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

Earnings Management Prediction Using Neural Network and Decision Tree Agriculture and Textile Industries Listed Companies on the Tehran Stock Exchange

امروزه روش‌هاي كمي، به يكي از مهم‌ترين ابزار پيش‌بيني براي تصميم‌گيري‌ها و سرمايه‌گذاري‌هاي كلان دربازارها تبديل شده‌اند. دقت پيش‌بيني، يكي از مهم‌ترين عامل‌هاي انتخاب روش پيش‌بيني است. هدف اصلي اين تحقيق بررسي دقت پيش‌بيني مديريت سود با استفاده از شبكه‌هاي عصبي و درخت تصميم‌گيري و مقايسه آن با مدل‌هاي خطي است. براي اين منظور نه متغير تاثيرگذار بر مديريت سود به عنوان متغيرهاي مستقل و اقلام تعهدي اختياري، به عنوان متغير وابسته مورد استفاده قرار گرفته است. در اين تحقيق دو صنعت كشاورزي و نساجي ازسال 1385 تا سال 1390 مورد بررسي قرار گرفت. ازروش رگرسيون كمترين مربعات براي مدل خطي و از شبكه عصبي پيشخور و درخت تصميم‌گيري Cart براي بررسي از طريق ‌روش‌هاي داده كاوي استفاده شد. نتايج به‌دست آمده نشان داد كه روش شبكه عصبي و درخت تصميم‌گيري در پيش‌بيني مديريت سود نسبت به روش‌هاي خطي دقيق‌تر و داراي سطح خطاي كمتري است. در رابطه با ارتباط بين متغيرهاي وابسته با متغير مستقل نيز مي‌توان گفت، مديريت سود با متغيرهاي اقلام تعهدي اختياري دوره قبل (DAI)، اقلام تعهدي غيراختياري دوره قبل يا آستانه عملكرد(THOD) و حساسيت در پرداخت بابت عملكرد (PPS) در روش‌هاي رگرسيون، شبكه عصبي، درخت كارت داراي بيشترين ارتباط است. با توجه نتايج تحقيق كه گوياي وجود مديريت سود مي‌باشد به استفاده‌كنندگان صورت‌هاي مالي پيشنهاد مي‌شود كه راهكارهايي را براي نظارت بيشتر در تصميم‌هاي مديريت به‌كار گيرند و نظارت و كنترل بيشتري بر اقدام‌هاي مديريت به منظور محدود كردن فرصت‌طلبي آنان براي مديريت سود داشته باشند.

Today, quantitative methods for prediction are become the most important tools for decision making in major investments in the market and capitalism. The most important parameter in prediction is the method of prediction. The main objective the current study is to accurately predicted earnings management using neural networks and decision tree is compared with linear models. For this purpose, nine affecting variables on earnings management considered as independent variables and accruals used as the dependent variable in the current study. In this study, both agriculture and the textile industries are selected for the study during 2008-2012. For testing the hypotheses the ordinary least squares (OLS) regression, feed forward neural network and decision tree data mining techniques were used to evaluate Cart. The results of this study showed that the neural network approach and linear decision tree methods adopted towards more accurate prediction of earnings management with error level is less obvious. Relationships between the dependent variable with the independent variables can be said, discretionary accruals prior period earnings management variables (DAI), nondiscretionary accruals prior threshold function (THOD) and pay for performance sensitivity (PPS) method, regression, neural networks and Cart had most relation. With respect the results of the study that revealed the existence of earnings management, it is strongly recommended to the financial statements users to employ alternative in order to monitoring to management decisions; so more monitoring as well overnighting may reduce opportunistic incentives of management for the earnings management.