بررسی تأثیر حاکمیت شرکتی و محافظه‌کاری بر توان پیش‌بینی مدل‌های ورشکستگی مبتنی بر شبکه‌های عصبی

ناظمی اردکانی, مهدی

doi:10.22051/jera.2016.2293

بررسی تأثیر حاکمیت شرکتی و محافظه‌کاری بر توان پیش‌بینی مدل‌های ورشکستگی مبتنی بر شبکه‌های عصبی

نوع مقاله : مقاله پژوهشی

نویسنده

مهدی ناظمی اردکانی

استادیار حسابداری دانشگاه یزد،

10.22051/jera.2016.2293

چکیده

در عمده‌ پژوهش‌های صورت‌گرفته در حوزه پیش‌بینی عملکرد مالی شرکت‌ها و به طور خاص، ورشکستگی، تنها به پیش‌بینی و یا مقایسه توان پیش‌بینی مدل‌ها پرداخته شده و در انجام این پیش‌بینی‌ها از نسبت‌های مالی و اندازه شرکت استفاده شده است. اما هدف اصلی از انجام پژوهش حاضر، بررسی میزان تاثیر‌گذاری سازوکارهای حاکمیت شرکتی و محافظه‌کاری در جهت کمک به توانایی پیش‌بینی افشای مالی شرکت‌ها و باتبع آن عملکرد مالی آن‌ها می‌باشد. جامعه آماری پژوهش حاضر را شرکت‌های تولیدی پذیرفته شده در بورس اوراق بهادار تهران تشکیل می‌دهند که با اعمال محدودیت‌های لازم 90 شرکت (45 شرکت با عملکرد ضعیف و 45 شرکت با عملکرد قوی) مورد آزمون قرار گرفت. از شبکه‌های عصبی برای ایجاد تفاوت میان شرکت‌های ضعیف و قوی و پیش‌بینی، بهره گرفته شده است. نتایج پژوهش حاکی از آن است که اضافه‌نمودن متغیرهای حاکمیت شرکتی و محافظه‌کاری، تأثیری در ارتقای صحت پیش‌بینی عملکرد مالی در مدل‌های مبتنی بر شبکه‌های عصبی ندارند.

کلیدواژه‌ها

موضوعات

بازار سرمایه

عنوان مقاله [English]

The Impact of Corporate Governance and Conservatism on the Predicting Ability of Bankruptcy Models based on Artificial Neural Network

نویسنده [English]

Mahdi Nazemi Ardakani

چکیده [English]

Most of the researches conducted in the area of predicting financial performance of the companies and particularly bankruptcy have anticipated and/or compared merely the predictive ability of the models, for which financial ratios and company size have been used. However, this study aims mainly to investigate the effectiveness level of corporate governance and conservatism mechanisms in order to contribute to the predictive power of financial disclosure and accordingly, financial performance of the companies. The statistical population of the research includes 90 firms listed in Tehran Stock Exchange (45 ones with poor performance and 45 ones with strong performance). Artificial Neural Network has been used to establish the difference between poor and strong companies. The results of the study indicate that variables including corporate governance and conservatism don’t have significant effect on prediction accuracy of the financial performance based on neural network

کلیدواژه‌ها [English]

financial performance
Bankruptcy
Corporate Governance
financial ratios
Neural Network

مراجع

احمد پور، احمد و دیگران. (1391). بررسی نقش ساختار هیئت‌مدیره بر سرمایه فکری شرکت‌ها با رویکرد فازی، مطالعه موردی شرکت‌های داروسازی بورس اوراق بهادار تهران، مجله دانش حسابداری، 3 (8)؛ 73-93.

بهارمقدم، مهدی و کاوسی، مهدی. (1392)، بررسی عدم تقارن زمانی سود ناشی از محافظه کاری و چسبندگی هزینه ها، مجله دانش حسابداری، 4 (15)؛ 55-77.

بهرامفر، نقی و ساعی، محمدجواد. (1385). ارایه مدل برای پیش بینی عملکرد (مالی و بازار) شرکت های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از اطلاعات مالی منتشره، بررسی های حسابداری و حسابرسی، 13 (43)؛ 45-70.

پورحیدری، امید و اعظمی، زینب. (1389)، شناسایی نوع اظهارنظر حسابرسان با استفاده از شبکه‌های عصبی، مجله دانش حسابداری، 1 (3)؛ 77-97.

پورحیدری، امید و کوپائی حاجی، مهدی. (1389). پیش بینی بحران مالی شرکت‌ها با استفاده از مدل مبتنی بر تابع تفکیکی خطی. مجله پژوهش های حسابداری مالی، 2 (3)؛ 33-46.

حسنی، محمد. (1392). حساسیت محافظه کاری حسابداری نسبت به کیفیت حسابرسی، مجله دانش حسابداری، 4 (15)؛ 149-172.

