یک سیستم عصبی مصنوعی در حقیقت، فرایند یادگیری انسانی را شبیه سازی می کند و        می کوشد تا کارکرد مغز انسان را به عنوان شبکه ای از نرون های متصل به هم در فرایند        تصمیم گیری تقلید کند. نرون ها، کوچکترین واحدهای محاسب و تصمیم گیری در               شبکه های عصبی هستند. در هریک از نرون ها یک معادله ی تبدیل تعریف شده است. معادله تعریف شده در هریک از نرون ها می تواند یک مدل اقتصادسنجی یا هر مدل ریاضی دیگر مثل توابع سیگموئیدی باشند. در هریک از نرون ها با بهره گرفتن از این معادله سعی می شود که وزن هریک از متغیرها تعیین شود، به گونه ای که ارتباط معنی داری بین بردار داده ها و بردار ستاده ها (نتایج) برقرار کند. به گونه ای معمول تعیین ضرایب در هریک از نرون ها به صورت آزمون و خطا می باشد. بدین ترتیب که ابتدا وزن های کوچک به هریک از متغیرها ارائه می شود و سپس با بهره گرفتن از الگوریتم بازخورد خطاها، ضرایب تعدیل میشوند. این کار تا زمانی ادامه می یابد که خطاها به حداقل ممکن تعیین شده از سوی پژوهشگر برسد. بنابراین فرایند تصمیم گیری در شبکه های عصبی مصنوعی به روش آزمون و خطا میباشد.(لوپز[1]،1999، 13)

به عبارت دیگر سیستم شبکه ی عصبی مصنوعی با تقلید از سیستم عصبی انسان می کوشد که ارتباط بین داده ها (نسبتهای مالی، روند اقتصادی، کیفیت مدیریت و….) و ستاده ها (وضعیت اعتباری وام گیرنده) را از راه تکرار نمونه برداری از مجموعه ی داده های گذشته داده / ستاده یاد گیرد. یک شبکه عصبی بر اساس سه ویژگی داده های ورودی، وزن ها و لایه های پنهان مشخص می شود (ساندرز و آلن،2002، 12). برای ایجاد شبکه های عصبی چندین روش وجود دارد که شبکه عصبی پرسپترون، بویژه پرسپترون چند لایه[2]، در زمره ی کاربردی ترین شبکه های عصبی مصنوعی میباشند. این شبکه ها می توانند با گزینش شماره لایه ها و سلول های عصبی (نرون ها)، که اغلب زیاد نیستند، یک نگاشت غیر خطی را با دقت دلخواه انجام دهد. همچنین این روش به عنوان               ” طبقه بند جامع[3] ” شناخته می شود به این دلیل که از لحاظ تئوریکی قادر به طبقه بندی هر فرایند تصمیم گیری است.

سایر روشها در شبکه های عصبی عبارتند از تابع اصل محوری[4]، نقشه های خود سازمان[5] و شبکه های کوهنی[6]. (اندرسون،2007، 174)

شبکه های عصبی با توانایی قابل توجه آن در استنتاج نتایج از داده های پیچیده می توانند در استخراج الگوها و شناسایی گرایش های مختلفی که برای انسانها و کامپیوتر شناسایی آنها بسیار دشوار است، استفاده شوند. از مزایای شبکه های عصبی می توان موارد زیر را نام برد :

یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.

عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب         می باشند.

[1] Lopez, Jose A

[2] MLP or Back Propagution

[3] Universal Classifier

[4] Radial Basis Function

[5] Self-Organising Maps

[6] Kohnen Network

از مزایای شبکه های عصبی می توان موارد زیر را نام برد :

یادگیری تطبیقی : توانایی یادگیری اینکه چگونه وظایف خود را بر اساس اطلاعات داده شده به آن و یا تجارب اولیه انجام دهد در واقع اصلاح شبکه را گویند.

خود سازماندهی : یک شبکه عصبی مصنوعی به صورت خودکار سازماندهی و ارائه داده هایی که در طول آموزش دریافت کرده را انجام دهد. نورون ها با قاعده یادگیری سازگار شده و پاسخ به ورودی تغییر می یابد.

عملگرهای بی درنگ : محاسبات در شبکه عصبی می تواند به صورت موازی و بوسیله سخت افزارهای مخصوصی که طراحی و ساخت آن برای دریافت نتایج بهینه قابلیت شبکه های عصبی مصنوعی است انجام شود.

تحمل خطا : با ایجاد خرابی در شبکه مقداری از کارآیی کاهش می یابد ولی برخی امکانات آن با وجود مشکلات بزرگ همچنان حفظ می شود.

دسته بندی : شبکه های عصبی قادر به دسته بندی ورودی ها برای دریافت خروجی مناسب         می باشند.

تعمیم دهی : این خاصیت شبکه را قادر می سازد تا تنها با برخورد با تعداد محدودی نمونه، یک قانون کلی از آن را بدست آورده، نتایج این آموخته ها را به موارد مشاهده از قبل نیز تعمیم دهد. توانایی که در صورت نبود آن سامانه باید بی نهایت واقعیت ها و روابط را به خاطر بسپارد.

پایداری – انعطاف پذیری : یک شبکه عصبی هم به حد کافی پایدار است تا اطلاعات فراگرفته خود را حفظ کند و هم قابلیت انعطاف و تطبیق را دارد و بدون از دست دادن اطلاعات قبلی میتواند موارد جدید را بپذیرد.(نوری بروجردی،اسگندری،1388، 6)

شبکه عصبی در شرایطی بکار می رود که ساختار مسائل روشن نیست و باید نوعی روند- شناسی یا بازشناسی الگو صورت گیرد. مدیران مؤسسات مالی، نهادهای مالی در عمل با بسیاری از این شرایط مواجه اند.

شبکه عصبی از دیگر روش های طبقه بندی نمونه به شمار می آید که در آن، فرض خطی بودن روابط میان متغیرها الزامی نمی باشد. استقلال متغیرهای توضیحی حذف شده است و در آن روابط پنهان بین متغیرهای توضیحی به عنوان یک متغیر اضافی وارد تابع می شود. در مورد شرکتها که اطلاعات کمتری نسبت به شخصیتهای حقیقی دارند بیشتر بکار رفته است. برای شناخت الگوهایی که در داده ها وجود دارند بسیار مفید هستند، خصوصاً در مواقعی که نوع رابطه بین هدف (به عنوان مثال ارزیابی وضعیت اعتباری) و متغیرهای ورودی (مثلا ویژگی های جمعیتی) نامشخص و یا پیچیده باشد.

شبکه های عصبی روش محاسبه ای متفاوت با روش های متداول می باشند. محاسباتی که با روش های معمولی انجام می شود از نوع برنامه ریزی شده است و در آنها الگوریتم ها و مجموعه هایی از قواعد به کار می روند تا مسأله را حل کنند. در این روشها اگر الگوریتمی در دست نباشد یا الگوریتم پیچیده باشد، راه حلی برای مسأله وجود نخواهد داشت. اما در محاسباتی که شبکه عصبی اجرا میکند به الگوریتم و مجموعه قواعد نیاز نیست.

تحقیقات به عمل آمده ثابت نموده که شبکه های عصبی نسبت به روش های قبل از خود در ارزیابی نمودن اعتبار مشتریان از صحت بیشتری برخوردار بوده اند و این متد قابلیت ترکیب با سایر متدها را دارد و تأیید شده که ترکیب آن با سایر متدها بیشترین صحت را بدنبال داشته است.

علیرغم برتری روش های شبکه های عصبی، انتقاداتی نیز بر آن وارد می باشد.

وقتی روابط بین متغیرها غیر خطی باشد یکی از مناسبترین ابزارها، شبکه عصبی است. اما علیرغم برتری روش های شبکه‌های عصبی، این روش محدودیت‌هایی نیز دارد که به کارگیری آن را محدود می‌کند.

