Authors
Abstract
Keywords
در جهت نیل به هدف جذب سرمایهگذاران، بازار سرمایه باید بتواند اطمینان و اعتماد سرمایهگذاران را جلب کند. این اطمینان و اعتماد، جز با وجود یک بازار شفاف و روشن تحقق نخواهد یافت و شفافیت بازار در گرو گزارشگری درست و به‌هنگام شرکت‌های پذیرفته شده در آن بازار است. زیرا به نظر می‌رسد در نتیجه گزارشگری به‌هنگام، معاملات بر مبنای اطلاعات محرمانه کاهش و استفاده از آن روش‌مند می‌کند. به هنگامی یکی از مهم‌ترین اجزاء مربوط بودن است. بیانیه مفاهیم نظری گزارشگری مالی ایران، به موقع بودن را در شمار یکی از محدودیت‌های حاکم بر خصوصیات کیفی اطلاعات مالی عنوان کرده است. به‌هنگام بودن اطلاعات نمی‌تواند ویژگی مربوط بودن آن‌ها را تضمین کند، ولی اگر اطلاعات به هنگام نباشند، به هیچ عنوان نمی‌توانند مربوط باشند (هندریکسن و ون بردا، 1385). کارایی بورس ارتباط تنگاتنگی با اطلاعات موجود در بازار دارد و انعکاس به موقع و سریع اطلاعات بر روی قیمت‌های اوراق بهادار تأثیر دارد (فرید و همکاران، 1388). مطابق متون نظری از جمله شرایط بازار کارا این است که بایستی اطلاعات به سرعت و با حداقل هزینه به فعالان بازار برسد (جهانخانی و عبده تبریزی، 1372). از طرفی کارایی بورس اوراق بهادار با میزان اطمینان سرمایهگذاران نسبت به بورس و رغبت آن‌ها جهت سرمایهگذاری، رابطه مستقیمی دارد (جهانگیر اردی، 1380) گزارشگری به هنگام و قابل اتکا، توانایی سرمایهگذاران، اعتباردهندگان و سایر کاربران را در فهم ظرفیت یک واحد تجاری در ایجاد درآمد و جریان‌های نقد و شرایط مالی آن افزایش می‌دهد (اعتمادی و یارمحمدی، 1382). افشای اطلاعات صحیح، جامع و به‌هنگام، اطمینان سهامداران را تقویت کرده و به آنان اجازه می‌دهد ارزیابی آگاهان‌های از عملکرد و دارایی‌های خود داشته باشند. این موضوع حمایت از سهامدار1 و کارایی بازار را افزایش می‌دهد (اتحادیه اروپا2، 2004). تأخیر بیمورد در انتشار صورت‌های مالی، عدم اطمینان مرتبط با تصمیم‌های سرمایهگذاری را افزایش می‌دهد. همچنین محتوا و مربوط بودن اطلاعات را کاهش (تورل، 2010) و امکان سوء‌استفاده‌های احتمالی را افزایش می‌دهد.
از سویی با افزایش مبادلات تجاری، اقتصادی و پیشرفت فناوری اطلاعات، داده‌های مالی به سرعت انباشته شده و این موضوع به نوبه خود یکسری محدودیت‌هایی را برای استفاده بهینه از این داده‌ها به وجود آورده است. از این‌رو به منظور استفاده بهینه و موثر از داده‌های مالی در تصمیم‌گیری‌ها، از تکنیک‌های داده کاوی3 استفاده می‌شود. داده کاوی فرآیندی است که با نگرشی نو به مسئله استخراج اطلاعات از داده‌های حجیم پرداخته (مشکانی و ناظمی، 1388) و به کمک مجموعه‌ای از روش‌های آماری و مدل سازی، می‌تواند الگوها و روابط پنهان موجود در داده‌ها را در کمترین زمان ممکن و با دقتی بالا تشخیص دهد. هدف داده کاوی جستجو برای یافتن اطلاعات با ارزش تجاری در یک پایگاه داده است و از آن می‌توان برای پیش بینی رویه‌ها و رفتارهای آتی در بازارهای مالی استفاده کرد (مهدیخانی و کیان راد، 1385). مطابق توضیحات فوق، مسئله اصلی تحقیق شناسایی عوامل موثر بر به هنگامی گزارشگری مالی سالانه با استفاده از تکنیک‌های داده کاوی درخت تصمیم و شبکه‌های عصبی مصنوعی و بررسی دقت این دو مدل در شناسایی این عوامل است. به عبارتی، کدام عوامل در به هنگامی گزارشگری نقش دارند؟ کدام تکنیک داده کاوی (شبکه‌های عصبی مصنوعی، درخت تصمیم)، دقت بیشتری را در تبیین عوامل موثر بر به هنگامی گزارشگری دارا هستند؟
ادامه مقاله این گونه سامان یافته است که در بخش دوم پیشینه‌ی تحقیق مورد بررسی قرار می‌گیرد. در بخش سوم، جامعه‌ی آماری، روش تحقیق و مدل مورد استفاده، بیان می‌گردد. در بخش چهارم، نتایج آزمون‌ها و در پایان، یافته‌ها و پیشنهادهای پژوهش ارائه می‌شود.
