معادله (۲-۶)
که در آن:
: کل اقلام تعهدی (سود منهای جریان‌های نقدی)
: مجموع داراییهای سال قبل
: رشد درآمد
: رشد حسابهای دریافتنی
: داراییهای ثابت مشهود
:‌نرخ بازده داراییهای سال جاری یا سال قبل
: جزء باقیمانده
۲-استفاده از اقلام تعهدی اختیاری تعدیل شده از نظر عملکرد گذشته و پرتفوی صنعت. در این روش اقلام تعهدی اختیاری برآورد شده از مدل تعدیل شده جونز به وسیله دچو وهمکاران (۱۹۹۵) با بهره گرفتن از یک پرتفوی تطبیقی بر مبنای صنعت وعملکرد گذشته تعدیل می‌گردد.
با وجود قابلیت‌هایی که این مدل دارد، اما ایرادهای وارد شده به آن این است که این مدل نمی‌تواند به طور کامل ودقیق تاثیر عملکرد شرکت را کنترل کند (استابن،۲۰۱۰ و دچو وهمکاران،۲۰۱۲) وهمچنین به دلیل کنترل تاثیر عملکرد شرکت، قدرت پیش‌بینی مدل بسیار کاهش می‌یابد (دچو و همکاران،۲۰۱۲).
۲-۳-۷. مدل بال و شیوا کمار(۲۰۰۶)
فرض ضمنی در مدل ریس و دیگران و کازنیک، خطی بودن رابطه بین نقد حاصل از عملیات و تعهدات است. اگر صرفا به اثرکاهش بی ثباتی تعهدات دقت کنیم، این فرض احتمالا درست است. اما تعهدات علاوه بر اثر کاهش بی ثباتی، اثر نامتقارن در شناسایی بموقع زیان دارد که رابطه خطی بین CFO و تعهدات را تحت تاثیر قرار می‌دهد (بال و شیواکمار ۲۰۰۶). طبق نظر بال و شیواکمار (۲۰۰۶) محافظه‌کاری در حسابداری بیان می‌دارد که مدل‌های تعهدات اختیاری که جریان نقد را بعنوان متغیری دارای رابطه خطی در نظر می‌گیرند، بدرستی طراحی نشده‌اند. آن ها بر این عقیده‌اند که بهترین رابطه، رابطه خطی چندبخشی است. با بهره گرفتن از مدل بال و شیواکمار میزان R² بمیزان قابل توجهی افزایش یافت. مدل بال و شیواکمار در ذیل ارائه شده است:
معادله (۲-۷)

که در آن:
DCFO : یک متغیر ساختگی که برای جریان نقد عملیاتی منفی، عدد یک و در غیر اینصورت ، صفر را اختیار می‌کند
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۳-۸. استابن (۲۰۱۰)
انتقاداتی که استابن (۲۰۱۰) به مدلهای قبل از خود وارد می‌کند عبارتند از اینکه ۱)مدلهای قبلی در مورد اینکه کدام بخش سود مدیریت شده است، اطلاعی به دست نمی‌دهند۲)مدلهای قبلی منجر به نتایج متضاد شده است. وی دلیل این امر را تفکیک اقلام تعهدی اختیاری از اقلام تعهدی غیر اختیاری می‌داند،‌زیرا احتمال وجود اشتباه در برآورد این اقلام بسیار زیاد است. ۳) مدلهای قبلی توانایی کشف مدیریت سود را ندارند. و ۴)مدلهای قبلی منجر به اشتباه در اندازه‌گیریها می‌شدند. وی با در نظر گرفتن این انتقادات و این استدلال که تمرکز بر یک جزء از اجزای سود باعث کاهش اشتباه اندازه‌گیری می‌شود، به جای اقلام تعهدی اختیاری از درآمد اختیاری استفاده می‌کند. به نظر وی درآمد ایده آل ترین جزء از اجزای سود است زیرا معمولا بزرگترین رقم از اجزای سود است که مدیریت می‌تواند نسبت به آن اعمال اختیار کند بنابراین وی با بهره گرفتن از مدل زیر به برآورد درآمد اختیاری می‌پردازد:
معادله (۲-۸)

