اقلام تعهدی اختیاری، شبکه عصبی مصنوعی، حسابهای دریافتنی

 

که در آن:
AR: حسابهای دریافتنی
R: درآمد
SIZE: اندازه شرکت (لگاریتم داراییهای شرکت در پایان سال)
AGE: سن شرکت
GRR_N: نرخ رشد درآمدهای شرکت- تعدیل شده بر اساس میانه صنعت (در صورت مثبت بودن=صفر)
GRR_N: نرخ رشد درآمدهای شرکت- تعدیل شده بر اساس میانه صنعت (در صورت منفی بودن= صفر)
GRM: حاشبه سودناخالص شرکت- تعدیل شده بر اساس میانه صنعت در پایان سال
SQ: مجذور متغیر
: تغییرسالانه
انحراف از خطر رگرسیون (یعنی DR)این مدل به عنوان شاخص معکوس از بیان صادقانه و بی‌طرفی قلمداد می‌شود. استابن (۲۰۱۰) در تحقیقی نتایج این مدل را با مدلهای قبلی مقایسه می‌کند. نتایج این پژوهش حاکی از این است که ۱)این مدل توانایی کشف مدیریت درآمد و مدیریت سود (از طریق درآمدها) را دارد، در حالیکه مدلهای قبلی چنین توانایی نداشتند،۲)با توجه به اینکه این مدل صرفا بر یک جزء از اجزای سود متمرکز می‌شود،‌بنابراین باعث کاهش اشتباه اندازه‌گیری می‌شود، و ۳) این مدل سوگیری کمتری دارد.
با وجود اینکه این مدل نسبت به تمام مدلهای پیشین دارای مزیتهایی است اما مثل مدلهای قبلی، به مدیریت هزینه‌ها توجهی ندارد.
۲-۳-۹٫ دچو و همکاران (۲۰۱۲)
دچو و همکاران (۲۰۱۲) مدل جدیدی را برای ارزیابی مدیریت سود ارائه کردند. این مدل مبتنی بر این واقعیت بود که هر گونه مدیریت سود مبتنی بر اقلام تعهدی در یک دوره خاص، باید در دوره‌های دیگر برعکس شود. بدین معنی که همواره فعالیت‌ مدیریت سود مبتنی بر اقلام تعهدی برگشت پذیر است. اگر محقق قادر به تشخیص دوره برگشت باشد، توجه به این دوره‌ها می‌تواند باعث افزایش قدرت توضیح دهندگی مدل شود (دچو و همکاران،۲۰۱۲). گراکوس (۲۰۱۲) چنین بیان می‌کند که این مدل با تلاش در جهت مدلینگ کردن ماهیت پویای اقلام تعهدی کمک زیادی به ادبیات مدیریت سود کرده است. اما در مورد این مدل نکاتی وجود دارد که باعث می‌شود این مدل قابلیت کاربرد در پژوهش‌های مربوط به مدیریت سود را دارا نباشد. اول این‌که در این مدل نیز همانند مدلهای قبلی متکی بر برآورد اقلام تعهدی اختیاری است. نکته دوم اینه که در این مدل، محقق باید قادر به تشخیص دوره برگشت مدیریت سود مبتنی بر اقلام تعهدی باشد و هیچگونه رهنمودی برای تعیین این دوره‌ها ارائه نشده است.
