نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشیار، گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران
2 دانشجوی دکتری حسابداری، دانشگاه تهران، پردیس البرز، تهران، ایران
چکیده
کلیدواژهها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Errors are inevitable in accounting and factors such as diversity and complexity of economical subjects, workloads, exhaustion, and similar issues increase their likelihood. As well, the constant change of the economic, social, and other factors makes it vital to consider the change of the accounting principles and methods, in order to enable the adaptation of the enterprises to new conditions, since all these issues can result in the detection of manipulation of earnings in the financial statements.This subject received serious attention after the Enron Corporation scandal incurred. This research aims to prove the need for the application of the enhanced Beneish Model for credited companies listed in the Tehran Stock Exchange between the years 2009 and 2020. Target sample consists of 265 companies, which have been used to estimate and improve the Benish model using logit regression and genetic algorithm. The result shows that, according to the Confusion Matrix, among all models of detection of manipulation of earnings in financial statements, the genetic algorithm Beneish model has maintained 73.21 accuracies, which is considered the highest rate for predictability compared to the primary Beneish model and models offered with logistic regression, thus the theory of this writing is approved.
Introduction
From the early 1980s, financial statements became subject to disputes. Accounting and auditing, management and earning manipulations, and various forms of fraud, similar to the Enron and WorldCom scandals in the US had become the center of attention for many researchers since they all resulted in the manipulation of financial statements to show earnings. From the perspective of the users, manipulation of the financial statements is not just revealing past issues, they give a form of predictions for future problems for the enterprises and their managers. The issues could create distrust against the management's credibility and competence, as well as the credibility of the reported earnings. It is also detrimental to the credibility of the financial statements and causes the mismanagement of capital and resource distributions, creating further distrust against capital markets for people. Taking all into consideration, this research aims to create an optimal and precise model suitable for the detection of the probability of the manipulation of earnings in financial statements according to the Beneish model in Iran’s stock market. To achieve the target, the theories are presumed and tested as follows:
First theory: the enhanced Beneish model with logistic regression has higher accuracy to detect the manipulation of financial statements compared to its primary model.
Second theory: the enhanced Beneish model with genetic algorithm has higher accuracy to detect the manipulation of financial statements compared to its primary model.
Third theory: the enhanced Beneish model with logistic regression has higher accuracy to detect the manipulation of financial statements compared to the enhanced model with logistic regression.
Methods & Material
Data collections are based on the library method with the application of post-event methodology. The required data are extracted from the Codal website, as well as, using the published financial statements and reports of the listed companies in the Tehran Stock Exchange between 1388 and 1399. Furthermore, Spss software, Matlab, and Phyton are used to analyze the data.
Before modeling was processed, new detection models were developed based on two input data sets (training and testing). First, the data collection of the companies were divided into two groups: The data from the year 1388 to 1398 have been selected as the assessor (training) data set and the data from 1399 as the testing data set, with the aim that after finding the ultimate model based on the training data, it can also be assessed for its application for future issues, with the help of testing data.
The population under this research was selected from the listed companies the Tehran Stock Exchange, among them, 265 companies were selected as samples.
The manipulation of the financial statements is a dependent variable. To measure this variable, number one is dedicated to the companies that resubmitted their statements and number zero is dedicated to companies that did not resubmit their statements. As well, the independent variables are the indexes of the Beneish model (1999).
Finding
In table (1), the primary Beneish model (1999), submitted with other models offered with the application of logistic regression and a combination of neuro-algorithm networks to enhance the Beneish model.
Table 1: the regression equation of the Beneish model with other models offered on the enhancement of the Beneish model
𝑀 − 𝑆𝑐𝑜𝑟𝑒 = −4.84 + 0.92𝐷𝑆𝑅𝐼 + 0.528𝐺𝑀𝐼 + 0.404𝐴𝑄𝐿 + 0.892𝑆𝐺𝐼 + 0.115𝐷𝐸𝑃𝐼 − 0.172𝑆𝐺𝐴𝐼 + 4.679𝑇𝐴𝑇𝐴− 0.327𝐿𝑉𝐺𝐼
Beneish primary model (1999)
(LVGI) 0.250 + (TATA) 0.784 – 0.259- = S-score
Logistic regression model
(LVGI) 0.84 + (TATA) 0.60 – 0.46- = S-score
combination of a neuro-algorithm network of neuro-algorithm networks
After testing the difference of the averages with the regression test, the best ratios for the detection of the manipulation of the financial statements were selected in a step by step process. Two index ratios were selected, which included Total Accruals to Total Assets (TATA) and Leverage index (LVGI) as the final financial indexes and are chosen to enter to offer a model with the logistic regression and genetic algorithm.
According to the result obtained with the use of the logistic regression, genetic algorithm, and the selected indexes of the Beneish model, the result obtained is as follows in the tabl(2):
Table 2: results of the Beneish model with other models offered on the enhancement of the Beneish model
Beneish primary model (1999)
According to the logistic regression model
According to the combination of a neuro-algorithm network of neuro-algorithm networks
Cut off
-1.78
-0.012
0.5
Model’s accuracy in correct detection of the manipulations by companies
70%
37.04
29.63
Model’s accuracy in correct detection of the non- manipulations by companies
25%
72.27
78.15
Model total accuracy
29.43%
68.68
73.21
Table (2) shows that, having total accuracy of 29.43 percent, the Beneish primary model detected and categorized the companies in terms of manipulation or non-manipulations. Further, the total accuracy offered by logistic regression and genetic algorithm were 68.68 and 73.21 percent.
Conclusion & Results
The existing research aims to offer “an optimal model for detection of the probability of the manipulation of financial statements” for Iran’s capital market. In this research, the Beneish Fraud model was tested to detect the probability of the manipulation of financial statements. In next phase, with the application of the logistic regression, as a classic method, and genetic algorithm, as Meta-Heuristic Approach, the model was assessed for the detection of the probability of manipulation of financial statements in companies that are listed in the Tehran Stock Exchange and, the best model was selected after they were compared. The result from the test data for year 2020 demonstrates that the Beneish total accuracy for detection is 29.43 percent. As well, the total accuracy of the enhanced model of logistic regression is 68.68 percent and the total accuracy in the Beneish enhanced model with genetic algorithm for the detection of the manipulation of financial statements are 73.21 percent.Therefore, the research theories are approved and, compare to other models, the Beneish enhanced model with genetic algorithm maintains the highest accuracy to detect the probability of manipulation of the financial statements.
According the research’s finding, the suggestions are as follows:
-Given that the statistical methods, the selected ratio and final ratios have the most capability for detecting the manipulation of financial statement, it is suggested that auditors, investors, creditors and all other users of financial statements to pay detailed attention to the referred ratio in their analysis.
-Given that the Meta-Heuristic Approach (e.g. neuro network, genetic algorithm, etc.) offers higher accuracy for detecting the probability, it is suggested that researchers take this approach and model in their analysis.
-Given that the manipulation of financial statements could be because of insolvency, bankruptcy, fraud, etc., therefor it is highly suggested for supervision and legal authorities, such as tax organizations, stock exchange organization, etc., to apply the models that are used in this research to assess the companies’ risks.
کلیدواژهها [English]
از اوایل دهه 1980، صورتهای مالی جزو موضوعات مورد بحث بودهاند؛ با این حال، از زمان بحران جهانی حسابداری و حسابرسی، مدیریت و دستکاری سود، تقلبهای متعدد، مانند شرکت انرون و ورلدکام در ایالات متحده، پژوهش در باب این موضوع مورد علاقه پژوهشگران قرار گرفت (Braber & Hollie‚ 2021‚ Huang et al.‚ 2020).
هدف اصلی سیستم حسابداری، تهیه اطلاعات مالی مفید برای تصمیمگیریهای اقتصادی است و صورتهای مالی اساسی، ابزار اصلی انتقال اطلاعات به استفادهکنندگان است. درواقع سیستم حسابداری آثار مالی معاملهها و رویدادهای مؤثر بر واحدهای اقتصادی را شناسایی و براساس روشهای منطقی و مدون اندازهگیری، تجمیع و تلخیص میکند (کاشانیپور و همکاران، 1397).
در مواردی ممکن است صورتهای مالی منتشرشده یک یا چند دوره قبل شامل اشتباهات بااهمیتی باشد که تصویر مطلوب را مخدوش و درنتیجه، قابلیت اتکای صورتهای مالی مزبور را کاهش دهد. اصلاح چنین اشتباهاتی نباید ازطریق منظورکردن آن در سود و زیان سال جاری انجام شود؛ بلکه باید با تجدید ارائه صورتهای مالی سالهای قبل به چنین منظوری دست یافت. ارقام مقایسهای صورتهای مالی نیز باید تجدید ارائه شوند؛ درنتیجه، مانده افتتاحیه سود (یا زیان) انباشته نیز بدین ترتیب تعدیل خواهد شود؛ مگر اینکه این امر عملی نباشد که در این شرایط، موضوع باید در یادداشتهای توضیحی صورتهای مالی افشا شود. تعدیلات سنواتی، بهعنوان آخرین قلم در صورت سود و زیان جامع نیز منعکس میشوند. تجدید ارائه میتواند به معنای وجود یک نقص یا اشکال تعبیر شود که در سال جاری کشف شده است؛ البته به شرط آنکه ناشی از تغییر در رویههای حسابداری نباشد. پژوهشها نشان دادهاند درصد بالایی از تجدید ارائهها در ایران، به دلیل اصلاح اشتباهات حسابداری بوده است (کردستانی و همکاران، 1389).
در صورتی که تعدیلات سنواتی بااهمیت باشد؛ بهویژه وقتی مربوط به اشتباهات دورههای قبل یا تقلب مدیریت باشد، از قابلیت اتکای صورتهای مالی میکاهد و توجه سرمایه گذاران به آن بیشتر جلب میشود (نیکبخت و همکاران، 1396).
تجدید ارائهها ممکن است به سرمایهگذاران دربارۀ وخیمتر شدن احتمالی وضعیت اقتصادی شرکت تجدید ارائهکننده هشدار دهند (Papik & Papikova‚ 2020).
این موضوع نشان میدهد اطلاعات حسابداری شرکتها ازنظر ویژگی عاری از اشتباهبودن محل تردید است. تعدیلات سنواتی و تجدید ارائه صورتهای مالی دورههای قبل، پیامدهای منفی متعددی را به همراه دارد. رقم سود خالص، مبنای محاسبه مواردی نظیر پاداش هیئتمدیره، مالیات و سود تقسیمی به سهامداران است. علاوه بر این، سود هر سهم و نسبت قیمت به سود هر سهم ازجمله شاخصهایی است که تحلیلگران و سرمایهگذاران از آن استفاده میکنند؛ درنتیجه، ارائه نادرست سود و اصلاح آن در دورههای بعد، یعنی پس از گرفتن تصمیمهای مربوط، آثار اقتصادی و مالی برای افراد مختلف خواهد داشت. یکی دیگر از پیامدهای منفی تعدیلات سنواتی، اثر آن بر اعتبار حسابرسان است (حسنی، 1401).
همچنین، بخش زیادی از پژوهشهای گذشته نشان میدهند احتمال تجدید ارائه صورتهای مالی از سوی شرکتهای دارای میزان بدهی بالا بیشتر است (Defone & Jiambavlo‚ 1991‚ Kenney et al.‚ 2004). معمولاً هرچه نسبت بدهی شرکت بالاتر باشد، شرایط مالی دشوارتر میشود و متعاقباً مدیران تمایل پیدا میکنند برای دریافت قراردادهای اعتباری، سود شرکت خود را بیشتر از میزان حقیقی گزارش کنند تا اینگونه توانایی خود برای بازپرداخت بدهی را به اثبات برسانند و این کار در آینده منتج به تجدید ارائه صورتهای مالی شرکتها میشود (Onah et al., 2021).
بورکز (2008) معتقد است افزایش در تجدید ارائهها به سبب تلاش زیاد مدیران و هیئتمدیره و حسابرسان در بازبینیهایی است که سبب بهبود شفافیت و اعتماد سرمایهگذاران شده است (Burks‚ 2008).
استفادهکنندگان براساس مدل بنیش (1999) میتوانند به ارزیابی وضعیت و عملکرد مالی شرکت بپردازند. متغیرهای بهکاررفته در این مدل، نهتنها به معاملات دستکاریشده در داخل شرکت ارتباط دارد، به معاملاتی که ممکن است در آینده توسط شرکت دستکاری شوند، مرتبط میشود که به تجدید ارائه صورتهای مالی منجر میشود. همچنین، این متغیرها میتوانند برای کشف مدیریت سود و تقلب در سود، بهتر عمل کنند (Palmrose et al.‚ 2004‚ Papik & Papikova‚ 2020).
با توجه به توضیحات ذکرشده، هدف این پژوهش، ساخت مدلی بهینه و با دقت بالا برای پیشبینی احتمال تجدید ارائه صورتهای مالی براساس مدل دستکاری سود بنیش در بازار سرمایه ایران است.
مبانی نظری و مروری بر پیشینۀ پژوهش
اهداف گزارشگری مالی، از نیازها و خواستههای اطلاعاتی استفادهکنندگان برونسازمانی سرچشمه میگیرد. هدف اصلی، بیان آثار اقتصادی رویدادها و عملیات مالی بر وضعیت و عملکـرد واحـد تجـاری بـرای کمک بـه اشـخاص برونسازمانی بـرای تصمیمگیری اســـت. ایـــن اطلاعـــات باید به گونهای باشد که ذینفعان را در تشخیص نقاط قوت و ضـــعف مـــالی واحـــد انتفـــاعی یاری دهد و مبنایی را فراهم کند تا بتوان بـــر اســـاس آن، اطلاعات مربوط به عملکرد واحد انتفاعی را طــی یک دوره مالی ارزیابی کرد (ثقفی و عرب مازار، 1389).
تجدید ارائه صورتهای مالی که درنتیجۀ اصلاح اشتباهات بااهمیت سالهای گذشته و تغییر اصول و رویههای پذیرفتهشده حسابداری رخ میدهد، از دیدگاه استفادهکنندگان صورتهای مالی، نهتنها بیانکنندۀ مشکلات عملکرد دوره گذشته است، نوعی پیشبینی مشکلات آتی برای شرکت و مدیریت آن نیز محسوب میشود و موجب سلب اطمینان سرمایهگذاران نسبت به اعتبار و شایستگی مدیریت و تأثیر بر کیفیت سودهای گزارش شده میشود (نیکبخت و همکاران، 1396).
پژوهشگران به بررسی ماهیتِ بخشی از دلایل تجدید ارائه صورتهای مالی در شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران پرداختهاند و عمده تعدیلات سنواتی را ناشی از اصلاح اشتباهات بااهمیت دانستهاند. ارائه مجدد و مستمر اقلام در دورههای پیدرپی و رواج آن میان شرکتهای ایرانی، به اعتبار صورتهای مالی آسیب میزند و موجب تخصیص و توزیع ناکارآمد ثروت و کاهش اعتماد مردم به بازارهای سرمایه میشود (بهار مقدم و دولت آبادی، 1391).
تجدید ارائهها به سه دسته بد، خوب و خنثی تقسیم میشوند. اگر حاصل تجدید ارائه، کاهش سود خالص یا درآمد باشد، به آن تجدید ارائه بد می گویند. اگر حاصل تجدید ارائه، افزایش سود خالص یا درآمد باشد، به آن تجدید ارائه خوب می گویند و اگر حاصل تجدید ارائه، چند تغییر خوب و چند تغییر بد باشد، به طوری که تأثیر یکدیگر را خنثی کنند، به آن تجدید ارائه خنثی می گویند (کاظمی، 1390).
با توجه به پژوهش انجامشده از سوی گرتسن و همکاران (2006)، تجدید ارائه صورتهای مالی براساس میزان و شدت ارائه، به دو دسته تقسیم میشوند: الف. میزان تحریف اطلاعات مربوط به ارزش و ب. قصد و نیت مدیریت. به نظر میرسد تجدید ارائه بهصورت روشن، علائمی را درخصوص اتکاپذیر نبودن صورتهای مالی و کیفیت پایین آن به استفادهکنندگان آن ارائه میدهند (Gertsen et al.‚ 2006‚ Xia‚ 2006).
کرسی (1953) نظریه مثلث فریب که شامل سه شرط (انگیزش/فشار، فرصت و نگرش/ عقلانیسازی) است را مطرح کرد؛ زیرا درخور مواقع وقوع رفتار مجرمانه است. بین این سه ویژگی، انگیزه/فشار بهراحتی به اقدامات غیراخلاقی منتج میشود (Cressey‚ 1953). هر گونه فریبی که از فشار نشئت گرفته باشد، فشار مالی یا فشار غیرمالی (آلبرشت، 2008) یا مقولههای سیاسی و اجتماعی (مورداک، 2008) نام میگیرد؛ با این حال، غالباً بیشتر فریبها به علت شرایط مالی ایجاد میشوند (Onah‚ 2021).
نظریۀ مثلث تقلب در مواقعی به کار گرفته میشود که شرکتهای پذیرفتهشده در بورس تجربه سوددهی نداشته باشند یا نتوانند به سود هدف خود دست یابند و به احتمال قوی مدیران آن دسته از اطلاعات سود را در صورتهای مالی شرکت منتشر میکنند که بسیار فراتر از وضعیت حقیقی شرکت است؛ یا در مواقعی که شرکتی نسبت بدهی بالایی داشته باشد، گفته میشود شرکت تحت فشار بدهی قرار دارد. مدیران احتمالاً سودهایی را در صورتهای مالی خودساخته خود منتشر میکنند که فراتر از مبلغ حقیقی قرارداد وام بالقوه است. همچنین، مدیران باید برای جذب قرارداد وام آتی، سودهایی را در صورتهای مالی خودساخته منتشر کنند که از ارقام حقیقی بیشتر باشد. هنگام حسابرسی مشخص شد مبالغی که مدیران به دست آوردهاند، فاصله زیادی با وضع حقیقی شرکت دارد که این امر به ارائه مجدد صورتهای مالی شرکتهای پذیرفتهشده در بورس پس از حسابرسی به درخواست حسابرسان منجر میشود (Onah‚ 2021).
فرض اصلی بنیش این است که در طی دوره قبل از دوره دستکاری، شرکتهای دستکاریکننده رشد معنادار بالاتری را نسبت به شرکتهای غیر دستکاریکننده گزارش میکنند؛ به همین دلیل، نسبتها در مدل بنیش نسبتهایی از دو دوره متوالی هستند (Beneish‚ 1999‚ Beneish et al.‚ 1999).
با توسعه پژوهش بنیش و همکاران (1999)، دچو و همکاران (2011) شرکتها را براساس تجدید ارائه صورت مالی و بدون تجدید ارائه صورت مالی طبقه بندی میکنند و با استفاده از مدلهای لوجیت1، مدلهای F-score را توسعه میدهند. F-score، علاوه بر دادههای صورتهای مالی، باید با دادههای مختلف بازار، اطلاعات خارج از ترازنامه و دادههای کیفی دربارۀ شرکت مدنظر تغذیه شود (Dechow et al.‚ 2011).
بررسی انجامشده مک کارتی2 (2017) دربارۀ تقلب حسابداری انرون3 نشان میدهد M-Score بنیش در مقایسه با مدل پیشبینی ورشکستگی آلتمن4، میتوانست با موفقیت، رفتارهای متقلبانه انرون را بین سالهای 1997 و 2000 پیشبینی کند. همچنین، پژوهش او نشان میدهد دستکاری در بیشتر متغیرهای ورودی که مدل بنیش را تغذیه میکنند، شناسایی شدهاند (MacCarthy‚ 2017).
همچنین، متغیرهای مدل بنیش، مبنایی برای روشهای جایگزین مختلف (مانندZ-score آنگوس و ...) برای کشف تجدید ارائه صورتهای مالی شدهاند (Unegbu‚ 2013).
اوهان و همکاران (2021) در پژوهشی با عنوان «مدل تقلب بنیش و بدهی با تجدید ارائه صورتهای مالی» به بررسی عوامل تعیینکننده در بیان تجدید ارائه صورتهای مالی پس از حسابرسی در شرکتهای سهامی عام کشور ویتنام پرداختهاند. این پژوهش بر شاخصهای مدل بنیش، نسبت کل بدهی به کل داراییها و تجدید ارائه صورتهای مالی تمرکز دارد. در این پژوهش، از صورتهای مالی شرکتها از سالهای 2014 تا 2020 موجود در وبسایتهای بورس هوشی مین5 و بورس هانوی6 استفاده شده است. پس از جمعآوری دادهها، پژوهشگران از ابزار STATA 15.0 برای تجزیهوتحلیل نتایج ازطریق آمار توصیفی، ضریب همبستگی و رگرسیون لاجیت استفاده کردهاند. نتایج پژوهش آنها نشان میدهند نسبت کل بدهی به کل داراییها رابطه معنیداری با وقوع تجدید ارائه صورتهای مالی دارد؛ در حالی که به نظر نمیرسد شاخصهای مدل بنیش بر وقوع تجدید ارائه مالی تأثیری داشته باشد (Onah‚ 2021).
پاپیک و پاپیکوا (2020) در پژوهشی با عنوان «مدلهای شناسایی برای تجدید ارائه صورتهای مالی» به تجزیهوتحلیل و شناسایی عوامل تعیینکنندهای میپردازند که به تجدید ارائه صورتهای مالی منجر شده است. دلیل پژوهش این است که خطاهای حسابداری برای شرکتهایی که نیاز به تغییر صورتهای مالی منتشرشده دارند، امری هزینهبر بوده و بر اعتبار شرکت و قیمت سهام آنها تأثیرگذار است. بسیاری از نویسندگان بر پیشبینی تقلبهای حسابداری تمرکز میکنند و موضوع تجدید ارائه صورتهای مالی در پسزمینه پژوهشها باقی میماند. این پژوهش در ابتدای امر، مدل تشخیص تقلب در حسابداری ارائهشده از بنیش بر یک نمونه چهل تایی از شرکتهایی با تجدید ارائه صورتهای مالی در طی ده سال را آزمون میکند و دو مدل پیشبینی جدید تابع تفکیک خطی7 و براساس رگرسیون لاجیت را توسعه میدهد. در طی آزمون مجموعه دادهها، مدل تابع تفکیک خطی به دقت 96/70 %، ویژگی ۲۵% و حساسیت 83/79 % و مدل رگرسیون لاجیت به دقت 22/62٪، ویژگی 66/41٪ و حساسیت 67/66٪ دست یافته که کارایی هر دو مدل بهتر از مدل بنیش از پیش موجود یا مطالعات دیگر در این زمینه است (Papik & Papikova‚ 2020).
ایمپینک (2010) در پژوهشی با عنوان «دستکاری سود و ورشکستگی: شرکت ورلدکام» به بررسی تأثیر دستکاری سود بر تداوم فعالیت شرکت ورلدکام طی سال 2001-2000 پرداخت. او از مدل بنیش (1999) برای پیشبینی دستکاری سود و از مدل آلتمن (1968) و مدل اولسون (1980) برای پیشبینی ورشکستگی بهره برد. یافتههای پژوهش او نشان دادند دستکاری سود با معیارهای تداوم فعالیت و ورشکستگی ارتباط دارد (Impink‚ 2010)
بنیش (1999) در پژوهشی با عنوان «ارائه مدلی جهت تشخیص دستکاری سود» تعداد 74 شرکت دستکاریکننده سود را طی دوره زمانی 1982 تا 1992 مطالعه کرد و در مدل خود، متغیرهای توضیحی متعلق به هر دو گروه شرکتهای دستکاریکننده و غیر دستکاریکننده سود را با استفاده از تحلیل پروبیت به کار گرفت و برای شرکتهای دستکاریکننده، عدد یک و برای شرکتهای غیر دستکاریکننده، عدد صفر اختصاص داد و ضرایب متغیرهای مستقل را محاسبه کرد. نقطه انقطاع این مدل 78/1-است؛ بنابراین، اگر امتیاز محاسبهشده (M-Score)، بیشتر از78/1-باشد، به احتمال زیاد شرکت دستکاریکننده سود است. همچنین، دقت کلی مدل اولیه بنیش برای تشخیص دستکاری سود به میزان 76 درصد تأیید شد (Beneish‚ 1999).
حسنی (1401) در پژوهشی با عنوان «تأثیر محرکهای بالقوه ریسک دادخواهی ناشی از اشتباهها و تحریفها در گزارشگری مالی صاحبکاران بر تعدیل اظهارنظر حسابرسی» با توجه به اهمیت محرکهای بالقوه ریسک دادخواهی در حوزه حسابرسی مبتنی بر ریسک، تأثیر تعدیلات حسابرسی سنواتی و مدیریت سود ناشی از اشتباهها و تحریفها در گزارشگری مالی صاحبکاران بر اظهارنظر تعدیلشده حسابرسی را بررسی کرده است. یافتهها نشان دادهاند به موازات افزایش مدیریت سود ناشی از تحریف در گزارشگری مالی شرکتها، احتمال ارائه اظهارنظر تعدیل شده حسابرسی افزایش یافته است. همچنین، به موازات افزایش تعدیلات سنواتی ناشی از اشتباهها در گزارشگری مالی شرکتها، احتمال ارائه اظهارنظر تعدیلشده حسابرسی افزایش یافته است. بهعلاوه، شواهد نشان دادند سطوح بالاتر اقلام تعهدی غیرعادی و فعالیتهای واقعی غیرعادی در شرکتها سبب تقویت رابطه مثبت بین تعدیلات سنواتی و ارائه اظهارنظر تعدیلشده حسابرسی شده است. درواقع، تعدیلات سنواتی و مدیریت سود بهعنوان پیامدهای وجود اشتباهها و تحریفها در گزارشگری مالی صاحبکاران، حسابرسان را در معرض تهدید ریسک دادخواهی قرار میدهد که در مقوله حسابرسی مبتنی بر ریسک انتظار میرود به تلاش بیشتر حسابرسان و انجام حسابرسی با کیفیت منجر شود. در چنین شرایطی، حسابرسان بهمنظور کاهش بالقوه ریسک دادخواهی، محافظهکارانه عمل میکنند و ازطریق ارائه اظهارنظر تعدیلشده حسابرسی نسبت به این موضوع واکنش نشان میدهند (حسنی، 1401).
شعری آناقیز و همکاران (1396) در پژوهشی با عنوان «بررسی و تطبیق میزان دقت نتایج حاصل از مدلهای "بنیش" و "تعدیلشده بنیش" براساس محیط اقتصادی ایران در کشف و افشای گزارشگری مالی متقلبانه» به دنبال ارائه مدلی بودند که بتوان انحرافات و دستکاریهای صورتگرفته در صورتهای مالی که منتج به تجدید ارائه صورتهای مالی میشوند را شناسایی کنند. همچنین، از آنجا که در ایران مدلی برای کشف تقلب وجود ندارد، از یکی از مدلهای کشف تقلب بسیار رایج به نام مدل بنیش استفاده میشود. در این پژوهش، سعی بر این شد تا یکصد شرکت موجود در بورس براساس مدل اصلی بنیش و نیز مدل تعدیلشده بنیش و براساس وضعیت اقتصادی ایران بررسی شود تا مشخص شود کدامیک از این دو مدل در کشف تقلب بهتر عمل میکنند. بعد از انجام پژوهش بر این یکصد شرکت، مشخص شد مدل تعدیلشده بنیش با دقت کلی 2/66% و خطای کلی 8/33% نسبت به مدل اصلی بنیش که دقت کلی آن 61% و خطای کلی 39% است، به میزان بیشتری نشاندهندۀ میزان تقلب صورتگرفته در صورتهای مالی شرکتها است (شعری اناقیز و همکاران، 1396).
مجتهدزاده و همکاران (1395) در پژوهشی با عنوان «تجدید ارائه صورتهای مالی و رفتار پیشبینی سود مدیران» به بررسی رفتار پیشبینی سود مدیران در دورههای قبل و بعد از تجدید ارائه میپردازند. در پی تجدید ارائهها دو انگیزه متناقض «بهبود حسن شهرت مدیر در نقش ارائهکننده صورتهای مالی» و «اجتناب از ریسکهای متعاقب تجدید ارائه، با سویهدار (بدبینانه) کردن پیشبینیهای پس از تجدید ارائه» مطرح است. برای بررسی رفتار پیشبینی سود مدیران در دورههای قبل و بعد از تجدید ارائه از روش پژوهش شبهآزمایشی و «طرح سریهای زمانی منقطع با گروه مقایسه» در دو گروه آزمون و کنترل متشکل از شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران استفاده شده است. به موجب یافتههای پژوهش، سویه خوشبینانه مدیران در پیشبینی سودهای آتی در دورههای پس از تجدید ارائه نسبت به دورههای قبل از آن، تغییر معناداری نداشته است. با رد فرضیه پژوهش، مبنی بر وجود تفاوت معنادار در رفتار پیشبینی سود مدیران شرکتهای تجدید ارائهکننده نسبت به شرکتهای گروه کنترل، چنین استدلال میشود که عوامل دیگری غیر از تجدید ارائه موجب تغییر در رفتار پیشبینی سود مدیران در شرکتهای گروه آزمون میشوند (مجتهدزاده و همکاران، 1395).
کردستانی و تاتلی (1395) در پژوهشی با عنوان «پیشبینی دستکاری سود: توسعه یک مدل» به دنبال توسعه مدلی بودهاند که تا ازطریق آن به پیشبینی دستکاری سود پرداخت و امکان ارزیابیهای بهتری از عملکرد شرکتها فراهم آورد. بدین منظور، این پژوهش درصدد است ضرایب مدل دستکاری سود بنیش را تعدیل کند و بر مبنای بهترین متغیرهای پیشبینیکننده، مدلی بومی برای پیشبینی دستکاری سود توسعه دهد. در این راستا دادههای 90 شرکت تولیدی پذیرفتهشده در بورس اوراق بهادار تهران به کمک رویکرد تمایزی و لاجیت بررسی شد. یافتهها نشان میدهند در محیط اقتصادی ایران، مدل اولیه بنیش نسبت به مدل تعدیلشده بنیش، قدرت خوبی برای شناسایی سطوح دستکاری سود ندارد. مدل تعدیلشدۀ بنیش و مدلهای توسعهیافته با رویکرد تحلیل تمایزی و لاجیت بهترتیب با دقت کلی 72، 75 و 81 درصد، قادر به شناسایی شرکتهای دستکاریکننده و غیر دستکاریکننده سود هستند. همچنین، شواهد نشان دادند اطلاعات حسابداری برای پیشبینی دستکاری سود، مفیدند (کردستانی و تاتلی، 1395).
آقایی و همکاران (1392) در پژوهشی با عنوان «تأثیر تجدید ارائه صورتهای مالی بر کیفیت اقلام تعهدی» به بررسی کیفیت اقلام تعهدی شرکتهای تجدید ارائهکننده پرداختند. معیار کیفیت سود در این پژوهش، کیفیت اقلام تعهدی مبتنی بر مدل دیچو و دچو (2002) است. یافتههای پژوهش نشان میدهند کیفیت سود (اقلام تعهدی) بهطور معناداری از دوره تحریف تا دوره بعد از تجدید ارائه افزایش یافته است. همچنین، در این پژوهش، عوامل تأثیرگذار بر کیفیت سود ازقبیل متغیرهای حاکمیت شرکتی و ویژگیهای شرکتها و کیفیت حسابرسی در تبیین مدل پژوهش استفاده قرار شدهاند. نتایج پژوهش نشان میدهند متغیرهای تغییر اندازه شرکت، تغییر فروش، تغییر جریانهای نقدی حاصل از عملیات، تغییر نسبت بدهی، نسبت ارزش بازار به ارزش دفتری سهام، درصد مالکیت سرمایهگذاران نهادی و مدت تصدی مدیریت عامل با تغییر کیفیت سود در شرکتهای تجدید ارائهکننده رابطه معناداری دارند (آقایی و همکاران، 1392).
