توسعه مدل بنیش با ترکیب شبکههای عصبی مصنوعی و الگوریتم بهینهسازی حرکت تجمعی ذرات برای پیشبینی دستکاری سود
نویسندگان
1 دانشیار، گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
2 دانشیار، گروه حسابداری، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
3 دانشجوی دکتری، گروه حسابداری، پردیس بینالمللی ارس دانشگاه تهران، جلفا، ایران.
4 استاد، گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه تهران، تهران، ایران.
doi
10.22059/acctgrev.2020.286927.1008244چکیده
هدف: به باور بنیش (1999)، دستکاری سود زمانی رخ میدهد که مدیریت، اصول پذیرفتهشده عمومی حسابداری را بهمنظور سودآور نشاندادن عملکرد مالی شرکت نقض میکند. در این پژوهش، مدل بنیش با تأکید بر متغیرهای خارج از دادههای حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است. روش: برای دستیابی به هدف پژوهش، دادههای لازم برای 184شرکت پذیرفتهشده در بورس اوراق بهادار تهران، طی سالهای 1386 تا 1396 جمعآوری شدند. ضرایب مدلها، به روش شبکه عصبی آموزشیافته با الگوریتم PSO برآورد شدهاند. برای فراهمآوردن قابلیت مقایسه نیز، 10 اجرا با 300 تکرار در هر اجرا انجام گرفت و پس از همگرایی، اجراها متوقف شدند. یافتهها: توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار 0807/0 به 0777/0 کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، بهازای بهترین نقطه برش (5021/0) و بهترین دقت (26/60درصد) 5538/0 بود و این سطح در مدل توسعهیافته بنیش بهازای بهترین نقطه برش (5304/0) و بهترین دقت (42/67درصد) به 6335 /0 افزایش یافت. نتیجهگیری: نتایج حاکی از تصادفیبودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکتهای دستکاریکننده سود و غیردستکاریکننده سود است. همچنین، نتایج افزایش قدرت مدل توسعهیافته بنیش در قیاس با مدل اصلی را نشان میدهد؛ اما نتیجه آزمون ضعیف است و نشان میدهد که مدل توسعهیافته بنیش نیز در تفکیک دو گروه شرکتهای دستکاریکننده سود و غیردستکاریکننده سود، کمابیش یک مدل تصادفی است.
