بررسی دقت الگوریتم‌های خطی- تکاملی BBO و ICDE و الگوریتم‌های غیرخطی SVR و CART در پیش‌بینی مدیریت سود

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار حسابداری، دانشگاه فردوسی، مشهد

2 دانشیار حسابداری، دانشگاه فردوسی، مشهد

3 کارشناسی ارشد حسابداری، دانشگاه فردوسی مشهد

4 کارشناسی ارشد حسابداری، دانشگاه فردوسی، مشهد

چکیده

ابهامات محیطی ناشی از مدل‌های نوین کسب‌وکار سبب تشدید پیچیدگی در تصمیم‌گیری شده است. در چنین شرایطی دیگر نمی­توان داده­ها را با ابزارهای سنتی تحلیل نمود چرا که بسیاری از متغیرهای تأثیرگذار ناشناخته بوده و روابط آن‌ها نیز غیرخطی و پیچیده است. بنابراین در این پژوهش به بررسی دقت الگوریتم­های هوش مصنوعی در پیش‌بینی مدیریت سود پرداخته‌شده است. برای پیش‌بینی مدیریت سود از مدل تعدیل‌شده جونز استفاده گردیده و الگوریتم­های خطی-تکاملی بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO) و تکامل تفاضلی بهبودیافته (ICDE) و الگوریتم­های غیرخطی رگرسیون بردار پشتیبان (SVR) و درخت رگرسیون و طبقه‌بندی (CART) نیز برای بررسی قدرت پیش‌بینی مورد مقایسه قرار گرفته‌اند. جامعه آماری پژوهش، شرکت­های تولیدی پذیرفته‌شده در بورس اوراق بهادار تهران بوده و تعداد 89 شرکت طی دوره زمانی 1386 تا 1393 موردبررسیقرارگرفته است. نتایج پژوهش بیان­گر آن است که به‌طورکلی الگوریتم­های غیرخطی از دقت بیشتری نسبت به الگوریتم­های خطی برخوردار بوده و الگوریتم رگرسیون بردار پشتیبان، مدیریت سود را بهتر از سایر الگوریتم‌ها پیش­بینی می‌کند. همچنین الگوریتم­های خطی در پیش­بینی مدیریت سود نتایج تقریباً مشابهی را از خود نشان دادند

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The evaluation accuracy of BBO and ICDE as Linear- evolutionary Algorithms and SVR and CART as Non-linear Algorithms to earnings management prediction

نویسندگان [English]

  • Behzad Kardan 1
  • Mehdi Salehi 2
  • Bita Gharekhani 3
  • Morteza Mansouri 4
1 Master Of Accounting, Ferdowsi University Of Mashhad, Mashhad, Iran
2 Associate Professor Of Accounting, Ferdowsi University Of Mashhad, Mashhad, Iran
3 Master Of Accounting, Ferdowsi University Of Mashhad, Mashhad, Iran
4 Master Of Accounting, Ferdowsi University Of Mashhad, Mashhad, Iran
چکیده [English]

Environmental uncertainties associated with new business models causes the complexity of the decisions. In such conditions, It can not be analyzed data with traditional means because many of affecting variables was unknown and them relationships are nonlinear and complex too. Therefore In this study, the accuracy of Artificial Intelligence Algorithms to predict earnings management is investigated. To predict the earnings management, the Modified Jones Model we have used and Biogeography-Based Optimization (BBO) and  Improved (μ+λ) Constrainted Differential Evolution (ICDE) as Linear- evolutionary Algorithms and Support Vector Regression (SVR) and Classification and Regression Trees (CART) as Non-linear Algorithms were compared  to investigate the power prediction of earnings management. The statistical population of the research, is manufacturing companies listed in Tehran Stock Exchange and 89 companies during 2007 to 2014 were studied. The results indicate that in general, Nonlinear Algorithm is more accurate than the Linear Algorithm and Support Vector Regression Algorithm is better than other algorithms to predict the earnings management. Also, Linear Algorithms showed roughly similar results to predict earnings management.

کلیدواژه‌ها [English]

  • Earnings Management Prediction
  • Biogeography-Based Optimization (BBO)
  • Improved (μ+λ) Constrainted Differential Evolution (ICDE)
  • Support Vector Regression (SVR)
  • Classification and Regression Trees (CART)

بر اثر ایجاد تضاد منافع که از نتایج ایجاد شرکت‌های سهامی ‌بزرگ است، وجود سازوکار نظارتی مؤثر جهت اطمینان از اعمال مدیریت صحیح در جهت منافع سهام­داران، ضرورت می‌یابد. عدم وجود مکانیسم نظارتی مؤثر  بر مدیریت در چنین شرکت‌هایی، احتمال تخصیص ناکارآمد منابع و گسترش مشکلات سازمانی را افزایش می‌دهد و این امر غالباً منجر به صدور گزارش‌های غیر شفاف و گمراه‌کننده برای پنهان کردن مشکلات از دید سهام­داران می‌گردد. در صورت پایین بودن کیفیت اطلاعات حسابداری گزارش‌شده، ممکن است دریافت‌کنندگان اطلاعات، تصمیمات صحیحی اتخاذ ننمایند. یکی از عواملی که موجب غیر شفاف شدن گزارش‌های مالی می‌گردد مدیریت سود است که به‌عنوان یکی از موضوعات بحث‌برانگیز حسابداری و مالی، مورد توجه بسیاری از پژوهشگران قرار گرفته است. در بسیاری از موارد مدیران برای رسیدن به اهداف خاص و بهتر نشان دادن کیفیت سود، به دست‌کاری آن دست می‌زنند. این موضوع موجب تردید استفاده‌کنندگان از صورت‌های مالی در مورد ماهیت و کیفیت سود گزارش‌شده می‌شود ]23[.

از سوی دیگر در سال­های اخیر فن­آوری­های تولید و گردآوری داده‌ها به‌سرعت در حال رشد بوده است. مسئله پیش­روی  سازمان­ها به‌ویژه در حوزه تصمیم­گیری­های مالی دیگر جمع­آوری صرف داده نیست بلکه دستیابی به توان استخراج دانش مفید نهفته در داده­ها دغدغه اصلی سازمان­ها است ]2[. با وجود این­که با استفاده از رایانه مقادیر زیادی از داده­ها تولید می­شود، اما درصد بسیار اندکی از آن‌ها واقعاً مورداستفاده قرار می­گیرد. زیرا در بسیاری از موارد، حجم داده­ها بزرگ­تر از آن است که بتوان آن‌ها را مدیریت کرد و یا پیچیدگی آن‌ها بیش از آن است که بتوان تحلیلشان نمود. دلیل اصلی این امر توجه صرف به انبارشداده­ها در هنگام جمع‌آوری و عدم توجه به روش تحلیل آن‌ها می­باشد. توسعه فناوری اطلاعات، ضرورت توسعه نظریه‌ها و ابزارهایی برای کمک به انسان در استخراج اطلاعات مفید، از این حجم به‌سرعت فزاینده داده­ی دیجیتال را ایجاب می‌کند. این نظریه­ها و ابزارها موضوعات رشته نوظهوری هستند که اکتشاف دانش از پایگاه­های داده نامیده می‌شود. هدف این رشته را تلاش برای توسعه روش­هایی جهت هوشمند کردن داده دانسته‌اند ]18[.

هدف این پژوهش نیز مقایسه الگوریتم­های هوش مصنوعی خطی- تکاملی و غیرخطی جهت انتخاب بهترین الگوریتم پیش‌بینی مدیریت سود به‌منظور کاهش هرچه بیشتر ریسک تصمیم‌گیری می‌باشد. به عبارتی مسئله اساسی این پژوهش پاسخ به این سؤال است که با توجه به تنوع الگوریتم‌های مورداستفاده جهت پیش‌بینی مدیریت سود، کدام‌یک دقت بیشتری در پیش‌بینی مدیریت سود دارند؟ نتایج این پژوهش می‌تواند برای طیف گسترده‌ای از استفاده‌کنندگان از صورت‌های مالی به‌ویژه سرمایه‌گذاران مفید باشد و آنان را در امر تصمیم‌گیری یاری نماید.

 

مبانی نظریپژوهش

مفهوم مدیریت سود

هیوورت مدیریت سود را هماهنگ نمودن آگاهانه سود جهت رسیدن به روند مورد نظر تعریف می‌کند ]20[. گاهی مدیران از حساب‌ها به‌عنوان ابزاری برای نمایش غیرواقعی حصول اهداف بلند­مدت شرکت و یا کاهش مصنوعی ریسک متصور استفاده می‌کنند ]10[. تعاریف زیادی از مدیریت سود ارائه‌شده است که کم‌وبیش شبیه همدیگر می‌باشند، اما به‌طورکلی مدیریت سود به اثرگذاری روی سود شرکت به‌نحوی‌که منافع و خواسته­های مدیران آن را برآورده نماید، تعریف می‌شود ]6[. پژوهش­ها نشانمی‌دهد در کشورهایی که با وضع قوانین و مقررات از منافع سرمایه‌گذاران حمایت می‌شود، مدیریت سود کم‌تر روی می‌دهد ولی در کشورهایی که حمایت قانونی از سرمایه‌گذاران ضعیف باشد، ‌مدیریت سود به‌طور گسترده‌تری انجاممی‌گیرد. از طرفی دیگر افشای مناسب و شفافیت صورت‌های مالی باعث کمرنگ شدن مدیریت سود خواهد شد ]5[.

تضاد در برداشت‌های اخلاقی از مدیریت سود

عمل مدیریت سود با توجه به مدیریت کردن ادراک استفاده‌کنندگان از گزارش‌های مالی، یک عمل غیراخلاقی در نظر گرفته می‌شود ]22[. دیچاو و اسکینر بیان می‌کنند که شاغلین حسابداری مدیریت سود را به‌عنوان مشکلی می‌دانند که نیاز به یک عمل کنترلی فوری دارد ]15[. طبق شواهدی که پژوهش­های رافیک نشان می‌دهد اکثریت پاسخ‌دهندگان باور ندارند که دست‌کاری سود یک عمل اخلاقی است ]27[. از سوی دیگر برخی نیز براین عقیده‌اند که مدیریت سود عملی است که به‌وسیلهشرکت‌ها در جهت منافع سرمایه‌گذاران صورت می‌پذیرد.  هیلی و والن معتقدند که گزارش‌گری مالی می‌تواند ارزش شرکت را افزایش دهد. ازاین‌رو استانداردهای پذیرفته‌شده حسابداری باید برای مدیران جایگزین‌های مورد نیاز را در روش‌ها و به‌کارگیری قضاوت و برآورد در جهت گردآوری اطلاعات عملکرد شرکت، از قبیل به‌کارگیری مفروضات بر اساس اصول پذیرفته‌شده عمومی تشریح شده در استانداردها فراهم آورد ]19[. ازاین‌رو دو عقیده کاملاً متضاد وجود دارد و این اختلاف‌نظر، کنترل اختیار مدیریت در انتخاب رویه‌های متنوع حسابداری را دشوار می‌سازد.

استراتژی‌های مدیریت سود

سودحسابداریمنطبقبااستانداردهای پذیرفته شده حسابداری،به دلیلوجود برخوردهایجایگزینبرایرویدادهای حسابداریکهمجازشناخته‌شده‌اند، مورددست‌کاریقرارگیرد. مهم‌ترین استراتژی­های مدیریت سود به شرح ذیل است:

الف) مدیریتسودمبتنیبرارقامحسابداری: دراین استراتژی،مدیریتازطریقاقلامتعهدیاختیاریبه آرایشارقامحسابداریمطابقبااهدافمطلوبخودمی‌پردازد. این کار از طریق انتخاب رویه‌های حسابداری، برآوردهای اختیاری و تغییر زمان­بندی شناخت رویدادها صورت می‌گیرد تا درنهایت سودگزارش‌شدهراتغییردهند ]11[.

ب) مدیریتواقعی سود: دراین حالت،مدیریتبااتخاذبرخیتصمیماتعملیاتی وبه‌عبارت‌دیگردست‌کاریفعالیت‌هایواقعیبهمدیریت واقعیسودرویآورده تابهسودموردنظرخویشدستیابد. کوهنو زارویین دست­کاریدرفعالیت‌های واقعیرااعمالیمی‌دانندکهمدیران انجاممی‌دهندوناشیازروندعادی فعالیت­هایواحدتجاریاست ]14[. اینتعریف،مطابق تعریفروی­چودهری استکه دست­کاریفعالیت‌هایواقعیرااین‌گونهتعریفمی­کند: "اعمالمدیریتیکهازفعالیت‌های عادیتجاریناشیمی‌شوندودررابطه باهدفاولیهبرآوردهسازیآستانه‌های خاصسودانجاممی‌پذیرند ]28[." روش‌های دست­کاریفعالیت‌هایواقعیمانند کاهشقیمتفروشمحصولات به‌منظورافزایشفروشویاکاهش مخارجاختیاریدربحران­های اقتصادی،ازجملهروش­هایی هستندکهمدیرانبه کار می‌برند. ولیاگرمدیرانبه‌صورتگسترده وغیرعادیبهاستفادهازروش‌های مذکورعلاقهنشاندهند،درواقع آن‌هابهمدیریتواقعیسودتمایل دارند ]12[.

مبنای تعهدی و ارتباط آن با مدیریت سود

در حسابداری، مبنای تعهدی به شناسایی درآمد در زمان تحقق و شناسایی هزینه در زمان تحمل تأکید دارد. طبق این مبنا، سیستم حسابداری و گزارش‌گری مالی اساساً باید بر استراتژی تعهدی استوار باشد چون تنها روش تعهدی است که می‌تواند وضعیت مالی، نتایج عملیات و تغییرات در وضعیت مالی را مطابق اصول پذیرفته‌شده حسابداری به نحو مطلوب منعکس کند ]7[.

 سود حسابداری به دو بخش نقدی و تعهدی قابل‌تقسیم است. بنابراین مدیریت برای انجام عمل هموارسازی و یکنواخت کردن سود طی دوره‌ها می‌تواند از هر دو بخش نقدی یا بخش تعهدی سود استفاده کند لیکن بخش نقدی سود به سبب این‌که با دریافت و پرداخت همراه است امکان دست‌کاری آن‌ توسط مدیریت به‌راحتی وجود ندارد مگر این‌که وجه نقد مربوط به درآمدها یا هزینه را آگاهانه و عمداً معوق کرده یا به جلو اندازند ]9[. مطالعات انجام‌شده نشان داده‌اند که مدیریت سود عموماً از طریق اقلام تعهدی صورت می‌پذیرد و هر چه اقلام تعهدی در سود بیش‌تر باشد، زمینه مساعدتری جهت اعمال مدیریت سود فراهم می‌آید ]15، 16[. بنابراین اساس روش‌های اندازه‌گیری مدیریت سود، بر اندازه‌گیری اقلام تعهدی استوار است.

به‌طورکلی اقلام تعهدی به دو روش ترازنامه‌ای و سود و زیانی محاسبه می‌گردد ]17[. بر این اساس مدل­های اندازه‌گیری متعددی ازجمله مدل هیلی، مدل دی آنجلو، مدل صنعت، مدل جونز، مدل تعدیل‌شده جونز و مدل اسلون بین سال­های 1985 تا 1996 برای اندازه‌گیری اقلام تعهدی ارائه گردیده که در این میان، مدل تعدیل‌شده جونز در پژوهش­های مدیریت سود کاربرد و عمومیت بیشتری دارد.

 

پیشینهپژوهش

پیرامون موضوع مدیریت سود و پیش‌بینی آن، پژوهش­های فراوانی انجام‌شده است. ادبیات غنی موجود در این زمینه، به اهمیت فراوان این موضوع به‌عنوان یکی از دغدغه‌های اصلی محققان اشاره می­کند لیکن پیش‌بینی مدیریت سود با استفاده از الگوریتم‌های هوش مصنوعی مبحث جدیدی است که در ادامه به برخی پژوهش­های محدود انجام‌شده در این خصوص اشاره‌شده است.

آرسته و نصیرزاده در پژوهشی با بررسی داده‌های 110 شرکت بورسی طی سال‌های 1385 تا 1391، دقت الگوریتم‌های تخمین­گر بردار پشتیبان، تخمین­گر حداقل درجه و شبکه عصبی فازی را در کشف مدیریت سود مورد مقایسه قراردادند. نتایج بررسی فرضیه‌ها حاکی از آن بود که الگوریتم­های تخمین­گر بردار پشتیبان، تخمین­گر حداقل درجه و شبکه عصبی فازی به ترتیب بیشترین دقت را در پیش‌بینی مدیریت سود دارند ]1[.

کردستانی و همکاران در پژوهشی، پیش‌بینی مدیریت سود با استفاده از شبکه­های عصبی مصنوعی را مورد بررسی قراردادند. در این پژوهش با استفاده از متغیر­های موجود در ادبیات مدیریت سود و به‌کارگیری مدل شبکه­های عصبی مصنوعی سطح مدیریت سود پیش‌بینی‌شده است. شبکه با استفاده از اطلاعات سال­های ۱۳۷۹ تا ۱۳۸۷ مورد آزمون قرار گرفت و درنهایت ساختار مطلوب با دقت ۹۴ درصد در مرحله­ی یادگیری و ۶۹ درصد در مرحله­ی ارزیابی انتخاب شد ]8[.

حجازی و همکاران نشان دادند که روش شبکه عصبی و درخت تصمیم در پیش‌بینی مدیریت سود نسبت به روش‌های خطی دقیق‌تر و دارای سطح خطای کمتری است. ضمناً مدیریت سود با متغیرهای اقلام تعهدی اختیاری و غیر اختیاری دوره قبل و عملکرد شرکت،  اندازه، تداوم سود در هر دو روش دارای بیشترین ارتباط است ]4[.

چالاکی و یوسفی در پژوهشی به پیش‌بینی مدیریت سود با استفاده از درخت تصمیم‌گیری پرداختند. متغیرهای وابسته در این پژوهش شامل درصد مالکیت سهام­داران نهادی، نسبت بدهی، اندازه شرکت، مالیات بر درآمد، تغییرپذیری فروش، تغییرپذیری سود، وجوه نقد حاصل از فعالیت­های عملیاتی، نسبت کیفیت سود، گردش مجموع دارایی­ها، بازده فروش، بازده سرمایه‌گذاری و بازده حقوق صاحبان سهام متغیرهای مستقل و اقلام تعهدی اختیاری بوده و نتایج پژوهش نشان می­دهد که بالاترین میزان دقت پیش‌بینی برای درخت تصمیم‌گیری ۷/۷۴ درصد است ]3[.

نجاری و همکاران در پژوهشی باهدف پیش‌بینی مدیریت سود با استفاده از الگوریتم ماشین بردار پشتیبان، نشان دادند که الگوریتم مذکور توانایی مناسبی جهت پیش‌بینی مدیریت سود دارد. مدیریت سود در این پژوهش با استفاده از اقلام تعهدی اختیاری اندازه‌گیری شده است ]25[.

در پژوهش دیگری تسای و چیوبه بررسی پیش‌بینی مدیریت سود از طریق شبکه عصبی و درخت تصمیم پرداختند. هدف اصلی پژوهش آنان بررسی کاربرد شبکه‌های عصبی برای پیش‌بینی رو به بالا یا پایین بودن مدیریت سود بوده که نتایج، صحت پیش‌بینی سود رو به بالا را 81 درصد نشان داد ]30[.

 

فرضیه­هایپژوهش

همان‌گونه که مشاهده می‌شود در ادبیات مبتنی بر مدل‌های الگوریتمی، صرفاً به پیش‌بینی با استفاده از یک یا دو الگوریتم خاص اکتفا شده است. لذا در پژوهش حاضر جهت مقایسه قدرت پیش‌بینی الگوریتم‌های خطی و غیرخطی، چهار الگوریتم پرکاربرد شامل بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO)، الگوریتم تکامل تفاضلی بهبودیافته (ICDE)، رگرسیون بردار پشتیبان (SVR) و درخت رگرسیون و طبقه‌بندی (CART) مورد بررسی قرار گرفته است. برای این منظور چهار فرضیه کلی به شرح زیر طراحی و به محک آزمون گذاشته شدند:

فرضیه 1) به نظر می‌رسد دقت پیش‌بینی مدیریت سود شرکت‌ها توسط الگوریتم BBO بیشتر از الگوریتم‌های ICDE، SVR و CART است.

فرضیه 2) به نظر می‌رسد دقت پیش‌بینی مدیریت سود شرکت‌ها توسط الگوریتم ICDE بیشتر از الگوریتم‌های BBO، SVR و CART است.

فرضیه 3) به نظر می‌رسد دقت پیش‌بینی مدیریت سود شرکت‌ها توسط الگوریتم SVR بیشتر از الگوریتم‌های BBO، ICDE و CART است.

فرضیه 4) به نظر می‌رسد دقت پیش‌بینی مدیریت سود شرکت‌ها توسط الگوریتم CART بیشتر از الگوریتم‌های BBO، ICDE و SVR است.

 

روش‌ پژوهش

این پژوهش از دیدگاه هدف در مقوله پژوهش­های کاربردی قرار می­گیرد. در این پژوهش از روش قیاسی برای شناخت مبانی نظری پژوهش و از روش استقرایی برای جمع‌آوری اطلاعات و آزمون فرضیه‌ها استفاده‌شده است. همچنین از آن‌جائی­که اطلاعات تاریخی شرکت­ها مورداستفاده قرار گرفته است، از حیث روش پژوهش، شبه آزمایشی است.

روش گردآوری اطلاعات

در این پژوهش اطلاعات مالی از نرم‌افزار تدبیر پرداز و با کمک لوح‌های فشرده منتشره از سوی سازمان بورس اوراق بهادار تهران جمع‌آوری‌شده و برای پیاده­سازی الگوریتم­ها از نرم‌افزار MATLAB استفاده‌شده است.

جامعه آماری

پژوهش بر روی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران انجام‌شده و محدوده­ی پژوهش با در نظر گرفتن اطلاعات نزدیک به زمان انجام و در دسترس بودن آن، یک دوره 8 ساله از سال 1386 الی 1393 بوده است. شرکت‌های مورد بررسی با در نظر گرفتن قلمرو مکانی و زمانی پژوهش، طبق شرایط زیر انتخاب‌شده‌اند:

  1. طی دوره مورد بررسی مدیریت سود داشته باشند.
  2. در دوره­ی مورد بررسی تغییر دوره­ی مالی نداشته باشند.
  3. به علت متفاوت بودن نسبت‌های مالی جزء شرکت­های سرمایه­گذاری، واسطه­گری­های مالی، بانک، لیزینگ و نظایر آن‌ها نباشند.
  4. داده­های مورد نظر آن‌ها در دسترس باشد.

