بررسی سودمندی روش های انتخاب متغیر ریلیف و همبستگی در پیش بینی و شناسایی متغیرهای پیش بین بهینه تاثیرگذار بر سیاست جسورانه مالیاتی
Publish place: Journal of Accounting Advances، Vol: 13، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 38
This Paper With 46 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JAA-13-1_011
تاریخ نمایه سازی: 24 بهمن 1402
Abstract:
شواهد تجربی نشان می دهد شرکت ها در تلاش اند مالیات بر درآمد خود را کاهش داده یا به تعویق بیندازند. در این پژوهش سیاست جسورانه مالیاتی به عنوان ابزار کاهش مالیات بررسی می شود. پژوهش حاضر درصدد فراهم آوردن شواهد تجربی در خصوص مقایسه عملکرد روش های خطی مانند روش های مبتنی بر همبستگی و ریلیف با سایر مدل های قبل از کاهش متغیرها در پیش بینی معیارهای سیاست جسورانه مالیاتی شرکت های پذیرفته شده در بورس اوراق بهادار تهران است. هم چنین سودمندی روش های مبتنی بر همبستگی و ریلیف برای انتخاب متغیرهای پیش بین بهینه، بررسی و مقایسه شد. به این منظور دادههای مربوط به ۱۰۸ شرکت برای دوره زمانی بین سال های ۱۳۸۹ تا ۱۳۹۷ با استفاده از روش داده های تابلویی، بررسی و آزمون شد. نتایج پژوهش حاکی از آن است که بین برآورد کلیه متغیرهای پژوهش و بهره گیری از روش های کاهش متغیر تفاوت معناداری وجود دارد. همچنین نتایج پژوهش نشان می دهد که سودمندی روش ریلیف در مدل سازی عوامل موثر بر سیاست جسورانه مالیاتی بیشتر از روش همبستگی است. علاوه بر این نتایج نشان دادند که عدم اطمینان متغیرهای کلان اقتصادی تاثیر مثبت و معنادار و عوامل کیفیت حسابرسی، رقابت بازار محصول، و ویژگی های مدیران عامل تاثیر منفی و معناداری بر سیاست جسورانه مالیاتی دارند.
Keywords:
Authors
هاشم کاویانی فرد
Ph.D. Student of Accounting, Department of Accounting, Yasooj Branch, Islamic Azad University, Yasooj, Iran
شکراله خواجوی
Professor, Department of Accounting, University of Shiraz, Shiraz, Iran (Corresponding Author)
فریبرز عوض زاده فتح
Assistant professor, Department of Accounting, Gachsaran Branch, Islamic Azad University, Gachsaran, Iran
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 :