خلیفه سلطانی، سیداحمد و اسماعیلی فاطمه. (1393). تأثیر چرخه تجاری بر پایداری مدل‌های پیش بینی ورشکستگی، پژوهش‌های تجربی حسابداری، 4 (13)، 1-22.

سلیمانی، غلامرضا. (1389)، ارزیابی کارایی الگوهای پیش بینی بحران مالی برای شرکت‌های ایرانی، مجله دانش حسابداری، 1 (2)؛ 139-160.

سلیمانی امیری، غلامرضا. (1382). نسبت های مالی و پیش بینی بحران مالی شرکت‌ها در بورس اوراق بهادار تهران. تحقیقات مالی، 5 (15): 121-136.

طالبنیا قدرت اله، جهانشاد آزیتا و پورزمانی زهرا. (1388). ارزیابی کارایی متغیرهای مالی و متغیرهای اقتصادی در پیش بینی بحران مالی شرکت‌ها (مورد مطالعه شرکت‌های پذیرفته در بورس اوراق بهادارتهران)، بررسی‌های حسابداری و حسابرسی، 16 (55)؛ 67-84.

منصور فر، غلامرضا، غیور، فرزاد و لطفی بهناز. (1394). توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی، پژوهش‌های تجربی حسابداری، 5 (17)؛ 177-195.

نمازی، محمد و قدیریان آرانی محمدحسین. (1392). بررسی رابطه سرمایه فکری و اجزای آن با خطر ورشکستگی شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران، پژوهش‌های تجربی حسابداری، 3 (11)؛ 115-141.

Abdullah, S. N. (2006). Board structure and ownership in Malaysia: the case of distressed listed companies, Corporate Governance, 6 (5) ; 582-594.

Agarwal, V. and Taffler, R. J. (2008). Comparing the performance of market-based and accounting-based bankruptcy prediction models, Journal of Banking and Finance, 32 (8) ; 1541-76.

Altman, E. (1968). Financial Ratio, Discriminant Analysys and the Prediction of Corporate Bankruptcy, Journal of Finance, 4 (3) ; 589-609.

Chung, R. , Firth, M. and Jeong-Bon, K. (2003). Auditor conservatism and reported earnings, Accounting and Business Research, 33 (1) ;19-32.

Dawson, CW, Wilby, R. (1998) , Anartificial neural network approach for rainfall-runoff modeling. Hydr. Sci,. J. , 43; 47-66.

Garcı´a Lara, J. M. , Garcı´a Osma, B. and Penalva, F. (2009). Accounting conservatism and corporate governance, Review of Accounting Studies, 14 (1) ;161-201.

Gavara, M. ; Moeinaddin, M. ; Sharifabadi, A. M. (2014). The Comparative Investigation of the Ability of Neural Network and the Multiple Discriminant Analysis Models in Predicting the Financial Health of Companies, International Journal of Current Life Sciences. Vol. 4, Issue, 2, pp. 106-112, February, 201

Geng, R. ; Bose, I. ; Chen, X. (2015). Prediction of financial distress: An empirical study of listed Chinese companies using data mining, European Journal of Operational Research, Volume 241, Issue 1, 16 February 2015, Pages 236-247

Givoly, D. , Hayn, C. K. (2000). The changing time-series properties of earnings, cash flows and accruals: has financial reporting become more conservative?, Journal of Accounting and Economics, 29 (3) ; 287–320.

Khan, S. m. , Coulibaly, P. , and Dibike, Y. (2006). Uncertainty analysis of statistical downscaling methods, J. hydrol. , 319;357-382.

Lennox, C. (1999). Identifying failing companies: a revaluation of the logit, probit and DA approaches, Journal of Economics and Business, 51 (6) ; 347-64.

Liang, D. ; Tsai, C. H. and Wua, H. T. The effect of feature selection on financial distress prediction. Knowledge-Based Systems, Vol 73, 2015, pp 289–297.

Muhamad Sori, Z. and Hasbullah Abd Jalil. (2009). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Distress, Journal of Money, Investment and Banking, Issue 11.

Nguyen, T. ; Locke, S. ; Reddy, K. (2014). A dynamic estimation of governance structures and financial performance for Singaporean companies, Economic Modeling, Volume 40, june 2014, pp. 1-11.

Smith, M. ; Ren, Y. and Yinan Dong. (2011). The Predictive Ability of Conservatism and Governance variables in Corporate Financial Disclosures, Asian Review of Accounting, 19 (2) ;171-185.

Staw, B. M. , McKechine, P. I. and Puffer, S. M. (1983). The justification of organization performance, Administrative Science Quarterly, 28 (4) ; 582-600.

Taffler R. J. , 1983, The assessment of company solvency and performance using a statistical model. Accounting and Business Research, 15 (52) ;295-307.