مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مطالعه و توسعه معیارهای سنجش کیفیت سود و به طور ویژه کیفیت اقلام تعهدی یکی از موضوعات کلیدی در طی حدود سه دهه اخیر بوده است. ادبیات موضوعی حاکی از این است که معیارهای مبتنی بر رگرسیون خطی، عمدتا دارای خطای بالا بوده و لذا در سالهای اخیر، پژوهشهایی جهت اعمال الگوریتم های یادگیری ماشین صورت گرفته است. با این حال، بنیان گذاری این الگوریتم ها بر رویکرد جعبه سیاه، توسعه پذیری و همچنین درجه کاربردی بودن این مدلها را با محدودیت مواجه می نماید. لذا در این پژوهش از الگوریتم مدیریت گروهی داده ها که یک نوع مدلسازی جعبه سفید تلقی می شود جهت پیش بینی اقلام تعهدی استفاده شده است. نتایج به دست آمده با استفاده از داده های 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 می باشد. با توجه به برتری مدل های خروجی تحقیق حاضر از نظر خطای پیش بینی نسبت به مدلهای رایج، یافته های این پژوهش می تواند توسط نهادهای نظارتی، تحلیلگران و حسابرسان در شناسایی موارد احتمالی تحریف اطلاعات مالی شرکتها مورد استفاده قرار گیرد.An Accruals Quality Model: A Group Method of Data Handling Approa
Development of Earnings quality measures, especially Accruals quality measures, has been a critical line of research over more than three decades. Literature indicates that linear-regression-based measures are subject to (suffer from) significant estimation error in non-discretionary accruals estimation. Therefore, recent research used machine learning algorithms including multilayer perceptron and radial basis neural networks, in order to address the issue. However, being founded on Blackbox approach limits future development and applicability of these methods. So, to address the limitations, we have used Group Method of Handling Data (GMDH) approach, as a Whitebox approach, in order to estimate the accruals. Findings using data from 299 Tehran Securities Exchange listed companies during 1385 to 1397 suggests that GMDH-based models perform superior to regression models and multilayer perceptron neural networks in terms of estimation error measured by mean squared error. Moreover, Cash flow approach in total accruals calculation leads to less estimation error compared to balance sheet approach. As a result, the model developed in this article can be used by market participants such as regulators, analyst and auditors in order to detect probable financial reporting misstatements.
تبلیغات
