توسعه مدل بنیش با ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات برای پیش بینی دستکاری سود

هدف: به باور بنیش (۱۹۹۹)، دستکاری سود زمانی رخ می دهد که مدیریت، اصول پذیرفته شده عمومی حسابداری را به منظور سودآور نشان ‎دادن عملکرد مالی شرکت نقض می کند. در این پژوهش، مدل بنیش با تاکید بر متغیرهای خارج از داده های‎ حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است. روش: برای دستیابی به هدف پژوهش، داده های لازم برای ۱۸۴شرکت پذیرفته شده در بورس اوراق بهادار تهران، طی سال های ۱۳۸۶ تا ۱۳۹۶ جمع آوری شدند. ضرایب مدل ها، به روش شبکه عصبی آموزش یافته با الگوریتم PSO برآورد شده اند. برای فراهم آوردن قابلیت مقایسه نیز، ۱۰ اجرا با ۳۰۰ تکرار در هر اجرا انجام گرفت و پس از هم گرایی، اجراها متوقف شدند. یافته ها: توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار ۰۸۰۷/۰ به ۰۷۷۷/۰ کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، به ازای بهترین نقطه برش (۵۰۲۱/۰) و بهترین دقت (۲۶/۶۰درصد) ۵۵۳۸/۰ بود و این سطح در مدل توسعه یافته بنیش به ازای بهترین نقطه برش (۵۳۰۴/۰) و بهترین دقت (۴۲/۶۷درصد) به ۶۳۳۵ /۰ افزایش یافت. نتیجه گیری: نتایج حاکی از تصادفی بودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود است. همچنین، نتایج افزایش قدرت مدل توسعه یافته بنیش در قیاس با مدل اصلی را نشان می دهد؛ اما نتیجه آزمون ضعیف است و نشان می دهد که مدل توسعه یافته بنیش نیز در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود، کمابیش یک مدل تصادفی است.

توسعه مدل بنیش با ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات برای پیش بینی دستکاری سود Keywords:

الگوریتم حرکت تجمعی ذرات , رقابت در بازار محصول , شبکه عصبی مصنوعی , مدل بنیش , محیط اطلاعاتی شرکت