پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 دانشیار گروه حسابداری، دانشکده علوم اداری و اقتصادی ، دانشگاه فردوسی مشهد، مشهد، ایران

2 کارشناس ارشد حسابداری، دانشگاه پیام نور قشم، قشم، ایران

چکیده

بسیاری از موارد بحران‌های مالی مربوط به شرکت‌های سهامی عام بوده که درحال افزایش است. بسیاری از سرمایه گذاران و اعتباردهندگان در مورد پیش بینی بحران مالی به خصوص زمانی که مدیریت سود رخ می‌دهد مشکلاتی دارند. تحقیقات اخیر به شناسایی عوامل و فاکتورهای مرتبط با مدیریت سود می‌پردازد. بنابراین از طریق آن قادر به تعیین ارتباط میان این عوامل و دستکاری سود هستند. به منظور کاهش ریسک بحران‌های مالی ناشی ازآن و کمک به سرمایه گذاران برای اجتناب از زیان‌های بزرگ در بازار سهام لازم است تا مدلی برای پیش بینی مدیریت سود توسعه یابد. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظور نه متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق از چهار صنعت کشاورزی، دارویی، نساجی و فرآورده‌های نفتی، تعداد 36 شرکت مورد بررسی قرارگرفت. از روش رگرسیون کمترین مربعات جهت مدل خطی و از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم گیری Cart, C5.0 جهت بررسی از طریق تکنیک‌های داده کاوی استفاده شد. نتایج حاصل از این تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می‌توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل ، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد  و ریسک درچهار روش مدل‌های خطی، شبکه عصبی، درخت‌های C5.0 و Cart دارای بیشترین ارتباط است.
Abstract
Many financial crisis cases related to the public companies have increased recently, but many investors and 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.

کلیدواژه‌ها


 

پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم

 

 

 

مهدی صالحی

تاریخ دریافت: 02/10/1396           تاریخ پذیرش: 05/12/1396

[1]

لاله فرخی پیلهرود[2]

 

 

 

چکیده

بسیاری از موارد بحران‌های مالی مربوط به شرکت‌های سهامی عام بوده که درحال افزایش است. بسیاری از سرمایه گذاران و اعتباردهندگان در مورد پیش بینی بحران مالی به خصوص زمانی که مدیریت سود رخ می‌دهد مشکلاتی دارند. تحقیقات اخیر به شناسایی عوامل و فاکتورهای مرتبط با مدیریت سود می‌پردازد. بنابراین از طریق آن قادر به تعیین ارتباط میان این عوامل و دستکاری سود هستند. به منظور کاهش ریسک بحران‌های مالی ناشی ازآن و کمک به سرمایه گذاران برای اجتناب از زیان‌های بزرگ در بازار سهام لازم است تا مدلی برای پیش بینی مدیریت سود توسعه یابد. هدف اصلی این تحقیق بررسی دقت پیش بینی مدیریت سود با استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن بامدل های خطی است. برای این منظور نه متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری، به عنوان متغیر وابسته مورد استفاده قرار گرفته است. در این تحقیق از چهار صنعت کشاورزی، دارویی، نساجی و فرآورده‌های نفتی، تعداد 36 شرکت مورد بررسی قرارگرفت. از روش رگرسیون کمترین مربعات جهت مدل خطی و از شبکه عصبی پیشخور تعمیم یافته و درخت تصمیم گیری Cart, C5.0 جهت بررسی از طریق تکنیک‌های داده کاوی استفاده شد. نتایج حاصل از این تحقیق نشان دادکه روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می‌توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل ، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد  و ریسک درچهار روش مدل‌های خطی، شبکه عصبی، درخت‌های C5.0 و Cart دارای بیشترین ارتباط است.

 

واژه‌های کلیدی: مدیریت سود، شبکه عصبی، درخت تصمیم گیری.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1- مقدمه

در عصر پس از انرون، واژه مدیریت سود به عنوان یکی از حیاتی‌ترین مسائل در نظر گرفته شده است و توجه بیشتری را به خود جلب کرده است. مدیریت سود عبارت است از فرآیند انجام اقدامات عمومی در محدوده اصول پذیرفته شده حسابداری که سبب رسیدن به سطح سود مورد نظر می‌شود (الجیفری، 2007). بنا به گفته برگستالرو اماس (1998)، مدیریت سود عموماً در برگیرنده محدوده وسیعی ازاقداماتی است که بر سود اثر می‌گذارد و محدوده وسیعی از اقدامات عملیاتی، سرمایه گذاری و تأمین مالی واقعی تا اقدامات دفترداری محضی رادر بر می‌گیرد که فقط بر معیارهای حسابداری سنجش سود تأثیر می‌گذارد. اقلام تعهدی سود از یک سو به مدیران اجازه می‌دهند تا سود را طوری محاسبه کنند که گویای ارزش واقعی بنگاه اقتصادی باشد و از سوی دیگر این اقلام به مدیران اختیار می‌دهند تا از انعطاف پذیری روش‌ها و اصول پذیرفته شده حسابداری سوء استفاده کرده و محتوای اطلاعاتی سود را مخدوش کنند (چی فونگ تسایی وین جونگ چیو،2009). بعبارت دیگر، مدیریت سودیعنی اینکه مدیرمی تواند رویه ای ازحسابداری را انتخاب نماید که به هدف خاصی دست یابد ) اسکات، ویلیام، 2007). بنابراین، مدیریت سود زمانی رخ می‌دهد که مدیران در گزارشگری مالی و در سازماندهی معاملات از قضاوت استفاده کرده و گزارشات مالی را تغییر دهند به گونه ای که برخی از ذینفعان نسبت به عملکرد اقتصادی شرکت گمراه شوند یا نتایج قراردادهایی تحت تأثیر قراردهند که به اعداد حسابداری وابسته هستند (هلی و والن،1999). هلی و والن) 1999) بیان می‌کنند که «مدیریت سود هنگامی رخ می‌دهد که مدیران از قضاوت‌های شخصی خود درگزارشگری مالی استفاده کنند و ساختار معاملات را جهت تغییر گزارشگری مالی دستکاری نمایند. این هدف یا به قصد گمراه کردن برخی از صاحبان سود در خصوص عملکرد اقتصادی شرکت یا تأثیر برنتایج قراردادهایی است که انعقاد آن‌ها منوط به دستیابی به سود شخصی است.

به هر حال مدیریت سود، بر خلاف تقلب، مستلزم انتخاب رویه‌های حسابداری و برآوردهایی است که مطابق اصول پذیرفته شده حسابداری هستند. مدیریت سود معمولاً به یکی از دو روش زیر صورت می‌گیرد:

1)   روش‌های حسابداری تعهدی[i](زمان شناخت درآمد و هزینه): بکارگیری این روش، آسان تر، ارزان تر و کشف آن توسط حسابرس سخت تراست.

2)   تغییر روش حسابداری[ii](فایفو به لایفو): بکارگیری روش دوم، نسبتاً گران، قابل مشاهده و کشف آن توسط حسابرس آسان تر است.

از هر دو روش می‌توان برای افزایش یا کاهش سود استفاده کرد مشروط به اینکه پرهزینه نباشد.