1ـ دسته بندی دودویی (باینر): داده‌های ورودی به راحتی می‌تواند به صورت (1 و 0) ارائه گردند. اما دسته بندی داده‌های چند کلاسه به طور نامناسبی صورت می‌گیرد. مثلا دسته بندی وضعیت اقامت (دوران سکونت) در50 ایالت امریکا در درخت تصمیم گیری به طور طبیعی صورت می‌پذیرد. اما در شبکه عصبی این کار مشکل است.

2ـ شبکه عصبی یک مدل قابل درک نیست. شبکه عصبی بیشتر “جعبه سیاه” است و توضیح چرایی نتایج مشکل و یا غیر ممکن است.

3ـ همراه با به کارگیری شبکه عصبی در سیستم کامپیوتر، شرکت‌ها و سازمان‌ها نیاز به مفسران یا خبرگان ماهر دارند.

4ـ برای افراد غیرفنی توضیح و توجیه چگونگی تعمیم خیلی مشکل است.

زیریلی[1] بزرگترین چالش به کار گیری شبکه‌های عصبی در امور مالی را چنین توصیف می‌کند:

بزرگترین چالش در به کارگیری شبکه‌های عصبی در مسائل مالی خود شبکه نیست بلکه شیوه تبدیل و فرآورش داده‌های ورودی جهت ارائه به شبکه و شیوه تفسیر نتایج خروجی شبکه است.

5ـ یکی دیگر از این محدودیتها، می توان به مشکل بودن فرایند آموزش در آن اشاره کرد که تا حد زیادی کاربرد آن را محدود نموده است.(زیریلی،1997، 20)

با توجه به دو ویژگی اساسی شبکه های عصبی یعنی یادگیری یا نگاشت پذیری براساس ارائه داده‌های تجربی و ساختار پذیری موازی، این شبکه‌ها در مسائل گوناگون مدیریتی کاربردهای مختلفی پیدا کرده‌اند

[1] Zirilli

ماو و مهی‌الدین[1] کاربردهای شبکه‌های عصبی را به شرح زیر بر می‌شمارند.

1ـ دسته بندی الگو[2] : وظیفه دسته بندی الگو برای تخصیص یک الگو از داده‌ها به یکی از دسته‌ه ای از پیش تعیین شده، به وسیله بردار ویژگی است. یکی از کاربردهای آن رتبه بندی اوراق قرضه است.

2ـ خوشه یابی[3] : در خوشه یابی دسته‌ه ای شناخته شده برای داده‌های آموزشی وجود ندارد. در حقیقت طبقه بندی الگو بدون سرپرستی است. یک الگوریتم خوشه‌یابی، تشابه بین الگوها را کشف می‌کند و الگوهای مشابه را در یک خوشه قرار می‌دهد. این کار در استخراج داده‌ها و داده کاوی کاربردهای زیادی دارد.

3ـ تخمین تابع[4] : فرض می‌کنیم در یک مجموعه، n الگوی آموزشی از زوج‌های مرتب (ورودی و خروجی) از یک تابع ناشناخته (همراه با پارازیت) وجود داشته باشد. وظیفه تخمین تابع، یافتن یک تخمین از تابع ناشناخته است. یک مثال مدیریتی می‌تواند تخمین یک تابع غیر خطی ناشناخته که رابطه بین نارضایتی کارکنان به عنوان ورودی و میزان تولید به عنوان خروجی باشد.

4ـ پیش بینی[5] : با وجود یک مجموعه n عنصری y₍₊₁₎, y₍₊₂₎,…y_(t­n) در یک توالی زمانی t₁, t₂, … t_n وظیفه شبکه پیش بینی نمونه y(t_n+1) در برخی از شرایط t_n+1‌ است. پیش بینی بازار سهام، ورشکستگی شرکت‌ها و… نمونه‌هایی از کاربرد شبکه‌ها و پیش بینی مسائل مدیریتی است.

5ـ بهینه سازی : هدف یک مساله بهینه سازی، یافتن راه حلی است که ضمن صدق در یک مجموعه از محدودیت‌ها، تابع هدف را نیز حداکثر یا حداقل نماید. به عنوان نمونه، مساله فروشنده دوره گرد یک مساله بهینه سازی است. شبکه‌های عصبی می‌توانند با مدل‌های بهینه سازی پاسخ‌های مناسبی را برای این مسئله بدست آورند.

6ـ حافظه انجمن[6] : در حافظه انجمن یا حافظه آدرس‌دهی محتوایی می‌توان به وسیله محتوای داده‌ها به آنها دسترسی پیدا کرد. محتوای موجود در حافظه می‌تواند حتی با یک ورودی ناقص یا محتوای به هم ریخته بازخوانی شود. در حالی که در مدل‌های محاسباتی کامپیوتری یک داده موجود در حافظه فقط از طریق آدرس آن قابل دسترسی است. اگر در محاسبه آدرس اشتباهی رخ دهد ممکن است یک مورد کاملاً متفاوتی بازخوانی شود.مدیر می‌تواند با بهره گرفتن از این کاربرد، اطلاعات مربوط به امور مورد نظر را با در دست داشتن اطلاعات مختصری در مورد آن موضوع در اختیار گیرد.

7ـ کنترل[7] : هدف در یک مدل کنترل، ایجاد ورودی کنترل به نحوی است که سیستم مسیر مطلوبی را که توسط مدل مرجع تعیین شده است را دنبال کند. زمانبندی مشاغل، ماشین‌ها و سایر منابع در سیستم‌های ساخت منعطف، اهمیت بالایی دارد.

شبکه عصبی در اکثر موارد می‌تواند بهترین قاعده را برای انجام بهینه فعالیت‌ها پیدا کند. دلوین[8] و همکاران کاربرد شبکه‌های عصبی در امور مالی را به این صورت بیان می‌کنند :

الف ـ شبیه سازی مالی

ساختار مالی عملیات تجاری بسیار پیچیده و پویاست، به کمک سیستم‌های عصبی مصنوعی، می‌توان مدلی از محیط مالی شرکت ساخت که ویژه آن شرکت باشد و در طول زمان متناسب با تغییر ساختار مالی شرکت پویایی خود را حفظ کند. سه حوزه اصلی اینکار عبارتند از:

1ـ پیش بینی برآورد آتی : در مواردی که در حوزه‌های “پیش بینی مالی” مدل، روابط مشخص و تعریف شده نداشته باشد. می‌توان از مدل‌های شبکه عصبی استفاده کرد. می‌توان شبکه عصبی را طوری طراحی و آموزش داد که رفتار سرمایه گذاران نسبت به تحولات شرکت یا تغییرات کلی شرایط مالی تقلید کند. این مدل‌ها می‌توانند جایگزین مدل‌های آماری مثل رگرسیون خطی و… شوند.

2ـ ارزشیابی : به کمک شبکه‌های عصبی می‌توان ارزش سهام و دارایی‌هایی را که می‌خواهیم خریداری کنیم، برآورد کنیم در این مهم باید فرایند ارزشیابی انسانی شبیه سازی گردد. سیستم می‌تواند به طور خودکار نسبت به تغییرات در رویه‌های عملی تحلیلی و ضوابط انتخاب تصمیم- گیرندگان در طول زمان، خود را سازگار کند، این مدل‌ها مبتنی بر پایگاه‌های اطلاعاتی عمده هستند.

3ـ تصویب اعتبارات : تعیین سقف اعتباری یک امر زمان بر و کاربر است. می‌توان با شبکه عصبی سیستم تصویب اعتبارات را به نحوی طراحی و آموزش داد که اطلاعات ورودی آن داده‌های مربوط به مشتریان و داده‌های خروجی مطلوب آن، تصمیمات واقعی تحلیلگران اعتباری باشد.

