ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > دور تقنية آلة متجه الدعم "SVM"...>الوصف

دور تقنية آلة متجه الدعم "SVM" كإحدى تقنيات الذكاء الاصطناعي في تحسين جودة التقارير المالية: دراسة تطبيقية

العنوان بلغة أخرى: The Role of Applying Support Vector Machine Technique as an Artificial Intelligence Techniques on the Financial Reports Quality: An Applied Study
المصدر: الفكر المحاسبي
الناشر: جامعة عين شمس - كلية التجارة - قسم المحاسبة والمراجعة
المؤلف الرئيسي: محمد، أحمد صلاح سيد (مؤلف)
مؤلفين آخرين: جادو، سماسم كامل موسى إبراهيم (مشرف) , الجوهري، رشا مصطفى عبدالحميد (مشرف)
المجلد/العدد: مج27, ع1
محكمة: نعم
الدولة: مصر
التاريخ الميلادي: 2023
الشهر: أبريل
الصفحات: 149 - 177
ISSN: 2356-8402
رقم MD: 1394781
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
الذكاء الاصطناعي | التقارير المالية | التدفقات النقدية | الأنشطة التشغيلية
كلمات المؤلف المفتاحية:
تقنيات الذكاء الاصطناعي | آلة متجه الدعم | جودة التقارير المالية | التدفقات النقدية من الأنشطة التشغيلية | التنبؤات المالية | الشبكات العصبية الاصطناعية | المنطق الضبابي | التقارير الرقمية | Artificial Intelligence Techniques | Support Vector Machine | Financial Reports Quality | Cash Flows from operational activities | Financial Predictions | Artificial Neural Networks | Fuzzy Logic | Digital Reports
رابط المحتوى:
PDF (صورة)     
صورة الغلاف QR قانون

عدد مرات التحميل

134

حفظ في:
المستخلص: الهدف من الدراسة: يتمثل هدف الدراسة في بيان دور تقنية آله متجه الدعم (Svm) كإحدى تقنيات الذكاء الاصطناعي في تحسين جودة التقارير المالية، وذلك من خلال زيادة درجة التنبؤ بالتدفقات النقدية من الأنشطة التشغيلية. منهجية الدراسة: اعتمد الباحث في تحقيق الهدف البحثي على تناول الدراسات السابقة ذات الصلة بمتغيرات الدراسة، بالإضافة إلى إجراء دراسة تطبيقية على عينة من الشركات المقيدة بالبورصة المصرية، وكان عددها 70 شركة ممثلة من 12 قطاع اقتصادي، وتم استخدام برنامج (MATLAB R2022b) لتطبيق تقنية آله متجه الدعم (Svm) وذلك للتنبؤ بالتدفقات النقدية من الأنشطة التشغيلية. نتائج الدراسة: أسفرت نتائج الدراسة التطبيقية عن ارتفاع متوسط الدقة التنبؤية لتقنية (Svm)، حيث بلغ متوسط الدقة التنبؤية بالتدفقات النقدية ما بين (91.61%) كحد أدنى وذلك عند (SVM Quadratic)، وبين (94.15%) كحد أقصى عند (SVM Fine Gaussian)، حيث إنه كلما ارتفعت درجة الدقة التنبؤية كلما زادت قوة نموذج التنبؤ، ومما يدل على وجود علاقة معنوية بين تطبيق تقنية (Svm) وبين دقة التنبؤ بالتدفقات النقدية، مما يساهم في تحسين جودة التقارير المالية.

Purpose: The objective of the study is to demonstrate the role of applying Support Vector Machine as an artificial intelligence technique in improving the quality of financial reporting by increasing the predictability of cash flows from operational activities. Methodology: This study relied on reviewing the related literature reviews and conducting an applied study on companies listed in an Egyptian Exchange in the period 2017-2021, there were 70 companies represented from 12 economic sectors, MATLAB R2022b has been used to apply the Support Vector Machine Technique to predict cash flows from operational activities. Findings: The results of the applied study resulted in a high average predictive accuracy of the technology (SVM), where the average forecast accuracy of cash flows is between (91.61%) at the minimum at (SVM Quadratic), and between (94.15%) maximum at (SVM Fine Gaussian), as the higher the predictive accuracy the stronger the prediction model, indicating a moral correlation between the application of the technology (SVM) and accurate forecasting of cash flows, contributing to improved quality of financial reporting.
ISSN: 2356-8402

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.