مدل بنیش
در این پژوهش، هشت شاخص مدل بنیش بهعنوان متغیرهای پیشبینیکننده تجدید ارائه صورتهای مالی مدنظر بوده است؛ در این راستا:
M-SCORE = −4.84 + 0.92DSRI + 0.528GMI + 0.404AQI + 0.892SGI + 0.115DEPI − 0.172SGAI + 4.679TATA − 0.327LVGI
که در آن: M-SCOREامتیاز تجدید ارائه صورتهای مالی، DSRI 8 شاخص نسبت مطالبات به فروش، GMI 9شاخص حاشیه سود ناخالص، AQI10 شاخص کیفیت دارایی، 11SGI شاخص رشد فروش، 12DEPI شاخص هزینه استهلاک، 13SGAI شاخص هزینههای عمومی، اداری و فروش،14 TATA شاخص مجموع اقلام تعهدی به مجموع داراییها، 15 LVGI شاخص نسبت بدهی است.
در این مدل:
DSRI=
افزایش در شاخص مطالبات (SEC) به فروش (SALES) میتواند به دلیل تغییر در سیاستهای اعتباری برای افزایش میزان فروش باشد؛ اما افزایش نامتناسب در مطالبات موجب بیشنمایی درآمد نیز میشود (Beneish‚ 1999).
GMI=
که در آن SALES فروش سالانه، COG بهای تمامشدۀ کالای فروشرفته است.
شاخص کیفیت دارایی از رابطه زیر اندازهگیری میشود. اگر این شاخص بزرگتر از1 باشد، شرکت بهطور بالقوه هزینههای معوق و داراییهای نامشهود را افزایش داده است؛ بنابراین، احتمال دستکاری سود نیز افزایش مییابد. در این رابطه CA جمع دارایی جاری، PPE ناخالص اموال، ماشینآلات و تجهیزات، ASSETS مجموع داراییهاست.
AQI=
SGI=
شاخص هزینة استهلاک از رابطه زیر به دست میآید. اگر این شاخص بزرگتر از1 باشد، شرکت برآوردهای اموال، ماشینآلات و تجهیزات را افزایش داده است؛ بنابراین، احتمال دستکاری سود نیز افزایش مییابد. در این رابطه DEP هزینة استهلاک داراییهای ثابت مشهود وPPE ناخالص اموال، ماشین آلات و تجهیزات است.
DEPI=
شاخص هزینههای عمومی، اداری و فروش از رابطه زیر اندازهگیری میشود. بزرگبودن این شاخص نشانة منفی از چشمانداز آتی شرکت است؛ بنابراین، احتمال دستکاری سود وجود دارد. در این رابطه SGA,EXP هزینههای عمومی، اداری و فروش و SALES فروش سالانه است.
SGAI=
شاخص مجموع اقلام تعهدی به مجموع داراییها از رابطه زیر محاسبه میشود. احتمال دستکاری سود با افزایش اقلام تعهدی همراه است. در این رابطه، ACC اقلام تعهدی (تفاوت بین سود عملیاتی و جریان نقد عملیاتی) و ASSETS مجموع داراییهای سال جاری را نشان میدهد.
TATA=
شاخص نسبت بدهی از رابطه زیر اندازه گیری میشود. مقدار بزرگتر از1 شاخص نسبت بدهی، بیانکنندة افزایش احتمال دستکاری سود است. در این رابطه LTD جمع بدهیهای بلندمدت، CL جمع بدهیهای جاری و ASSETS مجموع داراییها را نشان میدهد.
LVGI=
روش پژوهش
روش جمعآوری دادهها کتابخانهای است. این پژوهش از نوع کاربردی و ازنظر روششناسی، پسرویدادی است. همچنین، پژوهش حاضر در حوزه تحقیقات اثباتی حسابداری و مبتنی بر اطلاعات واقعی در صورتهای مالی شرکتها است. دادههای مورد نیاز از سایت کدال بورس و از صورتهای مالی و گزارشات منتشرشده شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران در دوره 1388 تا 1399 استخراج شده است. همچنین، از نرمافزار Spss، متلب و پایتون در این پژوهش برای تجزیهوتحلیل دادهها استفاده شده است.
پیش از الگوسازی، توسعه مدلهای پیشبینی جدید براساس دو مجموعه داده ورودی (آموزشی و آزمونی) صورت میگیرد. ابتدا مجموعه داده کل شرکت به دو گروه تقسیم شده است: دادههای سال 1388 تا 1398 بهعنوان مجموعه داده برآوردگر (آموزشی) و دادههای سال 1399 بهعنوان مجموعه داده آزمونی انتخاب شدهاند تا پس از یافتن الگوی نهایی براساس دادههای آموزشی به قابلیت کاربرد آن در آینده به کمک دادههای تست نیز پرداخته شود.
جامعه مطالعهشده در این پژوهش، شرکتهای پذیرفتهشده در بورس اوراق بهادار است. نگاره (1) بیانگر چگونگی استخراج نمونه آماری پژوهش است:
نگاره 1: نمونه آماری پژوهش
Table 1: Statistical sample of the research
تعداد شرکتهای عضو جامعه آماری در پایان سال 1387: |
333 |
کسر میشود: |
|
شرکتهایی که پذیرش آنها در بورس بعد از سال 1387 بوده و تا تا پایان سال 1399 از فهرست شرکتهای بورسی حذف شدهاند. |
(11) |
شرکتهایی که در دوره مدنظر، تغییر سال مالی دادهاند. |
(9) |
شرکتهای سرمایهگذاری، مالی و واسطهگری |
(44) |
اطلاعات مالی مورد نیاز برای محاسبه متغیرهای پژوهش دربارۀ آن شرکتها در طول دوره پژوهش دردسترس نباشد. |
(4) |
تعداد شرکتهای عضو نمونه آماری: |
265 |
که درنهایت، تعداد 265 شرکت با توجه به محدودیتهای فوق انتخاب شدهاند. |
|
فرضیههای پژوهش
در راستای دستیابی به اهداف پژوهش و پاسخگویی به سؤالات پژوهش، فرضیههای پژوهش به شرح زیر تدوین و آزمون میشوند:
فرضیة اول: دقت مدل بهبودیافته بنیش با رگرسیون لاجیت، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است.
فرضیة دوم: دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است.
فرضیة سوم: دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل بهبودیافته بنیش با رگرسیون لاجیت بیشتر است.
متغیرهای پژوهش
متغیر وابسته در این پژوهش، تجدید ارائه در صورتهای مالی است که دارای ماهیت کیفی است. برای اندازهگیری این متغیر، به شرکتهایی که تجدید ارائه صورتهای مالی داشتهاند (بدون در نظر گرفتن تجدید ارائه ناشی از بیمه و مالیات) و مبلغ تجدید ارائه با اهمیت (بیش از 5 درصد سود خالص) بوده است، عدد یک و به شرکتهایی که تجدید ارائه صورتهای مالی نداشتهاند، عدد صفر تخصیص داده میشود. همچنین، متغیرهای مستقل شاخصهای مدل بنیش (1999) است.
شاخصهای منتخب مدل بنیش برای ورود به مدل بهینه با استفاده از رگرسیون لاجیت و الگوریتم ژنتیک
در این پژوهش، هشت شاخص مالی مدل بنیش بهعنوان متغیرهای پیشبینیکننده تجدید ارائه صورتهای مالی مدنظرند، در این راستا:
در مرحله اول، تعداد هشت شاخص مالی مدل بنیش از صورتهای مالی شرکتهای منتخب استخراج شده است.
در مرحله دوم، با استفاده از آزمون تی مستقل بهمنظور مقایسه میانگین متغیرها در دو گروه عدم تجدید و تجدید ارائه در نرمافزار Spss، تعداد دو شاخص که رابطه معناداری با تجدید ارائه صورتهای مالی داشتهاند، انتخاب شدهاند.
