Detecting-earnings-management-with-neural-networks.[taliem.ir]

Detecting earnings management with neural networks

ABSTRACT

A large body of studies has examined the occurrence of earnings management in various contexts. In most studies, the assumption has been that earnings are managed through accounting accruals. Thus, a range of accrual based earnings management detection models have been suggested. The ability of these models to detect earnings management has, however, been questioned in a number of studies. An explanation to the poor performance of the existing models is that most models use a linear approach for modeling the accrual process even though the accrual process has in fact proven non-linear in several studies. An alternative way to deal with the non-linearity is to use various types of neural networks. The purpose of this study is to  assess whether neural network-based models outperform linear and piecewise linear-based models in  detecting earnings management. The study comprises neural network models based on a self-organizing map (SOM), a multilayer perceptron (MLP) and a general regression neural network (GRNN). The results show that the GRNN-based model performs best, whereas the linear regression-based model has the poorest  performance. However, the results also show that all five models assessed in this study estimate discretionary accruals, a proxy for earnings management, with some bias.

INTRODUCTION

A variety of studies has examined the occurrence of earnings management in several contexts, such as prior to initial public offerings (Teoh, Welch, & Wong, 1998), during financial distress (DeFond & Jiambalvo, 1994; Jaggi & Lee, 2002) and during changes in accounting standards (Van Tendeloo & Vanstraelen, 2005). In most studies, the assumption has been that earnings are managed through accounting accruals. Based on this assumption, various models that divide the accruals into non-discretionary accruals (expected accruals) and discretionary accruals (unexpected accruals) have been suggested. The discretionary accruals estimated with these models are considered a proxy for earnings management. The problem in using discretionary accrual estimation models is that earnings management is not directly measurable, not even ex-post. That is, earnings management activities are often difficult to distinguish from normal business activities. Thus, the assessment of the actual performance of these models can be problematic. The ability of the discretionary accrual estimation models to extract the discretionary part of accruals has been questioned in a number of studies. Thomas and Zhang (2000), for example, showed that most of the discretionary accrual estimation models perform worse than just the simple assumption that the non-discretionary accruals equal 5% of total assets. One explanation to the poor performance of the models is that the data usually is rather noisy.

چکیده

بخش بزرگی از مطالعات، وقوع مدیریت درآمد را در زمینه های مختلف مورد بررسی قرار داده است. در بیشتر مطالعات، فرض شده است که درآمد از طریق تعهدات حسابداری مدیریت می شود. بنابراین، طیف وسیعی از مدل های تشخیص مدیریت درآمد مبتنی بر تعهد ارائه شده است. با این حال، توانایی این مدل ها برای شناسایی مدیریت درآمد، در تعدادی از مطالعات مورد سوال قرار گرفته است. توضیح عملکرد ضعیف مدل های موجود این است که اکثر مدل ها از یک روش خطی برای مدل سازی فرایند تخصیص استفاده می کنند، حتی اگر فرایند تعهد در چندین مطالعه غیر خطی ثابت شده باشد. یک روش جایگزین برای مقابله با غیر خطی بودن استفاده از انواع شبکه های عصبی است. هدف از این مطالعه ارزیابی اینکه آیا مدل های مبتنی بر شبکه عصبی از مدل های مبتنی بر خطی و بسته بندی خطی در تشخیص مدیریت درآمد فراتر رفته است. این مطالعه شامل مدل شبکه های عصبی بر اساس نقشه خودسازمانده (SOM)، یک پروتزمون چند لایه (MLP) و یک شبکه عصبی رگرسیون کلی (GRNN) می باشد. نتایج نشان می دهد که مدل مبتنی بر GRNN بهترین عملکرد را دارد، در حالی که مدل مبتنی بر رگرسیون خطی دارای فقیرترین عملکرد است. با این حال، نتایج همچنین نشان می دهد که تمام پنج مدل ارزیابی شده در این مطالعه برآورد جبرانی اختیاری است، یک پروکسی برای مدیریت درآمد، با برخی از تعصب.

مقدمه

مطالعات مختلف مطالعات مختلفی را در زمینه مدیریت درآمد در چندین حوزه نظیر قبل از ارائه عمومی عمومی (Teoh، Welch، & Wong، 1998)، در طی آشفتگی مالی مورد بررسی قرار داده است (DeFond & Jiambalvo، 1994؛ Jaggi & Lee، 2002) در طول تغییرات در استانداردهای حسابداری (Van Tendeloo & Vanstraelen، 2005). در بیشتر مطالعات، فرض شده است که درآمد از طریق تعهدات حسابداری مدیریت می شود. بر اساس این فرض، مدل های مختلفی که تقلب را تقسیم می کنند به تعهدات غیر اختیاری (تعهدات پیش بینی شده) و تعهدات اختیاری (تعهدات غیر منتظره) پیشنهاد شده است. تعهدات اختیاری برآورد شده با این مدل ها، یک پروکسی برای مدیریت درآمد محسوب می شوند. مشکل در استفاده از مدل های برآورد مجدد تخصیص اختیاری، این است که مدیریت درآمد مستقیما قابل اندازه گیری نیست و حتی پیش بینی نشده است. یعنی فعالیت های مدیریت درآمد اغلب دشوار است که از فعالیت های تجاری معمولی متمایز شوند. بنابراین، ارزیابی عملکرد واقعی این مدل ها می تواند مشکل ساز باشد. توانایی مدل های برآورد تعهدی اختیاری برای استخراج بخش اختیاری تعهدات در تعدادی از مطالعات مورد سوال قرار گرفته است. مثلا توماس و ژانگ (2000) نشان داد که بیشتر مدل های برآورد تعهدی اختیاری بدتر از این است که فرضیه ساده ای باشد که تعهدات غیر اختیاری برابر با 5٪ کل دارایی ها است. یک توضیح برای عملکرد ضعیف این مدل ها این است که اطلاعات معمولا شلوغ است.

Year: 2015

Publisher: ELSEVIER

By :  Henrik Höglund

File Information: English Language/ 7 Page / size: 457 KB

Download

سال : 1314

ناشر : ELSEVIER

کاری از : هنریک هگلوند

اطلاعات فایل : زبان انگلیسی / 7 صفحه / حجم : KB 457

لینک دانلود

0 پاسخ

دیدگاه خود را ثبت کنید

تمایل دارید در گفتگو شرکت کنید؟
نظری بدهید!

دیدگاهتان را بنویسید