2- مروری بر پیشینه پژوهش
2-1- به هنگامی گزارشگری
طی چهار دهه گذشته، ادبیات به هنگامی جایگاه تثبیت شده‌ای در پژوهش‌های حسابداری مالی پیدا کرده است. مفهوم به هنگامی در این پژوهش، فاصله بین پایان دوره مالی و تاریخ انتشار صورت‌های مالی است (دیویس و ویترد، 1980). در واقع در متون نظری عنوان می‌شود هر چه تأخیر شرکت در افشای اطلاعات کمتر باشد، ویژگی به هنگامی گزارشگری بهبود می‌یابد. مطابق دستورالعمل سازمان بورس و اوراق بهادار تهران (1386) ناشرین بورسی مکلف هستند صورت‌های مالی سالانهی حسابرسی شدهی شرکت اصلی و تلفیقی گروه را حداکثر چهار ماه پس از پایان سال مالی تهیه و افشاء نمایند.
با توجه به اهمیت زمان انتشار گزارش مالی، شماری از پژوهش‌گران به بررسی عوامل مؤثر بر زمان‌بندی انتشار اطلاعات توسط شرکت‌ها پرداخته‌اند. پژوهش‌های مرتبط با رابطهی سرعت گزارشگری اطلاعات مالی و ماهیت اطلاعات نشان می‌دهند اخبار خوب زودتر گزارش می‌شوند. همچنین در ادبیات نظری عنوان می‌شود حسابرس و عملکرد وی در زمان بندی انتشار گزارش موثر است. کیفیت حسابرسی به صورت مستقیم با راهبری شرکتی و سازوکارهای نظارتی در ارتباط است. شاخص‌هایی نظیر اندازه مؤسسه‌های حسابرسی، قدمت و نام تجاری به عنوان جانشینی برای کیفیت حسابرسی در نظر گرفته می‌شوند (ستایش و همکاران، 1389). در ایران با توجه به پژوهش‌های پیشین، سازمان حسابرسی به عنوان بزرگ‌ترین مؤسسه حسابرسی شناخته می‌شود. زیرا از نظر تعداد کارکنان و حجم قراردادها، هیچ‌گونه همتایی در ایران برای آن وجود ندارد. بر مبنای نظریه منحنی یادگیری4، هرچه تعداد گزارش‌های سالانه افزایش یابد، زمان آماده‌سازی گزارش نیز کوتاه‌تر خواهد شد زیرا تجربه مدیران و حسابداران در فرایند گزارشگری بیشتر خواهد شد (اوسو-آنسه، 2000).
همچنین پژوهش‌های فراوانی، تأثیر نظام راهبری شرکتی را بر به هنگامی نشان داده‌اند. بانک جهانی راهبری شرکتی را به این صورت تعریف می‌کند: «راهبری شرکتی به حفظ تعادل بین هدف‌های اجتماعی، اقتصادی، فردی و جمعی مربوط می‌شود. چارچوب راهبری شرکتی برای تقویت استفاده مؤثر از منابع و پاسخگویی لازم به منظور نظارت بر آن منابع بوده و هدف راهبری شرکتی هم راستا نمودن هرچه بیشتر منافع افراد، شرکت‌ها و جامعه است. » در پژوهش‌ها عنوان شده است افزایش تمرکز مالکیت سهامداران عمده، انگیزه کافی برای نظارت بر عملکرد مدیران را فراهم می‌آورد. در مقابل مالکیت‌های پراکنده (خرد) انگیزه کمی برای نظارت بر مدیریت دارند زیرا هزینه‌های نظارت بر منافع نظارت فزونی خواهد داشت. می‌توان چنین گفت تمرکز مالکیت بر کیفیت گزارشگری اطلاعات مالی موثر است (آقایی و چالاکی، 1388). سرمایهگذاران نهادی با مالکیت بخش قابل توجهی از سهام شرکت‌ها، نقش عمدهای در تعیین سیاستها و بهبود عملکرد مدیریت دارند (اَل نجار، 2010). پژوهش‌گران بیان داشتهاند مالکیت نهادی به وسیله نظارت بر عملکرد یا حتی کنترل غیر مستقیم شرکت از طریق مدیریت، با به‌هنگام‌تر کردن گزارش‌ها، نقش کلیدی در حداقل کردن عدم تقارن اطلاعاتی ایفا می‌نماید (ماگ، 1998). اعتقاد کلی بر این است افزایش درصد مالکیت مدیران از طریق کاهش عدم تقارن اطلاعاتی موجب کاهش تضاد منافع بین مدیران و سهامداران می‌شود و در پی آن تقاضا برای نظارت بیشتر را کاهش می‌دهد (ستایش و همکاران، 1389 و عبدالسلام و المصری، 2008). در واقع انتظار می‌رود مالکیت مدیریت تأثیر منفی بر به‌هنگامی داشته باشد زیرا نیاز به نظارت بیشتر و افشای به هنگام با نسبت بیشتر مالکیت مدیریتی کاهش می‌یابد. اعضای غیرموظف، مدیران حرفه‌ای با تخصص هستند که وظیفه آن‌ها کاهش تضاد منافع بین اعضای مؤظف و سهامداران و نظارت بر مدیران ارشد است. اعضای غیرموظف به گونه بهتری از منافع سهامداران حمایت می‌کنند و نماینده بهتری برای آنان هستند (ستایش و کاظم نژاد، 2011 و قالیباف اصل و رضایی، 2011).
