اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 2 پیاپی 8 1405 04 01 Presenting an Intelligent Model for Detecting Real and Accrual-Based Earnings Management Using Data Mining and Analysis of Managers’ Behavioral Patterns ارائه مدل هوشمند تشخیص مدیریت سود واقعی و تعهدی با استفاده از داده‌کاوی و تحلیل الگوهای رفتاری مدیران 54 66 FA سید محمد محمودی گروه حسابداری مدیریت، دانشگاه تبریز، تبریز، ایران علی رضا مجد گروه حسابداری مدیریت، دانشگاه تبریز، تبریز، ایران حسین زوارعی گروه حسابداری مدیریت، دانشگاه تبریز، تبریز، ایران Journal Article <p>This study aimed to present an intelligent model for detecting real and accrual-based earnings management by integrating financial indicators, data mining techniques, and behavioral patterns of financial managers. This qualitative exploratory study was conducted in Tehran. The participants included 22 financial managers, independent auditors, internal auditors, audit committee members, financial analysts, and financial data-mining specialists selected through purposive and snowball sampling. Data were collected exclusively through semi-structured interviews, and the interview process continued until theoretical saturation was achieved. After transcription, the data were analyzed through open, axial, and selective coding. NVivo software was used to organize interview data, classify codes, develop categories, compare themes, and visualize conceptual relationships among the extracted components. Data analysis led to the identification of five main categories: financial and operational indicators of earnings management detection, behavioral and motivational patterns of managers, data-mining infrastructure and intelligent model architecture, corporate governance and internal control mechanisms, and explainability and trustworthiness of algorithmic outputs. The participants emphasized that accrual-based earnings management is mainly reflected in discretionary accruals, accounting estimates, provisions, and revenue-recognition timing, whereas real earnings management appears through abnormal operational decisions such as discretionary expense reduction, unusual sales discounts, overproduction, and manipulation of operating cash flows. The findings also indicated that integrating financial data, managerial behavioral signals, decision-making patterns, and governance indicators can enhance the detection accuracy and practical usefulness of intelligent models. The proposed model suggests that intelligent detection of earnings management is effective when it moves beyond traditional financial statement analysis and incorporates behavioral, governance, and explainability dimensions. The model can support auditors, regulators, audit committees, and financial analysts in the early identification of earnings manipulation risks and in improving financial reporting quality.</p> <p>هدف پژوهش حاضر ارائه مدلی هوشمند برای تشخیص مدیریت سود واقعی و تعهدی از طریق ترکیب شاخص‌های مالی، تکنیک‌های داده‌کاوی و تحلیل الگوهای رفتاری مدیران مالی شرکت‌ها بود. این پژوهش با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکت‌کنندگان شامل ۲۲ نفر از مدیران مالی، حسابرسان مستقل، حسابرسان داخلی، اعضای کمیته حسابرسی، تحلیلگران مالی و متخصصان داده‌کاوی مالی در شهر تهران بودند که با روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. گردآوری داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته انجام گرفت و مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت. داده‌های حاصل از مصاحبه‌ها پس از پیاده‌سازی، کدگذاری باز، محوری و انتخابی شدند. برای مدیریت داده‌ها، طبقه‌بندی کدها، ترسیم روابط مفهومی و استخراج مضامین از نرم‌افزار NVivo استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: شاخص‌های مالی و عملیاتی تشخیص مدیریت سود، الگوهای رفتاری و انگیزشی مدیران، زیرساخت داده‌کاوی و معماری مدل هوشمند، سازوکارهای حاکمیت شرکتی و کنترل داخلی، و قابلیت تبیین‌پذیری و اعتمادپذیری خروجی‌های الگوریتمی. مشارکت‌کنندگان تأکید داشتند که مدیریت سود تعهدی عمدتاً از طریق اقلام تعهدی اختیاری، برآوردهای حسابداری، ذخایر و زمان‌بندی شناسایی درآمد شناسایی می‌شود، در حالی که مدیریت سود واقعی در تغییر رفتارهای عملیاتی مانند کاهش هزینه‌های اختیاری، اعطای تخفیف‌های غیرعادی، تولید بیش از نیاز و دستکاری جریان‌های نقدی عملیاتی آشکار می‌گردد. همچنین یافته‌ها نشان داد که ترکیب داده‌های مالی، داده‌های رفتاری مدیران، الگوهای تصمیم‌گیری و شاخص‌های حاکمیتی می‌تواند دقت مدل تشخیص را افزایش دهد. مدل پیشنهادی نشان می‌دهد که تشخیص هوشمند مدیریت سود زمانی اثربخش است که صرفاً به داده‌های صورت‌های مالی متکی نباشد، بلکه نشانه‌های رفتاری، انگیزه‌های مدیریتی، کیفیت کنترل‌های داخلی و قابلیت تبیین الگوریتم را نیز در بر گیرد. این مدل می‌تواند به حسابرسان، نهادهای ناظر، کمیته‌های حسابرسی و تحلیلگران مالی در شناسایی زودهنگام ریسک دستکاری سود کمک کند.</p> https://jsaefm.com/index.php/jsaefm/article/download/51/47