تشخیص مدیریت درآمد با شبکه های عصبی
نتشار:
2015
ترجمه فارسی عنوان مقاله:
تشخیص مدیریت درآمد با شبکه های عصبی
عنوان انگلیسی مقاله:
Detecting earnings management with neural networks
منبع:
Sciencedirect - Elsevier - Expert Systems with Applications 39 (2015) 9564–9570
چکیده انگلیسی:
A large body of studies has examined the occurrence of earnings management in various contexts. In most studies, the assumption has been that earnings are managed through accounting accruals. Thus, a range of accrual based earnings management detection models have been suggested. The ability of these models to detect earnings management has, however, been questioned in a number of studies. An explanation to the poor performance of the existing models is that most models use a linear approach for modeling the accrual process even though the accrual process has in fact proven non-linear in several studies. An alternative way to deal with the non-linearity is to use various types of neural networks. The purpose of this study is to assess whether neural network-based models outperform linear and piecewise linear-based models in detecting earnings management. The study comprises neural network models based on a self-organizing map (SOM), a multilayer perceptron (MLP) and a general regression neural network (GRNN). The results show that the GRNN-based model performs best, whereas the linear regression-based model has the poorest performance. However, the results also show that all five models assessed in this study estimate discretionary accruals, a proxy for earnings management, with some bias.
Keywords: Earnings management | Discretionary accruals | Neural networks
چکیده فارسی:
مطالعات زیادی جهت ارزیابی و سنجش رخداد و پیدایش مدیریت درآمد در زمینه های مختلف صورت گرفته است. در اکثر مطالعات، مفروضات بر این است که درآمد از طریق اقلام تعهدی حسابداری، مدیریت می‌شود. بدین ترتیب یکسری از مدل‌های تشخیص مدیریت درآمد مبتنی بر اقلام تعهدی پیشنهاد شد. توانایی این مدل‌ها برای تشخیص مدیریت درآمد، توسط برخی مطالعات دیگر زیر سؤال رفته است. یک توجیه برای عملکرد ضعیف مدل‌های موجود آن است که اکثر این مدل‌ها از یک رویکرد خطی برای مدلسازی فرایند اقلام تعهدی حتی در صورتی که فرایند اقلام تعهدی غیر خطی باشد، استفاده می‌کنند. گزینه دیگر در مواجهه با موارد غیرخطی، استفاده از انواع مختلف شبکه های عصبی است. هدف از این مطالعه ارزیابی این مورد است که آیا مدل‌های مبتنی بر عملکرد عصبی نسبت به مدل‌های خطی و قسمتی خطی درتشخیص مدیریت درآمد، موثرتر هستند یا خیر؟. این مطالعه شامل مدل‌های شبکه عصبی براساس نقشه خود سازمان دهنده SOM) )، یک مفهوم چند لایه MLP) ) و یک شبکه عصبی رگرسیون عمومی GRNN) ) می‌باشد. نتایج نشان می‌دهد عملکرد مدل بر مبنای شبکه های عصبی، بهترین عملکرد را دارا می‌باشد، درحالی که مدل خطی مبتنی بر رگرسیون، ضعیف‌ترین عملکرد را دارد، همچنین نتایج نشان داد که هر 5 مدل مورد ارزیابی قرار گرفته، قادر به تخمین اقلام تعهدی اختیاری هستند که باقدری اغماض بعنوان نماینده مدیریت درآمد، عمل می‌نماید.
کلمات کلیدی: مدیریت درآمد | تعهدات اختیاری | شبکه های عصبی
حجم فایل: 160 کیلوبایت
قیمت: 35000 تومان
توضیحات اضافی:
