عوامل مؤثر بر نسبت توزيع سود سهام و مقايسه دقت پيش بيني نسبت پرداخت سود سهام با استفاده از مدل رگرسيوني و شبكه عصبي در فرا بورس ايران

Factors affecting Dividend Payout Ratio and Comparing Forecast Accuracy of Dividend Payout Ratio using Regression Model and NeuralNetwork in Iran Over-The-Counter (OTC) Market

پژوهش حاضر به بررسي عوامل تعيين كننده نسبت پرداخت سود سهام و مقايسه دقت پيش بيني مدل شبكه عصبي و رگرسيوني با استفاده از داده هاي شركت هاي پذيرفته شده در فرابورس ايران مي پردازد. در اين پژوهش رابطه بين نسبت پرداخت سود سهام سال قبل، نسبت دارايي ثابت به كل دارايي، نسبت جاري، نسبت دارايي به بدهي، رشد درامد، نسبت كيفيت سود حسابداري و نسبت بازده نقدي دارايي ها به عنوان متغيرمستقل و نسبت پرداخت سود سهام به عنوان متغير وابسته بررسي شده است. براي آزمون فرضيه هاي پژوهش از مدل رگرسيون چندگانه مرتبه دوم با به كارگيري نمونه اي شامل 50 شركت عضو فرابورس طي 5 سال كه پايان سال مالي آنها از 29 اسفندماه 1389 لغايت 31 شهريورماه 1394 بوده استفاده شده است. نتايج پژوهش نشان داد كه بين نسبت پرداخت سود سهام سال قبل، نسبت دارايي ثابت به كل دارايي، نسبت جاري، نسبت دارايي به بدهي و نسبت كيفيت سود حسابداري با متغير وابسته رابطه معناداري وجود ندارد ولي بين رشد درامد و نسبت بازده نقدي دارايي ها با نسبت پرداخت سود سهام رابطه مثبت و معنادار وجود دارد همچنين يافته هاي پژوهش حاكي از آن است كه خطاي پيش بيني مدل شبكه عصبي كوچك تر از مدل رگرسيون بوده و اين مدل پيش بيني بهتري را در اختيار قرار مي دهد.

This article aims to study the factors affecting the dividend payout ratio and compare the forecast accuracy of neural network and regression models using the data for the companies listed on Iran OTC market. This article also studies the relationship of last year dividend payout ratio, fixed assets to total assets ratio, current ratio, assets-to-debt ratio, revenue growth, accounting earnings quality ratio, and cash return on assets as independent variables with dividend payout ratio as dependent variable. For hypothesis testing, second-order multiple egression model was employed with a sample size of 50 companies in OTC market during a 5-year period of which their end of fiscal year was from March 20th, 2011 to September 22nd, 2015. The results showed that last year dividend payout ratio, fixed assets to total assets ratio, current ratio, assets-to-debt ratio, and accounting earnings quality ratio have no significant relationship with the dependent variable. Revenue growth and cash return on assets, however, have a positive, significant relationship with dividend payout ratio. Findings also indicate that forecast error of neural network is smaller than that of regression model. Therefore, neural network gives better forecast