پيش‎بيني مديريت سود با استفاده از شبكه عصبي و درخت تصميم در شركت‎هاي پذيرفته شده در بورس اوراق بهادار تهران

Earnings Management Prediction Using Neural Networks and Decision Tree in TSE

هدف اصلي تحقيق حاضر بررسي دقت پيش‎بيني مديريت سود با استفاده از شبكه‎هاي عصبي و درخت تصميم‎گيري و مقايسه آن با مدل‎هاي خطي است. براي اين منظور از يازده متغير تاثيرگذار بر مديريت سود به‎عنوان متغيرهاي مستقل و اقلام تعهدي اختياري به‎عنوان متغير وابسته استفاده شده است. در اين تحقيق تعداد 55 شركت از سال 1385 تا سال 1388 به صورت فصلي مورد بررسي قرار گرفت. از روش رگرسيون پنلي جهت مدل خطي و از شبكه عصبي پيشخور تعميم يافته و درخت تصميم كارت جهت بررسي از طريق شبكه عصبي و درخت تصميم استفاده شد. نتايج حاصل از اين تحقيق نشان داد كه روش شبكه عصبي و درخت تصميم در پيش‎بيني مديريت سود نسبت به روش‎هاي خطي دقيق تر و داراي سطح خطاي كمتري است. ضمناً مديريت سود با متغيرهاي اقلام تعهدي اختياري و غيراختياري دوره قبل و عملكرد شركت ، اندازه، تداوم سود در هر دو روش داراي بيشترين ارتباط است.

The main goal of this research is to accurately analyze the profit management using the neural networks and decision tree and comparing them with the linear models. For this purpose eleven variables effecting the earnings management as independent variables and discretionary accruals as a dependent variable have been used. In this research 55 companies from 2006 through 2009 were analyzed in a seasonal way. Regression Panel Method of linear model and Generalized Feed Forward network and CART were used through neural network and decision tree were used. The results of the research indicated that the neural network method and decision tree in the prediction of earnings management compared to the more precise linear methods and have a lower level of error. Meanwhile, earnings management with prior discretionary accruals and performance threshold and the firm performance, size, earnings persistence in both methods has the highest connection.