دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات62
تعداد شماره‌ها2,323
تعداد مقالات19,157
تعداد مشاهده مقاله61,575,780
تعداد دریافت فایل اصل مقاله31,228,862
ثقفی, علی, بولو, قاسم, سهرابی ورزنه, حسینعلی. (1401). مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها. سامانه مدیریت نشریات علمی, 19(75), 1-40. doi: 10.22054/qjma.2021.58242.2219
علی ثقفی; قاسم بولو; حسینعلی سهرابی ورزنه. "مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها". سامانه مدیریت نشریات علمی, 19, 75, 1401, 1-40. doi: 10.22054/qjma.2021.58242.2219
ثقفی, علی, بولو, قاسم, سهرابی ورزنه, حسینعلی. (1401). 'مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها', سامانه مدیریت نشریات علمی, 19(75), pp. 1-40. doi: 10.22054/qjma.2021.58242.2219
ثقفی, علی, بولو, قاسم, سهرابی ورزنه, حسینعلی. مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها. سامانه مدیریت نشریات علمی, 1401; 19(75): 1-40. doi: 10.22054/qjma.2021.58242.2219

مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها

مطالعات تجربی حسابداری مالی
مقاله 1، دوره 19، شماره 75، مهر 1401، صفحه 1-40    اصل مقاله (645.21 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/qjma.2021.58242.2219
نویسندگان
علی ثقفی1؛ قاسم بولو2؛ حسینعلی سهرابی ورزنه* 3
1استاد گروه حسابداری دانشگاه علامه طباطبائی
2دانشیار گروه حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
3دانشجوی دکتری رشته حسابداری، دانشگاه علامه طباطبائی، تهران، ایران
چکیده
مطالعه و توسعه معیارهای سنجش کیفیت سود و به طور ویژه کیفیت اقلام تعهدی یکی از موضوعات کلیدی در طی حدود سه دهه اخیر بوده است. ادبیات موضوعی حاکی از این است که معیارهای مبتنی بر رگرسیون خطی، عمدتا دارای خطای بالا بوده و لذا در سالهای اخیر، پژوهشهایی جهت اعمال الگوریتم‌های یادگیری ماشین صورت گرفته است. با این حال، بنیان‌گذاری این الگوریتم‌ها بر رویکرد جعبه سیاه، توسعه پذیری و همچنین درجه کاربردی بودن این مدلها را با محدودیت مواجه می‌نماید. لذا در این پژوهش از الگوریتم مدیریت گروهی داده‌ها که یک نوع مدلسازی جعبه سفید تلقی می‌شود جهت پیش‌بینی اقلام تعهدی استفاده شده است. نتایج به دست آمده با استفاده از داده‌های ۱۶۴ شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سالهای ۱۳۸۵ تا ۱۳۹۷ و متغیرهای «تغییر در درآمد»، «داراییهای ثابت مشهود»، «جریانهای نقدی عملیاتی دوره جاری»، «جریانهای نقدی عملیاتی دوره گذشته» و «جریانهای نقدی عملیاتی دوره آتی»، حاکی از بهبود سطح خطای این مدلها نسبت به مدلهای خطی می‌باشد. با توجه به برتری مدل‌های خروجی تحقیق حاضر از نظر خطای پیش‌بینی نسبت به مدلهای رایج، یافته‌های این پژوهش می‌تواند توسط نهادهای نظارتی، تحلیلگران و حسابرسان در شناسایی موارد احتمالی تحریف اطلاعات مالی شرکتها مورد استفاده قرار گیرد.
کلیدواژه‌ها
مدیریت گروهی داده ها؛ کیفیت سود؛ شبکه‌های عصبی؛ اقلام تعهدی
مراجع
  1. انواری رستمی، علی‌اصغر؛ آذر، عادل و نوروزی، محمد. (۱۳۹۲). الگوسازی و پیش‌بینی EPS شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران با رویکرد شبکه عصبی GMDH. بررسی‌های حسابداری و حسابرسی. ۲۰ (۱). صص ۱۸-۱.
  2. حجازی، رضوان؛ محمدی، شاپور؛ اصلانی، زهرا و آقاجانی، مجید. (۱۳۹۱). «پیش‌بینی مدیریت سود با استفاده از شبکه عصبی و درخت تصمیم در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران». بررسی‌های حسابداری و حسابرسی. ۱۹ (۲). صص ۴۶-۳۱.
  3. عباس‌زاده، محمدرضا؛ رجبعلی‌زاده، جواد و قناد، مصطفی. (۱۳۹۸). ارتباطات سیاسی، معاملات با اشخاص وابسته و مدیریت سود در شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. فصلنامه مطالعات تجربی حسابداری مالی. ۱۶ (۶۳). صص ۱۵۵-۱۲۹.
  4. قادری، اقبال؛ امینی، پیمان؛ نوروش، ایرج و محمدی، عطا. (۱۳۹۷). «تبیین الگوی اندازه‌گیری مدیریت سود با استفاده از روش ترکیبی هوشمند شبکه‌های عصبی و الگوریتم‌های فراابتکاری (ژنتیک و ازدحام ذرات). مجله مهندسی مالی و مدیریت اوراق بهادار. ۳۶. صص ۱۲۷-۹۹.
  5. کاشانی‌پور، محمد؛ کرمی، غلامرضا و مرادی جزء، محسن. (۱۳۹۸). مدلی برای رتبه‌بندی سنجه‌های کیفیت سود در ایران. فصلنامه مطالعات تجربی حسابداری مالی. ۱۶ (۶۲). صص ۱۵۰-۱۲۷.
  6. کردستانی، غلامرضا؛ معصومی، جواد و بقایی، وحید. (۱۳۹۲). پیش‌بینی مدیریت سود با استفاده از شبکه عصبی مصنوعی. مجله پیشرفت‌های حسابداری دانشگاه شیراز. ۵ (۶۴). صص ۱۹۰-۱۶۹.
  7. مشایخی، بیتا؛ بیرامی، هانیه؛ بیرامی، هانی و اخلاقی، ساراسادات. (۱۳۹۱). «کشف مدیریت سود با استفاده از شبکه‌های عصبی». مجله مهندسی مالی و مدیریت اوراق بهادار. ۱۱. صص ۷۹-۶۳.
  8. Abdou, H. A., Ellelly, N. N., Elamer, A. A., Hussainey, K., & Yazdifar, H. (2020). Corporate governance and earnings management nexus: Evidence from the UK and Egypt using neural networks. International Journal of Finance & Economics, ijfe.2120. https://doi.org/10.1002/ijfe.2120
  9. Al-Dmour, A. H., & Al-Dmour, R. H. (2018). Applying Multiple Linear Regression and Neural Network to Predict Business Performance Using the Reliability of Accounting Information System. International Journal of Corporate Finance and Accounting, 5(2), 12–26. https://doi.org/10.4018/IJCFA.2018070102
  10. BALL, R., & SHIVAKUMAR, L. (2006). The Role of Accruals in Asymmetrically Timely Gain and Loss Recognition. Journal of Accounting Research, 44(2), 207–242. https://doi.org/10.1111/j.1475-679X.2006.00198.x
  11. Calderon, T. G., & Cheh, J. J. (2002). A roadmap for future neural networks research in auditing and risk assessment. International Journal of Accounting Information Systems. https://doi.org/10.1016/S1467-0895(02)00068-4
  12. Dag, O., Karabulut, E., & Alpar, R. (2019). GMDH2: Binary Classification via GMDH-Type Neural Network Algorithms—R Package and Web-Based Tool. International Journal of Computational Intelligence Systems, 12(2), 649. https://doi.org/10.2991/ijcis.d.190618.001
  13. Dameri, R. P., Garelli, R., & Resta, M. (2020). Neural Networks in Accounting: Clustering Firm Performance Using Financial Reporting Data. Journal of Information Systems, 34(2), 149–166. https://doi.org/10.2308/isys-18-002
  14. Dechow, P. M., & Dichev, I. D. (2002). Quality Earnings : The The Accruals Accrual Estimation Errors. The Accounting Review, 77(2002), 35–59.
  15. Dechow, P. M., & Skinner, D. J. (2000). Earnings management: Reconciling the views of accounting academics, practitioners, and regulators. Accounting Horizons, 14(2), 235-250. https://doi.org/10.2308/acch.2000.14.2.235
  16. Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1995). Detecting Earnings Management Author(s): Detecting Earnings Management. The Accounting Review, 70(2), 193-225.
  17. DeFond, M. L. (2010). Earnings quality research: Advances, challenges and future research. Journal of Accounting and Economics, 50(2–3), 402–409. https://doi.org/10.1016/j.jacceco.2010.10.004
  18. DeTienne, K. B., DeTienne, D. H., & Joshi, S. A. (2003). Neural Networks as Statistical Tools for Business Researchers. Organizational Research Methods, 6(2), 236-265. https://doi.org/10.1177/1094428103251907
  19. Dong, G. (2019). Exploiting the Power of Group Differences: Using Patterns to Solve Data Analysis Problems. Synthesis Lectures on Data Mining and Knowledge Discovery, 11(1), 1–146. https://doi.org/10.2200/S00897ED1V01Y201901DMK016
  20. Duan, Y., Yeh, C.-H., & Dowe, D. L. (2018). Accounting Results Modelling with Neural Networks: The Case of an International Oil and Gas Company. International Conference on Neural Information Processing 2018, 275–285. https://doi.org/10.1007/978-3-030-04179-3_24
  21. Farlow, S. J. (1981). The GMDH Algorithm of Ivakhnenko. The American Statistician, 35(4), 210–215. https://doi.org/10.1080/00031305.1981.10479358
  22. Francis, J., LaFond, R., Olsson, P., & Schipper, K. (2005). The market pricing of accruals quality. Journal of Accounting and Economics, 39(2), 295–327. https://doi.org/10.1016/j.jacceco.2004.06.003
  23. Guo, J., Huang, W., Mao, Q., Wang, X., Wang, X., & Song, T. (2018). Modified GMDH networks for oilfield production prediction. Geosystem Engineering, 21(4), 217–225. https://doi.org/10.1080 /12269328.2017.1398110
  24. Hassan, M. N., Sulaiman, M. N., Ibrahim, N. A., & Lukman, I. (2010). Group Method of Data Handling (GMDH) for Economic Evaluation of Air Pollution. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.1557193
  25. Healy, P. M. (1985). The effect of bonus schemes on accounting decisions. Journal of Accounting and Economics, 7(1–3), 85–107. https://econpapers.repec.org/RePEc:eee:jaecon:v:7:y:1985:i:1-3:p:85-107
  26. Höglund, H. (2010). Detecting Earnings Management Using Neural Networks. Hanken School of Economics.
  27. Höglund, H. (2012). Detecting earnings management with neural networks. Expert Systems with Applications, 39(10), 9564–9570. https://doi.org/10.1016/j.eswa.2012.02.096
  28. Jones, J. J. (1991). Earnings Management During Import Relief Investigations. Journal of Accounting Research, 29(2), 193. https://doi.org/10.2307/2491047
  29. Kothari, S. P., Leone, A. J., & Wasley, C. E. (2005). Performance matched discretionary accrual measures. Journal of Accounting and Economics, 39(1), 163-197. https://doi.org/10.1016/j.jacceco.2004.11.002
  30. Loyola-Gonzalez, O. (2019). Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a Practical Point of View. IEEE Access, 7, 154096–154113. https://doi.org/10.1109/ACCESS.2019.2949286
  31. McNichols, M. F. (2002). Discussion of the quality of accruals and earnings: The role of accrual estimation errors. Accounting Review, 77(1), 61-69. https://doi.org/10.2308/accr.2002.77.s-1.61
  32. Nazemi, B., & Rafiean, M. (2020). Forecasting house prices in Iran using GMDH. International Journal of Housing Markets and Analysis, 14(3), 555-568. https://doi.org/10.1108/IJHMA-05-2020-0067
  33. Parfet, W. U. (2000). Accounting Subjectivity and Earnings Management: A Preparer Perspective. Accounting Horizons, 14(4), 481–488. https://doi.org/10.2308/acch.2000.14.4.481
  34. Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence, 1(5), 206–215. https://doi.org/10.1038/s42256-019-0048-x
  35. Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? Accounting Review, 71(3), 289–315.
  36. Teoh, S. H., Welch, I., & Wong, T. J. (1998). Earnings management and the underperformance of seasoned equity offerings. Journal of Financial Economics, 50(1), 63–99. https://doi.org/10.1016/s0304-405x(98)00032-4
آمار
تعداد مشاهده مقاله: 1,297
تعداد دریافت فایل اصل مقاله: 849


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب
login