پيش بيني مديريت سود با استفاده از شبكه عصبي و درخت تصميم

فاقد عنوان لاتين

بسياري از موارد بحران‌هاي مالي مربوط به شركت‌هاي سهامي عام بوده كه درحال افزايش است. بسياري از سرمايه گذاران و اعتباردهندگان در مورد پيش بيني بحران مالي به خصوص زماني كه مديريت سود رخ مي‌دهد مشكلاتي دارند. تحقيقات اخير به شناسايي عوامل و فاكتورهاي مرتبط با مديريت سود مي‌پردازد. بنابراين از طريق آن قادر به تعيين ارتباط ميان اين عوامل و دستكاري سود هستند. به منظور كاهش ريسك بحران‌هاي مالي ناشي ازآن و كمك به سرمايه گذاران براي اجتناب از زيان‌هاي بزرگ در بازار سهام لازم است تا مدلي براي پيش بيني مديريت سود توسعه يابد. هدف اصلي اين تحقيق بررسي دقت پيش بيني مديريت سود با استفاده از شبكه هاي عصبي و درخت تصميم گيري و مقايسه آن بامدل هاي خطي است. براي اين منظور نه متغير تأثيرگذار بر مديريت سود به عنوان متغيرهاي مستقل و اقلام تعهدي اختياري، به عنوان متغير وابسته مورد استفاده قرار گرفته است. در اين تحقيق از چهار صنعت كشاورزي، دارويي، نساجي و فرآورده‌هاي نفتي، تعداد 36 شركت مورد بررسي قرارگرفت. از روش رگرسيون كمترين مربعات جهت مدل خطي و از شبكه عصبي پيشخور تعميم يافته و درخت تصميم گيري Cart, C5.0 جهت بررسي از طريق تكنيك‌هاي داده كاوي استفاده شد. نتايج حاصل از اين تحقيق نشان دادكه روش شبكه عصبي و درخت تصميم گيري در پيش بيني مديريت سود نسبت به روش‌هاي خطي دقيق تر و داراي سطح خطاي كمتري است. در رابطه با ارتباط بين متغيرهاي وابسته با متغير مستقل نيز مي‌توان گفت، مديريت سود با متغيرهاي اقلام تعهدي اختياري دوره قبل ، اقلام تعهدي غيراختياري دوره قبل يا آستانه عملكرد و ريسك درچهار روش مدل‌هاي خطي، شبكه عصبي، درخت‌هاي C5.0 و Cart داراي بيشترين ارتباط است.

creditors are difficult to foresee the financial crisis, especially in the cases with earnings management. In literature, many studies related to earnings management only focus on identifying some related factors which can significantly affect earnings management. Therefore, we can only figure out the correlation between these factors and earnings management. In order to decrease the financial crisis risks derived from earnings management and help the investors avoid suffering a great loss in the stock market, we developed a neural network model to predict the level of earnings management. This study aims to investigate the accuracy of earning management forecast by neural network and decision making tree as well as comparing that by linear models. To these end nine effective variables on earnings management were used as independent variables and discretionary accruals as dependent variables. From four industries: agriculture, pharmaceutical, textile and petroleum, 36 firms selected during 2006 to 2013. The least squares regression for linear model, generalized feed forward neural network and decision making tree c5.0, cart were applied for data mining. The results indicated that neural network and decision making tree has the least error in forecasting earnings management than more accurate linear methods. Concerning the relationship between dependent and independent variables, it is said that earning managements by discretionary accrual variables of the prior period (DAI), non-discretionary accruals of prior period or threshold performance (THOD) and risk (Risk) in four linear models, neural network, C5.0 trees and cart has the most correlation.