.
Earnings and its quality are one of the most important decision-making com-ponents for users. Therefore, earnings quality prediction is very important for investors and other stakeholders. To this aim, decision tree and support vec-tor machine (SVM) were used to predict earnings quality. The statistical population of the study included companies listed in Tehran Stock Exchange from 2011 to 2021 for 10 years. After screening, 113 companies and 1130 observations were selected as statistical samples. In order to identify and predict earnings quality, indicators related to corporate governance (board independence, audit committee independence, organizational ownership), dividend policy, debt financing, and conservatism were considered as inde-pendent variables and discretionary accruals quality representing profit quali-ty index was considered as a dependent variable. Data analysis was done according to CRISP-DM data mining standards and implementation of four decision tree algorithms including CHAID, C5.0, C&R, QUEST, and SVM. As the results showed, board independence had the greatest effect on earn-ings profit quality. Considering the accuracy value for the created SVM, which is equal to 98.5%, it indicates the high capability of this method to predict earnings quality.
_||_
