پیش‌بینی احتمال تجدید ارائه صورت‌های مالی با استفاده از مدل منفرد بنیش و بهبود مدل ازطریق رگرسیون لاجیت و الگوریتم ژنتیک

وقوع اشتباه در حسابداری امری اجتناب ناپذیر بوده و عواملی چون تنوع و پیچیدگی موضوعات اقتصادی، حجم بالای کار، خستگی و... این احتمال را افزایش می دهد. همچنین به دلیل تغییرات مداومی که در شرایط اقتصادی ، اجتماعی و ... صورت می گیرد، ممکن است که ایجاد تغییر در اصول و روشهای حسابداری به منظور هماهنگ کردن واحد تجاری با شرایط جدید ضروری باشد که همه این موارد به تجدید ارائه صورتهای مالی منتج می شود .موضوعی که در نتیجه رسوایی های گزارشگری مانند شرکت انرون و ... بسیار مورد توجه قرار گرفته است.هدف این پژوهش ارائه مدل بسط یافته بنیش، در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1388 تا 1399 می باشد. نمونه آماری پژوهش 265 شرکت بوده که با استفاده از رگرسیون لاجیت و الگوریتم ژنتیک به برآورد و بهبود مدل بنیش پرداخته شده است.نتایج پژوهش حاکی از این است که براساس ماتریس درهم ریختگی، در بین مدل های پیش بینی کننده تجدید ارائه صورتهای مالی، دقت و کارآیی مدل بهبود یافته بنیش با الگوریتم ژنتیک 21/73 درصد دقت پیش بینی کل داشته که دارای بالاترین قدرت پیش بینی در مقایسه با مدل اولیه بنیش و مدل ارائه شده با رگرسیون لاجیت بوده است و فرضیه های پژوهش تایید می گردد.

application of the beneish model to predict the probability of manipulation of the earnings in financial statements and the enhancements of the model by logistic regression and genetic algorithm

errors are inevitable in accounting and factors such as diversity and complexity of economical subjects, workloads, exhaustion, and similar issues increase their likelihood. as well, the constant change of the economic, social, and other factors makes it vital to consider the change of the accounting principles and methods, in order to enable the adaptation of the enterprises to new conditions, since all these issues can result in the detection of manipulation of earnings in the financial statements.this subject received serious attention after the enron corporation scandal incurred. this research aims to prove the need for the application of the enhanced beneish model for credited companies listed in the tehran stock exchange between the years 2009 and 2020. target sample consists of 265 companies, which have been used to estimate and improve the benish model using logit regression and genetic algorithm. the result shows that, according to the confusion matrix, among all models of detection of manipulation of earnings in financial statements, the genetic algorithm beneish model has maintained 73.21 accuracies, which is considered the highest rate for predictability compared to the primary beneish model and models offered with logistic regression, thus the theory of this writing is approved.