لازم به ذکر است با توجه به نوسانات شدید نرخ ارز در سال­های 1391 به بعد و اثر آن بر روند نسبت­های مالی که متغیرهای کلیدی در این پژوهش بوده­اند، داده­های عمده شرکت­ها طی سال­های مذکور به علت عدم انطباق با شرط سوم در محاسبات دخالت داده نشده است. درنهایت با اعمال محدودیت­های فوق، تعداد 89 شرکت شرایط ورود به مطالعه را دارا بودند که اطلاعات آن‌ها از بانک اطلاعاتی تدبیرپرداز و سایت رسمی بورس اوراق بهادار تهران جمع­آوری شد.

شیوه اندازه­گیری متغیر مدیریت سود

همان­طور که در مبانی نظری و پیشینه پژوهش بیان شد، مدیریت سود عموماً از طریق اقلام تعهدی صورت می‌پذیرد. بر مبنای پژوهش­های پیشین، در این پژوهش برای اندازه‌گیری اقلام تعهدی از مدل تعدیل‌شده جونز استفاده‌شده است. جونز با ارائه مدلی سعی کرد تا آثار تغییر شرایط اقتصادی شرکت‌ها بر اجزاء غیر اختیاری اقلام تعهدی را کنترل کند. در این مدل اقلام تعهدی غیر اختیاری طبق رابطه (1) محاسبه می‌گردد:

 

رابطه (1)

که در این رابطه داریم:

NDAt

=

اقلام تعهدی غیر اختیاری

At-1

=

کل دارایی­ها در سال t-1

ΔREVt

=

تغییر در درآمد سالانه

ΔRECt

=

تغییر در حساب‌های دریافتنی

PPEt

=

اموال و ماشین‌آلاتهمانسال

α،1β و2 β

=

پارامترهای خاص شرکت می‌باشد

که با استفاده از رابطه (2) به دست

می‌آید:

 

 

رابطه (2)

پس از محاسبه اقلام تعهدی غیر­اختیاری، درنهایت اقلام تعهدی اختیاری طبق رابطه (3) محاسبه می‌گردد:

رابطه (3)

 

که در این رابطه داریم:

DAt

=

اقلام تعهدی اختیاری (مدیریت سود)

 

روند الگوریتم پژوهش

شکل (1) فرآیند کامل طراحی و پیاده‌سازی الگوریتم پژوهش را نشان می­دهد. پنج فرآیند یا سطح در روش پیشنهادی وجود دارد که به ترتیب عبارت است از انتخاب داده­ها، پاک‌سازی داده­ها، تقسیم داده­ها، فرآیند یادگیری مدل­ و ارزیابی مدل­ آموزش داده‌شده با داده­های ارزیابی که تاکنون توسط الگوریتم­ها مشاهده نشده است.


 

شکل 1- روند الگوریتم پژوهش


مرحله اول انتخاب داده­ها است. در نگاره (1) لیست متغیر­های مستقل به ترتیب حروف الفبا قابل‌مشاهده است که انتخاب این 29 نسبت مالی بر مبنای مقالات و پژوهش­های انجام‌شده در خصوص مدیریت سود، صورت گرفته است.


نگاره 1- متغیرهای مستقل اولیه

ردیف

متغیر مستقل

نماد

ردیف

متغیر مستقل

نماد

۱

حاشیه سود ناخالص

GPM

۱۶

نسبت سرمایه در گردش

WC/TA

۲

حاشیه سود عملیاتی

OPM

۱۷

گردش دارایی ثابت

TAT

۳

حاشیه سود خالص

NPM

۱۸

گردش کل دارایی‌ها

AT

۴

بازده دارایی

ROA

۱۹

گردش حساب‌های دریافتنی

RT

۵

بازده حقوق صاحبان سهام

ROE

۲۰

نسبت گردش سرمایه جاری

CAT

۶

 سود هر سهم خالص

EPS

۲۱

سرمایه در گردش به حقوق صاحبان سهام

WCSQ

۷

سود خالص به سرمایه در گردش

NIWC

۲۲

دارایی‎های جاری به دارایی­ها

CATA

۸

گردش موجودی‌ها

IT

۲۳

دارایی‎های ثابت به دارایی‌ها

TATA

۹

گردش حساب‎های پرداختنی

APT

۲۴

وجه نقد به بدهی جاری

CTL

۱۰

فروش به سرمایه در گردش

SAWC

۲۵

بدهی جاری به حقوق صاحبان سهام

CTSH

۱۱

سرمایه در گردش به هزینه‎های عملیاتی

WCOE

۲۶

نسبت بدهی به دارایی (اهرم)

LEV

۱۲

وجه نقد به دارایی‌ها

CTA

۲۷

بدهی‌های بلندمدت به حقوق صاحبان سهام

LLTSH

۱۳

وجه نقد عملیاتی به دارایی‌ها

OCFTA

۲۸

بدهی به حقوق صاحبان سهام

DER

۱۴

نسبت جاری

CR

۲۹

توان بازپرداخت بهره

TIE

۱۵

نسبت آنی

QR

 

 

 


در مرحله دوم جهت پاک‌سازی داده‌ها از رگرسیون گام‌به‌گام در سطح خطای 5 درصد استفاده‌شده و قبل از انجام هر تحلیلی، فرضیه‌های زیر بنایی رگرسیون شامل هم­گنی واریانس‌ها، نرمال بودن باقیمانده‌ها، استقلال باقیمانده‌ها و عدم وجود هم خطی بررسی مورد قرار گرفته است. پس‌ازآن، مدل پژوهش جهت تعیین متغیرهای مؤثر پردازش می‌گردد. در نگاره (2) معنی‌دار بودن مدل اثبات گردیده است.

نگاره 3- خلاصه اطلاعات مدل پژوهش

مدل

ضریب همبستگی چندگانه

ضریب تعیین

اول

343/0

118/0

دوم

445/0

198/0

سوم

499/0

249/0

چهارم

536/0

287/0

پنجم

570/0

325/0

ششم

587/0

345/0

هفتم

599/0

359/0

در نهایت جهت تعیین متغیرهای ورودی به مدل از آزمون t استفاده می‌گردد. در واقع در شرایطی که مقدار احتمال متغیری در این آزمون کمتر از 5 درصد باشد آن متغیر با اطمینان بیشتر از 95 درصد وارد مدل می‌شود در غیر این صورت از مدل حذف می‌گردد. مدل­خطی و خلاصه نتایج آزمون مورد بحث جهت تعیین متغیرهای ورودی به ترتیب در رابطه (4) و نگاره (4) آمده است.

 

رابطه (4)

پس از تعیین متغیرهای ورودی، نتایج آزمون وارد مرحله تقسیم داده‎ها می‌شود. قبل از اینکه داده‎ها وارد مدل‎ها شوند باید آن‌ها را به دو دسته یادگیری و ارزیابی تقسیم نمود که داده­های یادگیری خود شامل داده‌های آموزشی و اعتبارسنجی است. به این منظور از روش اعتبار سنجی متقابل در K مرتبه تکرار استفاده می‎شود ]13[. در این روش مجموعه داده­ها (مجموعه شرکت‎ها) به  قسمت مساوی، به‌صورت تصادفی تقسیم می­گردد به‌نحوی‌که برای داده­های این پژوهش در هر قسمت حدود 43 نمونه وجود دارد که به‌صورت تصادفی از بین شرکت‎های جامعه آماری انتخاب‌شده است.  زوج مجموعه  به‌صورت تصادفی استخراج می­شود که در آن  متغیرهای مستقل و  متغیر وابسته نمونه ام است. در اجرای اول قسمت اول از 10 قسمت، یک قسمت به‌منظور ارزیابی و 9 قسمت باقیمانده برای یادگیری استفاده می­شود. از بین 9 قسمت یادگیری یک قسمت برای داده­های اعتبارسنجی و بقیه برای داده­های آموزشی استفاده می­شود. در اجرای دوم، قسمت دیگری از 10 قسمت به‌منظور ارزیابی، 9 قسمت باقیمانده برای یادگیری (آموزشی- اعتبارسنجی) استفاده می­شود. 10 مرتبه الگوریتم به همین روال اجرا می­گردد. در هر بار تکرار یک نرخ خطا برای داده­های یادگیری و ارزیابی محاسبه می­گردد و درنهایت میانگین نرخ­های خطای به‌دست‌آمده به‌عنوان نرخ خطای داده­های یادگیری و داده­های ارزیابی انتساب داده می­شود.


