The accounting treatment of research & development expenditures for financial firm performance : a machine learning approach
Η λογιστική αντιμετώπιση των δαπανών έρευνας και ανάπτυξης για την χρηματοοικονομική απόδοση των εταιρειών : μια προσέγγιση με μηχανική μάθηση

Doctoral Thesis
Συγγραφέας
Vasilatos, Antonios M.
Βασιλάτος, Αντώνιος Μ.
Ημερομηνία
2025-01-08Προβολή/ Άνοιγμα
Λέξεις κλειδιά
R&D costs ; Machine learning ; Financial firm performance ; IAS 38Περίληψη
Αυτή η διατριβή αναλύει την προβλεπτική ικανότητα των δαπανών E&Α για την μελλοντική χρηματοοικονομική απόδοση των εταιρειών, χρησιμοποιώντας ένα ευρωπαϊκό δείγμα εισηγμένων εταιρειών που συντάσσουν τις οικονομικές τους καταστάσεις σύμφωνα με τα ΔΠΧΑ από το 2005 έως το 2020. Αυτή η μελέτη χρησιμοποιεί μια εκτός δείγματος προγνωστική προσέγγιση, σε αντίθεση με προηγούμενες έρευνες που εξετάζουν κυρίως τη σχέση μεταξύ δαπανών Ε&Α και της μελλοντικής κερδοφορίας μέσω ανάλυσης παλινδρόμησης εντός δείγματος. Αυτό επαναδιατυπώνει τη διαρκή συζήτηση σχετικά με την λογιστική αντιμετώπιση των δαπανών για Ε&Α—αν θα πρέπει να κεφαλαιοποιούνται ή να καταχωρούνται ως έξοδα—ως ένα ζήτημα πρόβλεψης, ευθυγραμμιζόμενο με τη σύγχρονη βιβλιογραφία που υποστηρίζει την προγνωστική ανάλυση έναντι των αποκλειστικά επεξηγηματικών μεθόδων.
Χρησιμοποιούνται αλγόριθμοι μηχανικής μάθησης, όπως οι logistic regression, random forest, SVM and XGBoost, για την πρόβλεψη δεικτών κερδοφορίας, όπως ο δείκτης αποδοτικότητας συνολικών κεφαλαίων, η τιμή, οι αποδόσεις και τα κέρδη ανά μετοχή. Αυτή η εργασία απομακρύνεται από την παραδοσιακή οικονομετρική ανάλυση, η οποία επικεντρώνεται στην εκτίμηση παραμέτρων, και απεικονίζει την ικανότητα των αλγορίθμων μηχανικής μάθησης να εντοπίζουν μη γραμμικές συσχετίσεις και να παράγουν πιο ακριβείς προβλέψεις εκτός δείγματος. Επιπλέον, παρουσιάζει μια προσέγγιση βασισμένη σε δεδομένα συγκρίνοντας θεωρητικούς χρηματοοικονομικούς δείκτες με μοντέλα κατασκευασμένα από ακατέργαστα λογιστικά δεδομένα. Αξιοσημείωτο είναι ότι τα τελευταία συχνά επιδεικνύουν συγκρίσιμη, αν όχι ανώτερη, ικανότητα πρόβλεψης της μελλοντικής χρηματοοικονομικής απόδοσης της εταιρείας.
Για να αποκτήσουμε περαιτέρω πληροφόρηση σχετικά με τη συμβολή των δαπανών Έρευνας και Ανάπτυξης (Ε&Α) στην μελλοντική απόδοση των εταιρειών, χρησιμοποιούνται μέτρα "σημαντικότητας χαρακτηριστικών" και τιμές SHAP (SHapley Additive exPlanations) για τη βελτίωση της ερμηνευσιμότητας των μοντέλων μηχανικής μάθησης, προσφέροντας λεπτομερείς πληροφορίες για την επίδραση των κεφαλαιοποιημένων έναντι των "εξοδοποιημένων" δαπανών για Ε&Α στην προβλεπτική ακρίβεια. Παρά τα προηγούμενα ευρήματα που δείχνουν ότι η κεφαλαιοποίηση προάγει την χειραγώγιση των κερδών και μειώνει την προβλεπτική ακρίβεια, τα αποτελέσματα δείχνουν ότι οι κεφαλαιοποιημένες δαπάνες για Ε&Α μπορούν να βελτιώσουν τις προβλέψεις για τη μελλοντική χρηματοοικονομική απόδοση. Αυτό υποδηλώνει ότι η υπάρχουσα λογιστική αντιμετώπιση σύμφωνα με τα ΔΠΧΑ, η οποία επιτρέπει την κεφαλαιοποίηση των δαπανών ανάπτυξης υπό ορισμένες προϋποθέσεις, μπορεί να επικοινωνεί πιο αποτελεσματικά τις πληροφορίες που απαιτούνται από τους επενδυτές και τους υπεύθυνους χάραξης πολιτικής για την πρόβλεψη της μελλοντικής χρηματοοικονομικής απόδοσης της εταιρείας.
Αυτή η έρευνα συμβάλλει στη βιβλιογραφία της λογιστικής και της χρηματοοικονομικής παρέχοντας σημαντικά στοιχεία εκτός δείγματος σχετικά με την προβλεπτική ικανότητα των δαπανών Έρευνας και Ανάπτυξης (Ε&Α). Αυτή η μελέτη προσφέρει μεθοδολογική καθοδήγηση για την ενσωμάτωση τεχνικών μηχανικής μάθησης στην λογιστική έρευνα και εξηγεί το αμφιλεγόμενο θέμα της κεφαλαιοποίησης των δαπανών για Ε&Α, ενδεχομένως συμβουλεύοντας τις ρυθμιστικές αρχές, τους επαγγελματίες της λογιστικής και τους επενδυτές για την βέλτιστη ερμηνεία και εφαρμογή των πληροφοριών Ε&Α για μελλοντική λήψη αποφάσεων.