تعدیلات سنواتی

یکی از مهمترین ویژگیهای کیفی اطلاعات حسابداری، اتکاپذیری آن است. طبق مفاهیم نظری گزارشگری مالی، اطلاعاتی اتکاپذیر است که از اشتباه و تمایلات جانبدارانه خالی باشد. موضوع تجدید ارائه صورتهای مالی در نتیجه رسوایی های گزارشگری در متون و مجلات حسابداری بسیار مورد توجه قرار گرفته است.هدف این پژوهش ارائه معیاری مناسب جهت پیش بینی تجدید ارائه صورتهای مالی با استفاده از نسبت های مالی و غیر مالی منتخب آزمون های آماری، در شرکت های پذیرفته شده در بورس اوراق بهادار تهران بین سال های 1388 تا 1399 می باشد. برای این منظور تعداد 265 شرکت متناسب با محدودیت ها انتخاب گردید. همچنین متناسب با ادبیات پژوهش، نسبتهای مالی و غیر مالی استخراج و به جهت برآورد پیش بینی نیز از مدل کلاسیک لاجیت و مدل های فراابتکاری شبکه عصبی و برنامه ریزی ژنتیک استفاده شده است.نتایج پژوهش حاکی از این است که براساس ماتریس درهم ریختگی، در بین مدل های پیش بینی کننده تجدید ارائه صورتهای مالی، کارآیی مدل ارائه شده ناشی از ترکیب نسبت های مالی و غیر مالی( مدل ترکیبی) با الگوریتم ژنتیک 66/85 درصد دقت پیش بینی کل داشته که دارای بالاترین قدرت پیش بینی در مقایسه با مدل ارائه شده با رگرسیون لاجیت بوده است.

هدف: اتکاپذیری یکی از ویژگی های کیفی بسیار مهمِ اطلاعات حسابداری به شمار می آید. طبق مفاهیم نظری گزارشگری مالی، اطلاعاتی اتکاپذیر است که از اشتباه و تمایلات جانب دارانه خالی باشد. موضوع تجدید ارائه صورت های مالی در نتیجه رسوایی های گزارشگری، در متن ها و مجله های حسابداری، بسیار در کانون توجه قرار گرفته است. هدف اصلی پژوهش، ارائه معیاری مناسب برای پیش بینی تجدید ارائه صورت های مالی با استفاده از مدل های بنیش و توسعه بنیش است.روش: این پژوهش از نوع کاربردی و از نظر روش شناسی، پس رویدادی است و در حوزه تحقیقات اثباتی حسابداری قرار می گیرد و بر اطلاعات واقعی در صورت های مالی شرکت ها مبتنی است. داده های مورد نیاز از سایت کدال بورس و از صورت های مالی و گزارش های منتشر شده از شرکت های پذیرفته شده در بورس اوراق بهادار تهران، در دوره ۱۳۸۸ تا ۱۳۹۹ استخراج شده است. همچنین تجزیه وتحلیل داده ها با استفاده از نرم افزار اس پی اس اس و پایتون انجام شده است.یافته ها: در این پژوهش ابتدا، مدل اولیه بنیش برای پیش بینی احتمال تجدید ارائه صورت های مالی بررسی شد؛ سپس با استفاده از شاخص های اثرگذار بر تجدید ارائه و به کمک آزمون تی مستقل و رگرسیون گام به گام، به برآورد مدل با استفاده از رگرسیون لاجیت پرداخته شد. دقت کلی مدل اولیه بنیش، برای پیش بینی احتمال تجدید ارائه صورت های مالی ۴۳/۲۹ درصد و دقت کلی مدل در خصوص مدل توسعه یافته بنیش نیز ۶۸/۶۸ درصد برآورد شد. نتایج پژوهش حاکی از این است که براساس ماتریس درهم ریختگی، در بین مدل های پیش بینی کننده تجدید ارائه صورت های مالی، مدل توسعه یافته بنیش با رگرسیون لاجیت ۶۸/۶۸ درصد، توانایی پیش بینی کل را دارد و در مقایسه با مدل اولیه بنیش (دقت مدل = ۴۳/۲۹ درصد) بیشترین قدرت پیش بینی را داشته است؛ از این رو فرضیه پژوهش تأیید می شود و دقت مدل توسعه یافته بنیش با رگرسیون لاجیت، در شناسایی شرکت های تجدید ارائه شده، بیشتر از مدل اولیه بنیش است.نتیجه گیری: جریان درست اطلاعات در بازار سرمایه، به عنوان موتور محرکه اقتصاد، به تصمیم گیری صحیح و منطقی مشارکت کنندگان منجر می شود و سرانجام، توسعه اقتصادی و بهبود رفاه اجتماعی را به ارمغان می آورد. گزارشگری مالی یکی از ابزارهای اصلی ارتباطی بین یک شرکت با گروه های مختلف ذی نفعان خود است؛ بنابراین شفافیت اطلاعاتی و ارائه اطلاعات صحیح و به موقع توسط شرکت های پذیرفته شده در بورس اوراق بهادار، یکی از عوامل مهم مؤثر برای دستیابی به بازار سرمایه کار است. این پژوهش به دنبال ارائه یک مدل بهینه با استفاده از مدل دست کاری سود بنیش، برای پیش بینی احتمال تجدید ارائه صورت های مالی است. پژوهش های متعددی تاکنون با همین محوریت صورت گرفته است؛ اما خلأ شواهد تجربی درباره ارائه یک مدل کارا و مفید متناسب با شرایط اقتصادی بازار سرمایه ایران، برای پیش بینی احتمال تجدید ارائه صورت های مالی کاملاً مشهود است. در این پژوهش، ابتدا مدل اولیه بنیش برای پیش بینی احتمال تجدید ارائه صورت های مالی بررسی شد. در مرحله دوم، به منظور ارائه یک مدل توسعه یافته براساس شاخص های بنیش و با استفاده از رگرسیون لاجیت، هشت شاخص مالی مدل بنیش از صورت های مالی شرکت های منتخب استخراج شد. در ادامه با استفاده از آزمون رگرسیون گام به گام، بهترین نسبت ها برای پیش بینی تجدید ارائه صورت های مالی انتخاب شد. در این راستا، دو نسبت شاخص مجموع اقلام تعهدی به مجموع دارایی ها و شاخص نسبت بدهی، به عنوان شاخص مالی نهایی انتخاب شد و مدل توسعه یافته بنیش براساس این دو شاخص نهایی ارائه شد. در مرحله سوم، براساس ماتریس درهم ریختگی با مقایسه بین آن ها، بهترین مدل و روش جهت پیش بینی انتخاب شد.