بررسي عوامل موثر بر به هنگامي گزارشگري مالي با استفاده از تكنيك‌هاي شبكه‌هاي عصبي مصنوعي و درخت تصميم

Factors Effective on Timeliness of Financial Reporting: Using Synthetic Neural Networks and Decision Trees Techniques

به هنگامی از ویژگی‌های اطلاعات مفید در تصمیم گیری است كه توجه روزافزون نهادهای نظارتی را به خود جلب كرده است. این پژوهش به بررسی عوامل مرتبط با به هنگامی گزارش گری مالی سالانه در شركت‌های بورس اوراق بهادار تهران می‌پردازد. اثر نسبت‌های مالكیت سهامداران عمده، سهامداران نهادی، هیئت مدیره، مدیر عامل و هلدینگ‌ها، تعداد سهامداران عمده، نسبت اعضای غیرمؤظف، تمایز مدیر عامل و رئیس هیئت مدیره، موسسه حسابرسی، تغییر حسابرس مستقل، اندازه شركت، قدمت شركت، بازده ارزش ویژه، خبر خوب، گزارش مالی تلفیقی، وجود سیستم بهای مورد تأیید حسابرس، اظهارنظر مقبول حسابرس مستقل و صنعت در خلال سال‌های 1387 تا 1389 بر به هنگامی گزارشگری مالی سالانه مورد مطالعه قرار گرفته است. جهت آموزش و آزمون مدل از دو تكنیك شبكه‌های عصبی مصنوعی و درخت تصمیم استفاده شده است. نتایج حاصله نشان می‌دهد به ترتیب متغیرهای نسبت مالكیت سهامداران نهادی، تعداد سهامداران عمده، صنعت، حسابرس بزرگ، اظهارنظر مقبول، نسبت اعضای غیرموظف هیئت مدیره، گزارش تلفیقی و بازده ارزش ویژه بیشترین اثر را بر به هنگامی دارند. بعلاوه، میانگین دقت تكنیك شبكه عصبی مصنوعی بالاتر از درخت تصمیم است. 

In decision making, timeliness is one of the useful information features that have increasingly attracted the attention of regulatory agencies. This paper examines factors which are related to the timeliness of annual reporting financial statements in Tehran stock exchange listed firms. The effect on financial reporting timeliness of factors such as the ratio of the investment institutes, major shareholders and institutional shareholders ownership, the ratio of the shares held by the CEO and board, the quantity of the majority shareholders, and the ratio of the non-executive members, duality, big auditor, auditor change, size, age, ROE, good news, consolidate financial reporting and the quality of the costing system, opinion of the independent auditor and industry during the years 2008 to 2011 have been studied. Neural networks and decision trees techniques is utilized for data analysis. The Results show that the institutional shareholders ownership, quantity of the majority shareholders, industry, big auditor, opinion of the independent auditor, ratio of the non-executive members, consolidate financial reporting and ROE have the greatest effect on quality of timeliness, respectively. Also average accuracy of neural networks technique is higher than decision trees technique.