تاثیر کیفیت سود بر پیش‌بینی ورشکستگی با استفاده از شبکه عصبی مصنوعی
محورهای موضوعی : حسابداری مالی و حسابرسی
بیتا مشایخی
1
*
,
حمیدرضا گنجی
2
1 - دانشیار گروه حسابداری،دانشکده مدیریت،دانشگاه تهران
2 - دانشجوی دکتری حسابداری،دانشکده مدیریت،دانشگاه تهران
کلید واژه:
چکیده مقاله :
پیش‌بینی تداوم فعالیت عملیاتی واحدهای اقتصادی در دوره‌های آتی، یکی از عناصر مهم در تصمیم‌گیری برای سرمایه‌گذاران بوده و در این میان انتخاب متغیرهای پیش‌بینی کننده همواره به‌عنوان یکی از مسائل چالش برانگیز در ادبیات پیش‌بینی ورشکستگی مطرح بوده است که در راس آن‌ها همواره سود حسابداری و متغیرهای سودآوری قرار داشته است. بنابراین کیفیت سود حسابداری از معیارهای با اهمیت در تصمیم‌گیری‌های سرمایه‌گذاری در پیش‌بینی ورشکستگی محسوب می‌گردد. این پژوهش سعی بر آن دارد تا با مقایسه توان پیش‌بینی متغیرهای سودآوری شرکت‌هایی با سود باکیفیت و شرکت‌هایی با سود بی کیفیت، اثر کیفیت سود بر کارائی متغیرهای سودآوری در پیش‌بینی ورشکستگی را مورد بررسی قرار دهد. در نمونه‌ای که از بین شرکت‌های حاضر در بورس اوراق بهادار تهران انتخاب گردید، ابتدا بر اساس آزمون کولموگوروف-اسمیرنوف به بررسی نرمال بودن توزیع پرداخته شده، در ادامه میزان دقت و خطای نوع اول و دوم مدل شبکه عصبی برای دو گروه شرکت‌های با کیفیت سود بالا و پایین بررسی شده و سپس از آزمون t به منظور مقایسه میانگین دو نمونه در سطح اطمینان 95% استفاده گردید. یافته‌ها نشان می‌دهد که دقت پیش‌بینی شبکه عصبی مصنوعی برای شرکت‌های با سود با کیفیت به‌طور معنی داری بیشتر از شرکت‌های با سود بی کیفیت می‌باشد.
The Effect of Earnings Quality on Predicting Bankruptcy by Using Artificial Neural Networks Bita Mashayekhi Hamidreza Ganji (Received: 16/Apr/2014; Accepted: 19/Jun/2014) Abstract Predicting of entities’ going- concern assumption in the future periods is an important element in decision-making process of many investors. So, ing the predictor variables have been discussed as a challenging issue in the literature of bankruptcy prediction that accounting earnings & profitability variables have been at the top of these issues. Therefore earnings quality has been one of the important measures in the decision-making process of investors in field of bankruptcy prediction. This study has attempted to compare the prediction power of profitability variables among high quality and low quality earnings of Tehran Stock Exchange(TSE) companies and examine the effect of earnings quality on the efficiency of profitability variables in predicting the bankruptcy. In a sample of TSE companies, using artificial neural networks we find that the predictive accuracy of artificial neural networks for high quality earnings companies is significantly greater than of firms low quality earnings. Key Words: Profitability, Predictability, Earning Quality, Bankruptcy, Artificial Neural Network.