به‌کارگیری پدیده تونلینگ جهت افزایش توانایی پیش‌بینی مدیریت سود در مدل بنیش بر مبنای تکنیک شبکه‌های عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات

هدف از انجام این پژوهش بهینه‌سازی مدل پیش‌بینی مدیریت سود بنیش با پدیده تونلینگ و الگوریتم بهینه‌سازی حرکت تجمعی ذرات است. جامعه آماری پژوهش شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران و تعداد شرکت موردمطالعه، شامل 196 شرکت پذیرفته‌شده طی سال‌های 1393 تا 1398 است. روش پژوهش توصیفی پیمایشی و ازنظر ارتباط بین متغیرها علی همبستگی است و ازنظر هدف کاربردی و ازلحاظ رخداد، پس‌رویدادی است. به‌منظور تجزیه ‌و تحلیل داده‌ها از روش رگرسیونی و شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی حرکت تجمعی ذرات استفاده‌شده است. نتایج حاصل از تحلیل مدل نشان داد که کلیه نسبت‌های مالی بر پیش‌بینی مدیریت سود بنیش تاثیر معنادار داشته و بیشترین تاثیر در پیش‌بینی مدیریت سود بنیش را شاخص پدیده تونلینگ ine و کمترین تاثیر را شاخص اهرم مالی داشته است. نتایج حاصل از برآورد شبکه‌های عصبی طراحی‌شده نشان می‌دهد که استفاده از الگوریتم بهینه‌سازی تجمعی ذرات جهت پیش‌بینی مدیریت سود برای شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران، از عملکرد قابل قبولی برخوردار است.

Presenting the developed model of Benish by using tunneling phenomena based on artificial neural network technique and particle swarm optimization algorithm to identifying profit manipulating companies

The purpose of this study is to optimize the Bayesian profit management model with tunneling phenomenon and cumulative particle motion optimization algorithm. The statistical population of the study included companies listed in the Tehran Stock Exchange and the number of companies under study, including 196 companies listed during the years 2015 to 2020. The research method is descriptivecorrelational and in terms of causalcorrelational variables and in terms of purpose and event, it is postevent. In order to analyze the data, regression and artificial neural network and cumulative particle motion optimization algorithm were used. The results of the model analysis showed that all financial ratios had a significant effect on the earnings management prediction of insight and the greatest impact on the prediction of earnings management was on the INE tunneling phenomenon and the least on financial leverage. The results of the estimation of the designed neural networks show that the use of cumulative particle optimization algorithm to predict the Profit management for companies listed in Tehran Stock Exchange is acceptable.