نتایج بیور (1968)، گیولی و پالمون(1982) و چای و تونگ (2002) حاکی از آن است اخبار بد دیرتر به بازار منعکس می‌شوند، زیرا شرکت‌ها در گزارش اخبار بد تردید دارند و نیز زمان بیشتری برای توسل به فنون حساب سازی نیاز دارند. کورتیس (1976) دریافت شرکت‌های صنعت‌های انرژی و واسطه گری مالی، گزارشگری به هنگام تری در مقایسه با صنعت‌های دیگر داشتهاند.
با توجه به نتایج چمبرز و پنمان (1984)، کراس و شرودر(1984) و لونتیس و ویتمن (2004) به نظر می‌رسد به انتشار سریع‌تر اخبار خوب از قبیل سود بیشتر از سود پیش بینی شده، تمایل وجود دارد.
نتایج اشتون و همکارانش (1989) بیانگر آن است پیچیدگی فعالیت و کیفیت کنترل‌های داخلی، بسته به نوع مالکیت، با تأخیر در گزارشگری مالی به طور معنی داری مرتبط بوده است.
اوسو-آنسه (2000) دریافت به هنگامی گزارشگری مالی با قدمت آن‌ها رابطهی مثبت دارد. اما اعتمادی و یارمحمدی (1382) هیچ‌گونه رابطه‌ای میان قدمت و به‌هنگامی نیافتند.
بال و همکارانش (2000) دریافتند شرکت‌های دارای سهامداران قدرتمند و عمده، به افشای زودهنگام اطلاعات تمایل دارند.
بیکز و همکارانش (2004) رابطهی مثبتی بین نسبت بالاتر اعضای غیرمؤظف و به هنگامی گزارشگری اخبار نشان دادند. اما بر خلاف آنان، بوشمن و همکارانش (2004) رابطهی منفی بین این دو عامل را عنوان کردند.
آجینکیا و همکارانش (2005) دریافتند شرکت‌های دارای نسبت بالای اعضای غیرمؤظف، تمایل بیشتری به انتشار پیش بینی سود و پیش بینی‌های به‌هنگام‌تر دارند. بر خلاف یافته‌های پیشین، اوسو آنسه و لونتیس (2006) عنوان کردند شرکت‌های با مالکیت بیشتر در دست سهامداران مؤظف، تأخیر بیشتری در گزارشگری داشتهاند.
اوسو-آنسه و لونتیس (2006) و تورل (2010) دریافتند هنگام وجود گزارش حسابرسی مشروط، تأخیر در انتشار اطلاعات مالی افزایش یافته است. اشتون و همکارانش (1989) و اوسو-آنسه و لونتیس (2006) رابطه مثبتی بین اندازه حسابرس و به هنگامی گزارشگری نشان دادند.
عبدالسلام و استریت (2007) دریافتند بین تعداد بیشتر اعضای غیر مؤظف، نسبت سهام در دست سهامدار عمده و به هنگامی گزارشگری اینترنتی رابطه منفی و معنی داری وجود دارد. هر چند نتایج اعتمادی و یارمحمدی (1382) حاکی از آن بود تمرکز یا عدم تمرکز مالکیت، تأثیری بر گزارشگری به هنگام نداشته است.
مطابق یافته‌های عبدالسلام و المصری (2008)، نسبت مالکیت مدیریت عامل با به هنگامی رابطهی مثبت و معنی داری داشته است. همچنین آنان نشان دادند به هنگامی با حضور اعضای غیرمؤظف مرتبط است. بر اساس تحقیقات اوبرت (2009) بین وجود گزارش تلفیقی و میزان به هنگامی در گزارشگری، رابطه‌ای منفی وجود داشته است. نتایج عفیفی (2009) حاکی از وجود رابطهی معنی دار بین استقلال هیئت مدیره و تأخیر در اظهارنظر حسابرس بود.
یافته‌های تورل (2010) نشان داد شرکت‌های شاغل در صنایع تولیدی، گزارشگری به‌هنگام‌تری داشتهاند. مطابق یافته‌های اکتاس و کارگین(2011) شرکت‌های شاغل در صنعت غیر واسطه گری مالی، تأخیر بیشتری در گزارشگری داشتهاند. هاشم و رحمان (2011) هیچ‌گونه ارتباطی بین استقلال هیئت مدیره و تأخیر در اظهارنظر حسابرس نیافتند.
