منابع و ماخذ پایان نامه مدیریت سود، اقلام تعهدی، قلام تعهدی، ماشین بردار پشتیبان

دانلود پایان نامه ارشد

مقادیر آینده بر اساس الگو های گذشته اختصاص دارد. برخی از روشهای متداول پیشبینی عبارتند از:
رگرسیون خطی، غیرخطی
شبکههای عصبی مصنوعی، ماشینهای بردار پشتیبان
خوشه بندی: نتیجه این کارکرد، تقسیم یک جمعیت نا متجانس به تعدادی خوشه متجانستر است. تفاوت آن با کارکرد طبقه بندی، نا معین بودن خوشهها در شروع الگوریتم میباشد. به عبارتی خوشههای از پیش تعریف شدهای وجود ندارد. روشهای مختلف خوشه بندی عبارتند از:
روشهای افرازی:-Kمیانگین، -Kمیانه، نقشههای خود سازمانده
روشهای سلسله مراتبی:تجسمی، تقسیمی
روشهای مبتنی بر چگالی
رگرسیون: نمونهای از تکنیکهای آماری است که کاربردهایی نظیر هموار سازی منحنی، پیشبینی، مدلیابی روابط علی و معلولی و آزمون آماری در روابط بین متغیرها، دارد. ابزارهای معمول آن رگرسیون خطی و لجستیک میباشند.
2-10) شبکه های عصبی مصنوعی
شبکهی عصبی مدلهای ساده شدهای از مغزانسان هستند.آنها از تعداد بسیار زیادی نرون (به عنوان کوچکترین واحد پردازش در مغز) و همچنین اتصال های بین این نورونها که برای رد و بدل کردن داده استفاده میشوند تشکیل شدهاند. وزن اتصالها نشان دهندهی قدرت ارتباط بین دو نرون است.آزمایشها برروی این مدل از شبکه ی عصبی نشان داده اندکه این توانایی انجام کارهایی از قبیل تشخیص چهره، خواندن متون وتشخیص نکات ساده ی گرامری را دارد. یک شبکهی عصبی شامل تعداد زیادی از نورون هاست که براساس یک الگوی اتصال به هم پیوند یافته اند. نرونها به سه خروجی که حاوی سه دسته تقسیم می شوند (نمایه 2-3):
نرونهای ورودی، که ورودی را برای پردازش دریافت میکنند. نرون های خروجی که حاوی نرونهای نتیجه پردازش هستند و نرونهای میانی که به نام نرونهای پنهان نامیده می شوند.

نمایه 2-3: الگوریتم شبکه های عصبی مصنوعی
نرونهای ورودی از طریق منابع خارجی فعال می شوند. هر نرون ورودی پس از فعال شدن مقدار فعال سازی خود را به نرونهای پنهانی که به آنها متصل است می فرستد. هرکدام از نرونهای با توجه به مقادیری که از نرونهای همسایه خود دریافت میکند، فعال بودن خود را تعیین میکند و اگر فعال بشود مقدار فعل سازی خود را به نرونهای خروجی یا به لایه دیگری از نرونهای پنهان میفرستد و به طورپیوسته و همزمان تمام نرونها به کار خود ادامه میدهند و به این ترتیب سیگنالهای تولید شده توسط نرونهای ورودی در تمام شبکه پخش میشوند تا وضعیت فعال بودن نرونهای خروجی مشخص شود.
الگوی فعال شدن یک شبکه توسط وزنهای بین نرونها آن مشخص شود که می تواند مثبت یا منفی باشد. یک وزن منفی نشان دهندهی عدم تمایل نرون مقصد نسبت فعال شدن در صورت فعال بودن نرون مبدا است. فعال بودن هر نرون توسط یک تابع ساده فعال سازی انجام می شود. توابع فعال سازی مختلفی وجود دارند اما همگی بر یک پایه بنا شده اند. تابع تمام ورودی های نورون(اگر نرون مبدا فعال باشد اندازه آن به نرون مقصد به اندازه وزن بین آن دو است) را با هم جمع میکند. حاصل جمع معمولا کمی تغییر می یابد. مثلا به عددی بین 0 و 1 تبدیل می شود و سپس اگر این مجموعه از عددی خاص بیشتربود، نرون فعال می شود. یک نرون بیولوژیک با جمع ورودیهای خود که از طریق دندریست ها که با یک وزن سیناپسی خاص به نرون اعمال میشوند و با رسیدن به حد معین تولید خروجی میکند. این حد معین که همان حد آستانه میباشد. در حقیقت عامل فعالیت نورون یا غیر فعال بودن آن است. با توضیحات فوق می توان گفت که در مدل سازی یک نرون بیولوژیک به طور مصنوعی می بایست به سه عامل زیر توجه کرد:
نرون یا فعال است و یا غیر فعال.
خروجی تنها به ورودی های نرون بستگی دارد.
ورودی ها باید به حدی برسند تا خروجی ها ایجاد گردند.
2-11) ماشین بردار پشتیبان
تحقیق حاضر برای شناسایی مناسبترین روش ها و موثرترین متغیرها در فرآیند پیش بینی مدیریت سود انجام می گردد. بدین منظور، اقدام به انتخاب روش هایی گردید که با وجود متفاوت بودن ماهیت، درجه پیش بینی بالایی در طبقه بندی بندهای شرط داشته باشند. ماشین بردار پشتیبان یکی از این روش ها می باشد. ماشین بردار پشتیبان به عنوان یک الگوریتم نوین شبکه عصبی توسط واپینک و همکاران (1995) طراحی شد. ماشین بردار پشتیبان در واقع یک طبقه بندی کننده دودویی است که دو طبقه را با استفاده از یک مرز خطی از هم جدا می کند. ایده اصلی مدل ماشین بردار پشتیبان به این شکل است که با فرض اینکه دسته ها به صورت خطی جداپذیر باشند ابر صفحه هایی با حداکثر حاشیه را بدست می آورد که دسته ها را جدا کنند. بر طبق نظریه ای در تئوری یادگیری آماری اگر داده های آموزشی به درستی طبقه بندی شده باشند، از بین جداسازهای خطی، آن جداسازی که حاشیه داده های آموزشی را حداکثر می کند خطای تعمیم را حداقل خواهد کرد. در این بین به نزدیکترین داده های آموزشی به ابر صفحه های جداکننده، بردار پشتیبان اطلاق می شود. از این بردارها (نقاط) برای مشخص کردن مرز بین طبقات استفاده می گردد (مرادی و همکاران، 1391). این تکنیک دارای کاربردهای مفیدی در تحقیقات حوزه مالی از قبیل پیش بینی ورشکستگی (شیک شین و دیگران61، 2005؛ راعی و فلاح پور، 1387)، شناسایی عوامل موثر بر انتخاب حسابرس (کایروس و همکاران62، 2008) و تعیین نوع اظهار نظر حسابرس با استفاده از مدل های خطی و غیر خطی ماشین بردار پشتیبان (دومپوس و همکاران63، 2005) می باشد.
2-12)پیشینه تحقیق
در دهه های اخیر مطالعات زیادی در خصوص مدیریت سود صورت پذیرفته و ادبیات بسیاری از آنها در مورد انگیزه های مدیران، اهداف و ابزارهای آن و آزمون رابطه بین مدیریت سود و برخی متغیرها بوده است. ولی در این تحقیقات به صورت مستقیم از این متغیرها برای پیش بینی مدیریت سود استفاده نشده است. در زیر به تحقیقاتی اشاره شده که در پی یافتن متغیرهای تاثیرگذار بر مدیریت سود بوده اند.
2-12-1) پیشینه تحقیق خارجی
ندوبینزو و تسه تسکوز64 در سال 1991 در تحقیقی به این نتیجه رسیدند که شرکت هایی که از نسبت بدهی به کل دارایی های بالایی برخوردارند به منظور اطمینان بخشی به اعتباردهندگان مبنی بر توانایی پرداخت اصل و بهره وام ها و اعتبارات دریافتی، اقدام به مدیریت سود می نمایند.
هیلی و والن (1999) از پایداری کمتر اقلام تعهدی بویژه اقلام تعهدی غیر عادی به عنوان شواهدی برای پیش بینی رفتار فرصت طلبانه مدیران استفاده می کنند. آنها از طریق طبقه بندی شرکت ها بوسیله بزرگی اقلام تعهدی، رفتار فرصت طلبانه مدیران را برآورد می کنند.
ریچاردسون و همکاران65 (2002) سودمندی داده های حسابداری را برای پیش بینی مدیریت سود مورد آزمون قرار داده اند. آنها با بررسی نمونه ای از شرکت هایی که سودهای سالانه خود را تجدید ارائه کرده بودند، دریافتند که انگیزه ی اصلی برای مدیریت سود در این شرکت ها، تمایل به جذب سرمایه با هزینه های کمتر می باشد. همچنین، بازار انتظار رشد سود بالاتری از این شرکت ها داشته و سطح بدهی های آن ها بالاتر از سایر شرکت هاست. طبق یافته های این تحقیق اطلاعات مربوط به اقلام تعهدی بهترین شاخص برای پیش بینی مدیریت سود بوده که منجر به تجدید ارائه سودهای سالانه می شود.
یون و میلر66 در سال 2002 مدیریت سود 249 شرکت کره ای را بررسی کردند و به این نتیجه رسیدند که در شرکت های مورد بررسی، مدیریت سود با استفاده از اقلام تعهدی اختیاری صورت می گیرد. این عمل به ویژه زمانی انجام می گیرد که وجوه نقد حاصل از عملیات شرکت های مذکور بیانگر عملکرد ضعیف شرکت باشد.
میترا67 در سال 2002 با بررسی اطلاعات 386 شرکت عضو بورس اوراق بهادار نیویورک در یک دوره 8 ساله بین سال های 1991 تا 1998 به این نتیجه رسید که حضور سهامداران نهادی در شرکت ها موثر واقع شده و سبب کاهش مدیریت سود اعمال شده توسط مدیران گردیده است.
باود بیلگینز (2004) آثار اندازه موسسه حسابرسی را با کیفیت حسابرسی در بازار بلژیک بررسی نمودند.نتایج تحقیقات آنها نشان داد که مدیریت سود در شرکت هایی که توسط شرکتهای بزرگ حسابرسی می شوند،کمتر از شرکت های دیگر نمی باشند.
در تحقیقی دانگ (2004) رابط بین کیفیت حسابرسی و مدیریت سود در شرکت های عرضه کننده سهام را مورد برسی قرار داد. وی با استفاده از برآورد اقلام تعهدی اختیاری در شرکت های عرضه کننده سهام، مدیریت سود در این شرکت ها را آزمون کرد. وی نشان داد که کیفیت حسابرسی، مدیریت سود را در شرکت عرضه کننده سهام کاهش می دهد و کیفیت حسابرسی مدیریت سود را محدود می کند.
چنو همکاران (2005) با نمونه 367 شرکت در بین سال های 1999 تا 2000 از پایگاه اطلاعاتی مجله اقتصادی تایوان نشان داد که حسابرسان پنچ موسسه ی بزرگ حسابرسی مدیریت سود شرکت ها را در تایوان محدودتر می کنند و اطلاعات دقیق تری ارائه می دهند.
دانیل برگسترسر و توماس فیلیپین68 (2006) محرک های مدیران و مدیریت سود را بررسی نمودند. یافته های آنان حاکی از استفاده از اقلام تعهدی اختیاری به منظور دستکاری سود گزارش شده در شرکت هایی است که بطور بالقوه کلیه مزایا و طرح پاداش مدیران بر مبنای ارزش سهام یا اختیار خرید سهام است.
