چکیده:
سود بهعنوان یکی از مهمترین شاخصهای اندازهگیری عملکرد واحد اقتصادی، ازمباحث مهم حسابداری است که باتوجه به محیط رقابتی شدید و اهمیت تصمیمگیری سریع و مناسب مدیران جایگاه والایی نیز پیداکردهاست. بنابراین تجزیه وتحلیل شاخص مزبور، عوامل مؤثربرآن و پیشبینی سودآوری بسیارحائزاهمیت است. درهمین راستا، در پژوهش حاضر تعداد 124 شرکت برای بازهزمانی1387 تا1395 با مبناقراردادن اطلاعات بنیادی صورتهای مالی شرکتها؛ اثر34 متغیر بردقت پیشبینی سودآوری شرکتهای پذیرفتهشده در بورس اوراق بهادار تهران مورد بررسی قرارگرفت. از تکنیک درختتصمیمc5 جهت تعیین متغیرهای معنادار در پیشبینی سودآوری به علت سهولت بالا در فهم مدل، استفاده شد. در نهایت پس از تعیین متغیرهای موثر و مشخص شدن 8 متغیر، دقت پیشبینیها بااستفاده ازتکنیک شبکهعصبی، درختتصمیمC5 و ماشین بردار پشتیبان(SVM) اندازهگیری ونتایج حاصل از این3 الگوریتم بایکدیگر مقایسه شد. نتایج مقایسه بیانگر آن بود که بهترین مدل پیشبینی سودآوری شرکتها با درنظر گرفتن متغیرهای معنادار، الگوریتم درختتصمیم C5 بادقت93.54% است و پس از آن مدل شبکه عصبی بادقتی برابر81.45% نسبت به ماشین بردارپشتیبان (69.35%) دقیقتر و دارای سطح خطای کمتری است.
Profit as one of the most important indicators of measuring the performance of the economic unit is one of the important accounting issues that has a high status due to the competitive environment and the importance of quick and proper decision making by managers. Therefore, it is important to analyze the index, factors affecting it and predict profitability. In this regard, the present study was conducted by selecting a sample of 124 observations for the period from 1387 to 1395, based on the basic information of the companies financial statements; the effect of 34 variables on the accuracy of predicting the profitability of the accepted companies by Tehran stock exchange, has been investigated. Tree C5 method was used to determine the significant variables in predicting profitability due to the high ease of understanding of the model. Finally, after determining the effective variables and identifying 8 variables, the accuracy of the predictions was measured using the neural network technique, the C5 decision tree and the backup vector machine (SVM), and the results from these three algorithms were compared. The results of the comparison show that using the c5 decision tree and the 8 variables have the best prediction with accuracy of 93.54%, and then the neural network model is 81.45% more accurate than the supported vector machine (69.35%) and has an error.