نگاره 4- متغیرهای مؤثر ورودی به مدل داده‌کاوی

ردیف

متغیر

علامت اختصاری

مقدار احتمال

نتیجه آزمون

1

حاشیه سود ناخالص

GPM

000/0

تأیید جهت ورود به الگوریتم

2

گردش موجودی‌ها

IT

000/0

تأیید جهت ورود به الگوریتم

3

وجه نقد عملیاتی به دارایی‌ها

OCFTA

000/0

تأیید جهت ورود به الگوریتم

4

نسبت جاری

CR

000/0

تأیید جهت ورود به الگوریتم

5

نسبت آنی

QR

000/0

تأیید جهت ورود به الگوریتم

6

بدهی جاری به حقوق صاحبان سهام

DTE

001/0

تأیید جهت ورود به الگوریتم

7

توان بازپرداخت بهره

ICR

005/0

تأیید جهت ورود به الگوریتم


پس در واقع هر مجموعه داده به سه زیر مجموعه مستقل داده­های آموزشی، داده­های اعتبار­سنجی و داده­های ارزیابی تقسیم می­شود. از داده­های آموزشی برای آموزش مدل، از داده­های اعتبار­سنجی برای مناسب بودن پارامترهای به‌دست‌آمده مدل و جلوگیری از یادگیری بیش‌ازحد استفاده می­شود. از داده­های ارزیابی به‌منظور محاسبه نرخ خطای الگوریتم (دقت پیش­بینی مدل) روی داده­هایی که تاکنون مشاهده نکرده است، استفاده می­شود. برای ارزیابی مدل‎های رگرسیون از چهار معیار ارزیابی با نام­های میانگین قدرمطلق خطا (MAE)، میانگین مربعات خطا (MSE)، میانگین مربعات خطا نرمال­شده (NMSE)، میانگین درصد قدرمطلق خطای متقارن (SMAPE) استفاده می‌شود که از میان این خطاها، MSE استفاده بیشتری دارد زیرا هم میانگین خطا و هم واریانس خطا را از دیدگاه آماری حداقل می­نماید. همچنین در این معیار، ضرایب رگرسیون به‌صورت دقیق و تحلیلی توسط روش­های رگرسیونی محاسبه می­شود و برای بهینه­سازی ضرایب به الگوریتم­های فرا ابتکاری نیاز­ نیست. در­حالی­که در بقیه معیارها (خطاهای قدر مطلقی) می‌توان از این الگوریتم­ها استفاده کرد. به همین علت، در اکثر پژوهش­ها MSE  مورد توجه محققین بوده و در این پژوهش نیز مورداستفاده قرار­گرفته­است. MSE با استفاده از رابطه (5) محاسبه می­شود:

رابطه (5)

 

در رابطه بالا  و  به ترتیب DA واقعی و DA پیش‌بینی‌شده توسط هر الگوریتم برای نمونه i ام است و  تعداد نمونه­ها (در مرحله یادگیری یا مرحله ارزیابی) را نشان می­دهد.

مقایسه الگوریتم‌های پژوهش

نگاره­های (5) تا (8) خلاصه اطلاعات الگوریتم­های پژوهش به همراه سال ابداع آن‌ها را نشان می‌دهد. از این چهار الگوریتم دو مورد دارای مدل خطی هستند و برای بهینه­سازی مسائلی که ماهیت خطی دارند استفاده می­شود و دو مورد دیگر دارای مدل غیرخطی هستند که هم برای مسائل خطی و هم غیرخطی مناسب هستند. مزیت اصلی الگوریتم­های خطی آن است که مدل آن‌ها ساده، قابل‌فهم برای انسان است و به­راحتی می­توان آن‌ها را حل نمود ولی مدل‌های غیرخطی پیچیده بوده و فهم آن برای انسان دشوار است بنابراین محققان همواره به دنبال حل مسئله با استفاده از مدل‌های خطی هستند.

 

نگاره5-  خلاصه اطلاعات الگوریتم­ بهینه‌سازی مبتنی بر جغرافیای زیستی ]29[

نماد

BBO

سال ابداع

1996

ماهیت مدل

خطی

نحوه عمل الگوریتم

BBO بهینه‌سازی یک مشکل با حفظ جمعیت‌های کاندید موجود است. در این الگوریتم هر منطقه زیستیبه‌عنوان یک عضو منفرد شناخته می‎شود و دارای "شاخص میزان مطلوبیت زندگی یا شاخص صلاحیت" است. BBO یک الگوریتم تکاملی بر پایه جمعیت است که از پدیده مهاجرت حیوانات و پرندگان بین جزایر الهام گرفته‌شده است.

مزایا

-            هر مسئله‌ای که قابل فرموله شدن باشد را می‌تواند حل کند.

-            نیاز به دانش مسئله ندارد، یعنی موضوع مسئله مهم نیست و هر مسئله فرموله شده را می‌تواند حل کند.

-            مبتنی بر تکامل است به‌این‌ترتیب که از یک نسل اولیه بد شروع می‌کند و با چندین بار تکرار آن را بهبود می‌بخشد.

معایب

-            محاسبات آن خیلی زمان‌بر است.

-            ممکن است مسئله‌ای را نتواند فرموله کند یا این عمل به‌سختی انجام شود.

نگاره6-  خلاصه اطلاعات الگوریتم­ تکامل تفاضلی بهبودیافته ]21[

نماد

ICDE

سال ابداع

2013

ماهیت مدل

خطی

نحوه عمل الگوریتم

الگوریتم تکامل تفاضل (DE) یک روش ساده و درعین‌حال مؤثر می­باشد که به‌طور گسترده برای حل مسائل بهینه­سازی پیوسته استفاده‌شده است. ICDE یک نسخه بهبودیافته از الگوریتم تکامل تفاضل است. ICDE  ضرایب مدل رگرسیون خطی را طوری به دست می­آورد که مقدار تابع ارزیاب آن حداقل گردد.

مزایا

مشابه مزایای الگوریتم BBO

معایب

مشابه معایب الگوریتم BBO

نگاره7-  خلاصه اطلاعات الگوریتم­ رگرسیون بردار پشتیبان ]16[

نماد

SVR

سال ابداع

1997

ماهیت مدل

غیرخطی

نحوه عمل الگوریتم

داده­های آموزشی به الگوریتم اعمال می­گردد و SVR با استفاده از داده‎های آموزشی، ضرایب لاگرانژ و تابع تصمیم را به دست می­آورد و به این صورت، مدل مورد نظر آموزش داده می­شود. حال برای ارزیابی آن، داده­های ارزیابی که تابه‌حال توسط SVR مشاهده نشده­اند به آن اعمال می­گردد و خطای ارزیابی محاسبه می­گردد.

