مدل کیفیت اقلام تعهدی با رویکرد الگوریتم مدیریت گروهی داده ها

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 سال های اخیر، پژوهش هایی 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 مدل ها را با محدودیت مواجه می‌نماید. لذا در این پژوهش از الگوریتم مدیریت گروهی داده‌ها که یک نوع مدل سازی جعبه سفید تلقی می‌شود جهت پیش‌بینی اقلام تعهدی استفاده شده است. نتایج به دست آمده با استفاده از داده‌های 164 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1385 تا 1397 و متغیرهای «تغییر در درآمد»، «دارایی های ثابت مشهود»، «جریان های نقدی عملیاتی دوره جاری»، «جریان های نقدی عملیاتی دوره گذشته» و «جریان های نقدی عملیاتی دوره آتی»، حاکی از بهبود سطح خطای این مدل ها نسبت به مدل های خطی می‌باشد. با توجه به برتری مدل‌های خروجی تحقیق حاضر از نظر خطای پیش‌بینی نسبت به مدل های رایج، یافته‌های این پژوهش می‌تواند توسط نهادهای نظارتی، تحلیلگران و حسابرسان در شناسایی موارد احتمالی تحریف اطلاعات مالی شرکتها مورد استفاده قرار گیرد.

an accruals quality model: a group method of data handling approa

development of earnings quality measures, especially accruals quality measures, has been a critical line of research over more than three decades. literature indicates that linear-regression-based measures are subject to (suffer from) significant estimation error in non-discretionary accruals estimation. therefore, recent research used machine learning algorithms including multilayer perceptron and radial basis neural networks, in order to address the issue. however, being founded on blackbox approach limits future development and applicability of these methods. so, to address the limitations, we have used group method of handling data (gmdh) approach, as a whitebox approach, in order to estimate the accruals. findings using data from 299 tehran securities exchange listed companies during 1385 to 1397 suggests that gmdh-based models perform superior to regression models and multilayer perceptron neural networks in terms of estimation error measured by mean squared error. moreover, cash flow approach in total accruals calculation leads to less estimation error compared to balance sheet approach. as a result, the model developed in this article can be used by market participants such as regulators, analyst and auditors in order to detect probable financial reporting misstatements.