پژوهش‌های تئوری حسابداری اثباتی حاکی ازآن است که روش‌های حسابداری تعهدی اختیاری به عنوان ابزاری برای مدیریت سود مورد استفاده قرار گرفته است. هیلی (1985) دریافت که برای مدیران انتقال سود بین دوره‌ها از طریق تغییر رویه‌ها ازطریق اقلام تعهدی پرهزینه تر است.

شرکت‌ها به ندرت رویه‌های حسابداری خود را سالانه تغییر می‌دهند. برای نمونه، تغییر به روش استهلاک خط مستقیم در یک سال معمولاً با تغییر به روش مانده نزولی مضاعف در سال‌های بعد همراه نیست. به نظر می‌رسد مدیران انعطاف پذیری بیشتری برای تغییر اقلام تعهدی دارند. آن‌ها می‌توانند شناسایی فروش را تسریع کنند یا به تأخیر بیاندازند و مخارج تعمیرات را سرمایه ای یا هزینه کنند (الجیفری،2007).

مدیران می‌توانند سود را با استفاده از روش‌های متنوعی دستکاری نمایند، ابزارهای مورد استفاده در رابطه با مدیریت سود، عبارت‌اند از: الف) دستکاری اقلام تعهدی اختیاری که تأثیر مستقیمی بر جریانات نقد ندارند. به عنوان نمونه می‌توان به عدم تحقق شرایط استقراض و تغییردر میزان هزینه مطالبات مشکوک الوصول و همچنین تأخیر در کنارگذاشتن دارایی‌های ثابتی که عمر مفید آن‌ها پایان یافته، اشاره کرد. ب) دستکاری رویدادهای مالی واقعی که باعث تغییر در جریانات نقد و حتی در بعضی موارد باعث تغییر یافتن اقلام تعهدی می‌شود مانند کاهش دادن هزینه‌های تبلیغات به منظور بالابردن سود (رویچوودهاری،2004).

برای پیش بینی مدیریت سود از روش‌های مختلفی می‌توان استفاده کرد. روش مرسوم در این مورد استفاده ازمدل های خطی می‌باشد. روش‌های دیگر استفاده ازتکنولوژی داده کاوی مانند شبکه‌های عصبی، درخت تصمیم گیری است که قادربه ایجاد مدل‌های پیش بینی است.

 توسعه تکنولوژی‌های کامپیوتری و تکنیک‌های یادگیری اتوماتیک می تواندتصمیم گیری را آسان تر و بسیار کاراتر سازد. در دامنه یادگیری ماشینی جایی که همیشه کامپیوترها تصمیم می‌گیرند و یا برای گرفتن تصمیم درست پیشنهادهایی را ارائه می‌دهند، رویکردهای زیادی از تکنیک‌های تصمیم گیری وجود دارند؛ از قبیل درخت‌های تصمیم، شبکه‌های عصبی مصنوعی و... . درخت تصمیم شیوه ای برای ارائه پایگاه قانون و در واقع یک روش بازنمایی دانش می‌باشد (گوکسیو،2005).

شبکه عصبی مصنوعی[iii] یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهده پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورون‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. استفاده ازشبکه های عصبی به عنوان ابزاری در تصمیمات مالی روبه افزایش است. شمارزیادی ازتحقیقات به توانایی شبکه عصبی درپیش بینی عملکرد مالی پرداخته‌اند. اعتقاد براین است که شبکه عصبی وسیله خوبی برای پیش بینی عملکرد مالی است. ازدلایل آن می‌توان به برخی مواردذیل اشاره کرد:

  • مقیاس آن عددی است.
  • نیازی به مفروضات توزیع داده درداده های ورودی نیست.
  • نوعی تکنیک داده کاوی افزایشی است.
  • شبکه‌های عصبی فاقد مدل تخمین زننده هستند (مونیکا لام،2004)

لذا استفاده ازشبکه های عصبی می تواندبه توسعه مدل پیش بینی مدیریت سودکمک شایانی نماید. باوجود مزایا، شبکه عصبی دارای معایبی است ازآن جمله:

  • شبکه عصبی تضمینی برای تعیین راه حل بهینه ندارد.
  • شبکه عصبی ممکن است دارای مشکل بیش برازشی باشند.
  • شبکه عصبی توضیحی درخصوص رفتارها ارائه نمی‌کند (چی فونگ تسایی وین جونگ چیو،2009).

مشکلات فوق الذکرازطریق تعیین تعدادگره ها و استفاده از درخت تصمیم قابل حل است. این تحقیق تلاش می‌نماید تا از تکنیک شبکه عصبی برای پیش بینی مدیریت سود وارزیابی توانایی وقابلیت اجرای مدل شبکه عصبی استفاده نماید. سپس با استفاده ازداده های خروجی اصلاح شده شبکه عصبی به عنوان یک ترکیب مهندسی دورگه برای شناسایی قوانین تصمیم مفید به منظورشناسایی پیش بینی مدیریت سود استفاده نماید.

 درخت تصمیم گیری نیزاز نسل جدید تکنیک‌های داده کاوی بشمار می‌آید که به عنوان یک ابزار برای پشتیبانی از تصمیم است که از درختان برای مدل کردن استفاده می‌کند.

رویکرد درخت تصمیم در بسیاری از زمینه‌ها کاربرد دارد از جمله: شناسایی الگوها، طبقه بندی الگوها، کلاسه بندی، سیستم‌های پشتیبان تصمیم گیری، سیستم‌های خبره و غیره (پانگ هانگ،1998). زیرا در مقایسه با سایر متدها از جمله ماکزیمم احتمال سریع‌ترین می‌باشد. بویژه در شرایطی که فضای نمونه بزرگ است علاوه بر این مهیا کردن داده آسان و درک آن نیز برای افراد غیر فنی آسان تر است. مزیت دیگر آن این است که هر دو نوع داده عددی و رتبه ای را می‌تواند طبقه بندی کند. درخت تصمیم بطور موفقیت آمیزی در زمینه‌های مدیریت مالی (در تبادلات و معاملات)، اطلاعات بازار بورس، بررسی اداری، مدیریت قوانین کسب و کار (آنالیز کیفیت پروژه، مدیریت کیفیت محصول، مطالعه امکان سنجی)، بانکداری و بیمه (بررسی و پیش بینی ریسک)، علوم محیطی (تجزیه و تحلیل کیفیت محیط، تجزیه و تحلیل منابع یکپارچه، بررسی فاجعه)، تصمیم گیری در تشخیص و انتخاب درمان مناسب و غیره بکار می‌رود (گوکسیو،2005).

مزیت اصلی رویکرد درخت تصمیم نشان دادن راه حل‌ها است (وانگ،2006).

درخت تصمیم سه چیز را نشان می‌دهد:

  • ·      هر گره داخلی، که یک صفت را آزمایش می‌کند.
  • ·      هر شاخه، که مطابق با ارزش صفت می‌باشد.
  • ·      هر گره برگ، که یک کلاس را نشان می‌دهد (میچل،1997).

یکی از معایب درخت تصمیم بی ثباتی آن می‌باشد. درخت تصمیم با بوجود آمدناندک اغتشاشی در داده آموزشی همانند طبقه بندی کنندة بی ثبات عمل می‌کند. ساختار درخت تصمیم با تغییر جزئی در مجموعة داد ه ها ممکن است به کلی دگرگون شود و در مواردی که تصمیمات رقمی (عددی) مورد نیاز است. این نوع درخت تصمیم غیرقابلاستفاده می‌شود. جهت غلبه بر این مشکل بعضی از دانش پژوهان درخت تصمیم فازی راپیشنهاد کرده‌اند (میچل،1997).

 

 2- فرضیه تحقیق

دقت پیش بینی شبکه‌های عصبی و درخت تصمیم گیری از مدل‌های خطی درپیش بینی مدیریت سود بالاتر است.

 

3- پیشینه تحقیق

فونگ تسایی و جونگ چیو (2009) به بررسی پیش بینی مدیریت سود از طریق شبکه عصبی و درخت تصمیم پرداختند. هدف اصلی تحقیق آنان بررسی کاربرد شبکه‌های عصبی برای پیش بینی روبه بالایا پایین بودن مدیریت سود می‌باشد. ازداده های بورس اوراق بهادار و 11 متغیر ورودی که براساس عوامل مرتبط بامدیریت سود درتحقیقات پیشین (TEJ) تایوان بوده، استفاده گردید. پس از 5 مرحله اعتبارسنجی، نتایج تحقیق صحت پیش بینی سود رو به بالا 81.08 درصدرا نشان داد. همچنین آنان ازمدل درخت تصمیم استفاده کردند که بوسیله روش آموزش وآزمون شده بود.

درایجاد درخت تصمیم آنان دریافتندکه چندین قانون در Cart و C5.0 موارد پیش بینی رو به بالای مدیریت سود وجود دارد. یعنی، مدیریت سود با احتمال بیشتری، زمانی رخ می‌دهد که شرکت‌ها درشرایط مشابهی مانند عملکرد پایین شرکت، تداوم سود بالا و سهام دردست مردم به میزان 10 درصد افزایش یاکاهش می‌یابد.

چی و همکاران در سال 2009 در بورس اوراق بهادار تایوان به پیش بینی مدیریت سود با استفاده از ترکیب مدل شبکه‌های عصبی و درخت تصمیم گیری پرداختند و در تحقیق خود از 8 متغیر مستقل به نام‌های اثرات نظارت خارج از شرکت، آستانه عملکرد، حساسیت عملکرد، اندازه شرکت، اهرم بدهی، عملکرد شرکت، کنترل متوسط اثر برگشت پذیری و تحصیل و فعالیت مالی استفاده کردند.

پژوهش‌های زیادی درخصوص هریک ازمتغیرهای تحقیق و مدیریت سود به تنهایی صورت گرفته که به برخی ازآنها اشاره شده است.

والاس داوید سون وبایو وی یونگ (2007) محرکهای مدیران درمدیریت سود را مورد ارزیابی قراردادند. مدیرانی که نزدیک به زمان بازنشستگی هستند، تمایل بیشتری به راهبردهای حداکثرکننده سود خواهند داشت. آنان دریافتندکه شرکت‌هایی که مدیران ارشدآنان نزدیک به دوران بازنشستگی هستند اقلام تعهدی اختیاری بالاتری درسال قبل از تغییر را خواهند داشت، همین طورشرکت هایی که برنامه پاداش بزرگ‌تری دارند از اقلام تعهدی اختیاری بالاتری برخوردارمی باشند.

برگسترسروفیلیپین (2006) محرک‌های مدیران و مدیریت سودرا بررسی نمودند. یافته‌های آنان حاکی ازاستفاده ازاقلام تعهدی اختیاری به منظور دستکاری سود گزارش شده درشرکت ها یی است که بطور بالقوه کلیه مزایا و طرح پاداش مدیران برمبنای ارزش سهام یا اختیار خرید سهام است.

یودووسان (2006) مدیریت سودرا درآستانه انتشار سهام جدید بوسیله شرکت‌های پذیرفته شده در بورس وعرضه به سهامداران همان شرکت را مورد بررسی قرار دادند یافته‌های تجربی آنان نشان می‌دهد که شرکت‌های چینی دردوره 1994 تا 2002 برای بدست آوردن مقررات و شرایط مورد لزوم به سختی در آستانه، سود را مدیریت کرده‌اند.

بکوپاگن )2006)، ارتباط میان حساسیت درپرداخت بابت عملکرد (pps) و عملکرد شرکت را موردبررسی قراردادند. آنان اظهار نمودندکه pps هنگامی که مدیران عملکرد بسیار بالایی داشته باشند به بیشترین حد خودمی رسد. آنان دریافتندکه ارتباط بین حقوق مالکانه پیش بینی شده برمبنای درصد پاداش و بازده دارایی‌های تعدیل شده صنعت، هنگامی که عملکرد شرکت مسیر پایین روبه متوسط داشته، منفی و هنگامی که عملکرد، مسیر رو به بالایی داشته باشد، مثبت است.

درایران حجازی و همکاران (1391) به بررسی دقت پیش بینی مدیریت سودبا استفاده از شبکه های عصبی و درخت تصمیم گیری و مقایسه آن با مدل های خطی پرداختند. برای این منظور از یازده متغیر تأثیرگذار بر مدیریت سود به عنوان متغیرهای مستقل و اقلام تعهدی اختیاری به عنوان متغیر وابسته استفاده شده است. نتایج حاصل از این تحقیق نشان داد که روش شبکه عصبی و درخت تصمیم در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است. ضمناً مدیریت سود با متغیرهای اقلام تعهدی اختیاری و غیراختیاری دوره قبل و عملکرد شرکت، اندازه، تداوم سود در هر دو روش دارای بیشترین ارتباط است.

چالاکی و یوسفی (1391) به پیش بینی مدیریت سود با استفاده از درخت تصمیم گیری پرداختند. در پژوهش آن‌ها درصد مالکیت سهامداران نهادی، نسبت بدهی، اندازه شرکت، مالیات بر درآمد، تغییر پذیری فروش، تغییر پذیری سود، وجوه نقد حاصل از فعالیت‌های عملیاتی، نسبت کیفیت سود، گردش مجموع دارایی‌ها، بازده فروش، بازده سرمایه گذاری و بازده حقوق صاحبان سهام متغیرهای مستقل و اقلام تعهدی اختیاری، متغیر وابسته می‌باشد. نتایج پژوهش آن‌ها نشان می‌دهد که بالاترین میزان دقت پیش بینی برای درخت تصمیم گیری 7/74% می‌باشد.

کردستانی، معصومی و بقایی (1392) با استفاده از متغیرهای موجود در ادبیات مدیریت سود و بکارگیری مدل شبکه‌های عصبی مصنوعی سطح مدیریت سود پیشبینی شده است. شبکه با استفاده از اطلاعات سالهای 1379 تا 1387 مورد آزمون و آموزش قرار گرفت و در نهایت ساختار مطلوب با دقت 94% در مرحله آموزش و 69% در مرحله آزمون انتخاب شد.

