• آموزش رقابتی

آموزش رقابتی شکلی از آموزش بدون نظارت است. شبکه هایی که از این شیوه آموزش استفاده می‌کنند در لایه خروجی خود از چند نرون تشکیل یافته‌اند، هنگامی که یک ورودی به شبکه اعمال می شود تمام نرونهای خروجی با یکدیگر رقابت می‌کنند تا یکی از نرونهای خروجی مقدار غیر صفر داشته باشد که به آن نرون برنده می‌گویند که معین کننده نرونی از نرونهای لایه ورودی با بیشترین مقدار است.

۲-۴-۸ . شبکه عصبی پرسپترون

پرکاربردترین معماری شبکه های عصبی، شبکه های پرسپترون پس‌خور هستند که معمولا شبکه های درک چند لایه و به طور اختصار MLP گویند. این مدل مبتنی بر الگوریتم یادگیری با ناظر^[۱۶] است. ساختار اولیه و ساده این مدل تشکیل شده است از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی. شبکه های عصبی با لایه‌های پنهان دارای توانایی‌های بیشتری نسبت به شبکه های عصبی دو لایه هستند(منهاج،۱۳۷۷).

هر یک از لایه ها می‌تواند یک یا چند گره داشته باشد. تعداد گره‌های لایه‌های ورودی به تعداد متغیرهای ورودی و تعداد گره‌های لایه خروجی به تعداد متغیر های خروجی وابسته است. اما تعداد گره‌های لایه‌های میانی با آزمون و خطا به دست می اید. در حقیقت تعداد مناسب گره ها و لایه‌های پنهان، وقتی به دست می‌آید که شبکه بهترین جواب را ارائه دهد.(منافی،۱۳۸۵)

نگاره ۲-۵ ساختار یک شبکه پرسپترون سه لایه را که دارای چهار گره در لایه ورودی و یک گره در لایه خروجی است نشان می‌دهد.ویژگی‌های مهم این شبکه عبارتند از:

1. 1. حداقل دارای یک لایه میانی است.

1. 1. از توابع فعالسازی غیرخطی و مشتق‌پذیر در لایه میانی استفاده می‌کند.

1. 1. الگوریتم یادگیری در آن طوری طراحی شده است که خطا را از لایه خروجی به لایه‌های قبلی منتقل می‌سازد.

1. 1. تصحیح خطا از لایه‌ آخر شروع شده و سپس لایه‌های قبلی اصلاح می‌شوند.

1. اتصالات در این شبکه از درجه بالایی برخوردارند.

نگاره ۲-۵٫نمایش یک شبکه عصبی پرسپترون ساده

علت اصلی موفقیت این شبکه را باید در نوع الگوریتم یادگیری این شبکه جستجو کرد. الگوریتم مورد استفاده در آن، از نوع الگوریتم پس انتشار خطا می‌باشد. این الگوریتم همواره به دنبال حداقل‌سازی مربعات خطا می‌باشد. این دقیقا شبیه تخمین ضرایب رگرسیون از روش OLS در آمار و اقتصاد سنجی می‌باشد . ‌بنابرین‏ هر شبکه عصبی از یک تابع خطایی همانند رابطه زیر پیروی می‌کند.

تابع خطا در شبکه MLP :

در این رابطه e بیانگر مقدار خطای مشاهده شده می‌باشد .

هنگام طراحی یک شبکه باید پارامترهای ساختار شبکه، نوع الگوریتم آموزش، نرخ یادگیری، تعداد لایه‌های شبکه و تعداد نرون‌ها در هر لایه و تعداد تکرارها برای هر الگو در خلال آموزش را مدنظر قرار داد (اعظمی،۱۳۸۸).