۲-۴٫ مدل شبکه عصبی
۲-۴-۱٫ مقدمه
در سالیان اخیر شاهد حرکتی مستمر از تحقیقات صرفاً تئوری به تحقیقات کاربردی بویژه در پردازش اطلاعات برای مسائلی که یا برای آنها راه حلی موجود نیست و یا به راحتی قابل حل نیستند، بوده‌ایم. با توجه به این واقعیت، علاقه فزاینده‌ای در توسعه نظری سیستم های پویای هوشمند آزاد از مدل، که مبتنی بر داده‌های تجربی هستند، ایجاد شده است. شبکه‌های عصبی مصنوعی جز آن دسته از سیستم‌های پویا قرار دارند که با پردازش داده‌های تجربی، دانش یا قانون نهفته در ورای داده‌ها را به ساختار شبکه منتقل می‌کنند. امروزه شبکه‌های عصبی به موازات مدل‌های پیش‌بینی سنتی در ادبیات مدل‌های پیش بینی اقتصادی و مالی وارد شده‌اند. این مدل‌ها با بهره گرفتن از هوش مصنوعی، روابط بین متغیرها را هر چقدر هم که پیچیده باشند یاد گرفته و از آن برای پیش بینی مقادیر آتی متغیرها استفاده می‌نمایند. این روش که اقتباسی از فرایند یادگیری مغز انسان (هوش طبیعی) است ابتدا در سایر رشته های علمی مانند فیزیک ،‌کامپیوتر و علوم مهندسی در زمینه های شناخت الگو، خوشه بندی، مدلسازی، طبقه بندی و کنترل بکار می رفت، اما اقتصاددانان از اواخر دهه ۱۹۸۰ با بهره گرفتن از این مدل‌های مرسوم به شبکه عصبی اقدام به شناسایی، تخمین، مدل‌سازی و پیش‌بینی متغیرهای اقتصادی و مالی نمودند به طوری که این مدل‌ها جایگاه مهمی در ادبیات پیش‌بینی متغیرهای اقتصادی و مالی به خود اختصاص داده است. شبکه‌های عصبی مصنوعی دارای ویژگیهایی می‌باشند که آنها را در برخی از کاربرد‌ها مانند تخمین توابع، پیش‌بینی، تشخیص الگو، کنترل و به طور کلی در هر جا که نیاز به یادگـیری یک نگاشت خطی و یا غیرخطی باشـد، ممتـاز می‌نمـایند. از جمله این ویژگی‌ها می‌توان به قابلیت یادگیری، قابلیت تعمیم، پردازش موازی و مقاوم بودن اشاره نمود. مهمترین مزیت این مدل نسبت به سایر مدل‌های ساختاری و سری زمانی آن است که در طراحی این مدلها نیازی به اعمال فرض‌های آماری خاص در مورد رفتار متغیرها مانند فرض‌های مربوط به تابع توزیع احتمال آنها و نحوه ارتباط بین متغیرها نیست. البته همین نقطه قوت مدل‌های شبکه عصبی یعنی آزادی آن‌ ها از قیود و مفروضات مدل‌های آماری و اقتصادسنجی، از نظر برخی از اقتصاددانان نقطه ضعف آن نیز به شمار می‌رود، زیرا از نظر آنها اگر نتوان نتایج حاصل از این مدل‌ها را از لحاظ آماری ارزیابی کرد به عنوان مثال سطح اعتماد مقادیر پیش‌بینی شده را مشخص نمود، نمی‌توان از آن‌ ها نتایج آماری معتبری را استنتاج نمود. از آنجایی که برای مدلسازی و پیش‌بینی با این مدل‌ها نیاز به داده‌های فراوان می‌باشد و متغیرهای مالی دارای طولانی‌ترین سری‌های زمانی هستند و همچنین معمولا توزیع احتمال مربوط به متغیرهای مالی از توزیع‌های احتمال استاندارد و شناخته شده تبعیت نمی‌کنند، متغیرهای مالی یکی از وسیع‌ترین زمینه‌های کاربردی این مدل‌ها در پیش‌بینی هستند.
شبکه عصبی مصنوعی، ماشینی است که به قصد مدلسازی شیوه‌های مغز برای حل مسائل، طراحی شده و توسط قطعات الکترونیکی و یا شبیه
سازیهای کامپیوتری پیاده‌سا
زی می‌شود. شبکه عصبی را می توان بصورت زیر تعریف کرد: