تبیین الگوی اندازه گیری مدیریت سود با استفاده از روش ترکیبی هوشمند شبکه های عصبی و الگوریتم های فراابتکاری(ژنتیک و ازدحام ذرات)
عنوان مقاله: تبیین الگوی اندازه گیری مدیریت سود با استفاده از روش ترکیبی هوشمند شبکه های عصبی و الگوریتم های فراابتکاری(ژنتیک و ازدحام ذرات)
شناسه ملی مقاله: JR_FEJ-9-36_006
منتشر شده در شماره 36 دوره 9 فصل در سال 1397
شناسه ملی مقاله: JR_FEJ-9-36_006
منتشر شده در شماره 36 دوره 9 فصل در سال 1397
مشخصات نویسندگان مقاله:
اقبال قادری - گروه حسابداری ، دانشکده علوم انسانی ،دانشگاه آزاد اسلامی سنندج، ایران
پیمان امینی - گروه حسابداری ، دانشگاه کردستان ، سنندج، ایران
ایرج نوروش - استاد حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج ، ایران.
عطا محمدی - استادیار حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج، ایران.
خلاصه مقاله:
اقبال قادری - گروه حسابداری ، دانشکده علوم انسانی ،دانشگاه آزاد اسلامی سنندج، ایران
پیمان امینی - گروه حسابداری ، دانشگاه کردستان ، سنندج، ایران
ایرج نوروش - استاد حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج ، ایران.
عطا محمدی - استادیار حسابداری ، گروه حسابداری ، واحد سنندج ، دانشگاه آزاد اسلامی ، سنندج، ایران.
شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیشبینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این تحقیق برآورد الگوی برای پیشبینی مدیریت سود با استفاده الگوی شبکههای عصبی و سپس استفاده از الگوریتمهای فراابتکاری ژنتیک و ازدحام ذرات برای یافتن ترکیبی بهتر از دادههای ورودی است به گونهای که بتواند الگو اولیه را بهینه نماید. برای این منظور از 28 متغیر تاثیر گذار در قالب چهار گروه (مالی، مدیریتی، شرکتی و حسابرسی) در طی سالهای 1390 الی 1395 در شرکتهای پذیرفته شده در بورس اوراق بهادار تهران استفاده گردید. نتایج حاصل نشان میدهد که کاربرد این دو الگوریتم قدرت تبیین الگوهای اولیه را افزایش داده است. همچنین ارزیابی عملکرد الگوهای شبکه عصبی حاکی از برتری این الگوها در قیاس با الگوی رگرسیون خطیLR) ( است. روش ترکیبی شبکههای عصبی الگوریتمهای ازدحام ذرات (A-PSO) و ژنتیک(A-GA) با شناسایی چهار متغیر بهینه به ترتیب شامل دقت پیشبینی، سهم مالکیت سهامداران عمده، اندازه شرکت و نسبت کیفیت، مدیریت سود را با دقت به ترتیب (59/95%)و (75/94%) پیشبینی کردند. بعلاوه روشهای ترکیبی هوشمند فوق با بهبود ضریب همبستگی و معیار متوسط مربعات خطا نسبت به روشهای رگرسیون خطی (LR) و روش شبکههای عصبی (ANN) در پیشبینی نتایج گروه ویژگیهای مدیریتی و شرکتی کارآمدتر است.
کلمات کلیدی: مدیریت سود, شبکه های عصبی, الگوریتم ژنتیک, الگوریتم ازدحام ذرات
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/958551/