۲-۵٫پیشینه تحقیق

توماس و ژنگ(۲۰۰۰) دقت تعدادی از مدل‌های تعهدی حسابداری را در پیش‌بینی تعهدات جهت شناسایی مدیریت سود مورد بررسی قرار دادند. آن ها در تحقیقات خود به بررسی شش مدل شامل: مدل جونز، مدل کنگ و سیوارا مک ریشنان، مدل صنعت، مدل تصادفی، مدل ترکیبی و مدل میانگین بازگشتی پرداختند. بازه زمانی مورد بررسی آن ها از سال ۱۹۷۵ الی ۱۹۹۹ بود که از این میان ۱۵ سال را به ‌عنوان داده تخمین جهت برآورد ضرایب مدل‌ها و ۵ سال را جهت داده های آزمون در نظر گرفتند. تعداد شرکت‌های مورد بررسی آن ها ۱۷۴۸ شرکت بود. محققین پس از برآورد ضرایب با بهره گرفتن از داده های دوره آموزش تعهدات اختیاری و غیراختیاری را برای دوره آزمون محاسبه کردند. برای مقایسه بین مدل‌ها بر مبنای اینکه کدام مدل دارای نزدیکترین عدد میانگین، میانه و انحراف معیار به صفر باشد، مدل برتر را انتخاب کردند. طبق نتایج آن ها به طور کلی قدرت پیش‌بینی کلیه مدل‌ها در حد پایین بوده است. در واقع می‌توان گفت محققانی که به دنبال شناسایی مدیریت سود هستند از مدلهایی استفاده می‌کنند که دارای دقتی کمتر از حد انتظار هستند. دربین این مدل‌ها تنها مدل جونز و مدل کنگ و سیوارامک‌ریشنان تا حدی دارای عملکرد قابل قبولی بودند.

جتر و شیواکمار (۱۹۹۹) در مقاله‌ای با بهره گرفتن از داده های مقطعی فصلی و سالانه به برآورد تعهدات اختیاری پرداختند. آن ها برخلاف تحقیقات پیشین (مانند دچو همکاران؛۱۹۹۵ و گوآی و همکاران؛۱۹۹۶) که بر مدل‌های سری زمانی تأکید داشتند بر روی مدل‌های مقطعی فصلی و سالانه تمرکز کردند. آن ها از دو مدل جونز و مدل جریانات نقدی شیواکمار استفاده نمودند. طبق نظر شیواکمار رابطه بین تعهدات و نقد حاصل از عملیات یک رابطه غیرخطی برقرار است. نتایج بررسی‌ها نشان داد که مدل جونز برآوردی مثبت (منفی) از اقلام تعهدی غیرعادی برای شرکتهایی که جریانات نقدیشان کمتر (بیشتر) از میانگین صنعتشان است ارائه می‌دهد. همچنین ویژگی‌های منفی مدل جونز که توسط دچو و همکاران (۱۹۹۹) مطرح شده، تنها به شرکت‌هایی که عملکرد بالایی دارند محدود نمی‌شود. برخلاف مدل جونز، مدل جریانات نقدی برای تمام سطوح جریانات نقدی مناسب بود. بعلاوه، مدل جریانات نقدی در شناسایی مدیریت سود بخصوص در سطوح پایین مدیریت سود، قدرت بیشتری دارد.

کوتاری و دیگران (۲۰۰۵) به بررسی توان دقت آزمون‌های مبتنی بر روش تطبیق عملکرد^[۱۷] جهت شناسایی مدیریت سود در مقایسه با آزمون‌های مبتنی بر روش های سنتی پرداختند. روش‌های سنتی مورد استفاده آن ها مدل جونز و جونز تعدیل شده بود. این محققین از دو معیار بازده دارایی‌ها و صنعت در رویکرد تطبیق عملکرد (نوعی روش نمونه کنترلی) استفاده کردند. آن ها با مقایسه روش های مورد بررسی ‌به این نتیجه رسیدند که رویکرد تطبیق عملکرد در مقایسه با دو مدل دیگر قابلیت اتکا و دقت بیشتری دارد. آن ها علت این برتری را در رابطه غیرخطی بین تعهدات و متغیر عملکرد می‌دیدند. البته در نهایت عنوان کردند که رویکرد تطبیق عملکرد حلال تمام مشکلات و کاستی‌های مدل‌های شناسایی مدیریت سود نیست. ولی می‌تواند به ‌عنوان یک رویکرد کنترلی در شناسایی مدیریت سود مطرح شود.

بال و شیواکمار(۲۰۰۶) به بررسی نقش تعهدات بر عدم تقارن در شناسایی مدیریت بموقع سود و زیان پرداختند. آن ها در بررسی خود ضمن ارائه یک مدل خطی چندگانه نشان دادند که این مدل نتیجه بهتری در مقایسه با مدل‌های خطی ساده ارائه می‌دهند. طبق بررسی این محققین مدل‌های خطی با حذف اثر عدم تقارن در شناسایی زیان نمی‌توانند تعهدات حسابداری را بخوبی تبیین کنند. طبق نظر آن ها مدل‌های خطی توانایی پیش‌بینی جریان نقد آتی را با بهره گرفتن از سود جاری کمتر از حد واقعی در نظر می‌گیرند. آن ها در بررسی خود از داده های پانلی استفاده کردند که شامل ۵۷۳۶۲ سال – شرکت طی سال‌های ۱۹۸۷ الی ۲۰۰۳ بود.