 

4- تعریف عملیاتی متغیرهای تحقیق و نحوه محاسبه آن‌ها

در تحقیقاتی که بر پایه همبستگی و روابط علت و معلولی می‌باشند؛ متغیرها به دو دسته تفکیک می‌شوند. یک دسته متغیرهای مستقل و دسته دیگر متغیرهای وابسته هستند. این نوع طبقه بندی بدلیل کاربرد کلی، سادگی و اهمیت ویژه ای که در مفهومی کردن و طرح ریزی پژوهش و همچنین تهیه گزارش نتایج آن دارد بسیار مفید و ارزنده است. تعریف عملیاتی و نحوه محاسبه متغیرهای این تحقیق بر اساس طبقه بندی یاد شده، به شرح ذیل می‌باشد:

 

4-1- متغیرمستقل: متغیرهای مستقل تحقیق شامل نه متغیر به شرح ذیل است:

 متغیر 1: نسبت به اعضای غیر موظف هیات مدیره

این متغیر نشان دهنده نسبت اعضای غیر موظف هیات مدیره به کل اعضای هیات مدیره است.

 

متغیر 2: حساسیت در پرداخت بابت عملکرد[iv]

 

 

در غیر این صورت 0 =

: نرخ بازده حقوق صاحبان سهام در شرکت i در ابتدای سال n

: پاداش مدیر در شرکت i در ابتدای سال n

 و : میانه متغیرها در ابتدای سال n

 

متغیر 3: فعالیت تأمین مالی [v](SHARVAR)

، زمانی که سهام در دست مردم به میزان 10% در شرکت i از پایان سال قبل تا انتهای سال مورد نظر افزایش یا کاهش یابد. در غیر این صورت

 

متغیر 4: آستانه عملکرد[vi] (THOD)

 

 

: میزان اقلام تعهدی غیر اختیاری براساس سال قبل در شرکت i در انتهای سال q

 

متغیر 5: نسبت اهرمی[vii] (LEV)

 

: کل بدهی در شرکت i در پایان سال q

: کل دارایی در شرکت i در پایان سال q

 

متغیر 6: ریسک شرکت [viii]

 

 

: ریسک شرکتی در هر سال که به صورت روزانه از طریق بورس اوراق بهادار به دست می‌آید.

متغیر 7: اقلام تعهدی اختیاری قبلی ( )

 

 

: میزان اقلام تعهدی اختیاری در شرکت i در پایان سال مشابه q در سال پیش بینی.

 

 

 

متغیر 8: اندازه شرکت [ix]

محققان معیارهای گوناگونی را برای اندازه شرکت‌ها در نظر گرفته‌اند. در این تحقیق جهت وارد نمودن اندازه شرکت‌ها در الگوی آزمون فرضیات از لگاریتم ارزش دفتری کل دارایی‌ها استفاده می‌شود.

 

 

متغیر 9: عملکرد شرکت[x](CFO)

 

 

: جمع وجه نقد ناشی از میزان فعالیت شرکت i درانتهای سال n

: جمع دارایی‌های شرکت i در همان تاریخ سال قبل

 

4-2- متغیر وابسته (اقلام تعهدی اختیاری)

پیش فرض آزمون فرضیه مطرح شده، تعیین متغیر مدیریت سود است. از آنجایی که از اقلام تعهدی اختیاری از صورت‌های مالی قابل تشخیص نیستند، لذا بایستی آن‌ها را با استفاده از یک مدل تخمین زد. مدل‌های مختلفی در این زمینه ارائه شده‌اند. دکو، اسلوان و سوئینی (1995) طی تحقیقی عملکرد پنج مدل موجود در این فرضیه یعنی مدل هیلی (1985)، مدل دی آنجلو (1986)، مدل جونز (1991)، مدل جونز تعدیل شده (1995) و مدل صنعت (1995) را بررسی نموده‌اند و ویژگی‌ها و قدرت آزمون این مدل‌ها را درباره اقلام تعهدی اختیاری، ارزیابی کرده‌اند. در تمام این مدل‌ها، کل اقلام تعهدی به صورت رابطه 1 محاسبه شده و سپس با استفاده از فرمولی که در هر مدل برای برآورد بخش غیر اختیاری اقلام تعهدی پیشنهاد شده، این بخش را تخمین زده و با کم کردن از کل اقلام تعهدی، بخش اختیاری را برآورد می‌کنند.

کل اقلام تعهدی ( ):

(1)

 

 

: تغییر در دارایی‌های جاری در سال t

: تغییر در وجه نقد و معادل وجه نقد در سال t

: تغییر در بدهی‌های جاری در سال t

: تغییر در بدهی‌های جاری غیر عملیاتی در سال t

: هزینه استهلاک در سال t

طبق نتایج به دست آمده مدل جونز تعدیل شده، قویترین آزمون مدیریت سود را فراهم می‌کند. با استفاده از مدل تعدیل شده جونز فرمول 2، اقلام تعهدی اختیاری ( ) محاسبه می‌شوند:

(2)

 

 

: کل دارایی‌ها تا پایان سال t-1

: تغییر در درآمدهای عملیاتی بین سال t و t-1

: تغییر در خالص حساب‌های دریافتنی بین سال t و t-1

: ناخالص دارایی‌های ثابت مشهود در پایان سال t

: کل اقلام تعهدی در سال t

: باقی مانده، که نشان دهنده بخش اختیاری کل اقلام تعهدی شرکت است.

 و  پارامترهای خاص صنعت هستند که از طریق رگرسیون OLS در دوره مشاهده تخمین زده می‌شوند.

در نهایت اقلام تعهدی اختیاری تفاوت میان TA و NDA است.

 

5- جامعه و نمونه آماری

جامعه آماری این پژوهش داده‌های مالی طبقه بندی شده و حسابرسی شده شرکت‌های فعال پذیرفته شده در بورس اوراق بهادار تهران طی سال‌های 1392-1383 است که دارای ویژگی‌های زیر می‌باشد:

1)   شرکت‌ها سال مالی خود را طی دوره‌های مورد نظر تغییر نداده باشند.

2)   در طی سال‌های مورد نظر خرید و فروش سهام آن‌ها قطع نشده باشند.

3)   جزء نهادهای مالی، شرکت‌های سرمایه گذاری و بیمه ای نباشند.

4)   اطلاعات مالی مورد نیاز شامل صورت‌های مالی و یادداشت‌های همراه برای محاسبه متغیرهای تحقیق برای شرکت‌های مربوط در قلمرو زمانی 1392-1383 در دسترس باشد.

5)   شرکت‌ها از تاریخ 29/12/1382 در لیست شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران باشد.

6)   جزء یکی از صنایع کشاورزی، دارویی، نساجی و فرآورده‌های نفتی باشد.

جامعه آماری تحقیق از سال 1385 تا 1392 به صورت سالیانه می‌باشد، اما با توجه به اینکه جهت محاسبه اقلام تعهدی، داده‌های دو سال قبل نیاز است، جامعه آماری از سال 1383 عنوان گردید.

در نتیجه اعمال ملاحظات و شرایط مطرح شده در نمونه گیری حذفی سیستماتیک 36 شرکت از جامعه آماری جهت آزمون فرضیه انتخاب شدند. دوره تحقیق 8 سال متوالی می‌باشد. بنابراین حجم نهایی نمونه برای فرضیه 288 می‌باشد. برای جمع آوری داده‌ها در این تحقیق از نرم افزارهای ره آورد نوین و تدبیر پرداز و همچنین سایت کدال استفاده گردید.