کایو یو، بین دو وکاین سان69 (2006) مدیریت سود را در آستانه انتشار سهام جدید به وسیله شرکت های پذیرفته شده در بورس و عرضه به سهامداران همان شرکت را مورد بررسی قرار دادند. یافته های تجربی آنان نشان می دهد که شرکت های چینی در دوره 1994 تا 2002 برای به دست آوردن مقررات و شرایط مورد لزوم به سختی در آستانه، سود را مدیریت کرده اند.
استیونی و همکاران (2006) مدیریت سود را در اروپا مورد مطالعه قرار دادند.آنها ارتباط بین اختلاف محیط های حسابرسی در کشور های فرانسه، آلمان و انگلستان و مدیریت سود در ان کشور ها را مدنظر داشتنند. نتایج نشان داد که مدیریت سود با توجه به میزان سخت گیری محیط حسابرسی متفاوت می باشد. آنها به این نتیجه رسیدند که در محیط های حسابرسی سخت گیرتر مدیریت سود کاهش میبابد.
والاس داویدسون و بایو وی یونگ70 (2007) محرک های مدیران در مدیریت سود را مورد ارزیابی قرار دادند. مدیرانی که نزدیک به زمان بازنشستگی هستند، تمایل بیشتری به راهبردهای حداکثر کننده سود خواهند داشت. آنان دریافتند که شرکت هایی که مدیران ارشد آنان نزدیک به دوران بازنشستگی هستند اقلام تعهدی اختیاری بالاتری در سال قبل از تغییر را خواهند داشت. همین طور شرکت هایی که برنامه پاداش بزرگ تری دارند از اقلام تعهدی اختیاری بالاتری برخوردار می باشند.
تسایی و چیو71 (2009) با استفاده از شبکه های عصبی مصنوعی و درخت های تصمیم اقدام به پیش بینی سطح مدیریت سود نمودند. هدف اصلی تحقیق آنان بررسی کاربرد شبکه های عصبی برای پیش بینی رو به بالا یا پایین بودن مدیریت سود بوده است. نمونه مورد بررسی آن ها شامل شرکتهای بورس تایوان در فاصله ی سال های 2002 تا 2005 بود و برای برآورد مدیریت سود از مدل تعدیل شدهی جونز چند بخشی استفاده نمودند. داده های مدل ایشان شامل اقلامی چون عملکرد شرکت، اهرم مالی ، ریسک ، اقلام تعهدی دوره قبل و اندازه شرکت بود. پس از 5 مرحله اعتبار سنجی، نتایج تحقیق صحت پیش بینی سود رو به بالا 08/81 درصد را نشان داد. همچنین آنان از مدل درخت تصمیم استفاده کردند که به وسیله روش cart و c5.0 آموزش و آزمون شده بود. در ایجاد درخت تصمیم آنان دریافتند که چندین قانون در موارد پیش بینی رو به بالای مدیریت سود وجود دارد. بدین معنی که، مدیریت سود با احتمال بیشتر زمانی رخ می دهد که شرکت ها در شرایط مشابهی مانند عملکرد پایین شرکت، تداوم سود بالا و سهام در دست مردم به میزان 10% افزایش یا کاهش می یابد.
چین و همکاران72 (2011) با استفاده از روش های سری زمانی به بررسی تعدد مدیریت سود در بین شرکت ها و مقدار آن ها پرداخته اند. یافته های آنان نشان می دهد زمانی که مدیران سعی در برآورده ساختن پیش بینی های تحلیل گران در مورد سود را دارند، شرکت های بیشتری اقدام به مدیریت سود می کنند. همچنین تمایل به مدیریت سود در مواقع کاهش

پایان نامه
Previous Entries منابع و ماخذ پایان نامه مدیریت سود، اقلام تعهدی، استانداردهای حسابداری، اطلاعات مالی Next Entries منابع و ماخذ پایان نامه اقلام تعهدی، قلام تعهدی، مدیریت سود، داده کاوی