[1] Mao & Mohiuddin

[2] Pattern Classification

[3] Clustering

[4] Function Approximation

[5] Forecasting

[6] Associative Memory

[7] Control

[8] Delvin

عناصرکیفیت گزارشگری مالی

یکی ازمهم ترین عناصر در بحث گزارشگری مالی، سود حسابداری بر مبنای فرض تعهدی است. سود حسابداری  ابزاری برای فائق آمدن بر مشکلات اندازه گیری و ارزیابی مؤسسات درحال تداوم فعالیت است، چرا که جریانات نقدی دارای مشکلات زمان بندی هستند و معیار مناسبی برای عملکرد تلقی نمی شوند. علیرغم این برتری، سود تعهدی که مبتنی براصل تحقق و شناسایی درآمد می باشد ممکن است با جریانات نقدی واقعی شرکت مطابقت نداشته باشد. درحقیقت میزان تطبیق سود شرکت با میزان جریان های نقدی ایجاد شده، نشان دهنده کیفیت اقلام تعهدی است و کاهش این تطبیق و کیفیت آن سبب افزایش ریسک اطلاعاتی شرکت می شود، لذا اختلاف بین سود تعهدی و جریان نقدی به عنوان معیار کیفیت سود و بطور کلی تر کیفیت گزارشگری مالی مطرح شده است. در اکثر تحقیقات نیز از کیفیت اقلام تعهدی به عنوان بدیل کیفیت گزارشگری مالی استفاده شده است. در راستای تأثیر کیفیت گزارشگری بر ابعاد مختلف شرکت، موضوع هزینه سرمایه یکی ازمهم ترین ابعاد شرکت می باشد.

کیفیت گزارشگری مالی ازاین جهت با هزینه سرمایه مرتبط است که بر عدم تقارن اطلاعاتی مؤثر است، به گونه ای که با کاهش آن می تواند نقشی مهم در کاهش هزینه سرمایه و هزینه بدهی ایفا نماید. دسته ای دیگر از مطالعات، در تحلیل عوامل مؤثر بر موجودی نقد شرکت ها نشان می دهند با افزایش عدم تقارن اطلاعاتی، مقدار وجه نقد نگهداری شده توسط شرکت ها افزایش می یابد. به عبارتی عدم تقارن اطلاعاتی سبب می شود، تحصیل وجه نقد برای شرکت ها دشوار و هزینه بر شود و در این شرایط شرکت ها ممکن است دارایی های نقدی خود را تقویت نمایند تا از هزینه های مرتبط با وابستگی برتأمین مالی خارجی بکاهند. در این مطالعات عواملی چون اندازه، میزان فرصت های رشد، ساختار مالکیت، اندازه، روابط بانکی وسر رسید بدهی برمبنای تئوری عدم تقارن اطلاعاتی تحلیل شده اند. به طور کلی انتظار می رود که شرکت های با فرصت های رشد بالاتر، اندازه کوچک تر، سررسید بدهی کوتاه تر و بدهی بانکی کم تر، به واسطه عدم  تقارن اطلاعاتی بیشتر، میزان وجه نقد بالا تری نگهداری نمایند .

بر طبق آنچه که بیان شد، کیفیت اطلاعات حسابداری میتواند ازعدم تقارن اطلاعاتی کاسته و دارای   پیامد های اقتصادی برای شرکت باشد و از آن جایی که عدم تقارن اطلاعاتی عامل اثر گذاری بر میزان نگهداشت وجه نقد شرکت است، می توان بین کیفیت گزارشگری مالی و وجه نقد بر مبنای تئوری عدم  تقارن اطلاعاتی، چارچوب نظری را ترسیم نمود. بنابراین می توان انتظار داشت که کیفیت گزارشگری ازطریق کاهش عدم تقارن اطلاعاتی و متعاقبا کاهش وجه نقد مازاد بر نیاز، موجب افزایش کارایی سرمایه گذاری شده  و مدیریت وجه نقد شرکت را بهبود بخشد، که نهایتا منجر به نگهداشت وجه نقد کمتری در شرکت می شود .

درگزارش سال 1999 کمیته بلو ریبون  درخصوص بهبود اثر بخشی کمیته حسابرسی شرکت ها پیشنهاد شماره 8  به شرح زیر آمده است :

“کمیته  پیشنهاد  می کند  استانداردهای حسابرسی، حسابرسان  مستقل را  ملزم سازد  که  قضاوت  خود درباره کیفیت (ونه صرفاً قابلیت قبول) اصول حسابداری مورد استفاده  درتهیه صورت های مالی شرکت را با کمیته حسابرسی به بحث بگذارند. مباحث باید شامل مسائلی نظیر شفافیت افشای مالی و درجه تهاجمی (خوشبینی) یا محافظه کاری (بدبینی)  اصول و برآوردهای حسابداری و سایر تصمیم های مهم مدیریتی باشد که در تهیه صورت های مالی به کار رفته وتوسط حسابرسان مستقل بررسی شده است. این الزام  باید به گونه ای نوشته شود که بحث و مذاکره آزاد و صریح را تشویق کند و از زبان استاندارد شده  و غیرمنعطف  بپرهیزد". در پاسخ به این پیشنهاد، هیأت استانداردهای حسابرسی،  استاندارد حسابداری شماره 61 را اصلاح  کرد و پیشنهاد فوق را الزامی نمود.

در پرتو الزام های جدید، حسابرسان،  اعضای کمیته حسابرسی و مدیریت می کوشند  «کیفیت گزارشگری مالی» را تعریف کنند. در آوریل 2000 انجمن حسابداران رسمی  آمریکا  رهنمودی  در مورد روش و زمان ارتباط با کمیته حسابرسی منتشر کرد و ده گروه از موضوع هایی را که مدیریت وحسابرسان می توانند مورد بحث قرار دهند فهرست نمود. به هر حال درباره کیفیت فقط گفته شده است که:

“معیاری عینی برای کمک به ارزیابی یکنواخت اصول حسابداری مورد استفاده در تهیه صورت های مالی یک واحد تهیه نشده است. استاندارد شماره 61 سمت و سوی بحث و مذاکره  با  کمیته  حسابرسی را  به مواردی که اثر با اهمیتی بر صورت های مالی دارد،  شامل بیان صادقانه،  قابلیت رسیدگی،  بی طرفی و ثبات رویه  سوق داد. این خصوصیات می تواند مبنایی برای بحث  کیفیت  به مفهوم عام کلمه قرار گیرد،  زیرا این ویژگی ها در بیانیه مفهومی شماره 2 هیأت استانداردهای حسابداری مالی به عنوان خصوصیات مطلوب اطلاعات مالی ارائه شده است.”

. Blue Ribbon

. AICPA

. FASB

کیفیت صورت های مالی درمقایسه با کیفیت گزارشگری مالی

اگرچه پیشنهاد شماره 8  کمیته  بلوریبون و استاندارد شماره 61 مشخصاً  به  کیفیت  گزارشگری  مالی  اشاره کرده اند ولی با  تأکید  بر اصول حسابداری  شرکت،  به طور ضمنی بر صورت های مالی تمرکز نموده اند. به هرحال، بحث جامع در خصوص کیفیت، در نهایت  می باید  فراتر از صورت های مالی باشد، زیرا شرکت ها اطلاعات  مالی را با وسایل دیگر (نظیر مجلات مالی، گزارش های تحلیلگران و…) و روش های دیگر (نظیر سخنرانی،  نمایش،  مراکز اطلاع رسانی اینترنتی  و…) نیز منتشر می کنند. اگر چه چارچوب پیشنهادی در این مقاله برای ارزیابی کیفیت صورت های مالی است ولی برای ارزیابی اطلاعات مالی به مفهوم کلی نیز کاربرد دارد.

نکته دیگر این است که گزارشگری  مالی  فقط یک  محصول نهایی نیست،  بلکه فرایندی متشکل از چندین جزء است. براساس چارچوب پیشنهادی،  کیفیت  گزارشگری مالی نهایتا بستگی به کیفیت هر بخش از فرایند گزارشگری مالی دارد.

2-4) رویکرد های مختلف برای ارزیابی کیفیت گزارشگری مالی

افزون بر پیشنهاد  شماره 8 و متن اصلاح  شده استاندارد  شماره 61، رویکرد های متفاوت دیگری به کیفیت اصول حسابداری و گزارشگری مالی وجود دارد. این رویکرد ها را میتوان به دو گروه  تقسیم  کرد:

1)رویکرد  نیازهای استفاده کننده  و

2)رویکرد حمایت از سرمایه گذار / سهامدار .

رویکرد نیازهای استفاده کننده تمرکز بر مسائل مرتبط با ارزشیابی دارد. رویکرد حمایت از سرمایه گذار/ سهامدار بر مسائل مرتبط با نحوه اداره شرکت و مباشرت تأکید دارد.

2-4-1) رویکرد نیازهای استفاده کنندگان

در این گروه، کیفیت گزارشگری مالی بر مبنای سودمندی اطلاعات مالی برای استفاده کنندگان،  تعیین     می شود. چارچوب نظری هیأت استانداردهای حسابداری مالی نمونه اولیه ای از این مدل است. هیأت در بیانیه های مفهومی استدلال می کند که کیفیت می باید  برحسب اهداف کلی گزارشگری مالی،  یعنی فراهم کردن اطلاعات سودمند برای استفاده کنندگان جهت تصمیم های سرمایه گذاری،  اعتبار و مانند آن تعریف  شود. هیأت سپس ویژگی های کیفی لازم برای تأمین اهداف بیان شده را تعریف می کند. طبق مدل هیأت، خصوصیات کیفی شامل مربوط بودن ( ارزش پیش بینی، ارزش تاییدکنندگی وبموقع بودن )، اتکاپذیر  بودن ( رسیدگی پذیری، بیان  صادقانه  و بیطرفی)،  ثبات رویه و مقایسه پذیر بودن  است. هیأت تصدیق می کند که این یک ارزیابی ذهنی است و اغلب می باید بین مربوط بودن و اتکاپذیر بودن تعادل برقرار  شود.

رویکرد کمیته جنکینز دقیقاً در راستای مدل هیأت استانداردهای حسابداری مالی می باشد، امادر تعریف نیازهای اصلی استفاده کنندگان به اطلاعات، با شناسایی مفاهیم هفت گانه زیر از آن مدل فراتر می رود:

• تجزیه و تحلیل جداگانه هر قسمت تجاری که فرصت ها و ریسک های متفاوتی  دارد،
• درک ماهیت فعالیت  شرکت،
• کسب و درک دیدگاه وچشم انداز فعالیت،
• درک دیدگاه مدیریت،
• اشاره به نسبی بودن اتکاپذیری اطلاعات در گزارشگری مالی،
• درک عملکرد شرکت نسبت به رقیبان و سایر شرکت ها،
• درک تغییرات مهمی که  بسرعت  بر شرکت تاثیر می گذارد.

اطلاعات مالی به میزانی که یک یا چند نوع از نیازهای استفاده کنندگان به  شرح  فوق را تأمین کند، مربوط تصور می شود. کیفیت  این اطلاعات  سپس  براساس  سایر ویژگی های  کیفی،  مشابه  مدل  هیـأت،  یعنی اتکا پذیری و مقایسه پذیری،  مورد قضاوت قرار می گیرد.

رویکرد استمرار سود نیز به ویژه مبتنی بر دیدگاه سرمایه گذاران است. اطلاعات مالی که به سرمایه گذارن در 1) تشخیص سود اصلی از سود غیر اصلی و 2) تفکیک اقلام مالی یا نتایج  کسب و کارهای فرعی از فعالیت های اصلی کمک کند، مربوط انگاشته می شود. تمام خصوصیات اطلاعات که برای  استفاده کنندگان سودمند در نظر گرفته می شود با هدف  نهایی استفاده کنندگان که تعیین ارزش شرکت یا ارزیابی ریسک اعتبار است  ارتباط صریح یا ضمنی دارد.