ارزیابی ریسک حسابرسی با استفاده از رویکرد داده کاوی (مطالعه موردی: تسهیلات بانکی)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری حسابداری، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران

2 استادیار و عضو هیئت علمی گروه حسابداری دانشگاه اصفهان (مسئول مکاتبات)

3 استاد و عضو هیات علمی دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران (نویسنده مسئول و طرف مکاتبات)

چکیده

هدف از اجرای این تحقیق ارزیابی ریسک حسابرسی اعتباری با استفاده از رویکرد داده‌کاوی در بانک‌های پذیرفته شده در بورس اوراق بهادار تهران طی سال 1396 بوده است که بر اساس داده‌های گرفته شده از 200 نفر از کسانی است که از بانک تسهیلات گرفته‌اند. ریسک اعتباری ریسک احتمالی است که با احتمال شکست قرض گیرنده در بازپرداخت وام و یا برآورده نمودن تعهدات رخ می‌دهد. به طور سنتی ریسکی است که قرض‌دهنده نمی‌تواند اصل و بهره خود را دریافت نماید که سبب ایجاد فساد جریان‌های نقدی و افزایش هزینه‌ها برای بانک ها می‌شود. اگر چه دقیقاً علت عدم ایفای تعهدات مشخص نیست، اما ارزیابی درست و مدیریت ریسک اعتباری می‌تواند شدت زیان را کاهش دهد. در حسابرسی استخراج اطلاعات مناسب از میان انبوه داده‌ها و تبدیل آنها به دانش، نیازمند استفاده از روش‌های نوین است. داده‌کاوی یکی از این ابزارها و رویکردهاست. روش پژوهش این تحقیق از نظر ماهیت و محتوا از نوع توصیفی ـ پیمایشی  و از نوع تحقیقات کاربردی می‌باشد. متغیرهای ورودی مهم معرفی شده به شبکه عصبی فیدفروارد شامل دریافتی‌های سالانه، حساب جاری، خانه، کار، سابقه‌کاری، افراد تحت تکفل و وضعیت دفترچه چک است. در این تحقیق یک فرضیه اصلی تدوین شد. بعد از انجام تحقیق و انجام آزمون‌های نموداری در تکنیک‌های داده‌کاوی فرضیه تحقیق تأیید شد. یافته‌ها نشان داد که تکنیک داده‌کاوی دارای دقتی حدود 97 درصد می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

The Evaluating Auditing Risk by Data Mining Approach (Case Study: Bank Loans)

نویسندگان [English]

  • Davood Hemmati 1
  • Mehdi Arabsalehi 2
  • Abbas Toloie Eshlaghy 3
1 Accounting، Accounting and Management, Islamic Azad University, Isfahan, Iran
2 Assistant Professor of Accounting Department, University Of Isfahan
3 Full Professor of IAU, Science and Research Branch
چکیده [English]

The purpose of this study was to Evaluating credit Auditing Risk by Data Mining Approach in banks listed in the Tehran Stock Exchange during the year of 2017 that has been developed based on data taken from 200 people who take out a loan of bank. Credit risk is the probable risk of loss resulting from a borrower's failure to repay a loan or meet contractual obligations. Traditionally, it refers to the risk that a lender may not receive the owed principal and interest, which results in an interruption of cash flows and increased costs for banks. Although it is impossible to know exactly who will default on obligations, properly assessing and managing credit risk can lessen the severity of loss. In auditing Extracting appropriate information from infinite number of data requires modern methods. Data mining is one of these tools and approaches. The research methodology is descriptive -survival and it can be considered as a type of applied research in terms of nature and content. The important inputs variables have been defined in feed forward neural network are annual income, Deposits go throw, house, job, Work experience, Family status, and check book status. In this research one major hypothesis were set forth. After completing the research and doing graphical tests in data mining technique, the research hypothesis was confirmed. Finding show that data mining technique has precise of 97 percentages approximately.

کلیدواژه‌ها [English]

  • Credit Auditing
  • Feed Forward Neural Networks
  • Credit System
  • Banks
  • Data mining

مراجع

  1. امیر کواسمی، شبنم، (1389)، طراحی الگوی اعتبار سنجی مشتریان بانکی و نقش آن در کاهش ریسک اعتباری بانکها(مطالعه موردی بانک اقتصاد نوین)، پایان نامه کارشناسی ارشد، دانشکده مدیریت، دانشگاه علامه طباطبایی.
  2. تقوی، مهدی، لطفی، علی اصغر، سهرابی، عبدالرضا، (1387)، مدل ریسک اعتباری و رتبه­بندی مشتریان حقـوقی بانک کشاورزی، فصلنامه پژوهشنامه اقتصادی، دوره زمستان، شماره 4 (ویژه نامه طرح تعدیل اقتصادی) ، صص 99 - 128 .
  3. رنجبر مطلق، لیدا، (1384)، اصول مدیریت ریسک اعتباری، تهران: انتشارات بانک مرکزی.
  4. رهنمای رودپشتی، فریدون، منصوره، غلامرضا، (1397)، اوراق بهادارسازی وام­ها با رویکرد پوشش ریسک اعتباری، مجله دانش سرمایه گذاری، دوره  7، شماره  25، صص 83 ـ 97 .
  5. رهنمای رود پشتی، فریدون، (1391)، داده­کاوی و کشف تقلب­های مالی، فصلنامه دانش حسابداری و حسابرسی مدیریت، دوره 1، شماره 3، صص 17ـ33.
  6. طلوعی اشلقی، عباس، سقایی، عباس، خورسندی کریمی، سارا، (1389)، پیش بینی فروش فیلم­های سینمایی در ایران با استفاده از شبکه­های عصبی و مقایسه ان با روشهای آماری، فصلنامه مطالعات رسانه ای، دوره5، شماره 4، صص17-41.
  7. میرغفوری، سیدحبیب­اله، امین آشوری، زهره، 1394، ارزیابی ریسک اعتباری مشتریان بانک­ها، فصلنامه کاوش­های مدیریت بازرگانی، دوره 7، شماره 13، صص 147 - 166.

منابع انگلیسی

  1. Amani, A., F., Fadlalla, M., A., (2017), Data mining applications in accounting: A review of the literature and organizing framework, International Journal of Accounting Information Systems, Vol. 24, PP. 32–58.
  2. Chen, S., C., Huang, M., Y., (2011), Constructing credit auditing and control & management model with data mining technique, Expert Systems with Applications, Volume 38, Issue 5, PP. 5359–5365.
  3. Kabir, H.,Ashraf, K., Andrea,P.,(2019), Liquidity risk, credit risk and stability in Islamic and conventional banks, Research in International Business and Finance, 48, PP. 17-31.
  4. Kleboth, A. Luning, P.A. Fogliano, V. (2016), Risk-based integrity audits in    the food chain – A framework for complex systems, journal of Trends in Food      Science & Technology, Volume 56, PP. 167-174.
  5. Lassoued, M., (2018), Comparative study on credit risk in Islamic banking institutions: The case of Malaysia, The Quarterly Review of Economics and Finance, Vol. 70, PP. 267-278.
  6. Lopez, Jose A.(1999). Evaluating Credit Risk Models, Fedral Reserve Bank.
  7. Sabau, E. M., Sabau, A. S., Budacia, L. C., Sgărdea, F. M., (2011),Data mining life cycle in fraud auditing, International Conference on Mathematics and Computers in Biology, Business and Acoustics, Published by WSEAS Press, PP. 55-59.
  8. William, F., Messier, Jr., (2014), An approach to learning risk-based auditing: Journal of Accounting Education, Volume 32, Issue 3, PP. 276-287.

 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار