پیش بینی مدیریت سود

اکثر تحقیقات انجام شده در حوزه مدیریت سود به بررسی انگیزه ها و عوامل موثر بر سطح مدیریت سود پرداخته اند، ولی از این متغیرها به طور مستقیم برای پیش بینی سطح مدیریت سود استفاده نشده است. در نتیجه تنها همبستگی بین مدیریت سود و این متغیرها بررسی شده است. از این رو، طراحی یک مدل برای پیش بینی سطح مدیریت سود به منظور کاهش ریسک بحران های مالی ناشی از مدیریت سود و کمک به سرمایه گذاران، اعتبار دهندگان و سایر استفاده کنندگان از اطلاعات صورت های مالی، برای اجتناب از تحمل زیان های عمده در بازار سرمایه ضروری به نظر می رسد. در این پژوهش با استفاده از متغیرهای موجود در ادبیات مدیریت سود و بکارگیری مدل شبکه های عصبی مصنوعی سطح مدیریت سود پیش بینی شده است. شبکه با استفاده از اطلاعات سال های 1379 تا 1387 مورد آزمون و آموزش قرار گرفت و در نهایت ساختار مطلوب با دقت 0.94 درصد در مرحله آموزش و 0.69 درصد در مرحله آزمون انتخاب شد.

شناخت مدیریت سود برای استفاده کنندگان از اطلاعات حسابداری به دلیل ارزیابی عملکرد، پیش بینی سودآوری و تعیین ارزش واقعی شرکت بسیار حائز اهمیت است. هدف از این پژوهش ارائه مدلی جهت تشخیص مدیریت سود اقلام تعهدی و مدیریت سود واقعی از طریق ارزیابی عملکرد با استفاده از روش های یادگیری ماشین از جمله درخت تصمیم، ماشین بردار پشتیبان، k- نزدیک ترین همسایه، یادگیری عمیق و ترکیب آنها با روش انتخاب ویژگی ریلیف و تحلیل مؤلفه های اصلی است. برای دستیابی به این هدف، تعداد 180 شرکت پذیرفته شده در بورس تهران به عنوان نمونه آماری برای سال های 1389 تا 1400 انتخاب گردید. همچنین برای آزمون فرضیه ها از معیارهای میانگین صحت پیش بینی، خطاهای نوع اول و دوم استفاده گردید یافته های پژوهش بیانگر آن است عملکرد روش های پیش بینی مدیریت سود اقلام تعهدی بر اساس الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی انتخاب ویژگی مبتنی بر تحلیل مؤلفه های اصلی از توانای بهتری برخوردار است. این نتیجه در کلیه روش های پیش بینی مورد تایید قرار گرفت. اما نتایج برتری الگوی انتخاب ویژگی مبتنی بر ریلیف نسبت به الگوی انتخاب ویژگی مبتنی بر تحلیل مؤلفه های اصلی را در پیش بینی مدیریت سود واقعی نشان نداد. همچنین، یافته ها نشان دادند مدیریت سود اقلام تعهدی را می توان بادقت بالاتری نسبت به مدیریت سود واقعی پیش بینی کرد. نتایج پژوهش می تواند موردتوجه سرمایه گذاران، اعتباردهندگان، تحلیلگران مالی و حسابرسان قرار گیرد. استفاده از ترکیب روش های یادگیری ماشین، می تواند به شناسایی فعالیت های بالقوه مدیریت سود کمک کند.