مزایا

-            قابلیت تبدیل مسئله غیرخطی به خطی به کمک حقه کرنل

-            ارائه خواص تعمیم­پذیری خوب

-            توانایی در طبقه­بندی الگوهای ورودی

-            رسیدن به بهینه سراسری

-            تعیین خودکار ساختار و توپولوژی بهینه برای رگرسیون

معایب

-            فهم دشوار این مدل­ برای کاربران

نگاره8-  خلاصه اطلاعات الگوریتم­ درخت رگرسیون و طبقه‌بندی ]13، 24[

نماد

CART

سال ابداع

1984

ماهیت مدل

غیرخطی

نحوه عمل الگوریتم

تابع یاد گرفته‌شده به‌صورت یک درخت تصمیم نمایش داده می­شود. این الگوریتم یک جستجوی حریصانه است که در آن، انتخاب­های قبلی هرگز مورد بازبینی قرار نمی­گیرند. داده­های آموزشی به الگوریتم درخت تصمیم CART اعمال می­گردد و درخت تصمیم CART با استفاده از این داده­ها یک درخت تصمیم تخمین­گر می­سازد، در مرحله یادگیری درخت، ابتدا به درخت اجازه داده می­شود که به‌صورت کامل رشد کند و سپس برای برخورد با پدیده یادگیری بیش‌ازحد، شروع به هرس کردن درخت با استفاده از داده­های اعتبارسنجی می­شود. بعد از آموزش درخت CART، ساختار درخت در حافظه ذخیره می­شود. حال برای ارزیابی آن، داده­های ارزیابی که تابه‌حال توسط درخت مشاهده نشده­اند به آن اعمال می­گردد و خطای ارزیابی محاسبه می­گردد.

مزایا

-            قوانین تولیدشده و به کار گرفته‌شده قابل‌استخراج و قابل‌فهم برای بشر هستند.

-            قابلیت کار با داده‌های پیوسته و گسسته.

-            استفاده از نواحی تصمیم­گیری ساده.

-            حذف مقایسه­های غیرضروری.

-            استفاده از ویژگی­های متفاوت برای نمونه­های مختلف.

-            عدم نیاز به تخمین تابع توزیع داده­ها.

معایب

-            در مواردی که هدف تخمین تابعی با مقادیر پیوسته است خیلی مناسب نیستند.

-            اگر تعداد کلاس زیاد و نمونه­های یادگیری کم، احتمال خطا بالاست.

-            هزینه محاسباتی تولید درخت تصمیم­گیری و هرس کردن درخت.

-            در مسائلی که کلاس­های ورودی با نواحی مکعبی به‌خوبی جدا نشوند درخت­های تک متغیره خوب عمل نمی­کنند.

-            زیادشدن گره پایانی در صورت روی‌هم افتادگی گره­ها در درخت­های تک متغیره.

-            انباشته شدن خطای لایه­ها بر روی یکدیگر به دلیل حریصانه بودن درخت­های تصمیم.

-             این الگوریتم یک جستجوی حریصانه است که در آن انتخاب­های قبلی هرگز مورد بازبینی قرار نمی­گیرند.

 


 

یافته‌های پژوهش

خلاصه نتایج حاصل از پیش‌بینی DA با داده‎های یادگیری (آموزشی- اعتبارسنجی) در نگاره (9) و نتایج حاصل از پیش‌بینی DA با داده‎های ارزیابی در نگاره (10) مشاهده می‌شود. دقت گردد که در نتایج آزمون کلیه الگوریتم‌ها، نتیجه اصلی میانگین روش اعتبار سنجی متقابل است و سایر نتایج صرفاً برای نمایش جزییات بیشتر است. مقدار حاشیه (ϵ) در الگوریتم  SVR برابر 5/0 فرض شده است. همان­طور که در نگاره­های (9) و (10) مشاهده می­شود در هر دو مرحله یادگیری و ارزیابی، الگوریتم‌های BBO، ICDE، SVR و CART می­توانند با میانگین خطای به ترتیب 12 هزارم، 12 هزارم، 1 هزارم و 3 هزارم مقدار متغیر وابسته مدیریت سود را با استفاده از متغیرهای مستقل پیش­بینی نمایند. لازم به یادآوری است که با توجه به کاربرد زیاد معیار میانگین مربعات خطا (MSE) در اکثر پژوهش­ها، در این پژوهش نیز برای ارزیابی خطای الگوریتم از این معیار استفاده شده­است.


نگاره 9- نتایج پیش‌بینی DA با داده‎های یادگیری (آموزشی- اعتبارسنجی)

Fold

BBO

ICDE

SVR

CART

1

01246/0

01229/0

00123/0

00336/0

2

01301/0

01287/0

00125/0

00347/0

3

01255/0

01247/0

00120/0

00332/0

4

01195/0

01183/0

00123/0

00318/0

5

01302/0

01288/0

00122/0

00344/0

6

01312/0

01301/0

00128/0

00362/0

7

01304/0

01278/0

00126/0

00332/0

8

0127/0

01268/0

00125/0

00354/0

9

01250/0

01231/0

00125/0

00349/0

10

01279/0

01268/0

00126/0

00347/0

میانگین

01272/0

01258/0

00124/0

00342/0

نگاره 10- نتایج پیش‌بینی  DA با داده‎های ارزیابی

Fold

BBO

ICDE

SVR

CART

1

01496/0

01522/0

00139/0

00401/0

2

01004/0

01004/0

00116/0

00299/0

3

01424/0

01355/0

00160/0

00431/0

4

01964/0

01939/0

00140/0

00559/0

5

00997/0

00990/0

00143/0

00329/0

6

00888/0

00872/0

00093/0

00161/0

7

01035/0

01076/0

00105/0

00432/0

8

01202/0

01169/0

00122/0

00232/0

9

01471/0

01498/0

00114/0

00281/0

10

01186/0

01168/0

00110/0

00296/0

میانگین

01267/0

01259/0

00124/0

00342/0

نگاره 11- بررسی نرمالیتی شاخص MSE

شاخص MSE

p- مقدار آزمون لی‌لی فورس

p- مقدار آزمون شاپیرویلک

مدلBBO

200/0

254/0

مدلICDE

200/0

357/0

مدلSVR

123/0

805/0

مدلCART

200/0

897/0


چون توزیع داده­ها طبق نگاره (11) نرمال می­باشد، با استفاده از آزمون t، خطای الگوریتم‌ها به‌صورت دوبه‌دو با یکدیگر مقایسه شده است. بنابراین 4 فرضیه اصلی این پژوهش در قالب 6 مقایسه به‌صورت زیر پاسخ داده می‌شوند:

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های BBO و ICDE

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل ICDE و MSE مدل BBO در سطح خطای ۵ درصد اختلاف معنی‌داری ندارد (05/0<مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان است.

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های BBO و SVR

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل SVR و MSE مدل BBO در سطح خطای ۵ درصد اختلاف معنی‌داری دارد (05/0>مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان نیست و چونMSE  مدل BBO بیشتر از MSE مدل SVR  است، مدل SVR دقت بالاتری دارد.

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های BBO و CART

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل CART و MSE مدل BBO در سطح خطای ۵ درصد اختلاف معنی‌داری دارد (05/0>مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان نیست و چونMSE  مدل BBO بیشتر از MSE مدل CART  است، مدل CART دقت بالاتری دارد.

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های ICDE و SVR

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل SVR و MSE مدل ICDE در سطح خطای ۵ درصد اختلاف معنی‌داری دارد (05/0>مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان نیست و چونMSE  مدل ICDE  بیشتر از MSE مدل SVR  است، مدل SVR دقت بالاتری دارد.

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های ICDE و CART

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل CART و MSE مدل ICDE در سطح خطای ۵ درصد اختلاف معنی‌داری دارد (05/0>مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان نیست و چونMSE  مدل ICDE بیشتر از MSE مدل CART  است، مدل CART دقت بالاتری دارد.

مقایسه دقت پیش‌بینی مدیریت سود الگوریتم‌های SVR و CART

با توجه به نتایج نگاره (12) مشخص است که MSE  مدل SVR و MSE مدل CART در سطح خطای ۵ درصد اختلاف معنی‌داری دارد (05/0>مقدار احتمال). یعنی نتایج به‌دست‌آمده از دو روش یکسان نیست و چونMSE  مدل CART  بیشتر از MSE مدل SVR  است، مدل SVR دقت بالاتری دارد.


نگاره 12- خلاصه نتایج آزمون مقایسه الگوریتم‌ها

ردیف

الگوریتم‌های مورد مقایسه

آماره t

مقدار احتمال

نتیجه آزمون

1

BBO-ICDE

724/0-

487/0

دقت دو الگوریتم یکسان است.

2

BBO-SVR

462/11-

001/0<

دقت SVR بیشتر است.

3

BBO-CART

376/11-

001/0<

دقت CART بیشتر است.

4

ICDE-SVR

476/11-

001/0<

دقت SVR بیشتر است.

5

ICDE-CART

464/11-

001/0<

دقت CART بیشتر است.

6

SVR-CART

650/6-

001/0<

دقت SVR بیشتر است.


امروزه به دلیل گسترش فعالیت­های اقتصادی، بازارهای مالی و رونق سرمایه‌گذاری در بازارهای سرمایه به‌خصوص بورس اوراق بهادار، دسترسی به اطلاعات درست و به‌موقع و تحلیل دقیق و واقع‌بینانه آن‌ها، مهم‌ترین ابزار جهت اتخاذ تصمیمات درست و کسب منفعت مورد انتظار و استفاده بهینه و مطلوب از امکانات مالی می­باشد. برخی از محققین مالی حسابداری را به‌عنوان یک سیستم اطلاع‌رسانی تلقی می­کنند و به عقیده آن‌ها هدف اصلی حسابداری ارائه اطلاعات مفید برای تصمیم‌گیری می­باشد. از سوی دیگر توسعه فنّاوری اطلاعات و ایجاد قابلیت جمع‌آوری و ذخیره داده در حجم بسیار بالا در اغلب سازمان­ها، ضرورت توسعه نظریه­ها و ابزارهایی برای کمک به انسان در استخراج اطلاعات مفید از این حجم به‌سرعت فزاینده داده دیجیتال را ایجاب می­کند.

با بروز  موارد زیادی از اختلاس‌ها و سقوط شرکت‌هایی نظیر انرون و ورلدکام در آمریکا و آهولد و پارمالات در اروپا نگرانی‌های جدی در خصوص مدیریت سود و مسائل اخلاقی تهیه‌کنندگان و حسابرسان گزارش‌‌ها به وجود آمد. بنابراین در کنار سایر الزامات، استفاده از روش‌های نوین گزارشگری و پیش‌بینی ضرورت یافت. امروزه استفاده از مدل‌های هوش مصنوعی به دلیل انعطاف‌پذیری بالا و توانایی تخمین دقیق روابط غیرخطی بدون نیاز به فرضیات و محدودیت‌های روش‌های سنتی از قبیل سری‌های زمانی و غیره، جزء رویکردهای غالب در مسئله پیش‌بینی می‌باشد. ازاین‌رو در این پژوهش دقت پیش‌بینی مدیریت سود توسط این مدل‌ها مورد بررسی قرار گرفت. بدین منظور الگوریتم­های خطی-تکاملی بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO) و تکامل تفاضلی بهبودیافته (ICDE) و الگوریتم­های غیرخطی رگرسیون بردار پشتیبان (SVR) و درخت رگرسیون و طبقه‌بندی (CART) مورد مقایسه قرار گرفت که مهم‌ترین نتایج حاصل به شرح زیر است:

طبق نتایج نگاره (12)، ترتیب الگوریتم­ها از جهت دقت در پیش­بینی مدیریت سود عبارت‌اند از: رتبه اول SVR، رتبه دوم CART، رتبه سوم ICDE و رتبه چهارم مربوط به الگوریتم­ BBO است. نگاره (13) این رتبه‌بندی را به همراه مقایسه خطای یادگیری و خطای ارزیابی الگوریتم‌ها نشان می‌دهد.

همان‌گونه که انتظار می­رفت الگوریتم­های غیر­خطی از دقت بیشتری نسبت به الگوریتم­های خطی برخوردار هستند و مقدار این اختلاف طبق نتایج نگاره­های (12) و (13) قابل‌مشاهده است. همچنین تمام الگوریتم­های خطی (ICDE, BBO) دارای خطاهای تقریباً یکسانی برای پیش­بینی DA هستند و خطای پیش‌بینی آن‌ها تفاوت چندانی باهم ندارد.

الگوریتم SVR در این پژوهش بهترین الگوریتم برای پیش­بینی DA است و دارای کمترین مقدار خطا نسبت به سایر الگوریتم­ها است. اما با توجه به اینکه در الگوریتم­ SVR از حقه کرنل استفاده‌شده و باعث شده است که فهم این مدل­ برای انسان دشوار باشد، می­توان با قبول کردن کمی خطای بیشتر از الگوریتم CART استفاده نمود که قوانین آن برای انسان به‌سادگی قابل‌فهم است. الگوریتم CART علی‌رغم کسب رتبه دوم در این مقایسه، به‌عنوان یک روش مبتنی بر قوانین و بر اساس روش­های حریصانه تقسیم و حل، جزو الگوریتم­های غیرخطی می‌تواند DA را به‌خوبی پیش­بینی نماید.

نگاره 13- رتبه‌بندی الگوریتم­های پژوهش بر اساس دقت پیش‌بینی

الگوریتم

MSE     - یادگیری

MSE     - ارزیابی

رتبه

SVR

001242/0

001242/0

اول

CART

00342/0

00342/0

دوم

ICDE

01258/0

01259/0

سوم

BBO

01272/0

01267/0

چهارم

محدودیت­های پژوهش

نتایج حاصل از پژوهش حاضر فقط قابل‌تعمیم به شرکت‌های تولیدی بورسی است، لذا تعمیم نتایج به سایر شرکت‌ها باید بااحتیاط صورت پذیرد. همچنین در این پژوهش برای مقایسه دقت پیش‌بینی، از الگوریتم‌های BBO، ICDE،  SVRو CART به‌عنوان الگوریتم‌های پرکاربرد استفاده‌شده است. لذا ممکن است نتایج آن به سایر الگوریتم‌ها قابل‌تعمیم نباشد.

پیشنهاد­های کاربردی پژوهش

پیشنهاد می‌گردد برای کاهش ریسک بحران‌های مالی و کمک به سرمایه‌گذاران جهت اجتناب از زیان‌های بزرگ در بازار سهام، از مدل‌های هوش مصنوعی به‌ویژه الگوریتم SVR جهت پیش‌بینی مدیریت سود شرکت‌ها استفاده نمایند.

توصیه می‌گردد که سازمان بورس اوراق بهادار جهت پذیرش شرکت‌ها و ارزیابی آن‌ها، معیار مدیریت سود را نیز  در کنار سایر معیارها مدنظر قرار دهد.

به حسابرسان و بازرسان شرکت‌ها نیز توصیه می‌گردد که روش‌های پیش‌بینی مدیریت سود را نیز به‌عنوان یکی از روش‌های بررسی تحلیلی شرکت‌ها مدنظر قرار دهند.

پیشنهادهایی برای  انجام  پژوهش­های آتی

برای پژوهش­های آتی پیشنهاد می‌شود که به‌منظور مقایسه دقت پیش­بینی مدیریت سود، از الگوریتم­های ترکیبی استفاده شود. به‌عنوان‌مثال استفاده از الگوریتم ترکیبی ژنتیک و SVR. الگوریتم ژنتیک پارامترهای الگوریتم را در حین فرآیند یادگیری بهینه می­نماید و با این کار دقت پیش­بینی افزایش خواهد یافت. بنابراین می‌توان مشاهده نمود که استفاده از یک مکمل، دقت بیش بینی الگوریتم‌ها را به چه میزان افزایش می‌دهد. این افزایش دقت می‌تواند نتایج متفاوتی را حاصل کند به عبارتی نتایج حاصل از الگوریتم­های ترکیبی می‌تواند متفاوت از نتایج استفاده از یک الگوریتم به‌تنهایی باشد.

 

1-     آرسته، قاسم و فرزانه نصیرزاده. (1395). مقایسۀ دقت الگوریتم‌های تخمین­گر بردار پشتیبان، تخمین­گر حداقل درجه و شبکه عصبی فازی در کشف مدیریت سود. پژوهش‌های تجربی حسابداری، دوره ششم، ش 22، صص 115-95.

2-     تقوی فرد، محمدتقی. منصوری، طاها. ناصر زاده، محمدرضا و علیرضا فراست. (١٣٨9). داده‌کاوی و کاربرد آن در تصمیم‌گیری‌ها. دانش مدیریت، دوره بیستم، ش ۷۹، صص 14-3.

3-     چالاکی، پری و مرتضی یوسفی. (۱۳۹۱). پیش‌بینی مدیریت سود را با استفاده از درخت تصمیم‌گیری. مطالعات حسابداری و حسابرسی، شماره 1، صص 19-1.

4-     حجازی، رضوان. محمدی، شاپور. اصلانی، زهرا و مجید آقاجانی. (1391). پیش‎بینی مدیریت   سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‎های پذیرفته‌شده در بورس اوراق بهادار تهران. بررسی‌های حسابداری و حسابرسی، دوره نوزدهم، شماره 68، صص 46-31.

5-     خوش طینت، محسن و عبدالله خانی. (1382).  مدیریت سود و پاداش مدیران: مطالعه‌ای جهت شفاف‌سازی اطلاعات مالی. مطالعات تجربی حسابداری مالی، شماره 3، صص 154-127.

6-     رخشانی، محمدحسین. (1384). ابزارهای مدیریت سود در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار. ماهنامه اقتصادی بورس، شماره 48، صص 56-51.

7-     عالی­ور، عزیز. (1381). صورت‌های مالی اساسی. مرکز تحقیقات تخصصی حسابداری و حسابرسی سازمان حسابرسی، نشریه شماره 76، چاپ هشتم.

8-     کردستانی، غلامرضا. معصومی، جواد و وحید بقایی. (1392). پیش‌بینی سطح مدیریت سود با استفاده از شبکه‌های عصبی مصنوعی. پیشرفت‌های حسابداری، دوره پنجم، شماره 1، صص 170-169.

9-     مشایخی، بیتا و مریم صفری. (1385). وجه نقد ناشی از عملیات و مدیریت سود در شرکت‌های پذیرفته‌شده در بررسی اوراق بهادار تهران، بررسی‌های حسابداری و حسابرسی، دوره 13، شماره 44، صص 54-35.

10- مشایخی، بیتا. مهرانی، ساسان. مهرانی، کاوه و غلام­رضا کرمی. (1384). نقش اقلام تعهدی اختیاری در مدیریت سود شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. بررسی­های حسابداری و حسابرسی، دوره 12، شماره 42، صص 74-61.

11- ناظمی اردکانی، مهدی. (1389). مدیریت سود مبتنی بر ارقام حسابداری در مقابل مدیریت واقعی سود، فصلنامه حسابدار رسمی، شماره 8، صص 114.

12- ولی زاده لاریجانی، زهرا. (1387). نتایج مدیریت واقعی سود، پایان‌نامه کارشناسی ارشد، دانشکده علوم اجتماعی و اقتصاد دانشگاه الزهرا.

13-Alpaydin, E. (2010). Introduction to machine learning. 2'nd ed. Cambridge, Mass. MIT Press. Available at: http://www.cmpe.boun.edu.tr/~ethem/i2ml2e/.

14-Cohen, D and Zarowin, P. (2008). Accrual Based and Real Earnings Management Activities around Seasoned Equity Offerings. Working paper, Available at http://ssrn.com/abstract=1081939.

15-Dechow, P and Skinner, D. (2000), Earnings management: Reconciling the views of accounting academics, practitioners and regulators. Accounting Horizons, Vol. 14, No. 2, Pp. 235-250.

16-Drucker, H. Burges, C. Kaufman, L. Smola, A and Vapnik, V. (1997). Support Vector Regression Machines. Advances in Neural Information Processing Systems, No. 9, Pp. 155–161.

17-Eli, B and Ferdinand, G. (2000). Discretionary - Accruals Models and Audit Qualifications, Journal of Accounting and Economics, Vol. 30, No. 3, Pp. 421-452, Available At http://ssrn.com/abstract=214996.

18-Fayyad, U. Djorgovski, S and Weir, N. (1996). From Digitized Images to On-Line Catalogs: Data Mining a Sky Survey.  AI Magazine, NO. 17(2), Pp. 51–66.

19-Healy, P and Wahlen, J. (1999). A review of the earnings management literature and its implications for standard setting. Accounting Horizons, Vol. 13, No. 4, Pp. 365-383.

20-Heyworth, S. (1953). Smoothing periodic income, The Accounting Review, NO. 28(1), Pp. 32-39.

21-Jia, G. Wang, Y. Cai, Z and Jin, Y. (2013). An improved (μ + λ)-constrained differential evolution for constrained optimization. Information Sciences, Vol. 222, Pp. 302–322.

22-Johari, N. Mohd Saleh, N. Jaffar, R and Sabri Hassan, M. (2008), The Influence of Board Independence, Competency and Ownership on Earnings Management in Malaysia, Journal of Economics and Management, Vol. 2, No. 2, Pp. 281 – 306.

23-Kin Lo (2008). Earning management and Earnings quality. Journal of Accounting & Economics, NO. 45, Pp. 350-357.

24-Mitchell, T. (1997). Machine Learning: McGraw-Hill International. 2'nd ed. New York, NY, USA.

25-Najari, M. Hazrati, A. Rezaie, P and Habibzadeh Baygi, J. (2014). Forecasting of Earning Management by Support Vector Machine: Case Study in Tehran Exchange Stock. Journal of Scientific Research, Vol. 19, No. 7, Pp. 1007-1017.

26-Nelson, M. Elliot, W. and Tarley, (2003), How are earning managemend? Examples from audior , Accunting horizons, No. 17, Pp. 17-35.

27-Rafik, Z. (2002). Determinants of earnings management ethics among accountants. Journal of Business Ethics, Vol. 40, Pp. 33-45.

28-Roychowdhury, S. (2006). Earnings management through real activities manipulation. Journal of Accounting and Economics, Vol. 42, Pp. 335-370.

29-Simon, D. (2008). Biogeography-based optimization. IEEE Transactions on Evolutionary Computation, Vol. 12, Issue. 6, Pp. 702–713.

30-Tsai, C and Chiou, Y. (2009). Earnings Management Prediction: A pilot Study of combining Neural Networks and Decision Trees. Expert systems with Application, Vol. 36, Pp. 7183-7191.

31-