|
|
بررسی های حسابداری و حسابرسی، جلد ۲۶، شماره ۴، صفحات ۶۱۵-۶۳۸
|
|
|
| عنوان فارسی |
توسعه مدل بنیش با ترکیب شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات برای پیش‌بینی دستکاری سود |
|
| چکیده فارسی مقاله |
هدف: به باور بنیش (1999)، دستکاری سود زمانی رخ می‌دهد که مدیریت، اصول پذیرفته‌شده عمومی حسابداری را به‌منظور سودآور نشاندادن عملکرد مالی شرکت نقض می‌کند. در این پژوهش، مدل بنیش با تأکید بر متغیرهای خارج از داده‌های حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است. روش: برای دستیابی به هدف پژوهش، داده‌های لازم برای 184شرکت پذیرفته‌شده در بورس اوراق بهادار تهران، طی سال‌های 1386 تا 1396 جمع‌آوری شدند. ضرایب مدل‌ها، به روش شبکه عصبی آموزش‌یافته با الگوریتم PSO برآورد شده‌اند. برای فراهم‌آوردن قابلیت مقایسه نیز، 10 اجرا با 300 تکرار در هر اجرا انجام گرفت و پس از هم‌گرایی، اجراها متوقف شدند. یافته‌ها: توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار 0807/0 به 0777/0 کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، به‌ازای بهترین نقطه برش (5021/0) و بهترین دقت (26/60درصد) 5538/0 بود و این سطح در مدل توسعه‌یافته بنیش به‌ازای بهترین نقطه برش (5304/0) و بهترین دقت (42/67درصد) به 6335 /0 افزایش یافت. نتیجه‌گیری: نتایج حاکی از تصادفی‌بودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکت‌های دستکاری‌کننده سود و غیردستکاری‌کننده سود است. همچنین، نتایج افزایش قدرت مدل توسعه‌یافته بنیش در قیاس با مدل اصلی را نشان می‌دهد؛ اما نتیجه آزمون ضعیف است و نشان می‌دهد که مدل توسعه‌یافته بنیش نیز در تفکیک دو گروه شرکت‌های دستکاری‌کننده سود و غیردستکاری‌کننده سود، کمابیش یک مدل تصادفی است. |
|
| کلیدواژه‌های فارسی مقاله |
|
|
| عنوان انگلیسی |
Development of the Beneish Model by Combining Artificial Neural Network and Particle Swarm Optimization Algorithm for Earnings Management Prediction |
|
| چکیده انگلیسی مقاله |
Objective: According to Beneish (1999), “earnings manipulation happens as an instance where management violates Generally Accepted Accounting Principles (GAAP)inordertobeneficiallyrepresentthefirm’s financial performance.” In this research, the development of the Beneish model (DBM) was done through emphasizing non-accounting variables,including the Information Asymmetry (IS) and Product Market Competition (PMC). Methods: The data was collected for 184 companies listed in the Tehran Stock Exchange (TSE) during the past 11 years 2006-2017. The coefficients of models were estimated by trained Artificial Neural Network (ANN) through PSO algorithm. In order to provide the potential of comparability, ten run with 300 iterations in each run were done for both the Beneish model (BM) and (DBM), then were stopped after convergence. Results: Research results indicate that training error of ANN trained by PSO algorithm measured by mean square error (MSE) was reduced from 0/0807 to 0/0777 by the development of BM. The area under Receiver Operating Characteristic (ROC) for BM was calculated up to 0/5792, which is located in very low confidence range of 0/5-0/6, indicating failed test result and high prediction error up to 39/74 percent. Consequently the best cut-off point and the best precision for BM were estimated to be 0/5021, 60/26 percent, by the maximum accuracy method, respectively. Furthermore, the results show that the AUC for DBM was increased to 0/6335 through incorporating environmental variables of Product Market Competition (PMC) and information symmetry (IS) to the BM, which is still out of an acceptable range of 0/7–0/8 for a relatively good test, indicating poor test result and high model prediction error up to 32/58 percent. Consequently the best cut-off point and the best precision for DBM were estimated to be 0/5304, 67/42 percent by the intersection point of minimum distance and Youden's index, respectively. Incorporating PMC and IS variables to the original model of Beneish decreased model prediction error from 39/74 to 32/58 percent, which is not statistically significant. Nevertheless, this fact improved the predictive power of the BM slightly insignificant. Conclusion: The findings indicate that the BM is a random model in Iranian capital market and impotent to detect two groups of earning manipulator and non-earning manipulator companies. Although findings indicate that the DBM is a little bit more powerful than the BM and confirm that the impact of environmental variables of PMC and IS is slightly insignificant, indicating the test outcome is still weak and the DBM is an approximately random model in identifying two groups of earning manipulator and non-earning manipulator companies. |
|
| کلیدواژه‌های انگلیسی مقاله |
|
|
| نویسندگان مقاله |
محمدرضا نیک بخت |
دانشیار، گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
غلامرضا کرمی کرمی |
دانشیار، گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
منصور مؤمنی |
استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
حسین عسگری آلوج |
دانشجوی دکتری، گروه حسابداری، پردیس بین‌المللی ارس دانشگاه تهران، جلفا، ایران.
|
|
| نشانی اینترنتی |
https://acctgrev.ut.ac.ir/article_75299_90303f8799bbb57e29770068e28b265d.pdf |
| فایل مقاله |
اشکال در دسترسی به فایل - ./files/site1/rds_journals/643/article-643-2312152.pdf |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|