در مرحله سوم، با استفاده از آزمون رگرسیون گامبهگام اقدام به انتخاب بهترین نسبتها برای پیشبینی تجدید ارائه صورتهای مالی پرداخته شد؛ در این راستا دو نسبت شاخص مجموع اقلام تعهدی به مجموع داراییها (TATA) و شاخص نسبت بدهی (LVGI) بهعنوان شاخص مالی نهایی و منتخب انتخاب شدهاند.
نگاره 2: بهترین شاخصها برای پیشبینی تجدید ارائه صورتهای مالی با رگرسیون گامبهگام
Table 2: The best indicators for predicting restatement of financial statements with stepwise regression
شانس وقوع |
معنیداری آماری |
درجه آزادی |
آزمون والد |
خطای استاندارد تخمین |
ضریب بتا |
Step 7a |
|
457/0 |
002/0 |
1 |
173/9 |
259/0 |
784/0- |
مجموع اقلام تعهدی به مجموع داراییها |
|
|
284/1 |
000/0 |
1 |
624/12 |
259/0 |
250/0 |
شاخص نسبت بدهی |
|
772/0 |
003/0 |
1 |
690/8 |
088/0 |
259/0- |
مقدار ثابت |
نتایج آزمون والد برای بررسی رابطه بین متغیرها مندرج در نگاره (2) نشان میدهند متغیر شاخص نسبت بدهی (با توجه به آماره آزمون والد که برابر با 624/12 و در بازده 96/1+ و 96/1- قرار ندارد و مقدار معناداری آماری برابر با 000/0 که کمتر از 05/0 است) با تجدید ارائه صورتهای مالی رابطه معناداری دارد. همچنین، ضریب این متغیر در مدل برابر با 250/0 بوده که مثبت است و تفسیر آن بدین معنی است که هرچه متغیر شاخص نسبت بدهی بالا باشد، احتمال تجدید ارائه صورتهای مالی بیشتر است.
یافتههای پژوهش
در ابتدا آمارهای توصیفی مربوط به تجدید ارائه صورتهای مالی 265 شرکت بررسیشده (از سال 1388 تا 1398) طبق نگاره (3) ارائه میشوند.
نگاره 3: جدول فراوانی وضعیت تجدید ارائه صورتهای مالی
Table 3: Frequency table of financial statement renewal status
تجدید ارائه صورتهای مالی |
تعداد (سال- شرکت) |
درصد |
خیر |
1448 |
7/49 |
بله |
1467 |
3/50 |
جمع |
2915 |
100 |
نتایج نگاره (3) نشان میدهند از مجموع 2915 مشاهده (سال شرکت)، 1448 مشاهده یا 7/49 درصد تجدید ارائه در صورتهای مالی صورت نداده است و 1467 مشاهده یا 3/50 درصد صورتهای مالی خود را تجدید ارائه کردهاند که نشان داد به میزان تقریباً برابری شرکت با تجدید ارائه و عادی وجود داشت.
در ادامه، آمار توصیفی مربوط به شاخصهای مدل بنیش استفادهشده در مدلهای پیشبینی به صورت نگاره (4) ارائه میشود:
نگاره 4: نتایج آمارههای توصیفی شاخصهای مدل بنیش
Table 4: The results of the descriptive statistics of Benish model indicators
عامل |
میانگین |
انحراف معیار |
چولگی |
کشیدگی |
کمترین |
بیشترین |
نسبت مطالبات به فروش |
28/5 |
41/100 |
17/33 |
04/1168 |
00/0 |
77/3746 |
شاخص حاشیه سود ناخالص |
13/1 |
87/7 |
93/27 |
12/1296 |
63/122- |
05/346 |
شاخص کیفیت دارایی |
43/1 |
75/6 |
17/16 |
49/437 |
42/99- |
33/208 |
شاخص رشد فروش |
53/1 |
14/15 |
67/50 |
29/2657 |
00/0 |
56/799 |
شاخص هزینة استهلاک |
24/1 |
00/4 |
88/30 |
95/1076 |
01/0 |
25/158 |
شاخص هزینههای عمومی، اداری و فروش |
33/1 |
04/6 |
54/42 |
88/2034 |
92/14- |
79/298 |
شاخص مجموع اقلام تعهدی به مجموع داراییها |
015/0 |
151/0 |
2 .46 |
42/43 |
05/1- |
53/2 |
شاخص نسبت بدهی |
14/1 |
618/0 |
56/6 |
32/81 |
051/0 |
34/12 |
در نگاره (4) میانگین نسبت مطالبات به فروش برابر با 28/5 است که نشان میدهد بیشتر دادههای مربوط به این متغیر حول این نقطه تمرکز یافتهاند؛ بدین معنی که میانگین نسبت مطالبات به فروش سال t نسبت به سالt-1 حدود 5 برابر و بیشترین میزان این تغییر 77/3746 است. همچنین، ضریب چولگی متغیر نسبت مطالبات به فروش برابر با 17/33 است؛ یعنی این متغیر چولگی به راست دارد. میزان کشیدگی اگر حدود 3 باشد، منحنی فراوانی از لحاظ کشیدگی وضعیت متعادل و نرمال خواهد داشت، اگر این مقدار بزرگتر از 3 باشد، منحنی برجسته و اگر کوچکتر از 3 باشد، منحنی پهن است. کشیدگی تمامی متغیرها در این پژوهش بیشتر از 3 است.
آزمون مدل بنیش
با توجه به نگاره (5)، پیشبینی درست مدل در گروه تجدید ارائهشده، 70 درصد و در گروه عدم تجدید ارائهشده 25 درصد است. همچنین، پیشبینی نادرست مدل اصلی بنیش در گروه تجدید ارائهشده، 30 درصد و در گروه عدم تجدید ارائهشده 75 درصد است. همچنین، دقت و خطای کلی مدل اصلی بنیش بهترتیب 43/29 درصد و 57/70 درصد برآورد شد.
نگاره 5: شناسایی شرکتها با استفاده از مدل بنیش
Table 5: Identification of companies using the Benish model
𝑀 − 𝑆𝑐𝑜𝑟𝑒 = −4.84 + 0.92𝐷𝑆𝑅𝐼 + 0.528𝐺𝑀𝐼 + 0.404𝐴𝑄𝐿 + 0.892𝑆𝐺𝐼 + 0.115𝐷𝐸𝑃𝐼 − 0.172𝑆𝐺𝐴𝐼 + 4.679𝑇𝐴𝑇𝐴 − 0.327𝐿𝑉𝐺𝐼 |
|||||
مدل اولیه بنیش (1999) |
|||||
M < -1/78 |
|||||
گروه |
مشاهده |
دقت |
خطا |
پیشبینی درست |
پیشبینی نادرست |
شرکتهای تجدید ارائهشده |
27 |
19 |
8 |
70% |
30% |
شرکتهای عدم تجدید ارائهشده |
238 |
59 |
179 |
25% |
75% |
جمع |
265 |
78 |
187 |
|
|
دقت کلی مدل |
43/29 = 265/ (19+59) |
||||
خطای کلی مدل |
57/70 = 265/ (8+179) |
||||
100*(تعداد کل شرکتهای تجدیدشده+ تعداد شرکتهای عدم تجدید)/(دقت تعداد شرکتهای تجدید ارائهنشده +دقت تعداد شرکتهای تجدید ارائهشده)=دقت کلی مدل |
|||||
100*(تعداد کل شرکتهای تجدیدشده+ تعداد شرکتهای عدم تجدید)/(خطا تعداد شرکتهای تجدید ارائهنشده +خطا تعداد شرکتهای تجدید ارائهشده)=خطا کلی مدل |
بسط مدل بنیش با استفاده از رگرسیون لاجیت
با در اختیار داشتن نسبتهای مالی و y متغیر پیشبینیکننده مطابق تعاریف پیشین و متغیر وابسته موهومی y در دو سطح به صورت زیر تعریف میشود:
اگر شرکت تجدید ارائه نکرده باشد Y=0
اگر شرکت تجدید ارائه نکرده باشد Y=1
مدل زیر را برازش میدهیم:
Log [p / (1-p)] = y = β0 + β1x1 + β2x2 + ... + βkxk
که احتمال وقوع تجدید ارائه صورتهای مالی = P است.
نگاره 6: نتایج خروجی مدل بهینه بنیش با استفاده رگرسیون لاجیت
Table 6: Output results of Benish's optimal model using logit regression
متغیر مستقل |
ضریب غیراستاندارد |
انحراف استاندارد |
آماره والد |
درجه آزادی |
مقدار p |
نسبت شانس (OR) |
شاخص مجموع اقلام تعهدی به مجموع داراییها |
784/0- |
259/0 |
17/9 |
1 |
002/0 |
46/0 |
شاخص نسبت بدهی |
250/0 |
070/0 |
62/12 |
1 |
000/0 |
28/1 |
مقدار ثابت |
259/0- |
088/0 |
69/8 |
1 |
003/0 |
77/0 |
نتایج آزمون رگرسیون لاجیت گامبهگام در نگاره (6) نشان دادند از بین هشت متغیر واردشده در مدل، دو متغیر شاخص مجموع اقلام تعهدی به مجموع داراییها و شاخص نسبت بدهی در مدل باقی ماندند و بر تجدید ارائه تأثیر داشتند (05/0>p). بر این اساس، متغیر شاخص مجموع اقلام تعهدی به مجموع داراییها و شاخص نسبت بدهی توانستند تجدید ارائه را پیشبینی کنند.
براساس نتایج بهدستآمده، معادله رگرسیونی بدین صورت است:
(LVGI) 250/0 + (TATA) 784/0 - 259/0- = S-score
روایی مدل بهینه بنیش با استفاده از رگرسیون لاجیت
برای بررسی روایی مدل لاجیت، دادههای 265 شرکت در سال 99 که بررسی اولیه نشدند، با استفاده از مدل لاجیت و جایگزینی دادهها در مدل به دست آمدند؛ نتایج نگاره (7) به دست آمدند:
نگاره 7: روایی مدل بهینه بنیش با استفاده از رگرسیون لاجیت
Table 7: Validity of Benish's optimal model using logit regression
(LVGI) 250/0 + (TATA) 784/0 - 259/0- = S-score |
|||||
مشاهدات |
پیشبینی |
||||
تجدید ارائهشده |
دقت مدل |
||||
0 |
1 |
||||
نقطه انقطاع: 012/0- |
تجدید ارائهشده (واقعی) |
0 |
172 |
66 |
27/72 |
1 |
17 |
10 |
04/37 |
||
درصد کلی دقت مدل |
|
|
68/68 |
نگاره (7) نشان داد متغیرهای پیشبین توانستهاند با دقت کل 68/68 درصدی، شرکتها را ازنظر تجدید ارائه داشتن یا نداشتن شناسایی و دستهبندی کنند.
بسط مدل بهینه بنیش با استفاده از الگوریتم ژنتیک
ابتدا بهمنظور بررسی عملکرد شبکه عصبی در پیشبینی احتمال تجدید ارائه صورتهای مالی، از تمامی دادهها بدون آموزشدادن شبکه استفاده میشود. برای انجام این کار، ابتدا دادههای ورودی و هدف از یکدیگر، جدا و در یک ردیف نوشته میشوند و در اختیار الگوریتم شبکه عصبی قرار میگیرند. سپس باید یک شبکه عصبی تشکیل شود که در شکل (1) مشاهده میشود.
شکل 1: شمای مدل به کار گرفته شده در شبکه عصبی مصنوعی
Figure 1: Schematic of the model used in the artificial neural network
در مرحله بعد، الگوریتمهای شبکه عصبی انتخابشده باید برای یادگیری و سپس روش یادگیری و تابع برازندگی این الگوریتم، مشخص و سپس ویژگیها و متغیرهای یادگیری شبکه عصبی ارائه شوند. برای این منظور، از شبکه عصبی پیشخور برای یادگیری استفاده شده و تابع ساین بهعنوان تابع برازش به این الگوریتم معرفی شده است. همچنین، تعداد چرخههای یادگیری به حداکثر 10000 محدود میشود و تعداد تکرارهای یادگیری 6 و تعداد نورونها نیز 10 عدد تنظیم شده است.
Figure 2: Neural network training process
اکنون برای افزایش دقت در شبکه، این الگوریتم با واردکردن تابع برازندگی مناسب، وارد الگوریتم بهینهسازی ژنتیک میشود که درواقع تفاوت بین ورودیها و خروجیها و تفاوت در حدسهای الگوریتم است که درنتیجه یادگیری مناسب است و اختلاف میان دو مقدار واقعی و پیشبینیشده را به حداقل میرساند.
الگوریتم بهینهسازی ژنتیک
با قراردادن شبکه عصبی در دل الگوریتم بهینهسازی، میزان دقت بهینهسازی و تفاوت خطای پاسخها نسبت به پاسخ واقعی بهعنوان یک تابع هزینه و درنتیجه، میزان همگرایی پاسخ در نظر گرفته میشود. بدین منظور، براساس الگوریتم پیشنهادی، تصمیم گرفته شد ضرایب یالهای شبکه عصبی بهعنوان ضرایب بهینهسازی انتخاب شوند و مبنای تصمیمگیری قرار گیرند. سپس با هدایت به سمت مقدار بهینه، میزان تشخیص بهبود یابد. درواقع با این کار قدرت یادگیری از شبکه عصبی سلب میشود و با روش این پژوهش که یادگیری انسانی است، شبکه آموزش داده میشود. درنهایت، این ضرایب وارد شبکه عصبی میشوند و میزان بهبود ازطریق تابع برازش در نظر گرفته شده اندازهگیری میشود.
نکته مهم دربارۀ بهینهسازی این است که هنگام یادگیری عادی، در یک فضای بینهایت، ازطریق ورودیها به سمت ضرایب حرکت میکند؛ اما در بهینهسازی فراابتکاری، با توجه به شرایط و محدودیتهای تحمیلشده بر مسئله، این جستجو در محدوده خاصی انجام میشود و با رشد و پیشرفت در بهینهسازی، این محدوده کوچکتر میشود و به سمت پاسخ بهینه حرکت میکند. در بهینهسازی به این فضای ایجادشده و میان قیود بهینهسازی فضای محتمل میگویند.
پس از آشنایی با این مفهوم، الگوریتم ارائهشده در این پژوهش ارائه میشود. ابتدا باید پارامترهای بهینهسازی استفادهشده در این الگوریتم ارائه شوند؛ در ادامه این کار انجام شده است. در نگاره (8) مشخصات ورودی الگوریتم آمدهاند.
نگاره 8: مشخصات ورودی الگوریتم
Table 8: Algorithm input specifications
متغیر |
مقدار |
نام الگوریتم بهینهسازی |
ژنتیک |
نوع شبکه عصبی |
شبکه پیشخور |
تعداد نورونها |
10 |
تابعهزینه |
|
تابع آموزش شبکه |
الگوریتم لونبرگ - مارکوارت |
تابع عملکرد شبکه |
MSE |
تعداد چرخه بهینهسازی |
رسیدن به همگرایی در مقدار تابع هزینه |
تعداد افراد (متغیر جمعیت اولیه) واردشده به بهینهسازی |
100 |
با شروع الگوریتم، ابتدا ورودیها وارد شبکه میشوند و شبکه یکبار آموزش سبک خود را انجام و وزنها را ارائه میدهد. در مرحله بعد، براساس مقادیر بهدستآمده، مقدار تابع هزینه در این الگوریتم بهعنوان خطا محاسبه میشود. در ادامه، مرور کلی تغییرات در حین بهینهسازی در دستور کار است و سعی میشود تغییرات در حین بهینهسازی بهدرستی نشان داده شود.
شکل 3: روند تغییرات دقت تشخیص شبکه در طول بهینهسازی
Figure 3: The trend of network detection accuracy changes during optimization
شکل (3) تغییرات خطا در طول بهینهسازی را نشان میدهد. در این تغییرات مشاهده میشود در ابتدا تغییرات با شدت زیادی رخ داده و شدت تغییرات خطا زیاد بوده است و با پیشروی ظدر راستای چرخههای بهینهسازی مقدار تغییرات خطا کاهش مییابد و به صورتی که از نیمه راه بهینهسازی تغییرات بسیار کوچک و در سطح دهمهای درصد بوده است که نشان از دقت الگوریتم در راستای بهینهسازی حداکثری است. در ادامه، میزان خطای محاسبهشده در شبکه عصبی و شبکه عصبی بهینهشده مقایسه شده است.
نگاره 9: مقایسه شبکه عصبی عادی و بهینهسازیشده با الگوریتم ژنتیک
Table 9: Comparison of normal and optimized neural network with genetic algorithm
نام شبکه |
شبکه عصبی عادی |
شبکه عصبی بهینهسازی شده با الگوریتم ژنتیک |
خطای میانگین مربعات |
5.176e-4 |
2.285e-4 |
میزان بهبود |
8/55 % |
در نگاره (9) مشاهده میشود بعد از بهینهسازی حدود 56 درصد نسبت به شبکه عصبی عادی بهینهسازی صورت گرفته و خطا در سطح درخور توجهی کاهش یافته است. در ادامه، نمودار رگرسیونی شبکه عصبی معمولی (شکل 4) ارائه شده است.
شکل 4: نمودار رگرسیونی در شبکه عصبی مصنوعی
Figure 4: Regression diagram in artificial neural network
نتایج شکل (4) نشان دادند شبکه عصبی معمولی توانست تا 52 درصد واریانس متغیر را پیشبینی کند که با توجه به بهینهسازی 56 درصدی در ترکیب شبکه عصبی با الگوریتم ژنتیک، این پیشبینی در این الگوریتم بسیار بهتر خواهد بود.
بعد از بهینهسازی با الگوریتم ژنتیک، جمعیتهای موجود (کروموزمها) به همگرایی میرسند و تقریباً تمامی جمعیتها یک معادله را نشان میدهند و به دلیل رسیدن به نزدیکی نقطه اکسترمم مطلق تابع رگرسیون ارائه شد و تمامی کروموزمها به این مقادیر بهینه میل کردند. همانطور که بیان شد تمامی ضرایب بعد از بهینهسازی در تمامی کروموزومهای موجود به همگرایی مناسبی رسیدند و ردیف اول این نگاره که کروموزموم برتر در جمعیت برتر نهایی است، ضرایب اصلی و بهینه تشکیل داده شدند. رابطه بهدستآمده بین تابع تجدید ارائه صورتهای مالی و متغیرهای ورودی براساس بهینهسازی صورت گرفته بر مبنای ژنتیک بهصورت زیر است:
(LVGI) 84/0 + (TATA) 60/0 - 46/0- = S-score
روایی مدل بهینه بنیش با استفاده از الگوریتم ژنتیک
برای بررسی روایی مدل برنامهریزی ژنتیک، دادههای 265 شرکت در سال 99 بررسی اولیه نشدهاند و با استفاده از مدل برنامهریزی ژنتیک و جایگزینی دادهها در مدل به دست آمدند؛ نتایج نگاره (423) به دست آمد:
نگاره 10: روایی مدل بهینه بنیش با استفاده از الگوریتم ژنتیک
Table 10: Validity of Benish's optimal model using genetic algorithm
(LVGI) 84/0 + (TATA) 60/0 - 46/0- = S-score |
|||||
مشاهدات |
پیشبینی |
||||
تجدید ارائهشده |
دقت مدل |
||||
0 |
1 |
||||
نقطه انقطاع: 5/0 |
تجدید ارائهشده (واقعی) |
0 |
186 |
52 |
15/78 |
1 |
19 |
8 |
63/29 |
||
درصد کلی دقت مدل |
|
|
21/73 |
نگاره (10) نشان داد متغیرهای پیشبین توانستهاند با دقت کل 21/73 درصدی، شرکتها را ازنظر تجدید ارائه داشتن یا نداشتن، شناسایی و دستهبندی کنند.
آزمون فرضیههای پژوهش
برای سنجش میزان کارآیی مدلها و آزمون فرضیههای پژوهش از ماتریس درهمریختگی در نرمافزار پایتون استفاده شده است.
فرضیة اول: دقت مدل بهبودیافته بنیش با رگرسیون لاجیت، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است.
دقت مدل بهینه بنیش با استفاده از رگرسیون لاجیت برای پیشبینی تجدید ارائه صورتهای مالی در بازار سرمایه ایران برابر با 68/68 درصد بوده است؛ در حالی که دقت مدل بنیش در بازار سرمایه ایران برابر با 43/29 درصد بوده است که نشان میدهد دقت مدل بهبودیافته بنیش با رگرسیون لاجیت، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است؛ بنابراین، فرضیه اول پژوهش تأیید میشود.
فرضیة دوم: دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است.
دقت مدل بهینه بنیش با استفاده از الگوریتم ژنتیک برای پیشبینی تجدید ارائه صورتهای مالی برابر 21/73 درصد بوده است؛ در حالی که دقت مدل بنیش برابر با 43/29 درصد بوده است؛ بنابراین، دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل اولیه بنیش بیشتر است؛ بنابراین، فرضیه دوم پژوهش نیز تأیید میشود.
فرضیة سوم: دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با مدل بهبودیافته بنیش با رگرسیون لاجیت بیشتر است.
دقت مدل بهینه بنیش با استفاده از الگوریتم ژنتیک برای پیشبینی تجدید ارائه صورتهای مالی برابر 21/73 درصد بوده است؛ در حالی که دقت مدل بهینه بنیش با استفاده از رگرسیون لاجیت برای پیشبینی تجدید ارائه صورتهای مالی در بازار سرمایه ایران برابر با 68/68 درصد بوده است؛ بنابراین، فرضیه سوم پژوهش نیز تأیید میشود.
نتیجهگیری
اهداف اصلی پژوهش حاضر، ارائه مدلی بهینه برای پیشبینی احتمال تجدید ارائه صورتهای مالی» در بازار سرمایه ایران است. در این پژوهش، ابتدا مدل اولیه بنیش (1999) برای پیشبینی احتمال تجدید ارائه صورتهای مالی آزمون شد. در مرحله بعد با استفاده از آزمونهای آماری، شاخصهای منتخب و نهایی مدل بنیش که رابطه معناداری با تجدید ارائه صورتهای مالی داشت، انتخاب و وارد مدل شدند. در این راستا دو نسبت شاخص مجموع اقلام تعهدی به مجموع داراییها و شاخص نسبت بدهی بهعنوان شاخص مالی نهایی انتخاب شدند. سپس با استفاده از نتایج بهدستآمده در مراحل قبلی و با استفاده از مدلهای رگرسیون لاجیت بهعنوان روشهای کلاسیک و الگوریتم ژنتیک بهعنوان نماینده روشهای فراابتکاری، اقدام به برآورد مدل برای پیشبینی احتمال تجدید ارائه صورتهای مالی در شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران شد و با مقایسه بین آنها بهترین مدل و روش برای پیشبینی انتخاب شد.
در فرضیه اصلی پژوهش به بررسی این موضوع پرداخته میشود که دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با سایر مدلها بیشتر است.
نتایج دادههای آزمونی سال 1399 حاکی از این است دقت کلی پیشبینی مدل بنیش 43/29 درصد بوده است. همچنین، دقت کلی مدل بهبودیافته بنیش با رگرسیون لاجیت 68/68 درصد و دقت کلی مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی 21/73 درصد برآورد شد.
بنابراین، فرضیههای پژوهش تأیید میشوند و دقت مدل بهبودیافته بنیش با الگوریتم ژنتیک، در پیشبینی احتمال تجدید ارائه صورتهای مالی، در مقایسه با سایر مدلها بیشتر است.
با توجه به نتایج پژوهش، پیشنهادهای زیر ارائه میشود:
همچنین توصیههای زیر برای انجام پژوهشهای آتی ارائه میشود:
پژوهش حاضر نیز همانند سایر پژوهشها محدودیتهایی داشت. محدودیتهای پژوهش عمدتاً مربوط به عواملی هستند که بهنوعی بر تعمیمپذیری نتایج تأثیر میگذارند. مهمترین محدودیتهای این پژوهش عبارتاند از:
یادداشتها
منابع