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 آن‌ها 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 آن‌ها 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 پیاده‌سازی می‌شود. شبکه عصبی را می توان بصورت زیر تعریف کرد:
شبکه­ عصبی مصنوعی، یک پردازشگرِ موازی توزیع شده است که از واحدهای پردازشی ساده تشکیل شده است که دارای تمایل ذاتی برای یادگیری و ثبتِ تجربه و استفاده از آن می باشد. شبکه عصبی مصنوعی از دو جنبه شبیه مغز می‌باشد:
شبکه طی فرایند یادگیری، از محیط اطلاعات دریافت می‌کند.
شدت اتصالهای بین نرونی، که وزنهای سیناپسی نامیده می‌شود، برای ذخیره اطلاعات مذکور استفاده می‌شود.
یک شبکه عصبی مصنوعی از عناصر پردازشگری (شبیه به نرون های سیستم عصبی زیستی ) در یک شـبکه به هم پیوسـته تشکیل شده است. هر یک از این عناصر پردازشـگر، دروندادها را می‌پذیرد، آنها را پردازش می‌کند و سپـس به صورت یک برونداد در می‌آورد و برای استفاده در اختیار سایر عنـاصر پردازشـگر قرار می‌دهد. ایجاد شبکه‌های عصبی با به کارگیری مثال‌هایی از حل مسئله­ خاص در دنیای واقعی ممکن می‌شود. این مثال‌های واقعی مربوط به یک زمینه کاربردی خاص است و نقش آموزش‌دهنده به شبکه عصبی را بازی می کند. در صورت طراحی صحیح و مثالهای آموزشی کافی یک سیستم شبکه عصبی مصنوعی عملیاتی می تواند برونداد صحیح را ایجاد کند و برای حل مسائل عملی مفید واقع شود. پس از آنکه یک شبکه عصبی به اندازه کافی آموزش دید، طراح یا کاربر شبکه می‌تواند پارامترهای شبکه را قفل کند (هر چند که در مواردی پارامترهای شبکه آزاد گذارده می‌شوند تا در طول کاربرد واقعی بازهم شبکه آموزش ببیند). در این مرحله شبکه عصبی برای کاربرد واقعی خود و حل مسائل آماده خواهد بود.
۲-۴-۲. ساختار شبکه های عصبی مصنوعی
نگاره­ ۲-۱ ساختار کلی شبکه‌های عصبی را نشان می‌دهد. در این شکل هر گره نماینده­ یک سلول عصبی مصنوعی است. اطلاعات از طریق گره‌های لایه­ی ورودی به شبکه وارد می شود. این ورودی ها از طریق رابط‌ها به گره‌های لایه‌های پنهان منتقل شده و بعد از پردازش از طریق لایه‌های مختلف از گره‌های لایه خروجی خارج می‌شوند..

نگاره­۲-۱. ساختار کلی شبکه های عصبی مصنوعی
یک شبکه عصبی مصنوعی، مجموعه‌ای از نرون‌های به هم متصل در لایه‌های مختلف است که اطلاعاتی را برای یکدیگر ارسال می‌کننند. اولین لایه در سمت چپ در شکل، لایه ورودی و لایه آخر نیز لایه خروجی است. داده‌ها از لایه ورودی وارد می‌شود. تمام لایه‌های شبکه عصبی به جز لایه ورودی کار پردازش را انجام داده و در نهایت خروجی بدست می‌آید. لایه‌های بین لایه ورودی و لایه­ خروجی را لایه‌های میانی یا لایه‌های پنهان می‌نامند. ساده‌ترین شکل شبکه فقط دو لایه دارد. لایه ورودی و لایه خروجی شبکه، شبیه یک سیستم ورودی-خروجی عمل می‌کند و ارزش نرون‌های ورودی را برای محاسبه ارزش نرون خروجی مورد استفاده قرار می‌دهد.
نرون‌ها به صورت طبیعی به روش خاصی به هم اتصال می‌یابند تا یک شبکه عصبی را تشکیل دهند. ساختار شبکه‌های عصبی مصنوعی به صورت گراف‌های جهت‌دار موزونی است که نرو‌ن‌های مصنوعی، گره‌ها هستند و پیکانهای جهت‌دار (به همراه وزن ها)، ارتباط بین آنها را نشان می‌دهند. نحوه قرار گرفتن نرون‌ها می‌تواند به گونه‌ای باشد که شبکه تک لایه یا چند لایه را به وجـود آورد. تعداد دیـواره‌های وزنه‌ای حـائل بیـن دو لایه از نرون‌هـا مشـخص کننده تعـداد لایه‌هاست.
نگاره ۲-۲ ‌گرافی ساده از یک نرون عصبی مصنوعی را نشان می‌دهد. هر نرون می‌تواند از یک و یا چند ورودی تشکیل شود. در اینجا نیز، بردار ‌p ، بردار ورودی نرون عصبی مصنوعی می‌باشد.
نگاره۲-۲. نرون عصبی مصنوعی