 

6- آزمون فرضیه

آزمون فرضیه در این تحقیق با سه روش رگرسیون، شبکه عصبی و درخت تصمیم گیری انجام می‌شود. ابتدا از آزمون رگرسیون به روش کمترین مربعات (OLS) استفاده می‌شود که در آن آزمون‌های لازم جهت اطمینان از برقراری فرضیه و اعتبار مدل رگرسیونی انجام می‌شود. این آزمون‌ها از طریق نرم افزار Eviews و در سطح اطمینان 95% اجرا می‌شود و بعد فرضیه از شبکه عصبی پیشخور تعمیم یافته از نرم افزار R2013aMatlab مورد آزمون قرار می‌گیرد. برای آزمون فرضیه در روش درخت تصمیم گیری نیز از دو الگوریتم Cart, C5.0 در نرم افزار clementine12.0 استفاده شده است.

 

7- نتایج تجزیه و تحلیل آزمون فرضیه‌های پژوهش

درجدول 1 شاخص‌های مرکزی و پراکندگی مربوط به متغیرهای تحقیق نشان داده شده است.

میانگین اقلام تعهدی اختیاری حاکی از مدیریت سود منفی در میان شرکت‌های نمونه آماری است.

همانطور که در جدول همبستگی[xi]دیده می‌شود، متغیر اقلام تعهدی اختیاری به عنوان متغیر وابسته با متغیرهای حساسیت در پرداخت بابت عملکرد و فعالیت تأمین مالی و نسبت اهرمی و ریسک و اقلام اختیاری دوره قبل رابطه مستقیم و با متغیرهای نسبت اعضای غیر موظف و آستانه عملکرد و اندازه و عملکرد شرکت رابطه معکوس دارد. علاوه بر این، ضرایب بیانگر همبستگی بسیار اندک متغیرهای مستقل می‌باشد.

 

جدول 1- آمارتوصیفی متغیرهای تحقیق

متغیر

میانگین

میانه

حداقل

حداکثر

انحراف معیار

چولگی

کشیدگی

اقلام تعهدی اختیاری

2155/0-

2400/0-

3650/2-

5100/2

2954/0

2632/0-

0542/8

نسبت اعضای غیر موظف

5846/0

5000/0

0

1

1548/0

5423/0-

5415/4

حساسیت در پرداخت بابت عملکرد

0674/0

0

0

1

1895/0

0215/4

35231/36

فعالیت تأمین مالی

0625/0

0

0

1

1568/0

6532/5

5415/27

آستانه عملکرد

0521/0

0951/0

5314/20-

0654/26

5421/3

6244/0

3615/105

نسبت اهرمی

7235/0

7541/0

0000/0

9651/0

1854/0

6524/0-

6414/5

ریسک شرکت

2564/7

2154/8

0000/0

2351/29

2654/6

4448/1

5414/6

اقلام اختیاری دوره قبل

4187/0-

2550/0-

5/22-

7640/1

5683/1

0754/13-

2565/185

اندازه شرکت

5480/10

5447/12

2540/9

2400/16

9511/0

3554/2-

4410/8

عملکرد شرکت

3417/0

2521/0

30064/0-

8656/1

4211/0

8564/1

6518/14

منبع: یافته‌های پژوهشگر

 

جدول 2- همبستگی متغیرهای تحقیق

DA

CFO

SIZE

DAI

RISK

LEV

THOD

SHARVAR

PPS

OUT

نام متغیر

2448/0-

0065/0-

1964/0-

0895/0-

0254/0-

1068/0

1450/0

2454/0

0159/0-

1

OUT

0086/0

1654/0-

1544/0

0085/0

1485/0

0436/0

0254/0-

1058/0

1

0095/0-

PPS

0632/0

0725/0

1264/0

0498/0-

1256/0

0456/0

0354/0

1

0754/0

0457/0

SHARVAR

6650/0-

2867/0

0670/0-

6495/0

0124/0-

0357/0-

1

0164/0

0042/0-

0098/0

THOD

0418/0

1119/0

0612/0-

0463/0

1668/0-

1

0357/0-

0179/0

0523/0

0775/0

LEV

1036/0

0137/0-

1426/0

0141/0

1

1668/0-

0124/0-

1466/0

0483/0

00321/0-

RISK

0432/0

0873/0-

1607/0-

1

0141/0

0463/0

6495/0

0301/0-

0002/0

0843/0-

DAI

0480/0-

1511/0

1

1607/0-

1426/0

0612/0-

0670/0-

1023/0

0191/0

1746/0-

SIZE

4361/0-

1

1511/0

0873/0-

0137/0-

1119/0

2867/0

0656/0

0025/0-

0784/0-

CFO

1

7521/0-

0354/0-

0368/0

1036/0

0418/0

6650/0-

0530/0

0288/0

0671/0-

DA

منبع: یافته‌های پژوهشگر

 

آماره آزمون JB از رابطه 3 محاسبه می‌شود:

 جملات خطا به طورنرمال توزیع می‌شوند H0:

(3) جملات خطا به طورنرمال توزیع نمی‌شوند H1:

جدول 3- آزمون نرمال بودن (جارک برا)

Probability

Jarque-Bera

متغیر

0000/0

00643/79

DA

000264/0

65488/20

OUT

0000/0

6321/7254

PPS

0000/0

2153/4256

SHARVAR

0000/0

3654/62214

THOD

0000/0

00265/35

LEV

0000/0

0654/72

RISK

0000/0

1540/29520

DAI

0000/0

4542/168

SIZE

0000/0

0054/548

CFO

منبع: یافته‌های پژوهشگر

 

با توجه به اینکه احتمال آماره JB کمتر از 5% گردید، لذا توزیع پسماندهای رگرسیون نرمال نیست. به عبارت دیگر فرض H0 پذیرفته نمی‌شود و نتیجه می‌گیریم که جملات خطا دررگرسیون مرتبط با هریک از متغیرها به طورنرمال توزیع نشده است. با این وجود بر اساس قضیه حد مرکزی ضرایب در داده‌هایی با مشاهدات بالا، حتی اگر توزیع اجزا نرمال نباشد، نرمال هستند (گرین[xii]،2012).

جهت اطمینان از وجود همسانی واریانس از نمودار اسکاتر پلات استفاده شد. تغییرات باقیمانده حول خط صفر به صورت تصادفی بود و تغییر منظمی (سیستماتیک) درآن دیده نشد. بنابراین، همسانی واریانس برای داده‌ها برقرارمی باشد. به عبارت دیگر، عدم وجود الگوی مشخص در نمودارها، نشانگرهمسانی واریانس و مناسب بودن رگرسیون انجام شده است.

 

 

شکل 1- نموداراسکاتر[xiii]

(منبع: یافته‌های پژوهشگر)

 

جدول 4- نتایج حاصل از روش رگرسیونی

Dependent variable: DA

Method: Least Squares

Sample: 1 288

Included observations: 288

Prob

t-Statistic

Std.Error

Coefficient

Variable

0.5780

0.403946

0.690087

0.077312

C

0.8596

0.109844

0.256455

0.030669

OUT

0.6051

0.630771

0.362082

0.199576

PPS

0.0012

2.992101

0.250484

0.774674

SHARVAR

0.0000

-25.654781

0.037299

-0.805503

THOD

0.2500

-1.305511

0.269500

-0.289550

LEV

0.0243

2.093354

0.019884

0.010068

RISK

0.0000

18. 970215

0.045370

0.895634

DAI

0.5900

-0.502551

0.067054

-0.052682

SIZE

0.3618

-0.594008

0.209895

-0.208418

CFO

 Mean dependent var-0.376347

R-squared 0.883719

 S.D. dependent var 1.669481

Adjusted R- squared 0.8805

 Akaike info criterio 1.951574

S.E of regression 0.625034

 Schwarz criterion 2.100914

Sum squared resid 78.74971

 F-Statistic 149.9680

Log hikelihood-195.3082

 Prob(F-Statistic) 0.000000

Durbin-Watson stat 1.751132

منبع: یافته‌های پژوهشگر

 

آزمون دوربین- واتسون[xiv]: با توجه به مقدار بدست آمده آماره دوربین – واتسون در این تحقیق 75/1 که نزدیک به 2 است، می‌توان نتیجه بر عدم خودهمبستگی گرفت.

آزمون فریش برای برسی هم خطی در مدل کاربرد دارد به طوری که اگر R² در مدل بالا باشد و رگرسیون نیز معنا دار باشد اما آماره t برای تک تک متغیرها نشان دهنده بی معنی بودن آن‌ها باشد مدل دارای مشکل هم خطی می‌باشد. در این مدل با توجه به بالا بودن R² و معنی دار بودن کل رگرسیون و همچنین معنی دار بودن بعضی ازمتغیر های توضیحی، می‌توان گفت که مدل دارای مشکل هم خطی نمی‌باشد.

ضریب تعیین به ما می‌گوید که قدرت توجیه کنندگی رگرسیون چقدر است و هر چه به یک نزدیک‌تر باشد، قدرت توجیه کنندگی رگرسیون بالاتر است. نتایج نشان می‌دهد که ضریب تعیین تعدیل شده رگرسیون به میزان 0.88 می‌باشد یعنی 88% تغییرات تابع تولید به متغیرهای انتخابی ما بستگی دارد و تنها 12% باقیمانده به آن متغیرهایی که ما لحاظ نکرده‌ایم، بستگی دارد.

نتایج تحلیل واریانس رگرسیون، که بر اساس آماره F در خصوص آن تصمیم گیری می‌شود؛ بصورت رابطه 4 می‌باشد:

(4) الگوی رگرسیونی معنی دار نیست 0H0 =

الگوی رگرسیونی معنی دار است 0 H1 ≠

 

سطح معنا داری آماره F کمتر از سطح خطای آزمون 5% است. پس در نتیجه فرض H0 فوق رد می‌شود ورگرسیون برآورد شده بلحاظ آماری معنادار و روابط بین متغیرهای تحقیق خطی می‌باشد.

ضرایب متغیرهای مستقل نوع، شدت و معنی داری ارتباط هر یک از متغیرهای مستقل وارد شده به الگوی رگرسیونی با متغیر وابسته را نشان می‌دهد. بر اساس نتایج حاصل از تحلیل آماری برای ضرایب متغیرهای مستقل، ضریب بدست آمده برای متغیرهای CFO,SIZE,LEV,PPS,OUT که ارتباط بین نسبت اعضای غیر موظف، حساسیت در پرداخت بابت عملکرد، نسبت اهرمی، اندازه و عملکرد شرکت با اقلام تعهدی اختیاری را نشان می‌دهد بلحاظ آماری معنادار نیست، زیرا که سطح معناداری آن بالاتر از 0.05 است. ضرایب برآورد شده برای متغیرهای SHARVAR,THOD,RISK و DAI معنادار می‌باشد که حاکی از رابطه مستقیم و معنادار بین فعالیت تأمین مالی و ریسک و اقلام اختیاری دوره قبل با مدیریت سود و رابطه معکوس و معنادار بین آستانه عملکرد با مدیریت سود است.

شبکه عصبی پیشخور تعمیم یافته با یک لایه ورودی، یک لایه خرجی و یک لایه پنهان که هر کدام شامل گره‌های ورودی، گره‌های خروجی و گره‌های پنهان می‌باشد، جهت طراحی شبکه عصبی مورد استفاده قرار گرفته است. تعداد لایه‌های پنهان با استفاده از آزمون و خطا بدست آمده است. نتایج حاصل از دو لایه پنهان نیز تفاوت قابل توجهی نسبت به یک لایه پنهان نداشته است. بنابراین در این تحقیق از یک لایه پنهان استفاده گردید. گره‌های ورودی همان متغیرهای تحقیق می‌باشد. تعداد گره‌های لایه پنهان مشخص نبوده، لذا گره‌های پنهان از 1 گره تا 20 گره مورد آزمون قرار گرفت. تعداد دفعاتی (اپاک[xv]) که مرحله آموزش تکرار می‌شود نیز به صورت پیش فرض سیستم 1000 بوده، لذا شبکه‌های عصبی از 1 تا 20 گره پنهان با اپاک 1000 بررسی شده است. برای انتقال اطلاعات در آکسون ها نیز از تابع انتقال سیگموئید استفاده شده است. شبکه با ضریب یادگیری 06/0 که سرعت تطبیق وزن‌های میان نرون ها را کنترل می‌نماید یا به عبارتی طول گام‌ها را در هر بار اصلاح پارامترهای شبکه مشخص می‌کند، استفاده شده است. با مفروضات فوق تعداد 20 شبکه با استفاده از داده‌های آموزش طراحی گردید. داده‌های سال 85، 86، 87، 88 و 89 شرکت‌های نمونه جهت آموزش و داده‌های سال 90، 91 و 92 جهت آزمون استفاده گردید.

 

 

نمودار 2- شبکه عصبی مورد استفاده

منبع: یافته‌های پژوهشگر

 

به منظور مقایسه نتایج شبکه عصبی و روش رگرسیونی، از معیار میانگین مربع خطا (mse)[xvi] استفاده شد. با بررسی‌های انجام شده گره 9 پنهان دارای کمترین خطا است که میانگین مجذور خطای (mse) آن عدد 0.0806 و مقدار R آن نیز 9747/0 می‌باشد که نشان دهنده قدرت توضیح دهندگی بالای مدل و تاییدی بر قابلیت استفاده از نتایج حاصل از آن است.

فرضیات و نتایج به کار برده شده از مدل سازی مدیریت سود با استفاده از شبکه عصبی پیشخور تعمیم یافته در جدول 5 خلاصه شده است:

 

 

نمودار 3- ضریب همبستگی کل شبکه عصبی

منبع: یافته‌های پژوهشگر

 

نمودار 4-روند تغییرات خطای mse شبکه

منبع: یافته‌های پژوهشگر

 

جدول 5- پارامترهای مختلف بکاربرده شده در مدل شبکه عصبی

شبکه عصبی پیشخورتعمیم یافته

نوع شبکه

9

تعداد نرون در لایه مخفی

سیگمویید

تابع انتقال

1000

دوره یادگیری

06/0

میزان نرخ یادگیری

0806/0

میانگین مجذور خطا

9747/0

میزان ضریب همبستگی کل

منبع: یافته‌های پژوهشگر

در درخت تصمیم گیری فیلد اول به دو فیلد با تعداد نمونه‌های مختلف و نیز درصدهای پیش بینی متفاوت تقسیم می‌شود. هر دسته غیر برگ خود به دسته‌های دیگر با تعداد نمونه‌های مختلف و درصدهای پیش بینی متفاوت تقسیم می‌شوند. این مراحل آنقدر ادامه داده می‌شود که به گره‌های نهایی که برگ گفته می‌شود، برسیم. بهترین شاخه و نتیجه نهایی آن که برگ نامیده می‌شود، با توجه به درصد اهمیت متغیرهای مستقل انتخاب می‌شود.

میزان اهمیت در متغیرهای مستقل در پیش بینی مدیریت سود با استفاده از دو روش مذکور درخت تصمیم گیری در جدول 6 آورده شده است:

 

جدول 6- اهمیت متغیرهای مستقل در درخت تصمیم گیری

نام متغیر

اهمیت

 

نام متغیر

اهمیت

THOD

291/0

CFO

257/0

DAI

253/0

OUT

236/0

SIZE

214/0

THOD

204/0

OUT

087/0

RISK

126/0

PPS

073/0

LEV

089/0

RISK

065/0

DAI

037/0

SHARVAR

054/0

PPS

013/0

LEV

019/0

 

SHARVAR

007/0

CFO

0

SIZE

004/0

منبع: یافته‌های پژوهشگر

 

جدول سمت چپ، اهمیت متغیرهای مستقل در مدل درخت C5.0 و جدول سمت راست نیز اهمیت آن‌ها را در درخت Cart نشان می‌دهد.

با توجه به جدول 6، متغیرهای با اهمیت و مؤثر دردرخت C5.0 شامل آستانه عملکرد (THOD)، اقلام تعهدی اختیاری دوره قبل (DAI)، اندازه شرکت (SIZE)، نسبت اعضای غیر موظف (OUT)، حساسیت در پرداخت بابت عملکرد (PPS)  و ریسک (RISK) است. همچنین با بررسی متغیرهای با اهمیت در درخت Cart که شامل عملکرد شرکت (CFO)، نسبت اعضای غیر موظف (OUT)، آستانه عملکرد (THOD)، ریسک (RISK)، نسبت اهرمی (LEV) و اقلام تعهدی اختیاری دوره قبل (DAI) است، می‌توان نتیجه گرفت که اگر مقدار CFO بزرگ‌تر از 603/0، OUT کوچک‌تر مساوی 543/0 و THOD بزرگ‌تر از 426/0- و RISK کوچک‌تر مساوی 40/0 و DAI هم کوچک‌تر مساوی 464/0 باشد، آنگاه با دقت 893/0 می‌توان پیش بینی کرد که شرکت با توجه به داده‌های موجود در سال آینده دست به مدیریت سود خواهد زد.بررسی انجام شده در درخت C5.0 نیز حاکی از وجود دقت 901/0 در پیش بینی مدیریت سود می‌باشد.

 

8- بحث و نتیجه گیری

نتایج آزمون‌های مدل خطی و شبکه عصبی و درخت تصمیم گیری نشان داد که روش شبکه عصبی و درخت تصمیم گیری در پیش بینی مدیریت سود نسبت به روش‌های خطی دقیق تر و دارای سطح خطای کمتری است که این یافته با نتیجه رضوان حجازی و همکاران در سال 1391 و تحقیقات انجام شده در زمینه دقت پیش بینی متغیر با استفاده از تکنولوژی‌های داده کاوی و هوش مصنوعی سازگار است. در رابطه با ارتباط بین متغیرهای وابسته با متغیر مستقل نیز می‌توان گفت، مدیریت سود با متغیرهای اقلام تعهدی اختیاری دوره قبل (DAI)، اقلام تعهدی غیراختیاری دوره قبل یا آستانه عملکرد (THOD) و ریسک (RISK) در چهار روش رگرسیون، شبکه عصبی، درخت‌های C5.0 و Cart دارای بیشترین ارتباط است. در تحقیق رضوان حجازی و همکاران (1391) مشاهده گردید که در روش‌های مدل خطی و شبکه عصبی و درخت Cart متغیرهای تأثیر گذار شامل اقلام تعهدی اختیاری دوره قبل (DAI)، اقلام تعهدی غیراختیاری دوره قبل (THOD)، عملکرد شرکت (CFO) و تداوم سود (Pers) است. نتایج تحقیق فونگ تسایی و جونگ چیو (2009) نشان داد که عملکرد شرکت (CFO)، تداوم سود (Pers)، اندازه (SIZE)، تأمین مالی (SHARVAR) هنگام استفاده از درخت Cart و متغیرهای نظارت خارجی و عملکرد شرکت هنگام استفاده از درخت C5.0 بر مدیریت سود رو به بالا مؤثر می‌باشد. تحقیق آن‌ها فقط در خصوص مدیریت سود رو به بالا بوده و در خصوص مدیریت سود اندک و صفر بررسی صورت نپذیرفته است.

ضمناً در این تحقیق عملکرد شرکت (CFO) در درخت Cart، همانند تحقیق چی فونگ تسایی و ین جونگ چیو (2009) موثرترین متغیر مستقل بر مدیریت سود می‌باشد.

نتایج تحقیق حاضر، حاکی از وجود مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است، به استفاده کنندگان صورت‌های مالی پیشنهاد می‌گردد که راهکارهایی را جهت نظارت بیشتر در تصمیم‌های مدیریت بکارگیرند و نظارت وکنترل بیشتری بر اقدامات مدیریت به منظور محدود کردن فرصت طلبی آن‌ها برای مدیریت سود داشته باشند.

از آنجایی که سازمان بورس و اوراق بهادار، سازمان حسابرسی، مؤسسات حسابرسی، جامعه حسابداران رسمی، سرمایه گذاران، دانشگاهیان و سایر مراجع تدوین کننده قوانین و مقررات، ازجمله استفاده کنندگان از نتایج این تحقیق هستند، برای گروه‌ها پیشنهادهایی به شرح زیر ارائه می‌شود:

به سرمایه گذاران که جز مهم‌ترین استفاده کنندگان صورت‌های مالی هستند و سایر استفاده کنندگان صورت‌های مالی پیشنهاد می‌شود که در هنگام تصمیم گیری براساس صورت‌های مالی، مدیرت سود را باتوجه به انگیزه‌های مدیریت، مورد توجه قرار دهند و تحلیل‌های مربوط به اختلاف سود و جریان وجه نقد عملیاتی را در تصمیمات خود لحاظ نمایند.

به سازمان بورس، حسابرسی و موسسات حسابرسی توصیه می‌گردد که موضوع مدیریت سود و انگیزه های مدیران جهت مدیریت سود را مورد توجه دهند و در تدوین برنامه‌های حسابرسی و اجرای روش‌های آن بگونه ای مناسب احتمال مدیریت سود مد نظر قرار دهند تا از افشای ناکافی و یا حتی گمراه کننده شرکت‌ها با استفاده گسترده از مدیریت سود در گزارشگری مالی جلوگیری کنند.

به دانشگاهیان پیشنهاد می‌شود که مدیریت سود را که پدیده قابل توجهی در گزارشگری سود است، مورد توجه قرار دهند. شناخت این پدیده و عوامل انگیزشی انجام آن، در درک بهتر مفهوم سود حسابداری و شناخت ویژگی‌ها و محدودیت های آن کمک می‌کند.

 

 

 

 

 

 

 



1- دانشیار گروه حسابداری، دانشکده علوم اداری و اقتصادی ، دانشگاه فردوسی مشهد، مشهد، ایران، (نویسنده اصلی) Mehdi.salehi@um.ac.ir

2- کارشناس ارشد حسابداری، دانشگاه پیام نور قشم، قشم، ایران



  1. Accrual Accounting Choices
  2. Accounting Method Changes
  3. NetworkArtificial Neural
  4. Pay- performance sensitivity
  5. Financing Activities
  6. Performance Threshold
  7. Leverage Rate
  8. Corporate Risk
  9. Corporate Size
  10. 10.  Firm Performance
  11. 11.  Correlation
  12. 12.  Green
  13. 13.  ScutterPlot
  14. 14.  Durbin–Watson statistic
  15. 15.  Epochs
  16. 16.  Mean Squared Error
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

فهرست منابع

1)    ابراهیمی کردلر، علی و الهام حسنی آذرداریانی، )1385)، "بررسی مدیریت سود در زمان عرضه اولیه سهام به عموم در شرکت های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری وحسابرسی، شماره 3، صص 45- 23.

2)    اسماعیلی، مریم و شهناز مشایخ، (1385)، "بررسی رابطه بین کیفیت سود و برخی ازجنبه های اصول راهبری در شرکت‌های پذیرفته شده در بورس"، بررسی‌های حسابداری و حسابرسی، شماره 45، صص 44- 25.

3)    پورحیدری، امید و داود همتی، (1383)، "بررسی اثر قراردادهای بدهی، هزینه‌های سیاسی، طرح‌های پاداش و مالکیت بر مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، شماره 36، صص 63- 47.

4)    چالاکی، پری و مرتضی یوسفی، (1391)، "پیش بینی مدیریت سود با استفاده از درخت تصمیم گیری"، مطالعات حسابداری و حسابرسی، شماره 1، صص 123- 110.

5)    حجازی، رضوان، شاپور محمدی، زهرا اصلانی و مجید آقاجانی، (1391)، "پیش بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‌های پذیرفته شده دربورس اوراق بهادارتهران"، بررسی‌های حسابداری و حسابرسی، شماره 2، صص 46- 31.

6)    خوش طینت، محسن و عبدالله خانی، (1382)، "مدیریت سود و پاداش مدیران: مطالعه ای جهت شفاف سازی اطلاعات مالی مطالعات حسابداری"، شماره 3، صص 153 -127.

7)    کردستانی، غلامرضا، جواد معصومی و وحید بقایی، (1392)، "پیش بینی سطح مدیریت سود با استفاده از شبکه‌های عصبی مصنوعی"، مجله پیشرفت‌های حسابداری، شماره 1، صص 190- 169.

8)    مشایخی، بیتا و مریم صفری، (1385)، "وجه نقد ناشی ازعملیات و مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران"، بررسی‌های حسابداری و حسابرسی، شماره 44، ص 54- 35.

9)    مشایخی، بیتا، ساسان مهرانی، کاوه مهرانی و غلامرضا کرمی، (1384)، "نقش اقلام تعهدی در مدیریت سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران"، بررسی‌های حسابداری و حسابرسی، شماره 42، صص 74- 61.

10) مهرانی، ساسان و بهروز باقری، (1388)، "بررسی اثرجریان های نقد آزاد و سهامداران نهادی بر مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادارتهران"، تحقیقات حسابداری، شماره 2، صص 71- 50.

11)  Aljifri, K, (2007), “Measurement and Motivations of Earnings Management: A Critical Perspective”, Journal of Accounting – Business & Management, Vol. 14, PP. 75-95.

12)  Bergstresser,D, & Philippon, T, (2006), “CEO Incentives and Earnings Management”, Journal of Financial Economics, 80(3), PP. 511-529.

13)  Burgstahler, D. and I. Dichev, (1997), “Earnings Management to Avoid Earnings Decreases and Losses”, Journal of Accounting and Economics, Vol. 24, PP. 99−126.

14)  Chin-Fong Tsai; Yen- Jiun Chiou, (2009), “Earnings Management Prediction: A Pilot Study of Combining Neural Networks and Decision Trees”, Expert Systems with Application, Vol. 36, PP. 7183-7191.

15)  Guoxiu, Liang, (2005), “A Comparative Study of Three Decision, Tree Algorithms: ID3, Fuzzy ID3 and Probabilistic Fuzzy ID3”, Bachelor Thesis, Informatics & Economics Erasmus University, Rotterdam, the Netherlands, PP. 5-7.

16)  Healy, P. M. and J. M. Wahlen, (1999), “A Review of the Earnings Management Literature and Its Implications for Standard Setting”, Accounting Horizons, Vol. 13, PP. 365–383.

17)  H. Young Beak, Jose’ A. Paga’n, (2006), “Pay-Performance Sensitivity and High Performing Firms”. International Research Journal of Finance and Economics, No. 5, ISSN 1450-2887

18)  Mitchell, T.M, (1997), “Machine Learning”, Mac Grow-Hill, PP. 52.

19)  Monica Lam, (2004), “Neural Networks Techniques for Financial Performance Prediction: Integrating Fundamental and Technical Analysis”, Decision Support Systems, No. 37, PP. 567-581.

20)  Pang Huang, Han, Chiun Liang, Chao, (1998), “A Learning Fuzzy Decision Tree and Its Application to Tactile Image”, Proceedings of the 1998 IEEERSI Intl. Conference on Intelligent, Robots and Systems Victoria, B.C., Canada, PP. 1578.

21)  Roychowdhury, S., (2004), “Management of Earning through the Manipulation of Real Activities”, Working Paper. University of Rochester New York.

22)  Scott, William R, (2007), “Financial Accounting Theory”, Third edition, PP. 279-282.

23)  Wallace N. Davidson III. Biao Xie. Weihong Xu. Yixi Ning, (2007), “The Influence of Executive Age, Career Horizon and Incentives on Preturnover Earnings Management”, J Manage Governance 11, PP. 45-60. DOI 10.1007/ s 10997-007-9015-8.

24)  Wang, Thien-Chin, Da Lee, Hsien, (2006), “Constructing a Fuzzy Decision Tree by Integrating Fuzzy Sets and Entropy”, IShou

25)  Yu, Q., Du, B., & Sun, Q, (2006), “Earnings Management at Rights Issues Thresholds Evidence from China”, Journal of Banking & Finance, 30(12), PP. 3453- 3468.

 

 

 

یادداشت‌ها