اعتمادی و یارمحمدی (1382) نشان دادند پیچیدگی عملکرد شرکت‌ها و همچنین وجود یا عدم وجود نظام بهایابی مطلوب تأثیری بر گزارشگری به هنگام نداشته است.
2-2- تکنیک‌های داده کاوی
تاکنون رویکردهای نوین داده کاوی در بررسی به هنگامی گزارشگری مورد استفاده قرار نگرفته است. تحقیق حاضر جز نخستین مطالعه‌هایی است که در بررسی به‌هنگامی گزارشگری، تکنیک‌های داده کاوی شامل درخت تصمیم و شبکه‌های عصبی مصنوعی را بکار گرفته است. به‌کارگیری تکنیک‌های داده کاوی در تحقیقات حسابداری و مالی به طور روز افزونی در حال گسترش است. در ادامه به معرفی دو مورد از این تکنیک‌ها (شبکه‌های عصبی مصنوعی و درخت) تصمیم پرداخته می‌شود. الگوریتم درخت تصمیم یکی از عمومی‌ترین تکنیک‌های داده کاوی برای حل مسائل از نوع طبقه بندی است. این الگوریتم با ایجاد یکسری گره‌ها5 و شعبه‌های6بهم متصل، سعی در طبقه بندی متغیرهای اسمی و تخمین متغیرهای عددی دارد. گره‌های یک درخت تصمیم نشان دهنده نقاط آزمون متغیرها است. بر مبنای نتایج آزمون صورت گرفته، درخت تصمیم به گره‌ها یا برگ‌های7 جدیدی می‌رسد. ریشه درخت اولین و اساسی‌ترین گره درخت و برگ‌های آن آخرین نقطه تفکیک و به عبارتی نشان دهنده طبقه بندی است. مدل‌های حاصل از درخت تصمیم قابلیت تفسیر بالایی دارند. تکنیک درخت تصمیم دارای الگوریتم‌های متفاوتی مثل تکنیک‌های ID3، C5/0، CART و CHAID است (آتا و سیرک، 2009). در این تحقیق از الگوریتم CHAID درخت تصمیم استفاده شده است. مدل حاصل از تکنیک درخت تصمیم CHAID در قالب شمای تصویری با سؤال و جواب مکرر ارائه می‌شود. به منظور استفاده از مدل درخت تصمیم می‌باید از بالا به پایین درخت شروع به خواندن گره‌ها با قاعده اگر–آنگاه (IF - Then) نمود تا به جواب‌ها که همان برگ‌های درخت هستند رسید. مدل درخت تصمیم CHAID توصیفی از وضعیت موجود داده‌ها را نشان می‌دهد و قابلیت تفسیر بالایی (توسط زبان انسان) دارد.
یک شبکه عصبی مصنوعی، شامل مجموعه‌ای از نرون‌های به هم متصل شده است که به هر مجموعه از این نرون‌ها یک لایه گفته می‌شود. نقش نرون‌ها در شبکه‌های عصبی، پردازش اطلاعات است. این امر، در شبکه‌های عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعال‌سازی است، انجام می‌شود. یک تابع فعال‌سازی بر اساس نیاز خاص مسئله‌ای که قرار است به وسیله شبکه عصبی حل شود، توسط طراح انتخاب می‌شود. در شبکه عصبی مصنوعی، شبکه قانون کار را یاد می‌گیرد و از یادگیری به ازای هر ورودی، خروجی مناسب را ارائه می‌دهد. شبکه عصبی از ورودی‌ها، وزن‌ها، مجموعه‌ای از نرون‌ها و خروجی‌ها تشکیل می‌شود. هر ورودی (Xi) قبل از اینکه وارد نرون شود، وزن دار می‌گردد (در Wij ضرب می‌شود). خروجی نرون با استفاده از تابع تبدیل fj محاسبه می‌گردد. یک ورودی، سبب ایجاد یک خروجی در نرون لایه اول می‌گردد و به همین شکل، پاسخی برای رشته‌های لایه بعد به وجود می‌آورد که این خروجی‌ها، ورودی‌های نرون‌های بعد خواهند شد و خروجی‌های دیگری را در نرون‌های آن لایه به وجود می‌آورند. این روند ادامه می‌یابد تا اینکه یک پاسخ در لایه خروجی ایجاد شود. مدل بدست آمده از تکنیک شبکه‌های عصبی مصنوعی یک مدل غیرخطی است که توانایی حل مسائل پیچیده را دارد. مدل‌های حاصل از شبکه‌های عصبی مصنوعی قابلیت تفسیر پایینی دارند (آتا و سیرک، 2009 و مکیان و همکاران، 1389).
3- روش پژوهش
3-1- جامعه و نمونه آماری
جامعه آماری در این تحقیق شامل کلیه شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران است که حائز شرایط زیر بوده‌اند:
1- اطلاعات مالی شرکت برای دوره زمانی بین 1387 الی 1389 موجود باشد.
2- دوره مالی آنان منتهی به 29 ماه اسفند باشد.
3- شرکت در طی دوره مورد بررسی تغییر سال مالی را تجربه نکرده باشد.
با اعمال معیارهای فوق تعداد 316 شرکت انتخاب گردید.
3-2- روش گردآوری و تحلیل داده‌ها
این پژوهش از نوع توصیفی، شبه تجربی و کاربردی است. روش شناسی این پژوهش از نوع پس رویدادی است؛ یعنی پژوهش بر اساس داده‌های گذشته انجام شده است. در این پژوهش، برای پیشینه نظری و نیز گردآوری داده‌ها، از روش کتابخان‌های و اسناد کاوی استفاده شده است. داده‌های مورد نیاز به صورت سالانه از صورت‌های مالی حسابرسی شده شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران و بانک‌های اطلاعاتی موجود در این زمینه، از قبیل تدبیرپرداز و وب‌گاه بورس اوراق بهادار تهران گردآوری شده است.
با توجه به اینکه در تحقیق حاضر از فرآیند داده کاوی استفاده شده است، لذا مراحل انجام تحقیق و مدل اجرایی آن متناسب با استاندارد CRISP-DM 34 است. فرآیند CRISP-DM یک روش شناسی استاندارد داده کاوی است که در اواخر سال 1996 توسط سه شرکت بزرگ دایملر کرایسلر، اس. پی. اس. اس و ان. سی. آر35ایجاد گردید. این متدولوژی چرخه عمر یک پروژه داده کاوی را به شش مرحله انعطاف پذیر شامل شناخت کسب و کار، شناخت داده‌ها، آماده سازی داده‌ها، مدل‌سازی، ارزیابی مدل و توسعه مدل، تقسیم بندی می‌کند. در این تحقیق کار با داده‌ها شروع شده و سعی بر آن بود مواردی را که قبلاً نسبت به آن‌ها آگاهی وجود نداشته را کشف و برایشان قوانینی ساخته شود. در این فرآیند به منظور ساخت مدل از تکنیک‌های درخت تصمیم CHAID و شبکه‌های عصبی مصنوعی استفاده شده است. نرم افزار مورد استفاده، برای اجرای فرآیند داده کاوی Clementine و 12 SPSS است.
3-3- متغیرهای پژوهش
متغیرهای مستقل پژوهش شامل نسبت مالکیت سهامداران عمده، تعداد سهامداران عمده، نسبت مالکیت سهامداران نهادی، نسبت مالکیت هیئت مدیره، نسبت مالکیت مدیر عامل، نسبت مالکیت هلدینگ‌ها، نسبت اعضای غیرمؤظف، تمایز مدیر عامل و رئیس هیئت مدیره، موسسه حسابرسی بزرگ (سازمان حسابرسی)، تغییر حسابرس مستقل، اندازه شرکت، قدمت شرکت در بورس، بازده ارزش ویژه دوره جاری و دوره‌ی قبل، خبر خوب (بالاتر بودن سود واقعی از سود پیش بینی شده)، گزارش مالی تلفیقی، وجود سیستم بهای تمام شده مورد تأیید حسابرس، اظهار نظر مقبول حسابرس مستقل و صنعت بوده است. این پژوهش با استفاده از متغیرهای مستقل طراحی شده است تا عوامل موثر بر متغیر وابسته به هنگامی گزارشگری مالی سالانه آزمون گردد.
4- تجزیه و تحلیل نتایج
4-1- آمار توصیفی
آمار توصیفی داده‌های مورد آزمون در نگاره (1) ارائه شده است. کمترین تأخیر در گزارشگری 29 روز و بیشترین تأخیر 181 روز بوده است. مدل حاصل از تکنیک شبکه‌های عصبی مصنوعی در قالب توپولوژی شبکه ارائه شد. به عبارتی مدل شبکه‌های عصبی مصنوعی نشان دهنده معماری لایه‌های میانی (مخفی) این شبکه‌ها هستند. تعداد گره‌های لایه اول و دوم در لایه میانی به ترتیب شامل 3 و 7 گره است. مدل حاصل از شبکه‌های عصبی مصنوعی قابلیت تفسیر پایینی (توسط زبان انسان) و توانایی بالایی جهت حل مسائل دارند. مدل مزبور به شرح زیر است:
|
تعداد گره‌های لایه خروجی |
لایه میانی (لایه مخفی) |
تعداد گره‌های لایه ورودی |
||
|
تعداد گره‌های لایه سوم |
تعداد گره‌های لایه دوم |
تعداد گره‌های لایه اول |
|
|
|
1 گره |
- |
7 گره |
3 گره |
19 گره |
نتایج حاصل از مدل درخت تصمیم CHAID در شکل (1) ارائه شده است. به عنوان مثال تفسیر مدل مزبور در قالب قاعده اگر – آنگاه برای دو گره به این شرح است: (1) اگر نسبت مالکیت سهامداران نهادی بیش از 81 درصد بوده و تعداد سهامداران عمده بیش از یک باشد، آن گاه متوسط میزان تأخیر 75 روز بوده است. (2) اگر نسبت مالکیت سهامداران نهادی کمتر از 81 درصد و اظهار نظر حسابرس نامقبول و گزارش تلفیقی بوده و نسبت مالکیت هلدینگ‌ها کمتر از 24 درصد باشد، آن گاه متوسط میزان تأخیر 110 روز بوده است.
نگاره (1): آمار توصیفی
|
شرح متغیر |
نماد |
کمینه |
بیشینه |
میانگین |
انحراف معیار |
|
تعداد روز تأخیر |
Delay (t) |
29 |
181 |
12/87 |
133/26 |
|
نسبت مالکیت سهامداران عمده |
Mj_Shrhld |
08/0 |
99/0 |
7513/0 |
1725/0 |
|
تعداد سهامداران عمده |
MjShld_Qnt |
1 |
9 |
84/2 |
355/1 |
|
نسبت مالکیت سهامداران نهادی |
Ins_Shrhld |
01/0 |
1 |
7613/0 |
2872/0 |
|
نسبت مالکیت هیئت مدیره |
Brd_Shrhld |
05/0 |
99/0 |
7055/0 |
1972/0 |
|
نسبت مالکیت مدیر عامل |
CEO_Shrhld |
01/0 |
99/0 |
3635/0 |
3072/0 |
|
نسبت مالکیت هلدینگ‌ها |
Hld_Shrhld |
00/0 |
98/0 |
2016/0 |
2882/0 |
|
نسبت اعضای غیرمؤظف |
Indep_qnt |
17/0 |
1 |
6484/0 |
1962/0 |
|
تمایز مدیر عامل و رئیس هیئت مدیره |
Duality |
0 |
1 |
98/0 |
147/0 |
|
موسسه حسابرسی بزرگ |
Aud_BIG |
0 |
1 |
23/0 |
422/0 |
|
تغییر حسابرس مستقل |
Aud_Chnge |
0 |
1 |
20/0 |
4/0 |
|
اندازه شرکت |
Size |
4 |
8 |
55/5 |
786/0 |
|
قدمت شرکت در بورس |
Age |
0 |
43 |
23/14 |
646/9 |
|
بازده ارزش ویژه دوره جاری |
ROE (t) |
88/2- |
94/1 |
1138/0 |
4091/0 |
|
بازده ارزش ویژه دوره‌ی قبل |
ROE (t-1) |
71/2- |
87/2 |
1546/0 |
3755/0 |
|
خبر خوب |
Goodnews |
0 |
1 |
5728/0 |
4954/0 |
|
گزارش مالی تلفیقی |
Consolid |
0 |
1 |
40/0 |
490/0 |
|
وجود سیستم بهای تمام شده مورد تأیید حسابرس |
Cost_sys |
0 |
1 |
88/0 |
329/0 |
|
اظهار نظر مقبول حسابرس مستقل |
opinion |
0 |
1 |
38/0 |
486/0 |
|
تعداد شرکت‌ها: |
316 |
|
|
|
|
4-2- آزمون دقت مدل‌ها
به منظور ارزیابی مدل‌های تحقیق، نتایج حاصل از داده‌های آزمون مورد بررسی قرار گرفت. این به دلیل ارزیابی مدل حاصله از داده‌های آموزش با استفاده از داده‌های آزمون است. نتایج حاصل از این ارزیابی قابلیت اتکا بیشتری دارد، زیرا در این حالت مدل حاصله، با داده‌های جدید ارزیابی می‌شود. بر این اساس، نگاره فوق نشان می‌دهد به ترتیب میانگین مجذور خطا و انحراف معیار بین داده‌های واقعی و داده‌های پیش بینی شده در مدل حاصل از تکنیک شبکه‌های عصبی مصنوعی (784/18و 198/16) پایین‌تر از تکنیک درخت تصمیمCHAID (521/17و 172/19) است.
شکل (1): درخت تصمیم CHAID
همچنین همبستگی بین داده‌های واقعی و داده‌های پیش بینی شده در مدل حاصل از تکنیک شبکه‌های عصبی مصنوعی (573/0) بالاتر از تکنیک درخت تصمیمCHAID (438/0) است. نتایج حاصله نشان از توانایی بالاتر تکنیک شبکه‌های عصبی مصنوعی در مقایسه با تکنیک درخت تصمیم CHAID جهت پیش بینی میزان تأخیر در انتشار صورت‌های مالی دارد. نگاره (2) نتایج حاصله را به صورت مقایسه‌ای نشان می‌دهد.
به منظور تعیین تعمیم پذیری مدل‌های حاصله، تفاوت معیارهای میانگین مجذور خطا، انحراف معیار و ضریب همبستگی در داده‌های آموزش و آزمون هر مدل مورد بررسی محقق قرار گرفت. بر این اساس مدل حاصل از تکنیک مدل درخت تصمیم CHAID قابلیت تعمیم پذیری بالاتری نسبت به مدل حاصل از تکنیک شبکه‌های عصبی مصنوعی دارد. به عنوان مثال تفاوت ضریب همبستگی مدل شبکه‌های عصبی مصنوعی (13/0) در دو دسته آموزش و آزمون بیشتر از تفاوت ضریب همبستگی مدل درخت تصمیم CHAID در دو دسته آموزش و آزمون است. این موضوع نشان می‌دهد مدل حاصل از داده‌های آموزش در تکنیک مدل درخت تصمیم CHAID تقریباً همان توانایی را در برخورد با داده‌های جدید (داده‌های آزمون) دارد ولی توانایی مدل حاصل از داده‌های آموزش در تکنیک شبکه‌های عصبی مصنوعی در برخورد با داده‌های جدید (داده‌های آزمون) کمتر است.
مطابق با نتایج حاصله، اهمیت متغیرهای تحقیق جهت پیش بینی میزان تأخیر در صدور صورت‌های مالی به صورت مقایسه‌ای در نگاره (3) نشان داده شده است. مطابق نتایج تکنیک شبکه‌های عصبی مصنوعی متغیرهای نسبت مالکیت سهامداران نهادی، صنعت، حسابرس بزرگ، اظهارنظر مقبول، نسبت اعضای غیرموظف هیئت مدیره و وجود گزارش تلفیقی به ترتیب مهم‌ترین عوامل موثر بر به هنگامی بوده است. مطابق نتایج تکنیک درخت تصمیم CHAID، متغیرهای سهامداران نهادی، تعداد سهامداران عمده، سن شرکت در بورس، وجود گزارش تلفیقی، نسبت مالکیت هلدینگ‌ها و اظهار نظر مقبول به ترتیب مهم‌ترین عوامل موثر بر به هنگامی بوده است.
نگاره (2): مقایسه مدل‌های آزمون
|
شــــرح |
شبکه‌های عصبی مصنوعی |
درخت تصمیم CHAID |
||
|
داده‌های آموزش |
داده‌های آزمون |
داده‌های آموزش |
داده‌های آزمون |
|
|
حداقل خطا |
447/64- |
309/54- |
679/69- |
125/45- |
|
حداکثر خطا |
678/72 |
162/35 |
429/86 |
541/58 |
|
میانگین خطا |
097/2- |
006/3- |
355/0 |
496/0 |
|
میانگین مجذور خطا |
784/18 |
198/16 |
172/19 |
521/17 |
|
انحراف معیار |
573/23 |
367/20 |
983/23 |
516/22 |
|
ضریب همبستگی |
47/0 |
573/0 |
438/0 |
438/0 |
|
تعداد مشاهدات |
238 |
78 |
238 |
78 |
5- نتیجه‌گیری و پیشنهادها
هدف از طراحی و اجرای این پژوهش بررسی توان تکنیک‌های داده کاوی و شناسایی تأثیر متغیرهای مستقل شامل نسبت مالکیت سهامداران عمده، تعداد سهامداران عمده، نسبت مالکیت سهامداران نهادی، نسبت مالکیت هیئت مدیره، نسبت مالکیت مدیر عامل، نسبت مالکیت هلدینگ‌ها، نسبت اعضای غیرمؤظف، تمایز مدیر عامل و رئیس هیئت مدیره، موسسه حسابرسی بزرگ، تغییر حسابرس مستقل، اندازه شرکت، سن شرکت در بورس، بازده ارزش ویژه دوره جاری و دوره‌ی قبل، خبر خوب (بالاتر بودن سود واقعی از سود پیش بینی شده)، گزارش مالی تلفیقی، وجود سیستم بهای تمام شده مورد تأیید حسابرس، اظهار نظر مقبول حسابرس مستقل و صنعت بر روی به هنگامی گزارشگری مالی سالانه است. با توجه به نتایج، مدل حاصل از تکنیک مدل درخت تصمیم CHAID توان و قابلیت تعمیم پذیری بالاتری نسبت به مدل حاصل از تکنیک شبکه‌های عصبی مصنوعی داراست.
نگاره (3): میزان اهمیت متغیرها جهت پیش بینی میزان تأخیر انتشار صورت‌های مالی
|
ردیف |
نـــماد متغیر |
مـــــیزان اهــــمیت مــــتغیرها |
|
|
شبکه‌های عصبی مصنوعی |
درخت تصمیم CHAID |
||
|
1 |
Ins_Shrhld |
1947/0 |
2348/0 |
|
2 |
Industry |
1779/0 |
0 |
|
3 |
Aud_BIG |
0809/0 |
0 |
|
4 |
opinion |
0773/0 |
1069/0 |
|
5 |
Indep_qnt |
0725/0 |
0 |
|
6 |
Consolid |
0723/0 |
1398/0 |
|
7 |
ROE |
0595/0 |
0 |
|
8 |
Goodnews |
055/0 |
0 |
|
9 |
ROE (t-1) |
046/0 |
0 |
|
10 |
Duality |
043/0 |
0 |
|
11 |
MjShld_Qnt |
0307/0 |
2237/0 |
|
12 |
Size |
0192/0 |
0 |
|
13 |
Mj_Shrhld |
0144/0 |
0 |
|
14 |
CEO_Shrhld |
0129/0 |
0 |
|
15 |
Hld_Shrhld |
0125/0 |
1291/0 |
|
16 |
Age |
0125/0 |
1657/0 |
|
17 |
Cost_sys |
0094/0 |
0 |
|
18 |
Aud_Chnge |
0068/0 |
0 |
|
19 |
Brd_Shrhld |
0025/0 |
0 |
نتایج هر دو مدل نشان داد متغیرهای نسبت مالکیت سهامداران نهادی، نسبت اعضای غیرموظف هیئت مدیره، سهامداران نهادی، تعداد سهامداران عمده، حسابرس بزرگ، اظهارنظر مقبول و وجود گزارش تلفیقی بیشترین اثر را بر به هنگامی دارد. با توجه به نتایج هر دو مدل، رابطه مثبت متغیر نسبت مالکیت سهامداران نهادی بیان گر این موضوع است سهامداران نهادی به دلیل قدرت بیشتر، مهارت بیشتر در تجزیه و تحلیل اطلاعات و نیز نیاز به اطلاعات شرکت جهت اعمال در حساب‌های تلفیقی خویش، بر به هنگامی تأثیر مثبت داشتهاند.
نتایج مدل شبکه‌های عصبی مصنوعی برای متغیر موسسه حسابرسی بزرگ با یافته‌های گیلینگ (1977)، مک گی و یوآن (2008)، اشتون و همکارانش (1989) و اوسو-آنسه و لونتیس (2006) مبنی بر گزارشگری به هنگام‌تر در حضور حسابرسان بزرگ سازگاری ندارد. به نظر می‌رسد کیفیت بالاتر عملیات و همچنین سیستم اداری پیچیده‌تر مؤسسه حسابرسی بزرگ، به همان میزان زمان گزارشگری را نیز افزایش می‌دهد. رابطه مثبت متغیر اظهارنظر مقبول حسابرس در هر دو مدل، بیان گر آن است که دریافت اظـهارنظر مـقبـول کیفیت به هنگامی را افزایش داده است که با نتایج اوسو-آنسه و لونتیس (2006) و تورل (2010) سازگار است. از طرفی مطابق انتظار تأثیر متغیر گزارش تلفیقی منفی بوده که نشان می‌دهد وجود گزارشگری تلفیقی با تأخیر بیشتر در گزارشگری همراه بوده است که با یافته‌های اوبرت (2009) هم خوانی دارد.
در این تحقیق تنها برخی از عوامل اثرگذار بر به هنگامی گزارشگری مورد بررسی قرار گرفته‌اند. به عبارت دیگر، به هنگامی گزارشگری می‌تواند متأثر از متغیرهای دیگری مانند حق‌الزحمه حسابرس، تغییر حسابرس، ماه منتهی به پایان دوره و... باشد. از سوی دیگر در بحث به هنگامی، یکی از عوامل مهم فرآیند تهیه گزارش‌ها توسط شرکت است. از آن‌جا که عواملی چون ویژگی‌های مکانی، سطح مهارت و تخصص کارکنان (به ویژه حسابداران) و حسابرس روی فرآیند تهیه گزارش تأثیر گذار است که به دلیل نبود اطلاعات، امکان بررسی آن‌ها میسر نگردیده است. با توجه به نتایج و چالش‌های به وجود آمده در حین پژوهش، توجه و بررسی به موارد ذیل در پژوهش‌های آتی ضروری به نظر می‌رسد: الف- بررسی عواملی غیر از متغیرهای به کار گرفته شده در پژوهش و تأثیر آن‌ها بر به هنگامی گزارشگری مالی شرکت‌ها مانند حق‌الزحمه حسابرس، سطح مهارت کارکنان، طول تصدی مدیران و همچنین حسابرس، ماه منتهی به پایان دوره و... ب- بررسی بازار سرمایه در بازه زمانی انتشار گزارش و واکنش بازار به تاریخ انتشار گزارش. پ- بررسی رابطهی ویژگی‌های راهبری شرکتی نظیر تحصیلات و سن مدیران، دوره تصدی و... با به هنگامی گزارشگری مالی.
پی نوشت
|
1 |
Investor protection |
2 |
The European Union |
|
3 |
Data Mining |
4 |
The Learning Curve Theory |
|
5 |
Node |
6 |
Branches |
|
7 |
Leafs |
)