کیفیت اطلاعات حسابداری و بازده غیرعادی انباشته با تاکید بر مالکیت نهادی و حجم معاملات: رویکرد خطی و غیرخطی
Publish place: Journal of Accounting Advances، Vol: 14، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 40
This Paper With 41 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAA-14-1_006
تاریخ نمایه سازی: 24 بهمن 1402
Abstract:
هدف اصلی سیستم حسابداری فراهم نمودن اطلاعاتی است که در تصمصم گیری های اقتصادی افراد مفید واقع شود. اطلاعات حسابداری، شامل اطلاعات مندرج در صورت های مالی می شود که نحوه و میزان کیفیت محتوا و ارائه آن ها بر تصمیم گیری سهامداران تاثیر دارد. ازاین رو، هدف اصلی این پژوهش، بررسی تاثیر کیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته با در نظر گرفتن متغیرهای ماکلیت نهادی و حجم سهام است. جامعه آماری پژوهش متشکل از کلیه ی شرکت هایی است که در بورس اوراق بهادار تهران پذیرفته شده اند و برای نیل به هدف پژوهش با اعمال غربال گری، داده های ۱۶۰ شرکت بورسی و در بازه زمانی ۱۳۹۱-۱۳۹۹ با استفاده از رگرسیون خطی چند متغیره بررسی و تجزیه وتحلیل شد. همچنین، برای آزمون فرضیه دوم، از روش انتقال هموار تابلویی (PSTR) استفاده شد. یافته های این پژوهش حاکی از تاثیر مثبت کیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته است. اما سهامداران نهادی تاثیر کیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته را به صورت نامتقارنی تعدیل می کنند. بدین معنا که سهامداران نهادی تا سطح مالکیت ۴۱ درصد باعث تقویت تاثیر کیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته و در سطوح مالکیت نهادی بیشتر از ۴۱ درصد، باعث تضعیف تاثیر کیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته می شود. همچنین، حجم معاملات نیز تاثیرکیفیت اطلاعات حسابداری بر بازده غیرعادی انباشته را به صورت معناداری تضعیف می کند.
Keywords:
Authors
کاظم شمس الدینی
استادیار گروه حسابداری،دانشگاه شهید با هنر کرمان،کرمان،ایران
کیمیا سعادت بخت
کارشناسی ارشد حسابداری ، دانشگاه شهید باهنرکرمان، کرمان،ایران
مهدی عسکری شاهم اباد
کارشناسی ارشد حسابداری، دانشگاه شهید باهنر کرمان،کرمان،ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :