การตรวจสอบการจัดการกําไรด้วยแบบจําลองการสังเคราะห์ปรับใหม่ และซัพพอร์ตเวกเตอร์รีเกรสชัน

Abstract

การวิจัยนี้มีวัตถุประสงค์เพื่อ 1) พัฒนาแบบจําลองตรวจสอบการจัดการกําไรสําหรับข้อมูลที่ไม่เป็นเชิง เส้นตรง โดยการปรับแก่แบบจําลองการสังเคราะห์ของ Ye 2) ประเมินประสิทธิภาพของแบบจําลองที่พัฒนาขึ้น เปรียบเทียบกับแบบจําลองการถดถอยเชิงเส้นและแบบจําลองโครงข่ายประสาทเทียม และ 3) ตรวจสอบความ แม่นยําของแบบจําลองที่พัฒนาขึ้นกับข้อมูลบริษัทที่คณะกรรมการกํากับหลักทรัพย์และตลาดหลักทรัพย์(ก.ล.ต.) กล่าวโทษว่ามีกําไรสูงเกินจริง กลุ่มตัวอย่างเป็นบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย จํานวน 236 บริษัท วิธีการ วิจัยแบ่งเป็น 3 ขั้นตอน ประกอบด้วย 1) การพัฒนาแบบจําลอง 2) การประเมินประสิทธิภาพของแบบจําลองที่ พัฒนาขึ้น และ 3) การตรวจสอบความแม่นยําของแบบจําลองจากข้อมูลจริง

ผลการวิจัยปรากฏดังนี้

1. แบบจําลองการสังเคราะห์ปรับใหม่และซัพพอร์ตเวกเตอร์รีเกรสชันมีความถี่ของการเกิด ความคลาดเคลื่อนประเภทที่ 1 และ 2 น้อยกว่าแบบจําลองการถดถอยเชิงเส้น (ประมาณร้อยละ 70 และ 31) และแบบจําลองโครงข่ายประสาทเทียม (ประมาณร้อยละ 73 และ 38)

2. แบบจําลองการสังเคราะห์ปรับใหม่และซัพพอร์ตเวกเตอร์รีเกรสชันมีความแม่นยําในการตรวจสอบ การจัดการกําไรสอดคล้องกับการกล่าวโทษของ ก.ล.ต. (ค่า MSE เท่ากับ 0.047 น้อยกว่าเกณฑ์ที่กําหนดไว้ 0.100)

สรุปได้ว่า แบบจําลองการสังเคราะห์ปรับใหม่และซัพพอร์ตเวกเตอร์รีเกรสชันมีประสิทธิภาพและ ความแม่นยําในการตรวจสอบการจัดการกําไรสําหรับข้อมูลที่ไม่เป็นเชิงเส้นตรง

Detecting Earnings Management with Modified Synthesis Model and Support Vector Regression Doungkamol

Sukkaewmanee and Suchada Kornpetpanee

College of Research Methodology and Cognitive Science, Burapha University, Thailand

The 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 study was divided into 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 network model (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 than the criteria 0.100).

In conclusion, the developed model was found to be efficient, and accurate in detecting earnings management for nonlinear data.