تبیین الگوی اندازه گیری مدیریت سود با استفاده از روش ترکیبی هوشمند شبکه های عصبی و الگوریتم های فراابتکاری(ژنتیک و ازدحام ذرات)
محورهای موضوعی : مهندسی مالیاقبال قادری 1 , پیمان امینی 2 * , ایرج نوروش 3 , عطا محمدی 4
1 - گروه حسابداری ، دانشکده علوم انسانی ،دانشگاه آزاد اسلامی سنندج، ایران
2 - گروه حسابداری ، دانشگاه کردستان ، سنندج، ایران
3 - استاد حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج ، ایران.
4 - استادیار حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج، ایران.
کلید واژه:
چکیده مقاله :
شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این تحقیق برآورد الگوی برای پیش بینی مدیریت سود با استفاده الگوی شبکه های عصبی و سپس استفاده از الگوریتم های فراابتکاری ژنتیک و ازدحام ذرات برای یافتن ترکیبی بهتر از داده های ورودی است به گونه ای که بتواند الگو اولیه را بهینه نماید. برای این منظور از 28 متغیر تاثیر گذار در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سال های 1390 الی 1395 در شرکت های پذیرفته شده در بورس اوراق بهادار تهران استفاده گردید. نتایج حاصل نشان می دهد که کاربرد این دو الگوریتم قدرت تبیین الگوهای اولیه را افزایش داده است. همچنین ارزیابی عملکرد الگو های شبکه عصبی حاکی از برتری این الگو ها در قیاس با الگوی رگرسیون خطیLR) ( است. روش ترکیبی شبکه های عصبی الگوریتم های ازدحام ذرات (A-PSO) و ژنتیک(A-GA) با شناسایی چهار متغیر بهینه به ترتیب شامل دقت پیش بینی، سهم مالکیت سهامداران عمده، اندازه شرکت و نسبت کیفیت، مدیریت سود را با دقت به ترتیب (59/95%) و (75/94%) پیش بینی کردند. بعلاوه روش های ترکیبی هوشمند فوق با بهبود ضریب همبستگی و معیار متوسط مربعات خطا نسبت به روش های رگرسیون خطی (LR) و روش شبکه های عصبی (ANN) در پیش بینی نتایج گروه ویژگی های مدیریتی و شرکتی کارآمدتر است.
Undrestanding the earning management for the users of accounting information due to performance evaluation, profitability forecast and detrmining the value of the company is very important.The purpose of this research is to estimate the a model for earning management using neural network model and then the use of Genetic Algorithm, and Particle Swarm Optimization to find a better combination of input data, so that it can optimize the initial model. For this purpose, 28 effective variables were used in the from of four groups (Financial, managerial, corporative and audit) during the years 2010 to 2016 in the companies admitted to the Tehran stock Exchange. The results showed that application of this algorithm has increased the efficiency of the model.Also, the evaluation of the performance of neural network patterns suggests the absolute superiority of this pattern compared to the time linear method (LR).Combined method (A-PSO) and (A-GA)by identifying four optimal variables respectively precision forecast, shareholding of major shareholders, company size and the ratio of the quality of earning management are carefully predicted respectively (%95/59) and (%94/75). In addition to the above mentioned intelligent methods, by improving correlation coefficient and error squares mean criterion compared to linear methods (LR) and neural network method (ANN) in predicting group results, management and corporate features are more efficient.