Prioritization of Effective Factors in Measuring the Quality of Earning According to Specific Market Conditions Using the Network Analysis Process (ANP) and Density-Based Spatial Clustering of Applications with Noise

Document Type : Original Article

Authors
Hamid Farhadi 1
Fazel Mohammadi Nodeh 2
Seyed Reza Seyed Nejad Fahim 3
1 Department of Accounting, Qazvin Branch, Islamic Azad University, Qazvin, Iran
2 Assistant Professor, Department of Management, Lahijan Branch, Islamic Azad University, Lahijan, Iran
3 Assistant Professor, Department of Accounting, Lahijan Branch, Islamic Azad University, Lahijan, Iran
10.30495/jik.2025.23585
Abstract
The aim of the current research is to prioritize the effective factors in measuring the quality of profit according to the specific market conditions using the network analysis process (ANP) and Density-Based Spatial Clustering of Applications with Noise. For this purpose, by reviewing the research literature and conducting interviews with experts in this field in Iran, It was investigated what indicators are the factors affecting the quality of profit; In the following, while confirming the 27 identified effective factors, using the technique of Network Analysis Process, the indicators that had the greatest role on the quality of profit were ranked. The results showed that the "Accounting Comparability" sub-criterion, which belongs to the Financial Reporting Standards, with a weight of 0.85, has the most importance among the sub-criteria affecting the quality of earning. Also, the findings of the research showed that in the second place under the criterion of "Sales Volatility" among the criteria of the Company's Operational Characteristics with a weight of 0.51, in the third place under the criterion of "Operational Cycle" among the criteria of the Operational Characteristics of the Company with a weight of 0.35 and in the fourth place under the criterion of "Financial Leverage" which is one of the criteria of the Company's Fundamental Characteristics, are the most important.
Keywords
Earning Quality
Network Analysis Process
Earning Management
Prioritization
  • ابراهیمی کردلر، علی و طاهری، منصور. (1394). تأثیر کیفیت سود بر اعتبار تجاری. بررسی‌های حسابداری، 2(8)، 1-14.
  • اعتمادی، حسین، مومنی، منصور و فرج زاده دهکردی، حسن (1391)، مدیریت سود چگونه کیفیت سود شرکت ها را تحت تاثیر قرار می دهد، مجله پژوهش های حسابداری مالی، 4(2)، 101-122.
  • انصاری نسب مسلم، محمدی، زهرا (1398)، بررسی رفتار غیر خطی نرخ ارز در ایران: شواهدی از الگوی مارکوف سوییچینگ، بررسی مسائل اقتصاد ایران (اقتصاد تطبیقی سابق)، سال ششم، شماره 1 (پیاپی 11)
  • حاجی ها، زهره، قصاب ماهر، لیلا (1390)، ارزش نامشهود ایجاد شده توسط واحد تجاری در شرکت های هموارساز و غیرهموارساز سود، پژوهشنامه حسابداری مالی و حسابرسی، 3 (12)، 136-113.
  • حسینی، سید رسول، حاجیان نژاد، امین (1400)، الگوسازی پایداری و برگشت پذیری سود حسابداری با استفاده از زنجیره های مارکوف، مجله دانش حسابداری، دانشگاه شهید باهنر کرمان، دوره 12، شماره 2.
  • دستگیر، محسن و رستگار پویانی، مجید. (1390). بررسی رابطه بین کیفیت سود (پایداری سود)، اندازه اقلام تعهدی و بازده سهام با کیفیت اقلام تعهدی. نشریه پژوهش های حسابداری مالی، 3(1)، 1-20.
  • رسولخانی، باقر، بزرگ اصل، موسی (1398)، تاثیر کیفیت سود شرکت های مرتبط اقتصادی بر ریسک بازار، پژوهش های کاربردی در گزارشگری مالی، دوره هشتم، شماره 15
  • رفاعی، رامیار، سامتی، مرتضی، قبادی، سارا (1398)، شبیه سازی تاثیر عوامل موثر بر رکود اقتصادی در ایران: مقایسه دو رهیافت زنجیره مارکوف مونت کارلو و بیزین، پژوهش های رشد و توسعه اقتصادی، شماره 36
  • رفاعی، رامیار، سامتی، مرتضی، قبادی، سارا (1398)، شناسایی عوامل موثر بر رکورد اقتصادی در ایران: شبیه سازی مونت کارلو و الگوریتم متروپلیس هاستینگس، نظریه های کاربردی اقتصاد، سال ششم، شماره 3
  • مسن آبادی نگین، حسینعلی فرهاد، بهرامیان زهرا. توسعه یک الگوریتم خوشه بندی مبتنی بر تراکم مکانی و زمانی برای استخراج مکان های توقف از خط سیر کاربر. مهندسی فناوری اطلاعات مکانی. ۱۴۰۰; ۹ (۲) :۱۰۵-۱۲۸
  • منصورفر، غلامرضا، دیدار، حمزه وحسین پور، وحید. (1394). بررسی تأثیر توانایی مدیریت بر کیفیت سود شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. نشریه پژوهش های حسابداری مالی، 7(1)، 37-54.
  • میرانی، سید احسان، اسماعیلی، آرمان، کرشی، سجاد (1402)، شناسایی فاکتورهای تشخیص سود با کیفیت، فصلنامه پژوهش‌های علوم مدیریت، سال 5، شماره 14، 1361-2717.

 

  • Ball, R., & Shivakumar, L. (2005). Earnings quality in UK private firms: comparative loss recognition timeliness. Journal of Accounting and Economics, 39, 83-128.
  • Chen and J.J. Gong (2019), Accounting comparability, financial reporting quality, and the pricing of accruals, Advances in Accounting,https://doi.org/10.1016/j.adiac.2019.03.003
  • De Franco, G., Kothari, S.P. & Verdi, R.S. (2011). The Benefits of Financial Statement Comparability. Journal of Accounting Research, 49 (4): 895-931.
  • Dichow, P., & Dichev, I. (2002). The quality of accruals and earnings: the role of accrual estimation errors. The Accounting Review, 77.
  • Du, K., Huddart, S., Xue, L., & Zhang, Y. (2020). Using a hidden Markov model to measure earnings quality. In Journal of Accounting and Economics (Vol. 69, Issues 2–3, p. 101281). Elsevier BV. https://doi.org/10.1016/j.jacceco.2019.101281
  • Du, K., Huddart, S., Xue, L., Zhang, Y. (2020). Using a hidden Markov model to measure earnings quality. Journal of Accounting and Economics, 69(2-3), 1-55.
  • Fonou-Dombeu, N. C., Mbonigaba, J., Olarewaju, O. M., & Nomlala, B. C. (2022). Earnings quality measures and stock return volatility in South Africa. In Future Business Journal (Vol. 8, Issue 1). Springer Science and Business Media LLC. https://doi.org/10.1186/s43093-022-00115-x
  • Francis, J., Lafond, R., Olsson, P., & Schipper, K. (2004). Costs of equity and earnings attributes. The Accounting Review, 79(4), 967-1010.
  • Hribar, P., Kravet, T., Wilson, R., 2014. A new measure of accounting quality. Review of Accounting Studies 19, 506–538.
  • Leuz, C., Nanda, D., & Wysocki, P. (2003). Earnings management and investor protection: An international comparison. Journal of financial Economics, 69, 505-527.
  • Lipe, R. (1990). The relation between stock returns and accounting earnings given alternative information. The accounting review, 49-71.
  • McNichols, M. (2002). Discussion of the quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review, 77, 61-69.
  • Menicucci, Elisa (2020), Earnings Quality, Palgrave Pivot- Cham publisher, https://doi.org/10.1007/978-3-030-36798-5
  • Nikolaev, V., 2017. Identifying accounting quality. Working Paper, University of Chicago.
  • Persakis, A., Iatridis, G.E. (2015). Earnings quality under financial crisis: A global empirical investigation. Journal of Multinational Financial Management, 30, 1–35.
  • Sarang, P. (2023). Density-Based Clustering. In: Thinking Data Science. The Springer Series in Applied Machine Learning. Springer, Cham. https://doi.org/10.1007/978-3-031-02363-7_12
  • Schipper, K., & Vincent, L. (2003). Earnings quality, Accounting Horizons. 17 (supplement), 97-110.
  • Scott, S. (2002). Bayesian methods for hidden Markov models: Recursive computing in the 21st century. Journal of the American Statistical Association, 97, 337-351.
  • Takaishi T. (2009) An Adaptive Markov Chain Monte Carlo Method for GARCH Model. In: Zhou J. (eds) Complex Sciences. Complex 2009. Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, vol 5. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-02469-6_22.
  • Tham, A. W., Kakamu, K., & Liu, S. (2023). Bayesian Statistics for Loan Default. In Journal of Risk and Financial Management (Vol. 16, Issue 3, p. 203). MDPI AG. https://doi.org/10.3390/jrfm16030203
  • Zakaria, F., & Benbachir, A. (2022). Modeling the stochastic volatility of MAD/EURO and MAD/USD the exchange rates by the Bayesian approach and the MCMC (Monte Carlo Markov Chain) algorithm. In Journal of Modelling in Management. Emerald. https://doi.org/10.1108/jm2-04-2021-0099
  • Breuer, M., Schütt, H.H. Accounting for uncertainty: an application of Bayesian methods to accruals models. Rev Account Stud 28, 726–768 (2023). https://doi.org/10.1007/s11142-021-09654-0
  • Hanafi, N., & Saadatfar, H. (2022). A fast DBSCAN algorithm for big data based on efficient density calculation. In Expert Systems with Applications (Vol. 203, p. 117501). Elsevier BV. https://doi.org/10.1016/j.eswa.2022.117501