توسعه مدل بنيش با تركيب شبكه‌هاي عصبي مصنوعي و الگوريتم بهينه‌سازي حركت تجمعي ذرات براي پيش‌بيني دستكاري سود

هدف: به باور بنيش (1999)، دستكاري سود زماني رخ مي‌دهد ‌كه مديريت، اصول پذيرفته‌شده عمومي حسابداري را ‌به‌منظور سودآور‌ نشان‌‎دادن عملكرد مالي شركت نقض مي‌كند. در اين پژوهش، مدل بنيش با تأكيد بر متغيرهاي خارج از داده‌هاي‎‌‌ حسابداري، شامل عدم تقارن اطلاعاتي و بازار رقابت محصول، توسعه يافته است. روش: براي دستيابي به هدف پژوهش، داده‌هاي لازم براي 184شركت پذيرفته‌شده در بورس اوراق بهادار تهران، طي سال‌هاي 1386 تا 1396 جمع‌آوري شدند. ضرايب مدل‌ها، به روش شبكه عصبي آموزش‌يافته با الگوريتم PSO برآورد شده‌اند. براي فراهم‌آوردن قابليت مقايسه نيز، 10 اجرا با 300 تكرار در هر اجرا انجام گرفت و پس از هم‌گرايي، اجراها متوقف شدند. يافته‌ها: ‌توسعه مدل بنيش، خطاي آموزش شبكه عصبي با الگوريتم حركت تجمعي ذرات را از مقدار 0.0807 به 0.0777 كاهش داد.‌ همچنين، سطح زيرمنحني راك در مدل بنيش، به‌ازاي بهترين نقطه برش (0.5021) و بهترين دقت (60.26درصد) 0.5538 بود و اين سطح در مدل توسعه‌يافته بنيش به‌ازاي بهترين نقطه برش (0.5304) و بهترين دقت (67.42درصد) به 6335 /0 افزايش يافت. نتيجه‌گيري: نتايج حاكي از تصادفي‌بودن مدل بنيش و ناتواني در تفكيك دو گروه شركت‌هاي دستكاري‌كننده سود و غيردستكاري‌كننده سود است. همچنين، نتايج افزايش قدرت مدل توسعه‌يافته بنيش در قياس با مدل اصلي را نشان مي‌دهد؛ اما نتيجه آزمون ضعيف است و نشان مي‌دهد كه مدل توسعه‌يافته بنيش نيز در تفكيك دو گروه شركت‌هاي دستكاري‌كننده سود و غيردستكاري‌كننده سود، كمابيش يك مدل تصادفي است.