گزارش های حسابداری
علی ثقفی؛ قاسم بولو؛ حسینعلی سهرابی ورزنه
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 ...
بیشتر
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.