توسعه مدل بنیش با ترکیب شبکه های عصبی مصنوعی و الگوریتم بهینه سازی حرکت تجمعی ذرات برای پیش بینی دستکاری سود

به باور بنیش (1999)، دستکاری سود زمانی رخ می دهد که مدیریت، اصول پذیرفته شده عمومی حسابداری را به منظور سودآور نشان ‎دادن عملکرد مالی شرکت نقض می کند. در این پژوهش، مدل بنیش با تاکید بر متغیرهای خارج از داده های‎ حسابداری، شامل عدم تقارن اطلاعاتی و بازار رقابت محصول، توسعه یافته است.

برای دستیابی به هدف پژوهش، داده های لازم برای 184شرکت پذیرفته شده در بورس اوراق بهادار تهران، طی سال های 1386 تا 1396 جمع آوری شدند. ضرایب مدل ها، به روش شبکه عصبی آموزش یافته با الگوریتم PSO برآورد شده اند. برای فراهم آوردن قابلیت مقایسه نیز، 10 اجرا با 300 تکرار در هر اجرا انجام گرفت و پس از هم گرایی، اجراها متوقف شدند.

  توسعه مدل بنیش، خطای آموزش شبکه عصبی با الگوریتم حرکت تجمعی ذرات را از مقدار 0807/0 به 0777/0 کاهش داد. همچنین، سطح زیرمنحنی راک در مدل بنیش، به ازای بهترین نقطه برش (5021/0) و بهترین دقت (26/60درصد) 5538/0 بود و این سطح در مدل توسعه یافته بنیش به ازای بهترین نقطه برش (5304/0) و بهترین دقت (42/67درصد) به 6335 /0 افزایش یافت.

 نتایج حاکی از تصادفی بودن مدل بنیش و ناتوانی در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود است. همچنین، نتایج افزایش قدرت مدل توسعه یافته بنیش در قیاس با مدل اصلی را نشان می دهد؛ اما نتیجه آزمون ضعیف است و نشان می دهد که مدل توسعه یافته بنیش نیز در تفکیک دو گروه شرکت های دستکاری کننده سود و غیردستکاری کننده سود، کمابیش یک مدل تصادفی است.