بهزاد کاردان - استادیار حسابداری، دانشگاه فردوسی، مشهد
مهدی صالحی - دانشیار حسابداری، دانشگاه فردوسی، مشهد
بیتا قره خانی - کارشناسی ارشد حسابداری، دانشگاه فردوسی مشهد
مرتضی منصوری - کارشناسی ارشد حسابداری، دانشگاه فردوسی، مشهد

ابهامات محیطی ناشی از مدل های نوین کسب وکار سبب تشدید پیچیدگی در تصمیم گیری شده است. در چنین شرایطی دیگر نمی­توان داده­ها را با ابزارهای سنتی تحلیل نمود چرا که بسیاری از متغیرهای تاثیرگذار ناشناخته بوده و روابط آن ها نیز غیرخطی و پیچیده است. بنابراین در این پژوهش به بررسی دقت الگوریتم­های هوش مصنوعی در پیش بینی مدیریت سود پرداخته شده است. برای پیش بینی مدیریت سود از مدل تعدیل شده جونز استفاده گردیده و الگوریتم­های خطی-تکاملی بهینه سازی مبتنی بر جغرافیای زیستی (BBO) و تکامل تفاضلی بهبودیافته (ICDE) و الگوریتم­های غیرخطی رگرسیون بردار پشتیبان (SVR) و درخت رگرسیون و طبقه بندی (CART) نیز برای بررسی قدرت پیش بینی مورد مقایسه قرار گرفته اند. جامعه آماری پژوهش، شرکت­های تولیدی پذیرفته شده در بورس اوراق بهادار تهران بوده و تعداد ۸۹ شرکت طی دوره زمانی ۱۳۸۶ تا ۱۳۹۳ موردبررسیقرارگرفته است. نتایج پژوهش بیان­گر آن است که به طورکلی الگوریتم­های غیرخطی از دقت بیشتری نسبت به الگوریتم­های خطی برخوردار بوده و الگوریتم رگرسیون بردار پشتیبان، مدیریت سود را بهتر از سایر الگوریتم ها پیش­بینی می کند. همچنین الگوریتم­های خطی در پیش­بینی مدیریت سود نتایج تقریبا مشابهی را از خود نشان دادند

پیش بینی مدیریت سود, الگوریتم بهینه سازی مبتنی بر جغرافیای زیستی, الگوریتم تکامل تفاضلی بهبودیافته, الگوریتم رگرسیون بردار پشتیبان, الگوریتم درخت رگرسیون و طبقه بندی