การตรวจสอบการจัดการกําไรดวยแบบจําลองการสังเคราะหปรับใหมและซัพพอรตเวกเตอรรีเกรสชัน

Abstract

การวิจัยนี้มีวัตถุประสงคเพื่อ 1)พัฒนาแบบจําลองตรวจสอบการจัดการกําไรสําหรับขอมูลที่ไมเปนเชิง เสนตรง โดยการปรับแกแบบจําลองการสังเคราะหของ Ye 2)ประเมินประสิทธิภาพของแบบจําลองที่พัฒนาขึ้น เปรียบเทียบกับแบบจําลองการถดถอยเชิงเสนและแบบจําลองโครงขายประสาทเทียม และ 3)ตรวจสอบความ แมนยําของแบบจําลองที่พัฒนาขึ้นกับขอมูลบริษัทที่คณะกรรมการกํากับหลักทรัพยและตลาดหลักทรัพย (ก.ล.ต.) กลาวโทษวามีกําไรสูงเกินจริง กลุมตัวอยางเปนบริษัทจดทะเบียนในตลาดหลักทรัพยแหงประเทศไทย จํานวน 236 บริษัท วิธีการ วิจัยแบงเปน 3 ขั้นตอน ประกอบดวย 1)การพัฒนาแบบจําลอง 2)การประเมินประสิทธิภาพของแบบจําลองที่ พัฒนาขึ้นและ3)การตรวจสอบความแมนยําของแบบจําลองจากขอมูลจริง ผลการวิจัยปรากฏดังนี้ 1. แบบจําลองการสังเคราะหปรับใหมและซัพพอรตเวกเตอรรีเกรสชันมีความถี่ของการเกิด ความคลาดเคลื่อนประเภทที่ 1 และ 2 นอยกวาแบบจําลองการถดถอยเชิงเสน (ประมาณรอยละ 70และ 31) และแบบจําลองโครงขายประสาทเทียม(ประมาณรอยละ73และ38) 2. แบบจําลองการสังเคราะหปรับใหมและซัพพอรตเวกเตอรรีเกรสชันมีความแมนยําในการตรวจสอบ การจัดการกําไรสอดคลองกับการกลาวโทษของ ก.ล.ต. (คา MSEเทากับ 0.047 นอยกวาเกณฑที่กําหนดไว 0.100) สรุปไดวา แบบจําลองการสังเคราะหปรับใหมและซัพพอรตเวกเตอรรีเกรสชันมีประสิทธิภาพและ ความแมนยําในการตรวจสอบการจัดการกําไรสําหรับขอมูลที่ไมเปนเชิงเสนตรงThe objectives of this research were: 1)to develop an earnings management detection model for nonlinear data by modifying the synthesis model of Ye; 2) to evaluate the efficiency of the developed model through comparisons between linear regression models and the neural network model;3)to assess the accuracy of the developed model using the information in firms subject to the Securities and Exchange Commission (SEC) enforcement actions for allegedly overstating earnings. The samples consisted of 236 firms listed on the Stock Exchange of Thailand (SET). The studywas dividedinto three stages:Developing the model,Evaluating model efficiency, and Assessing the accuracy of the developed model with empirical data. Results indicated that: (1) The developed model with support vector regression showed a lower frequency of Type I and II error rates than those found in the linear regression model (approximately 70% and 31%) and the neural networkmodel (approximately 73% and 38%). (2) The accuracy of the developed model for detecting earnings management was in compliance with SEC enforcement actions (MSE = 0.047, which was less thanthe criteria 0.100). In conclusion, thedevelopedmodel was found to be efficient, and accurate in detecting earnings management for nonlinear data.